[发明专利]铁路货车部件检测网络的优化方法及护栏折断故障识别方法

说明书

铁路货车部件检测网络的优化方法及护栏折断故障识别方法，属于货车故障识别技术领域。为了解决基于深度学习的目标检测忽略了负样本的重要性从而限制了铁路货车部件检测器学习能力而影响检测效果的问题。本发明的优化方法中，选用Faster R‑CNN作为铁路货车部件检测网络，利用获取的铁路货车部件训练集对网络进行训练时，整体损失函数为其中，回归损失L_reg由正样本权重调制因子和GIoU损失确定，分类损失L_cls由正、负样本权重调制因子和焦点损失确定。本发明用于铁路货车部件检测网络的优化方法及护栏折断故障的识别。

技术领域

本发明涉及一种铁路货车部件检测网络的优化方法以及一种铁路货车护栏折断故障识别方法，属于货车故障识别技术领域。

背景技术

铁路货车的护栏是为了辅助维修工人进行日常维护与检修而设置，如出现护栏折断故障，会产生安全隐患，危机维修工人的人身安全。而对于目标检测技术，现有技术包括：传统图像处理检测零部件异常、深度学习中的基于目标检测和物体识别检测零部件异常。目前的目标检测存在以下问题：

1.传统图像处理检测零部件异常需要人工设计激励特征，工作量大且鲁棒性较低，同时基于滑动窗口的区域选择策略没有针对性，时间复杂度高。

2.在基于深度学习的目标检测中，不同样本的重要性是不同的，分类和回归之间一致性较高的候选框十分重要。然而现有的检测网络大多侧重于正样本的权重，忽略了负样本的重要性，限制了检测器的学习能力。尤其是针对铁路货车部件的检测而言，由于实际的正负样本是不均衡的，因此会严重影响铁路货车部件的检测效果。

发明内容

本发明为了解决基于深度学习的目标检测忽略了负样本的重要性从而限制了铁路货车部件检测器学习能力而影响检测效果的问题。

铁路货车部件检测网络的优化方法，包括以下步骤：

选用Faster R-CNN作为铁路货车部件检测网络，利用获取的铁路货车部件训练集对Faster R-CNN进行训练时，整体损失函数如下：

其中，L_det为总体损失，L_cls为分类损失，L_reg为回归损失，β为平衡因子；M，N分别为在候选样本内和整体候选框的数量，m、n为对应的变量；FL为焦点损失，s为预测的分类得分，b和b′为分别为预测框和真值标签；w_pos为正样本权重调制因子，w_neg为负样本权重调制因子；GIoU(b，b′)为GIoU损失。

正样本权重调制因子如下：

w_pos＝e^μt×t

t＝s×IoU^β

其中，β是平衡预测的分类得分s与IoU的超参数，μ是一个控制不同正样本权重的相对间隙的超参数。

负样本权重调制因子如下：

其中，γ₁为调节负样本概率的超参数，且当交并比IoU∈[0.5，0.95]时，函数通过点(0.5，1)与(0.95，0)两点，并以此确定k、b”的值；γ₂是给予重要负样本优先的超参数。

铁路货车护栏折断故障识别方法，包括以下步骤：