[发明专利]一种基于深度学习的开关一致性实时检测方法

说明书

本发明提供了一种基于深度学习的开关一致性实时检测方法，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；再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，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。最后进行开关一致性判断。本发明设计的检测网络backbone采用resnet50+IBN的结构，增强了网络的特征提取能力，并结合实际应用需求设计了结合类别置信度损失、bounding box损失、分割损失的网络损失函数，使网络更好的收敛；设计的检测网络，可以一次性解决位置检测和类别检测的问题，能够实时检测。

技术领域

本发明涉及开关检测领域，尤其涉及一种基于深度学习的开关一致性实时检测方法。

背景技术

现行的开关检测标准要求至少三个相同的开关进行测试并记录测试结果。目前的测试过程都采用人工视检的方式确保测试样品的相同性，但是人工视检效率很低无法达到实时检测的需求，且难免出现疏漏，导致重复测试甚至测试结果无效。

现有的开关检测系统已经能够设定检测次数，如果出现通断异常会自动中断测试，等待技术人员的处理，但是对进行测试的开关并无法确定其是否相同。

发明内容

本发明针对现有技术的不足，提出一种基于深度学习的开关一致性实时检测方法。

本发明具体采用的如下技术方案：

一种基于深度学习的开关一致性实时检测方法，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。

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。