买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏新绿能科技有限公司

摘要：本发明公开一种结合神经网络和深度学习算法的吊弦缺陷检测方法。首先，使用所设计的级联滤波器对有轨故障检测车辆上安装的4C装置抓拍到的吊弦图像进行预处理以保证边缘特征清晰可靠；其次，使用ResNet101卷积神经网络对FasterR‑CNN算法进行改进并采用改进后的FasterR‑CNN算法对吊弦进行定位并识别出明显松弛吊弦和断裂吊弦；最后，使用SENet卷积神经网络对InceptionResNet‑V2进行改进，完成对吊弦线夹螺母状态的分类。本发明的显著效果在于能够准确检测故障状态下的吊弦和线夹螺母的情况，提升了接触网悬挂状态检测监测系统4C的准确性，为高速铁路的安全运行提供了有效保障。

主权项：1.一种结合神经网络和深度学习算法的吊弦缺陷检测方法，其特征在于，包括步骤：S100，在高速铁路线路夜间检修中，接触网作业车使用车顶配置接触网悬挂部件抓拍相机对线夹、吊弦进行沿线拍照，对所检修高速铁路线路沿线的高速铁路接触网系统中所有吊弦设备进行拍照和排号；S200，收集接触网悬挂部件抓拍相机拍到的照片，为保证图像细节清晰，轮廓边缘清晰可靠，设计由中值滤波器和双边滤波器组成的级联滤波器，使用所设计的级联滤波器对图像进行预处理，方便图像进行后期的识别、处理；S300，使用ResNet改进后的FasterR-CNN算法对图像中的吊弦进行识别定位，在此过程中完成对吊弦状态的初步识别，即识别出明显缺陷的吊弦，将吊弦分为断裂吊弦、明显松弛吊弦和正常吊弦；对正常吊弦进行区域剪裁并进行下一步缺陷状态识别，断裂吊弦和明显松弛吊弦则直接保存缺陷图片并记录编号；S400，将注意力机制中的SENet网络与InceptionResNet-V2网络相结合，对吊弦线夹螺母缺陷状态进行判断，将线夹螺母划分为正常、缺失和松脱三类，判断其缺陷状态；在对图像进行预处理时，为使处理后的图像达到后期检测标准，采用的级联滤波器，其中二级双边滤波器的去噪强度根据一级中值滤波器的去噪强度进行调节，具体计算方式如下：中值滤波器的去噪强度为： 其中l1为原始图像局部块数据；l2为去噪处理图像局部块数据；N为数据块像素个数；根据正常状态下原始图像数据，标定中值滤波器对图像去噪强度的大小为K，计算标定的去噪强度K与第一级滤波器去噪强度L的差Δk即为双边滤波器需要标定的去噪强度；计算方法为：Δk＝||K-L||；在特征提取中，通过使用FPN+ResNet101替代VGG16，解决梯度消失问题；ResNet101的5个卷积块提供深层次语义特征，由浅到深依次为Conv1至Conv5，FPN利用上采样和横向连接的方式，融合Conv2输出的浅层特征和Conv5输出的深层特征，将提取出来的浅层特征和深层特征融合实现高语义信息和细节信息的有效结合，有利于目标的定位；然后将融合后的特征图送入后续RPN网络中，使用K-means聚类算法，对人工标注的目标框进行聚类，自动计算最适合目标的锚框大小和比例，代替原始算法中根据经验设置的锚框尺寸；最后利用非极大值抑制方法对RPN网络生成的候选区域进行分类和边界框回归操作。在线夹螺母缺陷识别的SE-InceptionResNet-V2网络中，图像输入到Stem模块，经过多次卷积和两次池化的非对称并行结构，增加网络的深度和非线性；之后在每五个InceptionResNet中的最后一个InceptionResNet中加入SENet网络，SENet网络通过独创的通道权重衡量方式，突显特征的方向性，提升卷积神经网络分类准确率；SENet通过自动学习通道特征的方式，给每个通道赋予不同的权重系数，降低干扰信息的影响，增强特征图的表达能力。

全文数据：

权利要求：

百度查询： 江苏新绿能科技有限公司 一种结合神经网络和深度学习算法的吊弦缺陷检测方法