[发明专利]基于领域自适应和注意力机制的雾天火车故障检测方法

权利要求书

1.一种基于领域自适应和注意力机制的雾天火车故障检测方法，其特征在于，所述方法包括如下步骤：

步骤1：准备正常场景下的火车故障数据集作为源域数据集和雾天场景下的火车故障数据集作为目标域数据集；

步骤2：构建基于通道自注意力的目标检测模型，所述目标检测模型包括结合通道注意力机制的特征提取网络，区域建议网络RPN和ROI pooling层；对所述特征提取网络，加入通道注意力模块；

步骤3：使用源域数据集预训练目标检测模型；

步骤4：在目标检测模型中加入图像级域自适应模块和实例级域自适应模块来实现源域和目标域的特征对齐；

步骤5：最后输入带标签的源域数据集和不带标签的目标域数据集完成域自适应的火车故障检测。

2.根据权利要求1所述的一种基于领域自适应和注意力机制的雾天火车故障检测方法，其特征在于，所述目标检测模型为Faster-RCNN，特征提取网络为ResNet-50，通道自注意力模块采用ECA-NET。

3.根据权利要求2所述的一种基于领域自适应和注意力机制的雾天火车故障检测方法，其特征在于，步骤2中所述特征提取网络中添加通道注意力机制包括以下步骤：

ResNet-50共有五个layer，不使用第五个layer，前三个layer中，每个layer后添加通道注意力模块；每个通道注意力模块由一个平均池化层、一个最大池化层、两个全连接层、两个激活函数层组成；从layer输出的特征图为H×W×C，在通道注意力模块中，特征图被全局平均池化层压缩为一个1×1×C的向量；将该向量作维度压缩和调换，转化为维度为C×1的二维向量；将该二维向量进行一维卷积，输入输出通道数均为1，卷积核的大小由下列公式计算得到：

得到向量维度仍为C×1；经过激活函数层后还原为1×1×C向量输出，与原来的H×W×C特征图相乘，得到通道注意力加强后的特征图，维度仍为H×W×C。

4.根据权利要求2所述的一种基于领域自适应和注意力机制的雾天火车故障检测方法，其特征在于，步骤4包括以下步骤：

S4.1将图像输入ResNet50网络提取特征，得到feature map；RPN利用得到的featuremap生成若干个建议窗口；把建议窗口映射到Faster-RCNN的最后一层卷积feature map上；通过RoI pooling层使每个建议窗口生成固定尺寸的feature map，通过全连接层后再进行边界框回归和分类；模型的损失函数包括RPN的边界框回归损失和ROI的分类损失；

S4.2在基于通道自注意力的Faster-RCNN模型的特征提取网络后加入图像级域自适应模块来消除图像级别的域分布不匹配；

S4.3在基于通道自注意力的Faster-RCNN模型的最终分类器之前，通过全连接层后的特征向量后加入实例级别域自适应模块来消除实例级别的域分布不匹配；

S4.4加入一致性正则化；

S4.5在网络训练阶段，GRL梯度反转层在网络正向传播过程中传递的是正值，而在反向传播过程中，传播的是负值；该层的作用是将域自适应模块的损失最大化；整个模型的损失函数可写为：

L＝L_det+λ(L_img+L_ins+L_cst)

λ是一个平衡Faster-RCNN检测误差和域自适应误差的参数，L_det表示分类损失，L_img表示图像级自适应损失函数，L_ins表示实例级自适应损失函数，L_cst表示一致性正则化的损失函数。

5.根据权利要求4所述的一种基于领域自适应和注意力机制的雾天火车故障检测方法，其特征在于，边界框回归损失使用smoothL1损失，分类损失则采用分类的交叉熵损失

L_det＝L_rpn+L_roi

L_rpn表示边界框回归损失，L_roi表示的分类损失。