[发明专利]一种YOLOv3铁路关键作业流程自动鉴别方法与系统

权利要求书

1.一种YOLOv3铁路关键作业流程自动鉴别方法,其特征在于包括如下步骤，

步骤1：通过人工作业视频，对包含关键点的部分进行逐帧提取，获得铁路作业流程中的关键特征的图像信息；

步骤2：基于步骤1所述的图像，标注图像内关键特征的矩形包围框，获取矩形包围框在原图像的位置、宽高和类别信息，并生成对应的标签存储信息，搭建数据集；

步骤3：基于步骤2所述的数据集，将图像输入darknet53网络，利用残差网络Residual使主干的输入与输出结合，进行特征提取，通过下采样操作，获取特征图并利用YOLO_Head模块将特征图划分为低频和高频特征图，通过池化层使低频特征图压缩，减少分量冗余，传入特征提取网络；

步骤4：基于步骤3所述的YOLOv3网络，将所述的YOLOv3网络进行改进，过渡层替换成1×1和3×3/2的卷积层并交替使用，然后扩展多尺度YOLO_Head模块，将原有的3个YOLO_Head模块扩展为4个，增添104×104的YOLO_Head模块；

步骤5：基于步骤3所述的darknet53网络，将扩展后的四个有效特征层在加强特征网络FPN中进行特征融合，同时对原有的3个YOLO_Head模块进行上采样，添加输出为52×52的上采样过程，并实现和104×104特征层级联，结合不同尺度的特征信息，从而获取加强过的有效特征层；

步骤6：基于步骤5所述的加强过的有效特征层，传入分类器与回归器，预测特征点对应物体的情况，通过梯度下降法计算关键点对应的置信度损失、类别损失以及位置损失；

步骤7：基于步骤4所述的改进的YOLOv3网络，进行冻结以及解冻训练，输入图像大小为416×416，在改进的残差网络中提取关键特征，采用原有的3种卷积特征层和新增添的卷积特征层预测目标坐标和位置，保存每个epoch的结果以及tensorboard的结果，输出最终的模型权重；

步骤8：基于步骤7所述的模型权重，利用损失值最低的权重文件对作业流程进行分析，判断视频中是否包含了列车中关键点的检查，降低人工检查成本，提高作业视频分析速度，达到作业视频分析全覆盖，从而形成完整的闭环工作的目的。

2.根据权利要求1所述的一种YOLOv3铁路关键作业流程自动鉴别方法，其特征在于,

步骤2中，首先会将图像转换成RGB形式，进行不失真的尺寸调整；其次对输入的图像进行归一化，并添加batch_size维度；最后采用k-means聚类方法，对归一化的图像宽高进行聚类，获取先验框的宽高。

3.根据权利要求1所述的一种YOLOv3铁路关键作业流程自动鉴别方法，其特征在于,

步骤3中，初始化YOLOv3网络中的参数，其中，YOLOv3网络中的参数有冻结阶段迭代次数Freeze epoch、冻结阶段学习率Freeze lr、冻结阶段输入图像数量Freeze_batch_size、解冻阶段迭代次数Unfreeze epoch、解冻阶段学习率Unfreeze lr、解冻阶段图像输入数量Unfreeze_batch_size；

对冻结阶段迭代训练次数进行设置，并进行迭代训练计算；其中，第一次进行迭代训练时Freeze epoch=1；判断当前训练次数是否小于解冻阶段迭代训练次数；若所述当前训练次数小于所述解冻阶段迭代训练次数，利用多尺度模块将特征图划分为低频和高频特征图；若所述当前训练次数不小于所述解冻阶段迭代训练次数，则结束迭代训练。

4.根据权利要求1所述的一种YOLOv3铁路关键作业流程自动鉴别方法,其特征在于，

步骤4中，对于YOLOv3网络进行改进时，删除了YOLOv3检测层前的两组卷积层，为预防下采样过程中特征信息的丢失，过渡层将1×1和3×3/2的卷积层交替使用，然后扩展多尺度检测YOLO_Head模块，原有网络检测尺度为3个，扩展后的检测尺度为4个，分支结构提升至4个，增添104×104的YOLO_Head模块。