【技术实现步骤摘要】
一种基于深度多级优化的接触网螺母异常识别方法
本专利技术涉及图像处理
，具体涉及一种基于深度多级优化的接触网螺母异常识别方法。
技术介绍
近年来，中国高铁里程数已经超过2.2万公里，连接了各大城市，方便快捷的为大众提供便捷的运输服务。但是，随着高铁网络的铺设，铁路接触网的分布越来越广，随之而来的各类故障检测也日益繁多，例如铁路接触网螺母异常等。通过对螺母异常的识别，能够快速准确地确定螺母是否缺失，以及缺失的位置，从而能够在确保铁路接触网正常工作的维护中起到重要作用。通常传统的对铁路接触网螺母异常的检测和识别，都是先通过4C图像采集装置在夜间对接触网进行拍摄，再经过分析室工作人员肉眼看图的方式来判断是否存在螺母异常的情况，并记录其信息，该方法效率较低且漏检或错检现象时有发生。近年来，有学者尝试利用目标检测的办法去进行铁路接触网的螺母异常的识别，但是相较于普通的目标检测，铁路接触网的螺母异常识别存在如下几个难点：1）图像的拍摄角度各异，螺母区域采集不完整；2）铁路接触网的螺母在整个图像中所占的比例小；3）铁...
【技术保护点】
1.一种基于深度多级优化的接触网螺母异常识别方法，其特征在于，包括如下步骤：/n步骤（A），获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息；/n步骤（B），根据螺母区域的位置信息将螺母区域从原图中截取出，作为输入值输入训练好的自编码网络中，经过自编码网络处理后得到结果图；/n步骤（C），根据最大类间方差法将自编码网络处理后的结果图与未经处理的原图进行二值化，然后统计结果图与原图之间的差异程度，来判断螺母是否异常。/n
【技术特征摘要】 【专利技术属性】
1.一种基于深度多级优化的接触网螺母异常识别方法，其特征在于，包括如下步骤：
步骤（A），获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息；
步骤（B），根据螺母区域的位置信息将螺母区域从原图中截取出，作为输入值输入训练好的自编码网络中，经过自编码网络处理后得到结果图；
步骤（C），根据最大类间方差法将自编码网络处理后的结果图与未经处理的原图进行二值化，然后统计结果图与原图之间的差异程度，来判断螺母是否异常。
2.根据权利要求1所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于：步骤（A），获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息，包括如下步骤：
（A1），在训练样本图片中人工框选出螺母所在的区域，获取训练样本图片中螺母所在的目标区域的位置信息作为标签保存；
（A2），将训练样本缩放为设定像素大小的训练样本矩阵，并与对应的位置信息的标签一同作为输入，训练残差注意力卷积神经网络，获得对应神经网络的参数；
（A3），输入铁路接触网图像到残差注意力卷积神经网络，利用训练好的网络参数进行计算，得出铁路接触网图像中螺母的位置信息以及对应的置信度；
（A4），将所有的位置信息使用非极大值抑制进行筛选，将置信度低于阈值的位置信息筛除，输出置信度高于阈值的位置信息。
3.根据权利要求2所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于，所述步骤（A2）包括如下步骤：
（1），将输入的训练样本图像缩放为416*416的特征图，并对其进行随机的色调、亮度、角度调整，作为网络的输入值；
（2），使用3*3的扩张卷积核，将输入值通过32层的残差注意力卷积神经网络生成13*13的多维向量，将原始图像分成13*13共169个网格，每个网格输出5个位置信息以及每个位置信息对应的置信度，每个位置信息包含目标的中心点的位置以及目标的长与宽；
（3），将（2）的位置信息导入损失函数中获得损失值，并根据损失值对残差注意力卷积神经网络进行反向传播，对权重参数进行更新；
（4），损失值低于0.06，并在测试集中取得95%以上检测准确率时，将对应的权重参数作为最优权重参数保存。
4.根据权利要求3所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于：色调随机范围为1倍至1.5倍，亮度随机范围为1倍至1.5倍，角度随机范围为0度至15度。
技术研发人员：吴泽彬，陆威，龚航，詹天明，徐洋，
申请(专利权)人：南京智莲森信息技术有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。