一种基于深度多级优化的接触网螺母异常识别方法
专利汇可以提供一种基于深度多级优化的接触网螺母异常识别方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于深度多级优化的 接触 网 螺母 异常识别方法，包括如下步骤：获取接触网图像，利用训练得到的残差注意 力 卷积神经网络 权重对其进行检测，获得 铁 路接触网螺母区域的 位置 信息；根据螺母区域的位置信息将螺母区域从原图中截取出，输入深度多级自编码网络中得到结果图；将原图与结果图使用最大类间方差法进行二值化处理，使用均方误差方法统计原图与结果图之间的差异程度，判断接触网螺母是否异常。本发明所需人工少，识别速度快，能够有效识别接触网螺母是否异常，大大提高检测效率，保障接触网供电安全。，下面是一种基于深度多级优化的接触网螺母异常识别方法专利的具体信息内容。
1.一种基于深度多级优化的接触网螺母异常识别方法，其特征在于，包括如下步骤：
步骤（A），获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息；
步骤（B），根据螺母区域的位置信息将螺母区域从原图中截取出，作为输入值输入训练好的自编码网络中，经过自编码网络处理后得到结果图；
步骤（C），根据最大类间方差法将自编码网络处理后的结果图与未经处理的原图进行二值化，然后统计结果图与原图之间的差异程度，来判断螺母是否异常。
2.根据权利要求1所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于：
步骤（A），获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息，包括如下步骤：
（A1），在训练样本图片中人工框选出螺母所在的区域，获取训练样本图片中螺母所在的目标区域的位置信息作为标签保存；
（A2），将训练样本缩放为设定像素大小的训练样本矩阵，并与对应的位置信息的标签一同作为输入，训练残差注意力卷积神经网络，获得对应神经网络的参数；
（A3），输入铁路接触网图像到残差注意力卷积神经网络，利用训练好的网络参数进行计算，得出铁路接触网图像中螺母的位置信息以及对应的置信度；
（A4），将所有的位置信息使用非极大值抑制进行筛选，将置信度低于阈值的位置信息筛除，输出置信度高于阈值的位置信息。
3.根据权利要求2所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于，所述步骤（A2）包括如下步骤：
（1），将输入的训练样本图像缩放为416*416的特征图，并对其进行随机的色调、亮度、角度调整，作为网络的输入值；
（2），使用3*3的扩张卷积核，将输入值通过32层的残差注意力卷积神经网络生成13*13的多维向量，将原始图像分成13*13共169个网格，每个网格输出5个位置信息以及每个位置信息对应的置信度，每个位置信息包含目标的中心点的位置以及目标的长与宽；
（3），将（2）的位置信息导入损失函数中获得损失值，并根据损失值对残差注意力卷积神经网络进行反向传播，对权重参数进行更新；
（4），损失值低于0.06，并在测试集中取得95%以上检测准确率时，将对应的权重参数作为最优权重参数保存。
4.根据权利要求3所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于：
色调随机范围为1倍至1.5倍，亮度随机范围为1倍至1.5倍，角度随机范围为0度至15度。
5.根据权利要求3所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于，残差注意力卷积神经网络的损失函数为：
其中， 为损失值；为划分的区域数量，为169； 为每个区域预测出的目标框数量，为5； 为第i个区域的第j个预测框是否包含目标，若包含则为1，若不包含则为0； 、为第i个区域的第j个预测框的中心点的横坐标与纵坐标； 、 为第i个区域的第j个预测框的长与宽； 为第i个区域真实目标的横坐标与纵坐标； 为第i个区域真实目标的长与宽； 为第i个区域的第j个预测框的预测类别置信度； 为第i个区域的真实目标的预测类别置信度； 为第i个区域的第j个预测框是否不包含目标，若不包含则为
1，若包含则为0。
6.根据权利要求2所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于，（A4）：置信度设定为0.6。
7.根据权利要求2所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于，步骤（B），根据螺母区域的位置信息将螺母区域从原图中截取出，作为输入值输入训练好的自编码网络中，经过自编码网络处理后得到结果图，包括如下步骤：
