专利汇可以提供一种基于深度学习的闸瓦插销丢失检测方法专利检索,专利查询,专利分析的服务。并且一种基于 深度学习 的闸瓦插销丢失检测方法,属于货运列车检测技术领域。本 发明 是为了解决目前依靠人工查看图像的检测方式存在高成本、低效率等问题,以及现有的图像自动处理技术进行检测存在准确率低的问题。本发明首先获取货车图像,然后从图像中确定待识别部件的感兴趣区域并提取出待识别部件的感兴趣区域图像;利用训练好的深度学习模型分割闸瓦插销对应的图像;根据深度学习模型分割的结果,利用 图像处理 方法进一步获得分割部件的信息,根据先验规则,进行闸瓦插销丢失的判定。本发明主要用于闸瓦插销丢失检测。,下面是一种基于深度学习的闸瓦插销丢失检测方法专利的具体信息内容。
1.一种基于深度学习的闸瓦插销丢失检测方法,其特征在于,包括以下步骤:
s1、获取货车图像,从图像中确定待识别部件的感兴趣区域并提取出待识别部件的感兴趣区域图像;
s2、利用训练好的深度学习模型分割闸瓦插销对应的图像;
s3、根据深度学习模型分割的结果,利用图像处理方法进一步获得分割部件的信息,根据先验规则,进行闸瓦插销丢失的判定;所述先验规则包括闸瓦插销的周长、长宽比和面积。
2.根据权利要求1所述的一种基于深度学习的闸瓦插销丢失检测方法,其特征在于,所述深度学习模型包括编码器、解码器和空洞卷积单元;
所述的编码器采用4个下采样的编码单元;所述解码器采用4个上采样的解码单元;
第一编码单元包括两个3*3的卷积层和池化层;第二编码单元与第一编码单元相同;
第三编码单元包括两个3*3的卷积层、一个1*1的卷积层和池化层;第四编码单元与第三编码单元相同;
第一编码单元的输出作为第二编码单元的输入,第二编码单元的输出作为第三编码单元的输入;第三编码单元的输出作为第四编码单元的输入;第四编码单元的输出作为空洞卷积单元的输入;
空洞卷积单元包括并联的3个3*3空洞卷积层,形成四条支路;第一条支路经过dilation=1,2,4的3*3空洞卷积,第二条支路经过经过dilation=1,2的3*3空洞卷积,第三条支路经过dilation=1的3*3空洞卷积,第四条支路不经过卷积;所有支路的结果相加输入到解码器的第一个解码单元;
解码器的4个解码单元相同;每个解码单元包括一个3*3的卷积层,一个4*4的转置卷积层;
同时,第一个编码单元中池化层之前的图像通过高速通道输出并与解码器的第四个解码单元输出相加;然后经过3*3卷积层后输出最终的结果;
第二个编码单元中池化层之前的图像通过高速通道输出并与解码器的第三个解码单元输出相加作为解码器的第四个解码单元的输入;
第三个编码单元中池化层之前的图像通过高速通道输出并与解码器的第二个解码单元输出相加作为解码器的第三个解码单元的输入;
第四个编码单元中池化层之前的图像通过高速通道输出并与解码器的第一个解码单元输出相加作为解码器的第二个解码单元的输入。
3.根据权利要求2所述的一种基于深度学习的闸瓦插销丢失检测方法,其特征在于,所述的深度学习模型的损失函数如下:
其中,P为预测图像,GT为真值图像,P和GT具有相同的宽W和高H,i、j分别宽、高上像素的序号;gtij为真值图像的一个像素值,Pij为预测图像中的一个像素值。
4.根据权利要求2所述的一种基于深度学习的闸瓦插销丢失检测方法,其特征在于,所述深度学习模型的参数通过训练过程确定。
5.根据权利要求1、2、3或4所述的一种基于深度学习的闸瓦插销丢失检测方法,其特征在于,所述深度学习模型的训练过程中获取训练样本的过程包括以下步骤:
w1、针对获取的货车图像,根据硬件的先验知识,从货车图像信息中确定待识别部件的感兴趣区域并提取出待识别部件的感兴趣区域图像;
w2、数据集图像预处理,包括以下步骤:
w2.1、根据获得部件的感兴趣区域图像,建立原始的数据集;
w2.2、将闸瓦插销丢失的故障图像和含有伪目标的区域提取出来,放到有待识别部件的随机选取数据集的图像上进行融合,提高负样本比例;
