基于深度学习的动车裙板异物识别方法及装置制造方法及图纸

基于深度学习的动车裙板异物识别方法及装置，涉及动车故障检测技术领域。本发明专利技术是为了解决采用传统的Cascade

【技术实现步骤摘要】
基于深度学习的动车裙板异物识别方法及装置


[0001]本专利技术属于动车故障检测
，尤其涉及动车裙板异物的检测。

技术介绍

[0002]在动车裙板异物故障检测中，通常采用人工查看被测物图像的方式进行故障检测。该方式由于不同操作人员的责任心和能力不同，不仅检查效率低，而且过程不稳定、精度差。
[0003]近几年，随着深度学习与人工智能在技术上的发展逐渐成熟，出现了采用深度学习进行动车裙板异物故障识别的方法，该方法可以有效提高检测效率和稳定性。但由于动车裙板图像背景较为杂乱，相似部位较多，采用传统的Cascade
‑
rcnn深度学习网络进行故障检测的准确程度无法满足实际需求。

技术实现思路

[0004]本专利技术是为了解决采用传统的Cascade
‑
rcnn深度学习网络对动车裙板异物故障进行识别无法满足实际需求的问题，现提供基于深度学习的动车裙板异物故障识别方法。
[0005]基于深度学习的动车裙板异物识别方法，具体为：
[0006]利用边缘检测算法对原始图像进行处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的动车裙板异物识别方法，其特征在于，具体为：利用边缘检测算法对原始图像进行处理，获得边缘检测特征图，所述原始图像为含有被测动车裙板的灰度图像；将边缘检测特征图与原始图像进行融合，获得被测图像；将被测图像输入至训练好的深度学习网络中获得检测结果，实现被测动车裙板异物的识别。2.根据权利要求1所述的基于深度学习的动车裙板异物识别方法，其特征在于，所述将边缘检测特征图与原始图像进行融合的方法包括：在边缘检测特征图与原始图像中所有对应像素点的像素值上均乘以0.5，分别获得修改后的边缘检测特征图与原始图像，所述对应像素点为边缘检测特征图与原始图像中位置相互对应的像素点，将修改后的边缘检测特征图与原始图像对应像素点相加，获得被测图像。3.根据权利要求1所述的基于深度学习的动车裙板异物识别方法，其特征在于，所述深度学习网络的激活函数New_Relu(x)表达式为：其中，x为激活函数New_Relu(x)前一个卷积层的输出结果。4.根据权利要求1所述的基于深度学习的动车裙板异物识别方法，其特征在于，所述深度学习网络与其RPN网络的回归损失函数均采用New_Loss损失函数，所述New_Loss损失函数的表达式为：New_Loss＝0.5*(SmoothL1_Loss+DIoU)，其中，y为New_Loss损失函数的输入；IoU为预测目标框选区域和真实目标框选区域的交并比，b和b
gt
分别为预测目标框选区域和真实目标框选区域的中心点坐标，ρ为预测目标框选区域和真实目标框选区域中心点之间的欧氏距离，c为最小闭包区域的对角线长度。...

【专利技术属性】
技术研发人员：郭庆阳，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：