【技术实现步骤摘要】
本专利技术涉及计算机视觉与图像处理领域，具体涉及一种基于深度学习的实时受电弓检测及定位方法。
技术介绍
1、目前受电弓是地铁、高铁和火车等从接触网获取电能的设备，是供电系统重要组成部件。在接触网与受电弓滑板监测系统中，要求对受电弓和滑板实时检测技术状态并及时发现异常。对受电弓进行触发定位是该检测系统中的一个重要环节，常用的触发定位方法有物理触发和软件触发。物理触发需要额外安装触发设备，且调试过程较为复杂，因此以视觉目标检测等方法为主的软件触发在应用更加广泛。
2、视觉目标检测是计算视觉研究领域中一个重要的研究方向，具有非常高的学术和应用价值。传统目标检测方法主要基于图像特征匹配的机器学习算法，目前主流的是基于深度学习的目标检测方法。为了提高模型的表达能力，基于深度学习的神经网络常采用更深更宽的网络结构。庞大的网络结构提高了检测精度的同时也带来了参数量和运算量大、硬盘和内存占用率高等问题，难以部署在计算资源受限铁路现场。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于深度学习的实时受电弓检测及定位方法，该方法能解决当前的目标检测模型高时间复杂度及高计算资源占用率、无法满足计算资源受限铁路现场的实时检测和推理的技术问题。
2、为此，本专利技术的技术方案如下：
3、一种基于深度学习的实时受电弓检测及定位方法，包括如下步骤：
4、s1、采集多张受电弓图像，将所有图像调整为统一分辨率；分别标注受电弓、滑板，记录位置及类别信息，构
5、s2、搭建轻量化目标检测模型；所述轻量化目标检测模型包括主干网络、特征融合模块和检测头；
6、所述主干网络采用改进的ghostnet网络，其由七个ghost_block堆叠而成，每个ghost_block中的卷积核尺寸为3×3的普通卷积用rep_cdc模块替换；其分别从ghost_block3、ghost_block5、ghost_block7输出三个尺度的特征图；
7、所述特征融合模块采用共享特征融合模块，其输入信息为所述主干网络最终输出的特征图；所述特征融合模块先将所述三个尺度的特征图通过卷积统一特征图的通道数、尺寸，再整合特征信息；将三个尺度的特征图，通过卷积调整通道数并整合特征，输出特征图i；
8、所述特征图i为所述检测头的输入信息；所述检测头采用yolox网络的anchorfree检测头，所述anchor free检测头中的普通卷积均替换为深度可分离卷积；
9、s3、训练执行多轮，第一轮，为所述轻量化目标检测模型设置初始参数，采用数据增强方法将训练集中的图像输入轻量化目标检测模型进行训练；同时利用验证集评价训练过程中的模型，获取损失函数值最低或者map值最高的模型为本轮最优模型，记为优选模型；
10、后续训练中，每轮训练开始时均将上一轮得到的优选模型的参数设为轻量化目标检测模型的初始权重，按照预设数据增强方式将训练集中图像输入轻量化目标检测模型进行训练、同时利用验证集评价训练过程中的模型，最终获取损失函数值最低或者map值最高的模型为优选模型；
11、s4、向最终得到的优选模型中输入采集图像，即能输出框选出受电弓、滑板的图像。
12、进一步，该模型的损失函数由位置损失函数lwiouv3、置信度损失函数lobj和分类损失函数lcls三部分组成；
13、
14、其中，lall代表总的损失函数；
15、位置损失函数采用wiou v3损失函数；λ为系数；
16、置信度损失函数lobj、分类损失函数lcls均采用二元交叉熵损失函数。
17、更进一步，所述位置损失函数的表达式为：
18、
19、
20、
21、
22、其中，r表示非单调聚焦系数，δ、α为超参数；β为离群度以描述锚框的质量，l'iou表示将(wg,hg)从当前计算图分离出来计算得到的重叠损失；liou为预测框与锚框之间的重叠损失,(x,y)为预测框中心坐标，(xgt,ygt)为真实框中心坐标，(wg,hg)为真实框和预测框最小外接矩形的宽和高，*表示将(wg,hg)从当前计算图分离出来。
