买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉工程大学

摘要：本发明公开了一种基于MaskScoringR‑CNN网络的受电弓检测方法，包括以下步骤：S1、采集弓网红外受电弓数据并进行数据预处理，将数据划分为训练样本集和测试样本集；S2、搭建受电弓检测网络，利用主干网络提取受电弓多尺度特征图，通过预测头和掩码头获得受电弓的类别信息、位置坐标和粗粒度分割结果，提出一种边缘修复方法对受电弓粗粒度分割结果进行精细化修复；S3、将训练样本集的数据加载至受电弓检测网络中，反复迭代训练，进行参数调整，获得优质受电弓检测模型；S4、加载优质受电弓检测模型，将测试样本集的数据输入模型，评价受电弓检测分割结果。本发明受电弓检测精度更高，鲁棒性更强，且不需要其它价格昂贵的设备作为辅助，可以大大节约检测成本。

主权项：1.一种基于MaskScoringR-CNN网络的受电弓检测方法，其特征在于，该方法包括以下步骤：S1、采集弓网红外受电弓数据并进行数据预处理，将数据划分为训练样本集和测试样本集，构建受电弓目标数据库；S2、搭建受电弓检测网络，利用主干网络提取受电弓多尺度特征图，通过预测头和掩码头获得受电弓的类别信息、位置坐标和粗粒度分割结果，并提出一种边缘修复方法对受电弓粗粒度分割结果进行精细化修复；S3、将训练样本集的数据加载至受电弓检测网络中，反复迭代训练，并进行参数调整，获得优质受电弓检测模型；S4、加载优质受电弓检测模型，将测试样本集的数据输入模型，评价受电弓检测分割结果；所述步骤S2建立受电弓检测网络具体包括：S21、主干网络Backbone使用残差网络ResNet101和特征金字塔网FPN提取受电弓多尺度特征图；S22、运用区域推荐网络RPN来提议候选窗口区域Proposals；检测头RCNNHead对RPN产生的每个候选区域进行感兴趣区域对齐RoIAlign操作；S23、针对RoIAlign后的特征图，通过一系列卷积层、全连接层对候选区域的受电弓目标进行分类和边界框回归操作；掩码头MaskHead用于获得实例像素级的特征，经过6层卷积操作实现特征图的上采样和通道维度的改变，并生成对应的预测掩码；掩码交并比头MaskIoUHead使用预测掩码的输出和感兴趣区域对齐后RoIAlign的特征作为输入，经过4个卷积层实现特征图的降采样，并连接3个全连接层，最后一层输出C个类别的MaskIoU得分，并与检测头RCNNHead中的类别分数相乘获得更准确的掩码得分；S24、掩码边缘修复头对掩码头MaskHead获得的粗粒度掩码与真值掩码计算交并比，匹配训练集中最佳的受电弓边界，并获得受电弓边界精细化修复结果；所述步骤S21具体包括：采用ResNet101和FPN作为主干网络，对受电弓特征进行多尺度提取；ResNet101是一个自下而上的结构，经过残差网络输出四层特征图，定义为C2、C3、C4和C5；FPN是一种自上而下的结构，结合ResNet101各层输出进行横向连接，获得的P2、P3、P4和P5四层融合的特征图；所述步骤S22具体包括：主干网络输出的各层特征图经过一个3*3的卷积产生两个分支，一个分支经过Reshape-Softmax-Reshape操作区分预先设定锚点框的正负，另一个分支通过1*1的卷积获得锚点框的偏移量，进而获得候选区域；对RPN产生的Proposals采用RoIAlign实现候选区域与特征图的对齐，主要使用双线性插值算法进行特征图扩展，并进行最大池化操作将Proposals调整到统一大小；RCNNHead经过将RoIAlign后的特征图经过全连接层输出为1024维，并对特征进行分类和回归操作输出受电弓类别和坐标信息；所述步骤S23具体包括：MaskHead使用RoIAlign后的特征经过6个卷积操作实现特征图的上采样和通道维度的改变，并生成对应的预测掩码；同时，使用预测掩码的输出与原始RoIAlign后的特征作为MaskIoUHead输入，经过4个卷积层实现特征图的降采样，并连接3个全连接层，最后一层输出C个类别的MaskIoU得分；将预测的MaskIoU得分SMaskIoU和RCNNHead的分类置信得分SClass相乘，获得最终的掩码分数SMS，用来表示掩码准确的分割得分；计算公式为：SMS＝SMaskIoU·SClass所述步骤S24具体包括：精细化边缘修复方法通过计算受电弓粗粒度掩码分割区域与训练集中标注的受电弓区域的交并比作为一个全新的层级加入到受电弓分割的学习推理中，获得与训练集中最佳匹配的受电弓区域，并利用该区域对受电弓提取结果进行精细化边界修复；其中，训练集中标注的受电弓区域图像为受电弓目标数据库图像，受电弓边缘修复交并比可计算为： 其中，S表示训练数据中标注的受电弓的真值，P表示受电弓的粗粒度分割结果，areS表示受电弓粗粒度分割结果和真值的交集面积，areP表示受电弓粗粒度分割结果和真值的并集面积；所述步骤S3具体包括：使用S1得到的训练样本集数据库，输入到步骤S2建立的受电弓检测网络进行训练，得到优质受电弓检测模型；加载数据集中分辨率为194*36的训练样本图片6000张到网络中，并在MS-COCO数据集的预训练模型上初始化网络参数，同时使用主干网络进行预训练，用于提取数据集中目标的特征；对RPN产生的锚点框采用非极大抑制算法得到评分前100的候选窗口区域，并利用RoIAlign模块将所有候选窗口区域归一化到特定尺寸进行空间尺寸对齐；使用一系列卷积层和全连接层对候选区域的目标进行分类和回归操作，并对候选区域的目标进行像素级别的粗粒度掩码分割；采用RPN中IoU大于0.5的Proposals作为训练样本对MaskIoUHead进行训练，获得真实的掩码分数；计算粗粒度掩码分割区域与训练集中标注掩码区域的交并比，获得最佳匹配的受电弓区域，并利用该区域对受电弓分割边界进行修复；整个过程采用分类损失、检测框回归损失以及掩码损失三大损失进行训练，计算为： 其中，分类损失函数是目标与非目标两个类别的对数损失，选用交叉熵损失；是目标与非目标两个类别的对数损失，ki表示把锚点框预测为目标的概率，表示锚点框是负标签，表示锚点框为正标签，TClass为归一化参数；边界框回归损失函数其中，ni表示锚点框测量偏移量，表示真值标签偏移量；采用smoothL1函数作为边界框回归损失；smoothL1函数优势在于降低误差增长率，减少误差带来的惩罚，将其表示成分段函数如下： 其中，σ用于控制区域的平滑度；掩码损失函数旨在回归深度神经网络分割得到掩码与真值掩模交并比得分，使用L2损失回归交并比的评分；训练网络类别参数设置为2，主要包括受电弓目标和背景，批处理Batchsize设置为100，迭代次数设置为20000，动量因子设置为0.9，权值衰减系数设置为0.001，初始学习率设置为0.001。

全文数据：

权利要求：

百度查询： 武汉工程大学 一种基于Mask Scoring R-CNN网络的受电弓检测方法