[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

说明书

本发明公开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，包括如下步骤：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；对目标检测模型中的特征提取网络，加入通道注意力模块；在特征提取网络后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；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。该基于领域自适应和注意力机制的雾天火车故障检测方法是解决目标检测模型在有雾天气下对火车故障检测结果较差的问题。

技术领域

本发明涉及计算机视觉技术领域，具体涉及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。

背景技术

目标检测是计算机视觉最具挑战性的任务之一。目标检测任务包含两个子任务，一是在图像或者视频中定位到目标物体的位置，二是将目标物体进行识别和标记。进入深度学习时代以来，基于CNN的深度网络模型依靠其强大的特征提取能力和泛化能力，让目标检测算法的效果相比原先的传统方法获得极大提升。

目前主流的目标检测模型，如Faster-RCNN和YOLO模型都是有监督学习模型，依赖大量有便签样本。然而在实际的火车故障图片检测过程中，由于相机拍摄、天气等原因，导致火车故障图片出现模糊、过于暗黑的情况，也会存在图片中含有雾气、冰雪等现象。这些客观原因会导致出现训练集和测试集之间出现域偏移问题，使得原有的目标检测模型无法有效识别出测试集这些图片中的故障。解决此类问题最直接的方法就是重新对测试集中出现域偏移的图片进行收集和标注。然而目前图片标注的方式仍然以人工标注为主，且收集和标注图片过程耗时费力。针对数据集重复标注耗费成本巨大的问题，可以使用迁移学习中的领域自适应方法来减少模型性能的下降。

目前领域自适应方法在目标检测领域的应用主要分为三类：基于对抗的领域自适应目标检测算法、基于重构的领域自适应目标检测算法和基于混合的领域自适应算法。基于对抗的领域自适应目标检测是在网络中加入领域判别器，通过让领域判别器混淆源域和目标域的域不变特征。达到减少域偏移的目的；基于重建的领域自适应目标检测是通过重建源域或者目标域数据，利用例如CycleGAN生成数据，可以获得中间域数据，利用这些中间域数据进行训练能够提升训练结果；基于混合的方法则采用了上述两种方法的结合。而计算机视觉中的注意力机制的基本思想就是使模型可以忽略无关信息而关注重点信息。

发明内容

为解决雾天场景下火车故障检测准确率低的问题，本发明提供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。该方法针对火车故障训练集和测试集数据分布不同的问题，利用领域自适应的方法的来改善原有目标检测模型的跨域鲁棒性，并利用通道自注意力机制，帮助特征提取网络，提取到更有用的特征信息。

本发明提供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。具体步骤如下：

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；

对目标检测模型中的特征提取网络，加入通道注意力模块。

使用源域数据集预训练目标检测模型。

在特征提取网络后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。

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。

目标检测模型的特征提取网络中添加通道注意力机制，包括以下步骤：

使用特征提取网络ResNet50的前四个layer。前三个layer每个layer后添加通道注意力模块。

每个注意力模块由一个平均池化层、一维卷积层、和一个Sigmoid激活函数层组成。