（B1），根据步骤（A）所给出的螺母区域的位置信息，从原图中截取出螺母图片，将其缩放为设定像素大小后，作为训练样本输入自编码网络中；
（B2），将训练样本输入自编码网络中与初始权重参数进行计算，将经过卷积编码与转置卷积解码过程后的结果与训练样本套用损失函数进行计算得到损失值，再使用反向传播算法对权重参数进行更新，损失值低于0.03时停止训练，训练样本套用损失函数如下：
其中，x为输入图片，y为经过编码解码后的图片，N为一组数据中元素的个数， 为损失值；
（B3），输入螺母图像至自编码网络，利用训练好的权重参数进行卷积编码与转置卷积解码，得出结果图。
8.根据权利要求2所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于，步骤（C），根据最大类间方差法将自编码网络处理后的结果图与未经处理的原图进行二值化，然后统计结果图与原图之间的差异程度，来判断螺母是否缺失，包括如下步骤：
（C1），使用最大类间方差法对自编码网络输出的结果图与未经处理的原图进行二值化处理，得到二值化图像；
（C2），使用均方误差方法统计二值化的结果图与原图之间的差别度，若差别度大于阈值，则认为此螺母异常。
9.根据权利要求8所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于：
（C2），所述阈值为0.3。
一种基于深度多级优化的接触网螺母异常识别方法
技术领域
背景技术
发明内容
步骤（A），获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息；
步骤（B），根据螺母区域的位置信息将螺母区域从原图中截取出，作为输入值输入训练好的自编码网络中，经过自编码网络处理后得到结果图；
步骤（C），根据最大类间方差法将自编码网络处理后的结果图与未经处理的原图进行二值化，然后统计结果图与原图之间的差异程度，来判断螺母是否缺失。
（A2），将训练样本缩放为设定像素大小的训练样本矩阵，并与对应的位置信息的标签一同作为输入，训练残差注意力卷积神经网络，获得对应神经网络的参数；
（A3），输入铁路接触网图像到残差注意力卷积神经网络，利用训练好的网络参数进行计算，得出铁路接触网图像中螺母的位置信息以及对应的置信度；
（A4），将所有的位置信息使用非极大值抑制进行筛选，将置信度低于阈值的位置信息筛除，输出置信度高于阈值的位置信息。
（2），使用3*3的扩张卷积核，将输入值通过32层的残差注意力卷积神经网络生成13*13的多维向量，将原始图像分成13*13共169个网格，每个网格输出5个位置信息以及每个位置信息对应的置信度，每个位置信息包含目标的中心点的位置以及目标的长与宽；
（3），将（2）的位置信息导入损失函数中获得损失值，并根据损失值对残差注意力卷积神经网络进行反向传播，对权重参数进行更新；
（4），损失值低于0.06，并在测试集中取得95%以上检测准确率时，将对应的权重参数作为最优权重参数保存。
、 为第i个区域的第j个预测框的中心点的横坐标与纵坐标； 、 为第i个区域的第j个预测框的长与宽； 为第i个区域真实目标的横坐标与纵坐标； 为第i个区域真实目标的长与宽； 为第i个区域的第j个预测框的预测类别置信度； 为第i个区域的真实目标的预测类别置信度； 为第i个区域的第j个预测框是否不包含目标，若不包含则为1，若包含则为0。
（B2），将训练样本输入自编码网络中与初始权重参数进行计算，将经过卷积编码与转置卷积解码过程后的结果与训练样本套用损失函数进行计算得到损失值，再使用反向传播算法对权重参数进行更新，损失值低于0.03时停止训练，训练样本套用损失函数如下：
其中，x为输入图片，y为经过编码解码后的图片，N为一组数据中元素的个数， 为损失值；
（B3），输入螺母图像至自编码网络，利用训练好的权重参数进行卷积编码与转置卷积解码，得出结果图。
（C2），使用均方误差方法统计二值化的结果图与原图之间的差别度，若差别度大于阈值，则认为此螺母异常。
（2）无需预先定位，根据每个可能包含螺母所在区域的可能性大小来判断铁路接触网螺母区域所在的位置，在保证螺母所在位置不被遗漏的同时，还能有效过滤图像中不包含螺母的区域；
（3）在识别过程中加入了多级特征融合，由自编码网络自动学习各种特征的权重，从而对多级特征进行有效融合，以适应各种环境下采集到的图像，并有效的提升高了识别精度。
附图说明
图3是本发明的接触网螺母异常识别仿真图二；
图4是本发明的接触网螺母异常识别仿真图三。
具体实施方式
（A1），在训练样本图片中人工框选出螺母所在的区域，，框选的范围应当不超过螺母图像边界外10像素点范围，获取训练样本图片中螺母所在的目标区域的位置信息作为标签保存；
（A2），将训练样本缩放为设定像素大小的训练样本矩阵，并与对应的位置信息的标签一同作为输入，训练残差注意力卷积神经网络，获得对应神经网络的参数，包括如下步骤：
