[发明专利]一种基于深度学习的车底板异物击打故障检测方法

权利要求书

1.一种基于深度学习的车底板异物击打故障检测方法，其特征在于，包括：

步骤一、获取列车底板图像样本集，所述列车底板图像样本集包括标记的带标签图像样本和未标记的学习图像样本；

步骤二、对标记的带标签图像样本和未标记的学习图像样本通过teacher-student模型进行样本扩增，建立自训练分类模型，利用所述扩增后得到的样本，以最小化GHM损失函数为目标对自训练分类模型进行迭代训练，直至GHM损失函数完全收敛时，停止迭代；

步骤三、停止迭代后，使训练后的自训练分类模型对待检测列车底板图像进行异物击打痕迹的检测，将检测得到的异物击打痕迹的box坐标投射为整个列车上的坐标，所述box坐标为异物击打痕迹在待检测列车底板图像上的具体位置。

2.根据权利要求1所述一种基于深度学习的车底板异物击打故障检测方法，其特征在于，所述步骤一中建立列车底板图像样本集，即获取待训练的带标签图像样本和未标记的学习图像样本；具体过程为：

获取列车底板图像；将列车底板图像按车厢节数分节，将每节车厢底板图像分为多个小图像，选择部分小图像进行标记，标记的内容包括：异物击打痕迹，得到标记的带标签图像样本，剩下未标记的不带标签小图像作为学习图像样本。

3.根据权利要求2所述一种基于深度学习的车底板异物击打故障检测方法，其特征在于，所述标记的内容还包括以下至少一项：漏油、水渍、易对异物击打痕迹检测造成影响的部件。

4.根据权利要求2所述一种基于深度学习的车底板异物击打故障检测方法，其特征在于，所述步骤二对标记的带标签图像样本和未标记的学习图像样本通过teacher-student模型进行样本扩增，建立自训练分类模型，利用所述扩增后得到的样本，以最小化GHM损失函数为目标对自训练分类模型进行迭代训练，直至GHM损失函数完全收敛时，停止迭代；具体过程为：

步骤二一、将标记的带标签图像记为{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}，未标记的不带标签图像记为

通过标记的带标签数据集图像对初始teacher model进行训练，得到teacher model：θ^t，其中，训练用的损失函数的损失值通过以下公式计算：

其中，n表示带标签图像样本数；f^noised表示对x_i加入噪声后进行teacher mode训练的函数机制；x_i表示第i个带标签样本；y_i表示x_i对应的标签；θ^t表示teacher model；

步骤二二、使用训练学习得到的teacher model为未标记的学习图像样本打上伪标签：

其中，表示未标记的学习图像样本通过学习得到的伪标签；m表示伪标签样本总数；表示未标记的学习图像样本；

步骤二三、对标记的带标签图像样本和打上伪标签的未标记学习图像样本添加噪声；

通过以下公式迭代训练teacher model，直至GHM损失函数的损失值l_GHM最小，停止迭代：

5.根据权利要求4所述一种基于深度学习的车底板异物击打故障检测方法，其特征在于，所述GHM损失函数l_GHM为：

其中，p_i表示图像标签y_i出现异物击打痕迹故障的概率；GD(g_i)表示梯度密度，是单位梯度模长g部分的样本个数；L_ce表示交叉熵损失函数。

6.根据权利要求5所述一种基于深度学习的车底板异物击打故障检测方法，其特征在于，所述交叉熵损失函L_ce为：