[发明专利]一种基于深度学习的接触网关键部件识别方法

摘要

本发明公开了一种基于深度学习的接触网关键部件识别方法，包括主要步骤有：(1)目标图像采集；(2)图像数据增强；(3)图像分层识别；(4)关键部件及部件特征识别；所述步骤(3)包括(3a)图像区域识别和(3e)关键部件识别网络模型训练两个步骤。针对接触网图像集的特点，本发明采用了多种数据增强、分层次识别和错误集微调等方法，主要有以下优点：提高对小部件的识别率；减少了计算上的损耗；减少标注量，提高标注效率；提高了网络的泛化能力；显著提高接触网图像网络识别率，建立的模型在不同线路之间可方便转化，当模型应用于新线路时，可以仅进行针对性的微调，节省了大量的设计、标注、训练工作，方便人工、自动检测工作。

主权项

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，选择合适的灰度变换、剪切、旋转、镜像、加噪声图像处理方法进行数据处理，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。