[发明专利]基于深度学习的闸片开口销丢失检测方法、系统及装置

权利要求书

1.基于深度学习的闸片开口销丢失检测方法，其特征在于，包括以下步骤：

获取待测的包含闸片开口销部件区域的图像，记为待测闸片开口销图像；利用预先训练好的卷积神经网络对待测闸片开口销图像进行闸片开口销是否丢失检测；

所述的卷积神经网络在训练过程使用的损失函数为L_final＝λ*L_cluster+L_soft；其中L_final为整体损失函数，λ为比重系数，L_soft为分类损失函数，L_cluster为聚拢损失函数；

所述的聚拢损失函数其中，i表示训练数据的某个样本，S_i为第i个样本的分数向量，y_i表示第i个样本为y_i类，y_i可取值为{1，2，3，…j}，j表示类别数量，为y_i类的分数中心，M为一批训练数据的数量；

所述的卷积神经网络训练过程中使用的训练数据集的包括扩增的闸片开口销图像，所述扩增的闸片开口销图像的扩增过程包括以下步骤：

收集闸片开口销图像，然后对闸片开口销图像进行如下图像处理：

f_final(x,y)＝f_smooth(x,y)*f_light(x,y)

其中，f(x,y)为闸片开口销图像；x和y为闸片开口销图像中像素的行列坐标；f_smooth(x,y)表示平滑函数，f_light(x,y)表示亮度函数，f_final(x,y)为最终生成的图像，k_template(m,n)表示卷积模板，f_conv(x,y)表示卷积后的函数，G_value(x,y)为输入图像某点灰度值的大小，G_max(x,y)和G_min(x,y)为输入图像的最大灰度值和最小灰度值；W和H分别为闸片开口销图像的宽和高，μ_fconv(x,y)为卷积图像的平均灰度值，c和γ为卷积模板的行和列；

通过调整k_template(m,n)、c和γ数值产生不同的图像，对收集的闸片开口销图像进行扩增。

2.根据权利要求1所述基于深度学习的闸片开口销丢失检测方法，其特征在于，所述的卷积神经网络在训练过程中是随着训练样本分批加入而更新的，的更新过程如下：

其中，η为学习率，C_j即为j类别的分数中心，t为迭代次数，C_j^t表示当前迭代的分数中心，C_j^t+1表示下次迭代的分数中心，IF(condition)为条件表达式，IF(condition)＝1，否则为0，表示当y_i和j相同时更新分数中心。

3.根据权利要求2所述基于深度学习的闸片开口销丢失检测方法，其特征在于，所述获取待测的包含闸片开口销部件区域图像的过程包括以下步骤：

首先采集动车图像，然后根据先验知识定位夹钳部位，根据夹钳部位确定闸片部位，进而获取包含闸片开口销部件区域的图像。

4.根据权利要求3所述基于深度学习的闸片开口销丢失检测方法，其特征在于，所述的卷积神经网络训练过程中使用的训练数据集还包括人工制造故障的闸片开口销图像。

5.根据权利要求4所述基于深度学习的闸片开口销丢失检测方法，其特征在于，所述的训练数据集经过标记后用于卷积神经网络训练过程，训练数据集的标记过程中，将闸片开口销图像分为开口销正常类和开口销丢失类。

6.基于深度学习的闸片开口销丢失检测系统，其特征在于，所述系统用于执行权利要求1至5之一所述的基于深度学习的闸片开口销丢失检测方法。

7.基于深度学习的闸片开口销丢失检测装置，其特征在于，所述装置用于存储和/或运行权利要求6所述的基于深度学习的闸片开口销丢失检测系统。