本发明专利技术公开了一种基于无监督学习的路面异常检测方法及系统，该方法包括以下步骤：构建特征提取模型、构建路面正常训练样本集、构建路面异常检测模型集、获取路面检测样本集，通过所述路面检测样本集与所述路面异常检测模型集之间的距离，获取检测图像集中每一张图像的检测距离；通过每一张图像的检测距离与异常阈值之间的关系，得到路面的异常检测结果。本发明专利技术采用基于无监督学习的路面异常检测方法及系统，图像样本是随机选取的，整个道路检测的过程减少了人工标注的过程，检测效率更高；利用卷积神经网络模型的多层中间特征分别构建路面异常检测模型，采用多个模型多次判断，提高路面异常判断精度，在异常种类多、异常样本稀少的情形下，依然能够保证轨道路面异常检测系统的鲁棒性。检测系统的鲁棒性。检测系统的鲁棒性。
【技术实现步骤摘要】
一种基于无监督学习的路面异常检测方法及系统
[0001]本专利技术涉轨道、路面异常检测领域，特别涉及一种基于无监督学习的路面异常检测方法及系统。
技术介绍
[0002]对于路面的异常涉及很多方面，如行人、障碍物、地面凹陷、轨道偏移、地面裂缝等，路面异常除了多样并且不断变化，针对路面异常检测还面临以下问题：
[0003]1)由于大部分情况数据是没有标签的，各种成熟的监督学习是没有办法应用；
[0004]2)当多种不同的异常情况结合在一起时，区分异常类型比较难；
[0005]3)即使有路面异常数据，即在有标签的情况下用监督学习，也存在很大的不确定性。用这种历史数据学出的模型只能检测当时存在以及比较相似的路面异常情况，而对于不同的异常和从未见过的异常情况，模型预测效果一般比较差。
[0006]因此，针对复杂的路面异常情况不能至少单独依靠一个监督学习模型来检测到所有的异常情况。没有历史标签和对异常情况的分析解，无法做出对路面异常情况细分的模型。
[0007]为了能够减少对数据及其标注的依赖，同时充分利用各类路面正常环境图像容易获取的特点，本专利技术提出了一种基于无监督学习的路面异常检测方法及系统，用于分析异常类型多、异常类型样本少的条件下的路面异常情况。
技术实现思路
[0008]本专利技术的目的在于提供一种基于无监督学习的路面异常检测方法及系统，用于分析异常类型多、异常类型样本少的条件下的路面异常情况。
[0009]第一方面，本专利技术提供了一种基于无监督学习的路面异常检测方法，包括：
[0010]S1：构建特征提取模型，所述特征提取模型用于提取图像的特征，设置所述特征提取模型用于提取图像特征的中间层；
[0011]S2：构建路面正常训练样本集，将路面正常图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面正常训练样本集；
[0012]S3：构建路面异常检测模型集、获得异常阈值，通过对所述路面正常训练样本集的无监督学习获得路面异常检测模型集，通过所述路面正常训练样本集与所述路面异常检测模型集之间的距离，获取所述异常阈值；
[0013]S4：获取路面检测样本集，将检测图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面检测样本集；
[0014]S5：通过所述路面检测样本集与所述路面异常检测模型集之间的距离，获取检测图像集中每一张图像的检测距离；
[0015]S6：路面异常检测结果判断，通过所述检测图像集中每一张图像的检测距离与异常阈值之间的关系，得到每一张检测图像的检测结果：
[0016]所述检测距离小于等于异常阈值，输出路面正常；
[0017]所述检测距离大于异常阈值，输出路面异常。
[0018]进一步地，所述用于提取图像特征的中间层至少为两层。
[0019]进一步地，所述构建特征提取模型的数据集是指非路面场景的数据集，包括ImageNet数据集或coco数据集，所述非路面场景为没有待检测路面出现的场景。
[0020]进一步地，所述特征提取模型包括卷积神经网络模型或者递归神经网络模型。
[0021]进一步地，所述构建特征提取模型的步骤为：
[0022]S101：构建一个神经网络结构；
[0023]S102：选择ImageNet数据集；
[0024]S103：设定特征提取模型学习的类型为分类任务，并且设定损失函数为交叉熵；
[0025]S104：在所述ImageNet数据集上采用反向传播的方法训练所述的特征模型，得到所述特征提取模型。
[0026]进一步地，所述构建路面正常训练样本集的步骤为：
[0027]S201：将路面正常图像集输入所述特征提取模型中，提取所述中间层的输出特征，得到路面正常特征矩阵集，所述路面正常特征矩阵集中特征矩阵的个数为所述中间层的个数乘以路面正常图像集中图像的数量，所述路面正常特征矩阵为路面正常图像的一个中间层输出的特征；
[0028]S202：将所述路面正常特征矩阵集中的每一个特征矩阵做最大池化操作，得到一维特征向量集；
[0029]S203：将所述一维特征向量集中的每个一维特征向量做二范数归一化处理，得到所述路面正常训练样本集。
[0030]进一步地，分别对所述路面正常训练样本集中每一个中间层对应的所有路面正常训练样本进行无监督学习获得路面异常检测模型集。
[0031]进一步地，所述的路面异常检测模型为马氏距离模型。
[0032]进一步地，所述异常阈值的计算步骤为：
[0033]步骤1：计算所述路面正常训练样本集中每一个中间层对应的所有路面正常训练样本与对应的路面异常检测模型的马氏距离集；