（1），将输入的训练样本图像缩放为416*416的特征图，并对其进行随机的色调（1倍至
1.5倍）、亮度（1倍至1.5倍）、角度调整（0度至15度），作为网络的输入值；
（2），使用3*3的扩张卷积核，将输入值通过32层的残差注意力卷积神经网络生成13*13的多维向量，将原始图像分成13*13共169个网格，每个网格输出5个位置信息以及每个位置信息对应的置信度，每个位置信息包含目标的中心点的位置以及目标的长与宽；
（3），将（2）的位置信息导入损失函数中获得损失值，并根据损失值对残差注意力卷积神经网络进行反向传播，对权重参数进行更新，损失函数如下：
其中， 为损失值；为划分的区域数量，为169； 为每个区域预测出的目标框数量，为5； 为第i个区域的第j个预测框是否包含目标，若包含则为1，若不包含则为0； 、为第i个区域的第j个预测框的中心点的横坐标与纵坐标； 、 为第i个区域的第j个预测框的长与宽； 为第i个区域真实目标的横坐标与纵坐标； 为第i个区域真实目标的长与宽； 为第i个区域的第j个预测框的预测类别置信度； 为第i个区域的真实目标的预测类别置信度； 为第i个区域的第j个预测框是否不包含目标，若不包含则为1，若包含则为0；
（4），损失值低于0.06，并在测试集中取得95%以上检测准确率时，将对应的权重参数作为最优权重参数保存；
（A3），输入铁路接触网图像到残差注意力卷积神经网络，利用训练好的网络参数进行计算，得出铁路接触网图像中螺母的位置信息以及对应的置信度；
（A4），将所有的位置信息使用非极大值抑制进行筛选，从重叠度超过0.5的多个位置信息中选择置信度最高的位置信息进行保存，再将置信度低于阈值（优选阈值为0.6）的位置信息筛除，输出置信度高于阈值的位置信息。
（B1），根据步骤（A）所给出的螺母区域的位置信息，从原图中截取出螺母图片，将其缩放为300*300像素大小后，作为训练样本输入自编码网络中；
（B2），将训练样本输入自编码网络中与初始权重参数进行计算，将经过卷积编码与转置卷积解码过程后的结果与训练样本套用损失函数进行计算得到损失值，再使用反向传播算法对权重参数进行更新，损失值低于0.03时停止训练，训练样本套用损失函数如下：
其中，x为输入图片，y为经过编码解码后的图片，N为一组数据中元素的个数， 为损失值；
（B3），输入螺母图像至自编码网络，利用训练好的权重参数进行卷积编码与转置卷积解码，得出结果图。
其中，g为类间方差， 为小于阈值T的图像像素点所占比例， 为大于阈值T的图像像素点所占比例， 为小于阈值T的图像像素点的平均灰度值， 为大于阈值T的图像像素点的平均灰度值；
T的范围为0至255，当T的取值让类间方差g最大时取该T值为阈值，将小于T的像素点置
0，将大于T的像素点置255，得到二值化图像；
（C2），使用均方误差方法统计二值化的结果图与原图之间的差别度，若差别度大于阈值（优选阈值为0.3），则认为此螺母异常,公式如下：
其中，MSE为差别度，n为像素点的总数， 为二值化结果图的第i个像素点， 为二值化原图的第i个像素点。
（2）无需预先定位，根据每个可能包含螺母所在区域的可能性大小来判断铁路接触网螺母区域所在的位置，在保证螺母所在位置不被遗漏的同时，还能有效过滤图像中不包含螺母的区域；
（3）在识别过程中加入了多级特征融合，由自编码网络自动学习各种特征的权重，从而对多级特征进行有效融合，以适应各种环境下采集到的图像，并有效的提升高了识别精度。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于YOLO的绝缘子红外故障定位诊断方法及装置 | 2020-05-17 | 144 |
| 一种基于深度多级优化的接触网螺母异常识别方法 | 2020-05-17 | 587 |
| 一种基于多模态融合深度学习的布匹缺陷检测方法 | 2020-05-11 | 109 |
| 一种数据防漏方法、装置及计算机可读存储介质 | 2020-05-18 | 356 |
| 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法 | 2020-05-13 | 520 |
| 基于无人机的线路检修费计算方法、服务器及存储介质 | 2020-05-20 | 111 |
| 一种基于图例库的机房草图识别方法及其装置 | 2020-05-22 | 556 |
| 术语抽取方法和装置 | 2020-05-16 | 85 |
| 一种变电站巡检机器人自主采集方法及系统 | 2020-05-21 | 366 |
| 一种基于云分析的远程电视异常处理方法及系统 | 2020-05-15 | 374 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
