[发明专利]一种基于深度学习的接触网关键部件识别方法

权利要求书

1.一种基于深度学习的接触网关键部件识别方法，其特征在于：包括以下几个步骤：

(1)目标图像采集：采集目标图像，形成原始图像样本集；

(2)图像数据增强：对原始图像样本集进行测试和探索，根据测试结果，选择灰度变换、剪切、旋转、镜像、加噪声图像处理方法中的至少一种方法进行数据处理，形成图像处理图片集，并将图像处理图片集与原始图像样本集进行整合，组成训练集，从训练集中抽取一部分作为验证集与测试集；

(3)图像分层识别：利用训练集进行图像区域识别和关键部件识别的网络模型训练，得到针对不同目标区域的网络模型；

(4)关键部件及部件特征识别：识别零部件以及零部件各个部位；

所述步骤(3)具体步骤如下：

(3a)将训练集图像尺寸缩小，得到训练集一；

(3b)图像区域识别：利用训练集一进行Faster R-CNN网络模型训练，形成网络模型一，利用网络模型一对训练集一图像识别并提取多个目标区域，得到目标区域的坐标；

(3c)将目标区域坐标映射到训练集一图像上，得到训练集一图像上的目标区域坐标，并将目标区域从训练集一图像剪裁下来，分别对剪裁下的不同目标区域尺寸进行变化，形成训练集二；

(3d)训练集二数据增强：利用图像识别模块对训练集二进行测试和探索，根据测试结果，运用灰度变换以及旋转、镜像、加噪声图像处理方法进行数据处理，形成训练集三，并将训练集三与训练集二进行整合，组成训练集四，从中随机抽取部分图片作为验证集二、测试集二；

(3e)关键部件识别网络模型训练：利用训练集四不同区域图像分别进行Faster R-CNN网络训练，得到针对不同目标区域的网络模型，统称为网络模型二。

2.如权利要求1所述的一种基于深度学习的接触网关键部件识别方法，其特征在于：所述步骤(3b)中所述图像区域识别的具体步骤如下：

(3.1)利用训练集一对Faster R-CNN模型训练，产生用于识别目标区域的初级网络模型一；

(3.2)利用初级网络模型一对测试集和验证集进行测试，根据训练集、测试集、验证集识别率关系调整模型参数，并利用模型对未标注过的图片进行测试，根据识别出区域数量，挑选出没有识别到的图片的未识别区域，标注时仅标注未识别图片的未识别区域，并将其他区域以黑色覆盖，形成错误集，并将错误集添加入训练集；

(3.3)统计目标区域识别率是否达到标准，若达到则流程继续，否则，根据测试集、训练集、验证集识别率调整参数并利用加入错误集后的训练集进行微调，微调时在原代价函数基础上增加惩罚项代价函数变为：

其中，w为用于微调的网络模型的权重，w'为每次更新得到的权重，β为该惩罚项的影响因子，p_i为目标区域是关键部件的概率，为目标区域是否为关键部件的标签，t_i为网络模型预测得到的目标区域坐标，为目标区域中交并比最大的包含关键部件的区域的坐标，N_cls是模型训练时一次可分析处理的图片数量，N_reg是每张图片中识别的可能存在关键部件的图像区域的数量，L_cls是关于某个目标区域的对数损失函数，L_reg是预测的目标区域和标注的图像区域之间坐标的差的回归损失函数，l为加权系数；得到新的初级网络模型一，并用该网络模型对未标注图片进行测试，得到错误集，并重复步骤(3.3)，直到目标区域识别率达标，建立最终图像目标区域识别Faster R-CNN网络模型，即网络模型一；

(3.4)利用网络模型一进行目标区域识别并提取。