[发明专利]基于深度学习的铁路动车撒砂管松脱故障检测方法

权利要求书

1.基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，包括以下步骤：

获取待检测的撒砂管图像，利用CASCADERCNN网络模型进行检测，输出故障类别及对应的位置；

CASCADERCNN网络在训练过程中的损失函数如下：

其中，N_cls为分类样本总数，p_i是不同类别的分类概率；N_reg为回归框个数，t_i＝{t_x,t_y,t_w,t_h}是一个向量，t_x,t_y,t_w,t_h分别表示候选框x坐标、y坐标、宽度以及高度的偏移量；参数λ用来权衡分类损失与回归损失的比例，正样本时为1，负样本时为0；是与t_i维度相同的向量，表示候选框对标记框的偏移量；L_cls(p_i)为目标预测的分类损失函数，为回归预测的位置损失函数；

目标预测的分类损失函数：

其中，γ为正数，α_i用于调节正负样本的比例，h表示预测当前类别概率值，t表示真实标签类别值。

2.根据权利要求1所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述回归预测的位置损失函数如下：

其中，

3.根据权利要求2所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述的CASCADERCNN网络包括一个深度残差网络、一个RPN网络和一个预测网络，具体的结构如下：

深度残差网络、RPN网络和预测网络依次连接，深度残差网络的输出输入到RPN网络，RPN网络出入前景候选框输入预测网络。

4.根据权利要求3所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述的深度残差网络结构为conv层+第一pool层+若干个残差模块+第二pool层+FC层。

5.根据权利要求4所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述的残差模块结构如下：

输入先经过1*1的conv，然后分成两条支路，一条支路经过3*3的conv，再经过1*1的conv，另一条支路经过1*1的conv，然后两条支路的输出融合作为最终输出。

6.根据权利要求5所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述的深度残差网络结构中，conv层为7*7的conv；第一pool层为2*2的pool。

7.根据权利要求6所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述的深度残差网络结构中，第二pool层为avgpool。

8.根据权利要求4、5、6或7所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述的深度残差网络结构中，残差模块的数量为6个。

9.根据权利要求8所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，CASCADERCNN网络的训练过程包括以下步骤：

将目标图像输入到深度残差网络进行图像的特征提取，得到特征图；

将深度残差网络输出的特征图输入到RPN网络中，生成目标区域候选框，根据候选框分类确定区域为前景或背景的类别，同时对候选框的位置进行回归调节；

将RPN网络得到的前景候选框输入到预测网络中，得到各目标分类及目标框位置，再将得到的目标框再次带入预测网络中，重复迭代3次，3次的iou分别设为0.5,0.6,0.7，得到最终的各目标分类及目标框位置。

10.根据权利要求9所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，将深度残差网络输出的特征图输入到RPN网络中，生成目标区域候选框的过程包括以下步骤：

使用滑动窗口在低维特征图上滑动，以滑动窗口中心映射到撒砂管部件区域对应的目标图像上，当目标图像上映射到的区域与标记文件中的标记的目标位置的IOU大于0.7时，则该候选框区域为正样本，当目标图像上映射到的撒砂管部件的区域与标记文件中的标记的目标位置的IOU小于0.3时，则该候选框区域为负样本，然后以正负样本1：1训练RPN网络，训练最后输出的分类回归任务是，随机抽取64个与真实目标标记位置IOU大于0.5为前景，IOU大于0.1且小于0.5的区域为背景。