[发明专利]一种基于深度学习的掘进机姿态检测方法

权利要求书

1.一种基于深度学习的掘进机姿态检测方法，其特征在于：包括以下步骤，

S100～建立不同姿态状态下的掘进机模型数据库；

S200～搭建掘进机姿态检测模型；

S300～设计掘进机姿态检测模型的损失函数；

S400～对掘进机姿态检测模型进行训练；

S500～测试训练好的掘进机姿态检测模型；

S600～掘进机的姿态检测。

2.根据权利要求1所述的基于深度学习的掘进机姿态检测方法，其特征在于：所述的步骤S100中掘进机模型数据库的建立步骤包括，

S101～将掘进机模型置于高精度六自由度转台上，使用单目相机对六自由度转台上掘进机模型的标靶图像数据进行采集，掘进机模型的位置不变只改变三个姿态角，三种姿态角分别在每0.05°采样一次；

S102～对于获得的每张图片进行图像标定，标定内容为光靶的姿态信息；

S103～将标定好的数据90%划分为训练集、5%划分为验证集、5%划分为测试集。

3.根据权利要求2所述的基于深度学习的掘进机姿态检测方法，其特征在于：所述的步骤S101中，掘进机模型采样的具体过程为：对掘进机的姿态角进行检测，三轴姿态角包括掘进机绕x轴的转动---偏向角、绕y轴的转动---滚动角以及绕z轴的转动---俯仰角；建立数据库时，控制其中两个角不变，改变第三个角来采集图像，每变化0.05°采集一张图片，以此类推每次都是控制两个角不变，采集另外一个角度变化的图片，最终采集到掘进机所有可能姿态下的图像。

4.根据权利要求1所述的基于深度学习的掘进机姿态检测方法，其特征在于：所述的S200中，采用Faster R-CNN深度学习目标检测框架，以掘进机标靶图像为网络输入，先进行图像处理，提取图像特征，然后进入候选区域提取网络；将生成的候选区域和特征图一起进行候选区域特征池化形成候选区域池化特征图，最后经过两个全连接层输出掘进机的姿态参数。

5.根据权利要求1所述的基于深度学习的掘进机姿态检测方法，其特征在于：所述的步骤S300中，损失函数具体如下：

其中表示基于姿态信息的损失函数系数；L表示损失函数；N表示训练集中的样本数；i表示第i个样本；表示样本真实的姿态值；表示掘进机姿态检测网络模型预测的姿态值。

6.根据权利要求1所述的基于深度学习的掘进机姿态检测方法，其特征在于：所述的S400包括以下步骤，

S401～选择步骤S200中确定的掘进机姿态检测模型；

S402～用不同的随机数初始化网络中带训练的参数；

S403～用步骤S100所划分的训练集输入掘进机姿态检测模型进行训练。

7.根据权利要求6所述的基于深度学习的掘进机姿态检测方法，其特征在于：所述的步骤S403具体过程分为两个阶段，第一阶段是训练集由低层次向高层次传播的阶段，即前向传播阶段，就是将掘进机标靶的图像信息输入网络中，经过多层卷积层的卷积和池化处理，提取特征向量，将特征向量传入全连接层中，根据网络计算得出图像相对应的掘进机姿态参数即网络的输出；第二阶段是网络输出的掘进机姿态与掘进机的实际姿态之间的误差超过设置的精度阈值时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段，将误差传回网络，依次求得网络中各层的误差，当误差小于等于精度阈值时，也就是找到损失函数的最小值，根据求得的误差进行网络各层权值更新，通过训练数据样本和期望值调整网络权值，然后结束训练。

8.根据权利要求1所述的基于深度学习的掘进机姿态检测方法，其特征在于：所述的步骤S500中，在测试集上测试掘进机姿态检测模型的实际效果，通过训练模型使得损失函数取得最小值，对训练好的模型进行测试以及评估模型精度。

9.根据权利要求1所述的基于深度学习的掘进机姿态检测方法，其特征在于：所述的步骤S600中，将任意姿态下的掘进机光靶图像输入到经过步骤S500中测试好的深度卷积神经网络中，输出该状态下掘进机的姿态参数。