【技術實現步驟摘要】
本專利技術涉及一種圖像識別方法及系統。
技術介紹
1、列車行駛過程中，會出現一些發生頻率極低但后果嚴重的偶發故障，如軸箱拉桿座處的螺栓折斷等，會造成極大的安全隱患，為保證列車平穩、安全運行，需要及時發現這種偶發故障，并第一時間對列車進行攔停等處理。
2、而現有利用神經網絡模型進行列車故障識別方法中，由于需要對多種列車故障進行識別，因此上述頻率極低的偶發故障在數據集中占比較小，很多其他更加高發的故障在數據集中占比較大，在故障分布上具有一定的長尾特性。在神經網絡模型的訓練過程中會存在訓練樣本不均衡的情況，進而使得訓練好的神經網絡模型在識別列車偶發故障時的準確性識別較低，無法及時發現偶發故障，進而造成安全隱患。
技術實現思路
1、本專利技術的目的是為了克服現有列車故障識別方法中，由于偶發故障在數據集中占比較小，使得訓練好的神經網絡模型在識別列車偶發故障時的準確性識別較低，無法及時發現偶發故障的問題，提供了一種列車故障識別方法及系統。
2、本專利技術提供的一種列車故障識別方法，步驟如下：
3、步驟一、采集列車待識別故障部位圖像；
4、步驟二、將故障部位圖像輸入至列車故障識別模型；
5、列車故障識別模型包括改進監督對比學習網絡；
6、列車故障識別模型訓練過程中，改進監督對比學習網絡對數據集樣本進行采樣時，大數量數據集樣本的采樣概率和小數量數據集樣本的采樣概率都向1/k收斂；k為標簽的數量；
7、大數量數據集樣
8、步驟三：若故障部位圖像中存在故障，則列車故障識別模型報警。
9、進一步地，列車故障識別模型訓練過程如下：
10、步驟二一、將數據集樣本輸入至列車故障識別模型；
11、數據集樣本包括列車非故障圖像、列車常發故障圖像和列車偶發故障圖像；且列車偶發故障圖像在數據集樣本中的占比小于列車非故障圖像和/或列車常發故障圖像在數據集樣本中的占比；
12、步驟二二、對列車故障識別模型進行第1輪訓練；
13、其中，監督對比學習網絡依據先驗概率對數據集樣本進行采樣；
14、先驗概率服從如下先驗概率分布：
15、
16、其中，yi為列車圖片特征提取網絡選取的一張錨圖片對應的標簽；p(yi)為每張數據集樣本作為錨圖片的的采樣概率服從均勻分布時，每種標簽對應的數據集樣本的累計采樣概率；tanh為雙曲正切函數；λ∈(0,1)和φ∈(0,1)均為可調參數；i為所有標簽的集合；yj所有標簽中的任一標簽；
17、步驟二三、對列車故障識別模型進行第s輪訓練；s初始值為2，且s大于等于2；
18、其中，監督對比學習網絡依據后驗概率列車對數據集樣本進行采樣；
19、后驗概率服從后驗概率分布：
20、
21、
22、其中，zi和za均為第s-1輪訓練中，通過監督對比學習網絡對數據集樣本進行特征提取并計算得到的歸一化特征：
23、
24、
25、f為監督對比學習網絡中的特征提取器；xi為監督對比學習網絡選取的一張錨圖片；xa是與錨圖片具有相同標簽的其余實例；p(i)為所有正樣本的集合；b為任意一批圖片樣本-標簽對；ψ為后驗概率影響率調節參數
26、步驟二四、判斷列車故障識別模型是否達到訓練完成條件，是則完成列車故障識別模型的訓練；
27、否則，令s+1，并返回執行步驟二三。
28、進一步地，步驟二二和步驟二三中，還包括：
29、如果有標簽未進行采樣，則對標簽對應的數據集樣本進行一次隨機采樣。
30、進一步地，改進監督對比學習網絡的監督對比損失scl包括：
31、
32、其中，τ為溫度參數；p(i)為所有正樣本的集合，|p(i)|表示其基數；xp為正樣本，p為正樣本序數。
33、進一步地，改進監督對比學習網絡的監督對比損失scl還包括：
34、
35、本專利技術還提供一種列車故障識別系統，包括：
36、圖像采集模塊，用于采集列車待識別故障部位圖像；
37、故障識別模塊，用于將故障部位圖像輸入至列車故障識別模型；
38、列車故障識別模型包括改進監督對比學習網絡；
