一种用于铁路接触网螺栓异常状态的检测方法及系统技术方案

本发明专利技术实施例提供一种用于铁路接触网螺栓异常状态的检测方法及系统。该方法包括：获取待检测铁路接触网螺栓图像；基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。本发明专利技术实施例基于非监督学习的算法，解决现有检测算法泛化性差、异常类别定义困难、对于未见过的异常样本准确性大幅降低的问题，且非监督学习算法不需要对异常种类进行详细的定义，大幅降低数据标注量，并降低检测人员工作强度。

【技术实现步骤摘要】
一种用于铁路接触网螺栓异常状态的检测方法及系统
本专利技术涉及铁路检测
，尤其涉及一种用于铁路接触网螺栓异常状态的检测方法及系统。
技术介绍
在日常铁路接触网维护中，存在大量铁路接触网图像异常检测任务，其中由于螺栓为典型小尺寸部件，数量及型号众多，出现状态异常概率较高而实际可采集到的异常样本相对较少，使得螺栓状态异常检测任务难度最高。高铁为典型的复杂系统，螺栓由于其功能特点，广泛应用于铁路接触网设备中，其异常状态的检测对维护高铁正常运行意义重大。目前接触网螺栓状态异常检测任务主要依赖专业人员进行图像筛查，人工分析方法检测效率低、检测持续性差、判断充满主观性等缺点严重影响了螺栓异常状态分析任务，亟需研发自动检测算法辅助人工进行螺栓异常状态识别。目前铁路图像异常检测方法主要基于监督型学习方法，主要思路为基于深度学习方法训练神经网络实现螺栓状态的二分类或多分类。该类方法取得一定进展，但需要定义螺栓异常类别并需进行大量标注工作。而基于监督学习的方法存在以下缺陷：1、基于监督型方法的螺栓异常状态检测，需要对数据进行准确且细分的类别标注，在现实场景中难以确定全部异常类别；2、当数据在各类别中比例差异较大时，会造成数据差异性问题；3、基于深度学习的目标检测、分类方法进行图像检测，适用于异常类别间差异明显的情形，当差异较小时会导致部分差异类别检测效果不佳的问题；4.基于监督学习的异常检测方法需要进行大量标注工作，迁移到新任务时会造成大量人力物力成本。
技术实现思路
<br>本专利技术实施例提供一种用于铁路接触网螺栓异常状态的检测方法及系统，用以解决现有技术中采用监督学习的算法进行螺栓异常检测需要依赖大量的标注类别样本，当异常差异较小时容易导致检测效果不佳的问题。第一方面，本专利技术实施例提供一种用于铁路接触网螺栓异常状态的检测方法，包括：获取待检测铁路接触网螺栓图像；基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。优选地，所述图像生成模型，通过以下步骤获得：获取生成器和判别器；所述生成器用于从随机噪声中提取生成图像，所述判别器用于判断所述生成图像与原始图像的误差；对所述生成器和所述判别器进行迭代优化，完成正常图像样本从隐空间到图像空间的训练学习；训练完成后将所述生成器和所述判别器设置预设固定参数，得到所述图像生成模型。优选地，所述生成器为自动编码器的解码器结构，所述判别器为所述自动编码器的整体。优选地，所述多重空间映射模型，通过以下步骤获得：获取第一编码器、第二编码器和所述生成器；输入所述正常图像样本，通过所述第一编码器完成由所述图像空间到所述隐空间的映射；通过所述生成器完成所述隐空间到生成图像空间的映射；通过所述第二编码器完成所述生成图像空到再编码隐空间的映射，得到所述多重空间映射模型；优选地，所述第一编码器和所述第二编码器包括相同结构的卷积编码器。优选地，所述多重空间映射模型包括整体损失函数，所述整体损失函数包括图像误差、向量误差、判别器特征误差和语义感知误差。优选地，所述基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果，具体包括：输入所述待检测铁路接触网螺栓图像；通过所述图像生成模型和所述多重空间映射模型，得到所述待检测铁路接触网螺栓图像对应的异常分数；所述异常分数大于正常图像样本对应的正常阈值，得到所述铁路接触网螺栓异常状态检测结果。第二方面，本专利技术实施例提供一种用于接触网铁路螺栓异常状态的检测系统，包括：获取模块，用于获取待检测铁路接触网螺栓图像；检测模块，用于基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述用于铁路接触网螺栓异常状态的检测方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述用于铁路接触网螺栓异常状态的检测方法的步骤。本专利技术实施例提供的用于铁路螺栓异常状态的检测方法及系统，通过基于非监督学习的算法，解决现有检测算法泛化性差、异常类别定义困难、对于未见过的异常样本准确性大幅降低的问题，且非监督学习算法不需要对异常种类进行详细的定义，大幅降低数据标注量，并降低检测人员工作强度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种用于铁路接触网螺栓异常状态的检测方法流程图；图2为本专利技术实施例提供的异常监测模型训练流程图；图3为本专利技术实施例提供的一种用于铁路接触网螺栓异常状态的检测系统结构图；图4为本专利技术实施例提供的电子设备的结构框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。针对高铁接触网图像螺栓异常状态检测任务，为了解决直接运用监督型学习方法需要大量数据标注且难以解决实际应用中异常种类多样的难题，本专利技术实施例提出满足实际异常检测工作准确度的螺栓状态异常自动检测算法，大幅降低一线工作人员强度。图1为本专利技术实施例提供的一种用于铁路接触网螺栓异常状态的检测方法流程图，如图1所示，包括：S1，获取待检测铁路接触网螺栓图像；S2，基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。具体地，在获取待检测的铁路螺栓图像后，该异常检测算法包含三个部分：1)图像生成模型(generativeadversarialnetwork,简称GAN)训练，2)多重空间映射模型(multi-mappingmodel，简称MMmodel)训练及3)异常图像检测分析三个阶段。其中，基于正常图像样本进行GAN的训练，使其能够学习正常图像样本分布以及从隐空间向量到图像空间图像的映射关系，实现对正常图像样本的高清图像生成。MMmodel学习正常图像在图像空间及隐空间的多次本文档来自技高网...