w2.3、对数据集进行数据扩增,数据扩增包括对比度增强、锐度变化、随机缩放、随机旋转角度、直方图均衡化、模糊处理;
w3、对数据扩增后组成的训练数据集进行标记,获得与原始图像相对应的标记掩码GT图像。
6.根据权利要求5所述的一种基于深度学习的闸瓦插销丢失检测方法,其特征在于,所述获取的货车图像通过线阵相机获得。
7.一种基于深度学习的闸瓦插销丢失检测系统,其特征在于,包括一个深度学习模型;
所述的深度学习模型包括编码器、解码器和空洞卷积单元;
所述的编码器采用4个下采样的编码单元;所述解码器采用4个上采样的解码单元;
第一编码单元包括两个3*3的卷积层和池化层;第二编码单元与第一编码单元相同;
第三编码单元包括两个3*3的卷积层、一个1*1的卷积层和池化层;第四编码单元与第三编码单元相同;
第一编码单元的输出作为第二编码单元的输入,第二编码单元的输出作为第三编码单元的输入;第三编码单元的输出作为第四编码单元的输入;第四编码单元的输出作为空洞卷积单元的输入;
空洞卷积单元包括并联的3个3*3空洞卷积层,形成四条支路;第一条支路经过dilation=1,2,4的3*3空洞卷积,第二条支路经过经过dilation=1,2的3*3空洞卷积,第三条支路经过dilation=1的3*3空洞卷积,第四条支路不经过卷积;所有支路的结果相加输入到解码器的第一个解码单元;
解码器的4个解码单元相同;每个解码单元包括一个3*3的卷积层,一个4*4的转置卷积层;
同时,第一个编码单元中池化层之前的图像通过高速通道输出并与解码器的第四个解码单元输出相加;然后经过3*3卷积层后输出最终的结果;
第二个编码单元中池化层之前的图像通过高速通道输出并与解码器的第三个解码单元输出相加作为解码器的第四个解码单元的输入;
第三个编码单元中池化层之前的图像通过高速通道输出并与解码器的第二个解码单元输出相加作为解码器的第三个解码单元的输入;
第四个编码单元中池化层之前的图像通过高速通道输出并与解码器的第一个解码单元输出相加作为解码器的第二个解码单元的输入。
8.根据权利要求7所述的一种基于深度学习的闸瓦插销丢失检测系统,其特征在于,还包括一个部件丢失检测模块;
所述的部件丢失检测模块,用于根据深度学习模型分割的结果,进一步获得分割部件的信息,并根据先验规则,进行闸瓦插销丢失的判定。
9.根据权利要求7或8所述的一种基于深度学习的闸瓦插销丢失检测系统,其特征在于,还包感兴趣区域图像提取单元,用于从货车图像中确定待识别部件的感兴趣区域并提取出待识别部件的感兴趣区域图像。
10.根据权利要求9所述的一种基于深度学习的闸瓦插销丢失检测系统,其特征在于,还包括图像获取模块,用于获取货车图像。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
视频数据处理方法、装置、计算机设备和存储介质 | 2020-05-08 | 818 |
半导体测试结构及测试方法 | 2020-05-08 | 171 |
一种电子产品检测回收方法 | 2020-05-11 | 90 |
一种3D测量人类表型的数据库系统 | 2020-05-08 | 907 |
拍摄方法和电子设备 | 2020-05-08 | 136 |
一种基于北斗卫星导航定位的特种运输车报警系统 | 2020-05-08 | 262 |
基于人工智能的多场景消化道内镜图像识别方法及系统 | 2020-05-08 | 296 |
拍摄方法及电子设备 | 2020-05-08 | 989 |
用于形成虚拟地图的方法及系统 | 2020-05-08 | 252 |
一种针对多标签分类数据不均衡问题的采样方法 | 2020-05-11 | 882 |
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。