(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111251446.8 (22)申请日 2021.10.26 (71)申请人 中科海拓 （无锡） 科技有限公司 地址 214000 江苏省无锡市滨湖区新城置 业大厦20楼 (72)发明人 王诚　程坦　刘涛　吕剑　 (74)专利代理 机构 安徽善安知识产权代理事务 所(特殊普通 合伙) 3420 0 代理人 陈庭 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01) G06N 5/04(2006.01) (54)发明名称 一种基于深度学习的高铁受电弓运行监测 方法 (57)摘要 本发明公开了一种基于深度学习的高铁受 电弓运行监测方法， 将受电弓检测专业人员的业 务技能和深度学习相结合， 专业的技术人员通过 对样本图片按照具体的类别进行标注， 在利用深 度学习对专业人员标注完成的图像进行自动特 征提取及分类训练， 通过高铁受电弓检测网络的 学习率采用余弦退火方式进行更新， 同时采用了 改进的Focal Loss损失函数处理不同类别之间 存在数据 样本不平衡的问题， 用标注完好的数据 集来训练模型， 通过反向传播机制， 调整模型的 参数值， 得到高铁受电弓检测模型， 最终利用训 练好的模型来实现对高铁受电弓运行监测。 权利要求书2页 说明书5页 附图2页 CN 113947027 A 2022.01.18 CN 113947027 A 1.一种基于深度学习的高铁受电弓运行监测方法， 包括以下步骤： 步骤(1)、 对获取到了高铁运行离线视频进行抽帧并保存相应的帧图， 需要收集异常情 况的图片； 然后数据集进 行数据标注， 构建用于检测算法训练的数据集， 并将数据集划分为 训练集和验证集； 步骤(2)、 对于构建好的高铁受电弓数据集进行预处理， 包含数据归一化以及图像数据 增强的操作； 步骤(3)、 构建基于yolov5的高铁受电弓检测模型， 根据分类要求对最后的SoftMax层 进行调整， 使模型输出每一种标签的概 率结果； 步骤(4)、 对于高铁受电弓检测网络， 学习率采用余弦退火方式进行更新， 同时针对不 同类别之间存在数据样本不平衡的问题， 采用了改进的Focal  Loss损失函数； 步骤(5)、 根据构建好的模型， 用标注完好的数据集来训练模型， 依据标签值和预测值 之间的误差， 通过反向传播机制， 调整模型的参数值， 最终得到高铁受电弓检测模型。 2.根据权利要求1所述的一种基于深度 学习的高铁受电弓运行监测方法， 其特征在于： 所述步骤(1)的具体操作为： 对获取到了高铁运行离线视频进 行抽帧并保存相应的帧图， 并 按受电弓、 左弓角、 右弓角、 火花、 异物、 结构损坏 6种标签， 标注数据集， 同时按照8:2的比例 将数据集划分为训练集和验证集。 3.根据权利要求1所述的一种基于深度 学习的高铁受电弓运行监测方法， 其特征在于： 所选步骤(2)中在线数据增强是指获得批处理数量(batch)数据之后， 然后对这个batch中 的每一张数据进行数据增强； 数据增强的方式具体为： 以百分之三十的概率进行30度左右 方向旋转； 以百分之三十的概率进行水平平移； 以百分之三十的概率进 行垂直平移； 以百分 之三十的概率进行水平翻转； 进行亮度和对比度调节； 以百分之三十的概率进行增加高斯 噪声处理， 通过一系列操作将图片数量增 加为原来的7倍左右。 4.根据权利要求1所述的一种基于深度 学习的高铁受电弓运行监测方法， 其特征在于： 所选步骤(3)中的具体操作为： 对受电弓检测分类器采用卷积神经网络作为特征提取网络， 将得到的特 征图作为 n个节点的SoftMax分类层的输入， 最后输出每一种标签的概 率。 5.根据权利要求1所述的一种基于深度 学习的高铁受电弓运行监测方法， 其特征在于： 所选步骤(4)中所采用的余弦退火方式为： 式中， newlr表示新学习率， initiallr表示初始学习率， etamin表示最小学习率， epoch代 表当前迭代次数， Tmax表示cos周期的1/2。 6.根据权利要求1所述的一种基于深度 学习的高铁受电弓运行监测方法， 其特征在于： 所选步骤(4)中所采用改进的Focal  Loss损失函数： 式中， β ∈(0， 1)是一个超参； 代表属于该类别的概率ny是训练集上类别y的样本数；权　利　要　求　书 1/2 页 2 CN 113947027 A 2当ny越大， 越小， 权重 越小， 也即样本数量越多， 则此类别对损失的贡献就越小。 7.根据权利要求1所述的一种基于深度 学习的高铁受电弓运行监测方法， 其特征在于： 所选步骤(5)中训练检测模型时， 微调的模型参数有： 初始化学习率、 优化器、 批处 理大小。权　利　要　求　书 2/2 页 3 CN 113947027 A 3