[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

说明书

基于深度学习的闸片开口销丢失检测方法、系统及装置，属于图像检测技术领域。为了解决现有的人工图像检测方法存在效率低、检测准确率低的问题以及现有的深度学习方法准确率有待提高的问题。本发明首先获取待测闸片开口销图像，然后利用预先训练好的卷积神经网络进行闸片开口销否丢失检测；卷积神经网络在训练过程使用的损失函数包含了聚拢损失函数项使用本发明的损失函数可以提高模型鲁棒性，并且使得每类的类内距离变小，可以提高开口销分类的准确率。用于闸片开口的销丢失检测。

技术领域

本发明属于图像检测技术领域，具体涉及一种闸片开口销丢失检测方法、系统及装置。

背景技术

为了保证列车或动车的运行安全，需要对列车或动车进行日常检车作业。

长期以来，闸片开口销丢失检测检查都是采用人工检查图像的方式进行检测的，检车人员在工作过程中极易疲劳，容易出现漏检、错检的情况，难以保障准确率，影响车辆行驶安全。而且人工检测效率非常低。因此，采用自动识别的方式提高检测效率和准确率具有重要意义。

随着深度学习的发展，基于深度学习技术的目标检测算法已经在许多领域中得到广泛应用。由于列车(包含货车、动车等)的部件检测至关重要，一旦漏检将会导致非常重大的安全事故，而利用现有的神经网络和训练方法对闸片开口销进行丢失检测的准确率还有待提高。

发明内容

本发明是为了解决现有的人工图像检测方法存在效率低、检测准确率低的问题以及现有的深度学习方法准确率有待提高的问题。

基于深度学习的闸片开口销丢失检测方法，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；

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；

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。

进一步地，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，表示当前迭代的分数中心，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。

进一步地，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。

进一步地，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，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处理：