[0034]步骤2：在所述马氏距离集中提取每一张路面正常图像在每一个中间层对应的马氏距离，获得每一张路面正常图像的马氏距离集；
[0035]步骤3：将所述每一张路面正常图像的马氏距离集中所有距离加权求和得到每一张路面正常图像的马氏距离；
[0036]步骤4：根据所述每一张路面正常图像的马氏距离，取马氏距离最大值作为所述异常阈值。
[0037]进一步地，构建路面检测样本集的步骤为：
[0038]S401：将检测图像集输入所述特征提取模型中，提取所述中间层的输出特征，得到路面检测特征矩阵集，所述路面检测特征矩阵集中特征矩阵的个数为所述中间层的个数乘以检测图像集中图像的数量，所述路面检测特征矩阵为检测图像的一个中间层输出的特征；
[0039]S402：将所述路面检测特征矩阵集中的每一个特征矩阵做最大池化操作，得到一
维特征向量集；
[0040]S403将所述一维特征向量集中的每个一维特征向量做二范数归一化处理，得到所述路面检测样本集。
[0041]进一步地，所述每一张检测图像的检测距离的计算步骤为：
[0042]S501：计算所述路面检测样本集中每一个中间层对应的所有路面检测样本与对应的路面异常检测模型的距离集；
[0043]S502：在所述距离集中提取每一张检测图像在每一个中间层对应的距离，获得每一张检测图像的距离集；
[0044]S503：将所述每一张检测图像的距离集中所有距离加权求和得到每一张图像的检测距离。
[0045]第二方面，本专利技术提供一种基于无监督学习的路面异常检测系统，包括：
[0046]特征提取模型构建模块：用于获得所述特征提取模型，设置所述特征提取模型用于提取图像特征的中间层；
[0047]特征提取模块：用于正常图像集及检测图像集的特征提取，分别获得路面正常训练样本集及路面检测样本集；
[0048]获取路面正常训练样本集，将路面正常图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面正常训练样本集；
[0049]获取路面检测样本集，将检测图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面检测样本集；<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于无监督学习的路面异常检测方法，其特征在于，所述方法包括以下步骤：S1：构建特征提取模型，所述特征提取模型用于提取图像的特征，设置所述特征提取模型用于提取图像特征的中间层；S2：构建路面正常训练样本集，将路面正常图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面正常训练样本集；S3：构建路面异常检测模型集、获得异常阈值，通过对所述路面正常训练样本集的无监督学习获得路面异常检测模型集，通过所述路面正常训练样本集与所述路面异常检测模型集之间的距离，获取所述异常阈值；S4：获取路面检测样本集，将检测图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面检测样本集；S5：获取检测距离，通过所述路面检测样本集与所述路面异常检测模型集之间的距离，获取检测图像集中每一张图像的检测距离；S6：路面异常检测结果判断，通过所述检测图像集中每一张图像的检测距离与异常阈值之间的关系，得到每一张检测图像的检测结果。2.根据权利要求1所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述用于提取图像特征的中间层至少为两层。3.根据权利要求1所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述构建路面正常训练样本集的步骤为：S201：将路面正常图像集输入所述特征提取模型中，提取所述中间层的输出特征，得到路面正常特征矩阵集；S202：将所述路面正常特征矩阵集中的每一个特征矩阵做最大池化操作，得到一维特征向量集；S203：将所述一维特征向量集中的每个一维特征向量做二范数归一化处理，得到所述路面正常训练样本集。4.根据权利要求1所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述构建路面异常检测模型集的具体步骤为：分别对所述路面正常训练样本集中每一个中间层对应的所有路面正常训练样本进行无监督学习获得路面异常检测模型集。5.根据权利要求5所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述路面异常检测模型为马氏距离模型。6.根据权利要求5所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述异常阈值的计算步骤为：步骤1：计算所述路面正常训练样本集中每一个中间层对应的所有路面正常训练样本与对应的路面异常检测模型的马氏距离集；步骤2：在所述马氏距离集中提取每一张路面正常图像在每一个中间层对应的马氏距离，获得每一张路面正常图像的马氏距离集；步骤3：将所述每一张路面正常图像的马氏距离集...
【专利技术属性】
技术研发人员：李继凯，
申请(专利权)人：北京优创新港科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。