[发明专利]铁路货车部件检测网络的优化方法及护栏折断故障识别方法

权利要求书

1.铁路货车部件检测网络的优化方法，其特征在于，包括以下步骤：

选用Faster R-CNN作为铁路货车部件检测网络，利用获取的铁路货车部件训练集对Faster R-CNN进行训练时，整体损失函数如下：

其中，L_det为总体损失，L_cls为分类损失，L_reg为回归损失，β为平衡因子；M，N分别为在候选样本内和整体候选框的数量，m、n为对应的变量；FL为焦点损失，s为预测的分类得分，b和b'为分别为预测框和真值标签；w_pos为正样本权重调制因子，w_neg为负样本权重调制因子；GIoU(b，b′)为GIoU损失。

2.根据权利要求1所述的铁路货车部件检测网络的优化方法，其特征在于，所述正样本权重调制因子如下：

w_pos＝e^μt×t

t＝s×IOU^β

其中，β是平衡预测的分类得分s与IoU的超参数，μ是一个控制不同正样本权重的相对间隙的超参数。

3.根据权利要求2所述的铁路货车部件检测网络的优化方法，其特征在于，所述负样本权重调制因子如下：

其中，γ₁为调节负样本概率的超参数，且当交并比IoU∈[0.5，0.95]时，函数通过点(0.5，1)与(0.95，0)两点，并以此确定k、b”的值；γ₂是给予重要负样本优先的超参数。

4.铁路货车护栏折断故障识别方法，其特征在于，包括以下步骤：

首先获取待检测的含有路货车护栏的图像，然后使用Fast RCNN目标检测网络进行故障检测；所述的Fast RCNN目标检测网络为训练好的网络，训练过程中，基于含有路货车护栏的图像的训练集，利用权利要求1至3之一所述的铁路货车部件检测网络的优化方法实现对Fast RCNN网络的优化及训练。

5.根据权利要求4所述的铁路货车护栏折断故障识别方法，其特征在于，待检测的含有路货车护栏的图像经过图像增强后送入Fast RCNN目标检测网络进行故障检测；图像增强的过程包括自适应直方图均衡化和高斯滤波处理。

6.根据权利要求5所述的铁路货车护栏折断故障识别方法，其特征在于，获取待检测的含有路货车护栏的图像经过图像的过程包括以下步骤：

首先获取铁路货车图像，然后根据先验知识对货车存在护栏的位置进行提取，得到包含护栏的子图，即待检测的含有路货车护栏的图像。

7.一种用于铁路货车部件检测网络的优化的存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至3之一所述的铁路货车部件检测网络的优化方法。

8.一种铁路货车部件检测网络的优化设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至3之一所述的铁路货车部件检测网络的优化方法。

9.一种用于铁路货车护栏折断故障识别的存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求4至6之一所述的铁路货车护栏折断故障识别方法。

10.一种铁路货车护栏折断故障识别设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求4至6之一所述的铁路货车护栏折断故障识别方法。