23、进一步，s3为轻量化目标检测模型设置的初始参数为：初始学习率、学习轮次、批次；采用余弦衰减学习率方法动态调整学习率；
24、s3第一次采用的数据增强方法为mosaic、mixup、随机仿射变换、随机翻转图像、随机透视变换、随机高斯模糊、归一化和随机缩放的数据增强方法。
25、进一步，s3中训练共执行4轮，具体如下：
26、s301、为所述轻量化目标检测模型设置初始学习率、学习轮次、批次；采用余弦衰减学习率方法动态调整学习率，采用随机权重进行初始化；
27、采用mosaic、mixup、随机仿射变换、随机翻转图像、随机透视变换、随机高斯模糊、归一化和随机缩放的数据增强方法，将训练集中的图像输入轻量化目标检测模型进行训练；同时利用验证集评价训练过程中的模型，获取损失函数值最低或者map值最高的模型为本轮最优模型，记为第一优选模型；
28、s302、将所述第一优选模型的参数设为轻量化目标检测模型的初始权重，采用mosaic、随机仿射变换、随机翻转图像、随机透视变换、随机高斯模糊、归一化和随机缩放的数据增强方法，将训练集中的图像输入轻量化目标检测模型进行训练；同时利用验证集评价训练过程中的模型，获取损失函数值最低或者map值最高的模型为本轮最优模型，记为第二优选模型；
29、s303、将所述第二优选模型的参数设为轻量化目标检测模型的初始权重，采用随机仿射变换、随机翻转图像、随机透视变换、归一化和随机缩放的数据增强方法，将训练集中的图像输入轻量化目标检测模型进行训练；同时利用验证集评价训练过程中的模型，获取损失函数值最低或者map值最高的模型为本轮最优模型，记为第三优选模型；
30、s304、将所述第三优选模型的参数设为轻量化目标检测模型的初始权重，采用随机翻转图像、归一化和随机缩放的数据增强方法，将训练集中的特征图输入轻量化目标检测模型进行训练；同时利用验证集评价训练过程中的模型，获取损失函数值最低或者map值最高的模型为本轮最优模型，记为最终模型。
31、本专利技术所设计的模型参数量仅有120k，比yolov5s、yolov7tiny等普通轻量化网络参数量和计算量更低，推理帧率更高。在intel(r)core(tm)i5-10505cpu上以416x416分辨率进行推理，可以达到120fps；在voc2007数据集上测试，其ap50性能指标可达到48.3。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的实时受电弓检测及定位方法，其特征在于包括如下步骤：
2.如权利要求1基于深度学习的实时受电弓检测及定位方法，其特征在于：该模型的损失函数由位置损失函数LWIoUv3、置信度损失函数Lobj和分类损失函数Lcls三部分组成；
3.如权利要求2所述基于深度学习的实时受电弓检测及定位方法，其特征在于：所述位置损失函数的表达式为：
4.如权利要求1所述基于深度学习的实时受电弓检测及定位方法，其特征在于：S3为轻量化目标检测模型设置的初始参数为：初始学习率、学习轮次、批次；采用余弦衰减学习率方法动态调整学习率；
5.如权利要求1所述基于深度学习的实时受电弓检测及定位方法，其特征在于：S3中训练共执行4轮，具体如下：
【技术特征摘要】
1.一种基于深度学习的实时受电弓检测及定位方法，其特征在于包括如下步骤：
2.如权利要求1基于深度学习的实时受电弓检测及定位方法，其特征在于：该模型的损失函数由位置损失函数lwiouv3、置信度损失函数lobj和分类损失函数lcls三部分组成；
3.如权利要求2所述基于深度学习的实时受电弓检测及定位方法，其特征在于：...
【专利技术属性】
技术研发人员：赵进，郭寅，尹仕斌，郭磊，
申请(专利权)人：易思维杭州科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。