申请/专利权人：哈尔滨市科佳通用机电股份有限公司

申请日：2023-12-25

公开（公告）日：2024-04-26

公开（公告）号：CN117935182A

主分类号：G06V20/54

分类号：G06V20/54;G06V10/26;G06V10/774;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：基于改进后TransXNet方法的高铁侧部异物检测方法，本发明涉及高铁侧部异物检测方法。本发明的目的是为了解决现有TransXNet检测方法网络复杂度高、计算量大，导致高铁侧部异物检测识别效率低，识别时间长的问题。过程为：步骤一、采集高铁侧部图像，对高铁侧部图像进行目标截取，得到训练集图片集合；步骤二、构建TransXNet网络；步骤三、训练集图片集合输入TransXNet网络进行训练，获得训练好的TransXNet网络；步骤四、采集高铁侧部图像，对高铁侧部图像进行目标截取，获得待测图像；将待测图像输入训练好的TransXNet网络，判断是否存在故障，若不存在，继续对待测图像进行检测；若存在，则需要进行报警。本发明用于高铁侧部异物检测领域。

主权项：1.基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述方法具体过程为：步骤一、采集高铁侧部图像，对高铁侧部图像进行目标截取，得到训练集图片集合；步骤二、构建TransXNet网络；具体过程为：TransXNet网络依次包括第一阶段、第二阶段、第三阶段和第四阶段；第一阶段依次包括第一补丁嵌入层和N1个TransXNet块组成；第二阶段依次包括第二补丁嵌入层和N2个TransXNet块组成；第三阶段依次包括第三补丁嵌入层和N3个TransXNet块组成；第四阶段依次包括第四补丁嵌入层和N4个TransXNet块组成；每个TransXNet块包括动态位置编码层DPE、第一标准层、双动态令牌混合层D-Mixer、第二标准层以及多尺度前馈网络层MS-FFN；双动态令牌混合层D-Mixer包括：全局自注意力模块OSRA、动态深度卷积模块IDConv和挤压令牌增强器STE；双动态令牌混合层D-Mixer处理过程为：1、对于输入特征图X∈RC×H×W，将输入特征图X∈RC×H×W划分为子特征图X1和子特征图X2；X1＝βγX+1-βγXX2＝βγX+1-βγX其中C表示通道数，H表示特征图的高度，W表示特征图的宽度；β和γ为参数；2、将子特征图X1输入全局自注意力模块OSRA，全局自注意力模块OSRA输出特征图Z；具体过程为：1、子特征图X1通过重叠空间缩减OSR后得到中间特征Y，表达式为Y＝OSRX1；2、将子特征图X1输入1x1的卷积层，1x1的卷积层输出特征输入非线性激活函数ReLU进行非线性处理，非线性激活函数ReLU输出特征Q；将中间特征Y进行划分并进行深度卷积，映射得到特征K和特征V；具体过程为：K′,V′＝SplitY+LRYK＝ReLUConvK′V＝ReLUConvV′其中SplitY+LRY表示将Y+LRY沿特征图的宽度维度或高度维度进行划分，得到两个特征图K′、V′；LR·表示3×3的深度卷积；Conv表示1x1的卷积层，ReLU表示非线性激活函数；3、特征K经过平均池化层，得到经过平均池化层后的特征K；特征V经过平均池化层，得到经过平均池化层后的特征V；4、将特征Q、经过平均池化层后的特征K和经过平均池化层后的特征V使用多头注意力机制进行聚合，得到输出特征图其中B表示相对位置偏差矩阵，d表示每个注意头中的通道数，T表示求转置；3、将子特征图X2输入动态深度卷积模块IDConv，动态深度卷积模块IDConv输出特征图F；4、沿着通道维度将特征图Z和特征图F进行拼接，拼接后输入挤压令牌增强器STE，挤压令牌增强器STE输出特征；步骤三、训练集图片集合输入TransXNet网络进行训练，获得训练好的TransXNet网络；步骤四、采集高铁侧部图像，对高铁侧部图像进行目标截取，获得待测图像；将待测图像输入训练好的TransXNet网络，判断是否存在故障，若不存在，继续对待测图像进行检测；若存在，则需要进行报警。

全文数据：

权利要求：

百度查询： 哈尔滨市科佳通用机电股份有限公司 基于改进后TransXNet方法的高铁侧部异物检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD