(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210822595.3 (22)申请日 2022.07.12 (71)申请人 哈尔滨市科佳通用机电股份有限公 司 地址 150060 黑龙江省哈尔滨市经开区哈 平路集中区潍 坊路2号 (72)发明人 马金涛　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 岳泉清 (51)Int.Cl. G06V 20/59(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) (54)发明名称 基于深度学习的缓解阀丢失检测方法 (57)摘要 一种基于深度学习的缓解阀丢失检测方法， 属于列车安全检测技术领域。 本发 明针对采用人 工方式检测缓解阀丢失存在检测结果不可靠的 问题而提出。 包括： 获取训练数据集； 建立改进的 Faster‑RCNN网络并采用训练数据集中的样本 数 据进行网络训练； 改进的Faster ‑RCNN网络中， 样 本数据经空间域注意力机制 网络模块进行空间 变换和特征提取获得目标图像； 目标图像经特征 融合模块进行特征融合获得融合后特征图像； 融 合后特征图像经RPN网络进行处理获得分类结 果； 将训练后的改进的Faster ‑RCNN网络作为缓 解阀丢失检测网络； 对采集的运行中列车两侧图 像进行预处理获得待检测图像， 将待检测图像输 入至缓解阀丢失检测网络获得缓解阀是否丢失 的检测结果。 本发明用于缓解阀丢失检测。 权利要求书2页 说明书7页 附图7页 CN 115240172 A 2022.10.25 CN 115240172 A 1.一种基于深度学习的缓解阀丢失检测方法， 其特 征在于包括， 获取训练数据集； 建立改进的Faster ‑RCNN网络并采用训练数据集中的样本数据进行 网络训练； 改进的Faster ‑RCNN网络包括空间域注意力机制网络模块、 特 征融合模块和RPN网络； 样本数据 经空间域注意力 机制网络模块进行空间变换和特征提取获得目标图像； 目标 图像经特征融合模块进行特征融合获得融合后特征图像； 融合后特征图像经RPN网络进行 处理获得分类结果； 将训练后的改进的Faster ‑RCNN网络作为缓解阀丢失检测网络； 对采集的运行中列 车两侧图像进行预处理获得待检测图像， 将待检测图像输入至缓解 阀丢失检测网络获得缓解阀是否 丢失的检测结果。 2.根据权利要求1所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， 对采集的运行中列车两侧图像进行 预处理包括： 根据所述列车轴距与位置信息在运行中列车两侧图像中将缓解阀所在区域按坐标位 置进行切割， 获得待检测图像。 3.根据权利要求1所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， 所述样本数据的获得方法包括： 将 缓解阀区域的原始正样本图像利用PS方法获得负样 本图像， 再对原 始正样本图像和负 样本图像进行 数据扩增， 获得样本数据。 4.根据权利要求1所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， 所述空间域注意力 机制网络模块对样本数据进行空间变换在样本数据 上确定目标框， 对目标框内的信息进行 特征提取及信息增强 获得目标图像。 5.根据权利要求 4所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， 特征融合模块依次包括五个卷积单 元： 第一卷积单元依次包括第一卷积层、 第一relu层、 第二卷积层、 第二relu层和第一池化 层； 第二卷积单元依次包括第三卷积层、 第三relu层、 第四卷积层、 第四relu层和第二池化 层； 第三卷积单元依次包括第五卷积层、 第五relu层、 第六卷积层、 第六relu层、 第七卷积 层、 第七relu层和第三池化层； 第四卷积单元依次包括第八卷积层、 第八relu层、 第九卷积层、 第九relu层、 第十卷积 层、 第十relu层和第四池化层； 第五卷积单元依次包括第十一卷积层、 第十一relu层、 第十二卷积层、 第十二relu层、 第十三卷积层和第十三relu层； 目标图像输入第 一卷积层； 第 一池化层和第 二池化层输出的图像融合后获得第 一融合 图像； 第三池化层和 第四池化层输出的图像融合后获得第二融合图像； 第一融合图像、 第二 融合图像和第十三relu层输出的图像再融合后获得融合后特 征图像。 6.根据权利要求5所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， RPN网络对融合后特 征图像进行处 理的过程包括： 融合后特 征图像经3 ×3卷积与激活后再分别经第一1 ×1卷积和第二1 ×1卷积处理； 第一1×1卷积的处理结果经第一次重构、 分类、 第二次重构后， 与第二1 ×1卷积的处理权　利　要　求　书 1/2 页 2 CN 115240172 A 2结果结合预知的图像缩放比例获得预选框， 再结合融合后特征图像经ROI池化获得固定尺 寸的特征图； 固定尺寸的特征图再依次经全连接层一、 池化层一、 全连接层二、 池化层二处理后， 再 经全连接层三处理后， 进行评分得到评分结果； 池化层二处理后的结果再经全连接层四处 理后， 进行分类得到分类初步结果； 由评分结果和分类初步结果得到最终的分类结果。 7.根据权利要求3所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， 所述数据扩增包括： 对原始正样本图像和负样本图像进行剪裁、 翻转及旋转变换操作， 再调整对比度和亮度， 并进行直方图均衡化和模糊操作， 获得样本数据。 8.根据权利要求1所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， 样本数据的类别标注包括缸体、 缓解阀、 堵头、 丢失和缓解阀底座。 9.根据权利要求8所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， 将至少包含缓解阀和堵头其中之一的样本数据作为正样本， 其它样本数据作为负样 本。 10.根据权利要求1所述的基于深度学习的缓解阀丢失检测方法， 其特 征在于， 运行中列车两侧图像通过列车轨道两侧安装的工业相机获取。权　利　要　求　书 2/2 页 3 CN 115240172 A 3