基于卷积神经网络的防松铁丝断裂分类算法研究

防松铁丝用于防止螺栓松动,若其发生断裂可能导致螺栓松动或丢失,影响关键部件的正常运行,威胁动车组运行安全.由于防松铁丝发生断裂时,断裂部位特征信息少,特征区域较小,使基于传统卷积神经网络的分类方法难以有效提取到断裂特征信息,导致分类精度不高,容易漏判误判.基于以上原因,利用深度学习方法,建立基于卷积神经网络的孪生网络模型,通过距离度量学习对防松铁丝进行分类.同时,为进一步提高模型分类性能,提出一种双边界损失函数.实验表明,基于双边界损失函数的模型较传统的基于交叉熵损失函数的分类模型性能更优.通过测试,使用的方法能够较好地克服光照、油渍、水渍、部件移动等带来的伪异常,鲁棒性更强.