本发明涉及图像识别技术领域，特别是一种接触网悬挂部件快速定位方法。
背景技术：
当前接触网悬挂多部件定位主要存在如下的缺点：(1)定位精度低，通过图像识别定位部件传统采用特征提取+svm分类器算法，其中特征提取采用人工设定的特征，图像背景复杂情况下，人工特征区分度不够高；随着样本的增加，svm分类能力下降，综合影响定位精度；(2)定位时间太长，随着样本的增加，svm中支持向量的个数也在增加，导致定位时间加长；(3)一个定位模型不能较好的同时定位多个目标，理论上，一个部件比如绝缘子和线夹，形状差别很大，要想精度高的定位到两个目标，需要训练两种定位模型，如果定位20个以上，需要更多模型，不能做到有效的同时定位。
技术实现要素：
为解决上述问题，本发明提供了一种接触网悬挂部件快速定位方法，包括如下步骤：
步骤一：预先设定适用于接触网悬挂部件的卷积神经网络模型；
步骤二：把预先做好的样本图像送入卷积神经网网络进行训练，得到权值文件，所述权值文件是权值矩阵与偏置向量的取值文件；
步骤三：输入待识别的图像，并解码为原始灰度图像；
步骤四：加载卷积神经网络模型，利用卷积神经网络结构提取输入图像的图像特征；
步骤五：加载神经网网络的权值文件和配置文件；
步骤六：将输入图像划分成n*n的网格，把目标在全图的真实矩形框的中心转换为对应n*n的格子位置中心；所述n为整数；
步骤七：对于每个n*n网格，随机取两个长宽比固定的矩形框，所述两个矩形框位置位于网格内,且具有一定的重叠区域；
步骤八：判断步骤七中两个矩形框内的物体类别和置信度，如果满足预先设定的阈值，认为两个矩形框为定位目标，如果两个目标为同一个类别，合并矩形框，并确定矩形框的位置和类别信息。
进一步的，权值矩阵与偏置向量取值介于0-1之间。
进一步的，步骤三中，图像格式为jpg格式。
进一步的，步骤三中，图像输入尺寸为512*512或者256*256或者600*600。
进一步的，步骤六、步骤七中，n为7。
进一步的，步骤二中，抽样层计算时，抽样核为3*3。
本发明的有益效果为：
(1)同时定位的目标种类多，最多可以同时定位1000种目标。
(2)效率高。采用一个模型，一张图像的所有零部件都能定位，且定位速度快，定位一张6600*2900图像目标，在gpu硬件下，只需要10毫秒。
(3)对环境要求低，支持晚上和白天应用场景。
(4)支持面阵和线阵图像格式。
附图说明
图1为本发明流程图。
具体实施方式
如图1所示，本发明包括如下步骤：
步骤一：预先设定适用于接触网悬挂部件的卷积神经网络模型。
接触网悬挂部件属于铁路领域的电气部件，如绝缘子部件、绝缘子底座部件、支撑装置连接件。其特点在于零部件较小、零部件布局比较稀疏，图像成像为灰度图像，考虑这些特点，我们根据googlenet网络定制一个属于接触网悬挂部件的卷积神经网络模型。
步骤二：把预先做好的样本图像送入卷积神经网网络进行训练，得到权值文件。
所述样本图像应该涵盖所有接触网悬挂部件。
权值文件是权值矩阵与偏置向量的取值文件，权值矩阵与偏置向量初始值为0-1之间的随机值，经训练后得到稳定的、介于0-1之间的数。
本发明采用googlenet定制深度网络模型。
卷积神经网络(convolutionalneuralnetworks-简称cnn)一般由卷积层和抽样层交叉构成，卷积层用于提取图像特征；抽样层用于保持局部特征的稳定性,本发明采用cnn作为神经网络。
cnn一般包含卷积层和抽样层，其中卷积层指通过卷积核和上层输出做点积运算，卷积运算如下公式：
x2＝f(x1·w+b)；
其中x2为当前层神经网络的卷积输出，x1为上层的神经网络输出，w为权值矩阵，b为偏置向量；
w、b初始值为0-1之间的随机值，f为激活函数，一般为sigmoid函数，函数形式如下式
抽样层计算是指抽样核在图像区域内滑动时，计算滑动窗口内点最大值，本发明抽样核为3*3。采用此尺寸的抽样核能够防止太大丢失图像信息的问题。
步骤三：输入待识别的图像，并解码为原始灰度图像。
图像格式为jpg编码，图像输入尺寸可为512*512、256*256,600*600或者其他。经实验证明，优选为512*512。
步骤四：加载卷积神经网络模型，利用卷积神经网络结构提取输入图像的图像特征。
步骤五：加载神经网网络的权值文件和配置文件。
配置文件主要指网络模型的参数，包括网络的层数，网络由多少卷积层和抽样层构成等，配置文件手动构造。
步骤六：将输入图像划分成n*n的网格，把目标在全图的真实矩形框的中心转换为对应n*n的格子位置中心。
设目标x为中心，w为图片宽度，那么目标所在的n*n格子的序号可标记为：index_x＝x/(w/n)，x方向的偏移为x/(w/n)的余数。
本例中，n为7。
步骤七：对于每个n*n网格，随机取两个长宽比固定的矩形框，所述两个矩形框位置位于网格内,且具有一定的重叠区域。
步骤八：判断步骤八中两个矩形框内的物体类别和置信度，如果满足预先设定的阈值，认为两个矩形框为定位目标，如果两个目标为同一个类别，合并矩形框，并确定矩形框的位置和类别信息。
如图中，右下角网格中两个矩形框内的物体类别识别出来，都是绝缘子，则合并这两个矩形框，将该网格所处位置的物体标记为绝缘子。