[发明专利]基于深度学习的注水口盖板丢失检测方法

权利要求书

1.一种基于深度学习的注水口盖板丢失检测方法，其特征在于，包括以下步骤：

步骤S1，建立注水口盖板的图像训练集；

步骤S2，获取目标卷积神经网络模型，其中，所述目标卷积神经网络模型包括改进的修正线性单元激活函数，具体地，

所述改进的修正线性单元激活函数包括：单侧修正线性单元和双侧修正线性单元，其中，

所述单侧修正线性单元的公式为：

其中，x为输入值，c_min为常量，且c_min0，α为角度常量；

所述双侧修正线性单元的公式为：

其中，c_min和c_max为常量，且c_min0，c_max0，α和γ为角度常量；

步骤S3，通过所述图像训练集训练所述目标卷积神经网络模型得到训练好的目标卷积神经网络模型，其中，所述训练好的目标卷积神经网络模型包括最优参数权重；

步骤S4，利用所述训练好的目标卷积神经网络模型检测待检测图像的注水口盖板是否丢失，若丢失，则发出报警信号。

2.根据权利要求1所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述步骤S1进一步包括：

获取动车侧部线阵图像，从所述动车侧部线阵图像中定位注水口盖板区域，获得多张注水口盖板原图图像；

利用图像处理算法对所述多张注水口盖板原图图像进行扩增，并标记出正常类和丢失类，利用标记后的注水口盖板原图图像建立训练集。

3.根据权利要求2所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述图像处理算法包括旋转算法、平移算法和亮度处理算法。

4.根据权利要求3所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述图像处理算法包括：

其中，f(x,y)为输入的注水口盖板图像，x和y分别为输入图像像素的行列坐标，f_rotate(x,y)为输入图像经旋转后的图像，f_light(x,y)为输入图像经亮度变化后的图像，f_translate(x,y)为输入图像经平移后的图像，G_value(x,y)为输入图像某点灰度值的大小，G_max(x,y)和G_min(x,y)分别为输入图像的最大灰度值和最小灰度值，w和h分别为注水口盖板图像的宽和高，c和γ为常数，α为图像旋转的角度，d_x、d_y分别为图像沿x方向和沿y方向平移的偏移量。

5.根据权利要求1所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述目标卷积神经网络模型的网络层中还包括原修正线性单元。

6.根据权利要求5所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述原修正线性单元、所述单侧修正线性单元和所述双侧修正线性单元以间隔原则加入所述目标卷积神经网络模型的网络层中。

7.根据权利要求1所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述步骤S3进一步包括：

通过所述训练集训练所述目标卷积神经网络模型，得到多个权重值；

选取Adam优化器对所述多个权重值进行梯度下降，利用softmax函数和交叉熵损失函数计算网络损失，再通过梯度反向传播不断更新权重参数，获得最优参数权重。