[发明专利]一种应用深度学习特征点定位技术的闸门开关检测算法系统

权利要求书

1.一种应用深度学习特征点定位技术的闸门开关检测算法系统，包括数据集的来源，其特征在于：所述该闸门开关检测算法系统具体有数据集的来源、数据预处理、网络架构的预训练、特征点坐标转换标准和损失函数定义组成，所述基于深度学习的特征点检测对数据集的数量和质量要求很高，大量高质量的数据集才能作为深度学习网络训练的基础。

2.根据权利要求1所述的一种应用深度学习特征点定位技术的闸门开关检测算法系统，其特征在于：所述数据集的来源是标注的数据集取自真实应用场景数据集，训练集5000张，验证集500张，测试集1000张。

3.根据权利要求1所述的一种应用深度学习特征点定位技术的闸门开关检测算法系统，其特征在于：所述数据预处理对神经网络训练有着至关重要的作用，一般将输入归一化至0-1区间，这样不容易丢失图像信息，因为某些激活函数的存在，可能造成网络训练无法收敛，所以我们将输入归一化。

4.根据权利要求1所述的一种应用深度学习特征点定位技术的闸门开关检测算法系统，其特征在于：所述网络架构的预训练是因神经网络采用随机初始化网络架构，很容易出现梯度不下降或者造成网络局部最小，所述网络架构采用预训练模型进行微调，所述预训练指的是采用开源数据集ImageNet2012进行前端网络的分类训练，得到网络的初始权重和偏置。

5.根据权利要求1所述的一种应用深度学习特征点定位技术的闸门开关检测算法系统，其特征在于：所述特征点坐标转换标准是真实特征点标签输出值分别为(x1,y1)、(x2,y2)、(x3,y3)和(x4,y4)，若直接使用坐标值进行特征点回归，会导致网络过拟合，所述主要原因是网络的输入采用了归一化处理，并且网络也采用了BatchNorm等归一化处理，所以大部分数据的输出都在0-1之间，若此时真实标签为较大值的正整数时，会导致网络不收敛造成过拟合。

6.根据权利要求1所述的一种应用深度学习特征点定位技术的闸门开关检测算法系统，其特征在于：所述损失函数定义是以深度神经网络欧氏距离损失函数主要用于连续值训练样本的拟合，采用欧式距离损失函数，主要是为了将系列特征点连续化，使得特征点更容易回归。