[发明专利]一种基于深度学习的开关一致性实时检测方法

权利要求书

1.一种基于深度学习的开关一致性实时检测方法，其特征在于，包括以下步骤：

(1)分别采集待检测的三个开关的图片并进行归一化和统一尺寸处理；

(2)将图片送入训练好的开关检测网络模型进行前向推理预测，其中，所述开关检测网络模型采用resnet50融合IBN结构作为整个检测网络的backbone，其输出分别连接分类网络和分割网络，分类网络用于预测输入图片的开关的类别，分割网络用于预测输入图片中物体的像素级别位置；

所述开关检测网络模型采用标注类别和位置的开关图片进行训练，训练时的损失函数由三部分组成：

L＝L_cls+L_box+L_mask

其中，L_cls+L_box共同约束分类网络，L_cls为类别置信度损失，表示框出的box内确实有物体的置信程度和框出的box将整个物体的所有特征都包括进来的置信程度；L_cls表示如下：

S²表示网格数量；B表示每个网络产生B个锚框；表示第i个网格的第j个锚框是否框到物体，是则为1，否则为0；表示参数置信度，取值由第i个网格的第j个锚框是否负责检测目标决定，若负责则为1，否则为0；表示检出置信度；λ_noobj表示检出程度阈值；表示第i个网格的第j个锚框是否框到物体，取值与相反；

L_box为bounding box损失，由中心坐标误差损失和宽高坐标误差损失两部分组成，具体如下：

其中，表示第i个网格第j个锚框检测出的物体中心点x坐标，表示对应的实际物体中心点x坐标，表示第i个网格第j个锚框检测出的物体中心点y坐标，表示对应的实际物体中心点y坐标，表示第i个网格第j个锚框检测出物体的宽，表示对应的实际物体的宽，表示第i个网格第j个锚框检测出物体的高，表示对应的实际物体的高；表示横向缩放系数，φ为纵向缩放系数，由图片原始尺寸和统一尺寸后计算获得;

L_mask用于约束分割网络，L_mask为分割损失采用改进的平均二值交叉熵，对于每个像素采用带概率的二值sigmoid交叉熵损失，即

L_mask(cls_k)＝β*Sigmoid(cls_k)

其中β是分割置信度阈值，cls_k表示检测置信度，k对应类别个数；

(3)进行开关一致性判断。

2.根据权利要求1所述的开关一致性实时检测方法，其特征在于，统一尺寸处理具体为：将图片双线性插值缩放到416*416像素尺寸。

3.根据权利要求1所述的开关一致性实时检测方法，其特征在于，所述分类网络包含两个分支，所述分支1由avgpooling、BNNeck、FC、softmax激活层依次连接组成；所述分支2由deconv、sigmoid、BNNneck、FC、softmax激活层依次连接组成。

4.根据权利要求1所述的开关一致性实时检测方法，其特征在于，所述分割网络由deconv、sigmoid、RPN、ROIAlign层依次连接组成。

5.根据权利要求1所述的开关一致性实时检测方法，其特征在于，开关检测网络模型训练时，使用mixup、cutmix、mosaic策略对训练数据集进行数据增强处理。

6.根据权利要求1所述的开关一致性实时检测方法，其特征在于，使用pytorch框架对开关检测网络模型进行网络训练，使用高性能推理框架RAMMER对训练得到的检测模型进行图优化。