39、列車故障識別模型訓練過程中，改進監督對比學習網絡對數據集樣本進行采樣時，大數量數據集樣本的采樣概率和小數量數據集樣本的采樣概率都向1/k收斂；k為標簽的數量；
40、大數量數據集樣本的標簽相同，小數量數據集樣本的標簽相同，且大數量數據集樣本的標簽與小數量數據集樣本的標簽不相同；
41、以及用于，在故障部位圖像中存在故障時報警。
42、進一步地，還包括：
43、列車故障識別模型訓練模塊，用于將數據集樣本輸入至列車故障識別模型；
44、數據集樣本包括列車非故障圖像、列車常發故障圖像和列車偶發故障圖像；且列車偶發故障圖像在數據集樣本中的占比小于列車非故障圖像和/或列車常發故障圖像在數據集樣本中的占比；
45、以及，用于對列車故障識別模型進行第1輪訓練；
46、其中，監督對比學習網絡依據先驗概率對數據集樣本進行采樣；
47、先驗概率服從如下先驗概率分布：
48、
49、其中，yi為列車圖片特征提取網絡選取的一張錨圖片對應的標簽；p(yi)為每張數據集樣本作為錨圖片的的采樣概率服從均勻分布時，每種標簽對應的數據集樣本的累計采樣概率；tanh為雙曲正切函數；λ∈(0,1)和φ∈(0,1)均為可調參數；i為所有標簽的集合；yj所有標簽中的任一標簽；
50、以及，用于對列車故障識別模型進行第s輪訓練；s初始值為2，且s大于等于2；
51、其中，監督對比學習網絡依據后驗概率列車對數據集樣本進行采樣；
52、后驗概率服從后驗概率分布：
53、
54、
55、其中，zi和za均為第s-1輪訓練中，通過監督對比學習網絡對數據集樣本進行特征提取并計算得到的歸一化特征：
56、
57、
58、f為監督對比學習網絡中的特征提取器；xi為監督對比學習網絡選取的一張錨圖片；xa是與錨圖片具有相同標簽的其余實例；p(i)為所有正樣本的集合；b為任意一批圖片樣本-標簽對；ψ為后驗概率影響率調節參數
59、以及，用于判斷列車故障識別模型是否達到訓練完成條件，是則完成列車故障識別模型的訓練；
60、否則，令s+1，并繼續對列車故障識別模型進行第s輪訓練。
61、進一步地，列車故障識別模型訓練模塊，還用于：
62、在有標簽未進本文檔來自技高網...
【技術保護點】
1.列車故障識別方法，其特征在于，步驟如下：
2.根據權利要求1所述的列車故障識別方法，其特征在于，列車故障識別模型訓練過程如下：
3.根據權利要求2所述的列車故障識別方法，其特征在于，步驟二二和步驟二三中，還包括：
4.根據權利要求2或3所述的列車故障識別方法，其特征在于，改進監督對比學習網絡的監督對比損失SCL包括：
5.根據權利要求2或3所述的列車故障識別方法，其特征在于，改進監督對比學習網絡的監督對比損失SCL還包括：
6.列車故障識別系統，其特征在于，包括：
7.根據權利要求6所述的列車故障識別系統，其特征在于，還包括：
8.根據權利要求7所述的列車故障識別系統，其特征在于，列車故障識別模型訓練模塊，還用于：
9.根據權利要求7或8所述的列車故障識別系統，其特征在于，改進監督對比學習網絡的監督對比損失SCL包括：
10.根據權利要求9所述的列車故障識別系統，其特征在于，改進監督對比學習網絡的監督對比損失SCL還包括：
【技術特征摘要】
1.列車故障識別方法，其特征在于，步驟如下：
2.根據權利要求1所述的列車故障識別方法，其特征在于，列車故障識別模型訓練過程如下：
3.根據權利要求2所述的列車故障識別方法，其特征在于，步驟二二和步驟二三中，還包括：
4.根據權利要求2或3所述的列車故障識別方法，其特征在于，改進監督對比學習網絡的監督對比損失scl包括：
5.根據權利要求2或3所述的列車故障識別方法，其特征在于，改進監督對比學習網絡的監督對比損失scl還包...
【專利技術屬性】
技術研發人員：王璐，
申請(專利權)人：哈爾濱市科佳通用機電股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。