【技术保护点】
1.一种用于铁路接触网螺栓异常状态的检测方法，其特征在于，包括：/n获取待检测铁路接触网螺栓图像；/n基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。/n

【技术特征摘要】
1.一种用于铁路接触网螺栓异常状态的检测方法，其特征在于，包括：
获取待检测铁路接触网螺栓图像；
基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。


2.根据权利要求1所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述图像生成模型，通过以下步骤获得：
获取生成器和判别器；
所述生成器用于从随机噪声中提取生成图像，所述判别器用于判断所述生成图像与原始图像的误差；
对所述生成器和所述判别器进行迭代优化，完成正常图像样本从隐空间到图像空间的训练学习；
训练完成后将所述生成器和所述判别器设置预设固定参数，得到所述图像生成模型。


3.根据权利要求或2所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述生成器为自动编码器的解码器结构，所述判别器为所述自动编码器的整体。


4.根据权利要求3所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述多重空间映射模型，通过以下步骤获得：
获取第一编码器、第二编码器和所述生成器；
输入所述正常图像样本，通过所述第一编码器完成由所述图像空间到所述隐空间的映射；
通过所述生成器完成所述隐空间到生成图像空间的映射；
通过所述第二编码器完成所述生成图像空到再编码隐空间的映射，得到所述多重空间映射模型。


5.根据权利要求4所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述第一编码器和所述第二编码器包括相同结...

【专利技术属性】
技术研发人员：赵冰，王同军，李平，朱建生，代明睿，马志强，马小宁，徐贵红，杨连报，程智博，吴艳华，曹鸿飞，薛蕊，
申请(专利权)人：中国铁道科学研究院集团有限公司，中国铁道科学研究院集团有限公司电子计算技术研究所，
类型：发明
国别省市：北京;11