一种用于高铁检修的监测方法以及装置制造方法及图纸

本申请实施例提供了一种用于高铁检修的监测方法以及装置，该方法包括：获取采集高铁目标位置的目标图像；基于目标图像利用深度卷积神经网络从样本图像中提取特征图；将特征图输入到目标检测模型中，确定目标图像是否存在异常，其中，目标检测模型是基于未出现异常的样本图像进行训练，直至样本图像的分布拟合到标准正态分布当中，结束检测模型训练，得到目标检测模型，基于深度学习的无监督异常检测的方法，只需要提供正常的数据进行训练，利用训练好的无监督学习的归一化流异常检测模型，即可得到异常物体在高铁检修图像上的位置，以解决传统的高铁检修中由于异常数据获取困难，导致训练的高铁检修模型识别异常准确性较低的技术问题。技术问题。技术问题。

【技术实现步骤摘要】
一种用于高铁检修的监测方法以及装置


[0001]本申请涉及计算机视觉
，尤其涉及一种用于高铁检修的监测方法以及装置。

技术介绍

[0002]近年来，人工智能在全球范围内迅速落地应用，广泛地应用到了我们生活的方方面面。深度学习的异常检测技术：主要用于检测异常物体在2D图片上的位置，深度学习无监督学习方法如PatchCore，PaDiM，DifferNet等。深度学习监督学习目标检测方法如Faster R
‑
CNN，Yolo v5，DETR等。
[0003]现有的高铁检修大部分依赖于人工对高铁是否存在异常的物体进行异常检测；一些基于深度学习的监督学习的检测方法依赖实际场景人工模拟异常，并且需要对采集的异常数据进行人工标注，然后使用监督学习的目标检测方法进行异常检测。
[0004]因此，传统的采用现有技术中的人工检修方式，通过人工在高铁下方进行作业，存在如下缺陷：1.环境恶劣，长时间检修工作对检修人员可能造成一定伤害；2.目前大部分检修仍完全依靠人工检查，成本高，效率低；3.人工检修速度慢，人力资源有限，可能出现误检漏检情况，造成重大的事故和经济损失。
[0005]采用基于深度学习的监督学习的检修方式，存在如下缺陷：1.需要人工模拟异常制作数据集，且需要人工对采集数据进行标注，标注人员需要一定的检修知识，人力资源有限，无法制作很多的数据供模型进行监督学习，而少量数据集极容易造成模型的过拟合；2.无法模拟出全部的异常物体类型，监督学习下的深度学习模型对于训练集内不存在的物体类别通常不会有很好的泛化能力，可能存在实际出现，但是由于原数据集中不存在该类异常物体，从而导致无法成功检测的情况，可能因此造成高铁运行的重大事故，是本领域技术人员急需要解决的技术问题。
[0006]在
技术介绍
中公开的上述信息仅用于加强对本申请的背景的理解，因此其可能包含没有形成为本领域普通技术人员所知晓的现有技术的信息。

技术实现思路

[0007]本申请实施例提供了一种用于高铁检修的监测方法以及装置，以解决传统的高铁检修中由于异常数据获取困难，导致训练的高铁检修模型识别异常准确性较低的技术问题。
[0008]根据本申请实施例的第一个方面，提供了一种用于高铁检修的监测方法，包括：获取采集高铁目标位置的目标图像；基于所述目标图像利用深度卷积神经网络从所述样本图像中提取特征图；将所述特征图输入到目标检测模型中，确定所述目标图像是否存在异常，其中，所述目标检测模型是基于未出现异常的样本图像进行训练，直至所述样本图像的分布拟合到标准正态分布当中，结束所述检测模型训练，得到所述目标检测模型。
[0009]根据本申请实施例的第二个方面，提供了一种用于高铁检修的监测装置，包括：获
取单元，用于获取采集高铁目标位置的目标图像；提取单元，用于基于所述目标图像利用深度卷积神经网络从所述样本图像中提取特征图；第一确定单元，用于将所述特征图输入到目标检测模型中，确定所述目标图像是否存在异常，其中，所述目标检测模型是基于未出现异常的样本图像进行训练，直至所述样本图像的分布拟合到标准正态分布当中，结束所述检测模型训练，得到所述目标检测模型。
[0010]本申请实施例由于采用以上技术方案，具有以下技术效果：基于深度学习的无监督异常检测的方法，只需要提供正常的数据进行训练，利用训练好的无监督学习的归一化流异常检测模型，即可得到异常物体在高铁检修图像上的位置。
附图说明
[0011]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0012]图1是根据本专利技术实施例的一种可选的用于高铁检修的监测方法的流程图；
[0013]图2是根据本专利技术实施例的一种可选的基于流模型的高铁检修无监督异常检测方法的结构框图；
[0014]图3是根据本专利技术实施例的一种特征提取模块结构示意图；
[0015]图4是根据本专利技术实施例的一种可选的归一化流模型示意图；
[0016]图5是根据本专利技术实施例的一种可选的归一化流模型的结构图；
[0017]图6是根据本专利技术实施例的一种可选的点集合示意图；
[0018]图7是根据本专利技术实施例的一种可选的用于高铁检修的监测装置图。
具体实施方式
[0019]为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0020]在本实施例中还提供了一种用于高铁检修的监测方法，图1是根据本专利技术实施例的用于高铁检修的监测方法的流程图，如图1所示，该用于高铁检修的监测方法流程包括如下步骤：
[0021]步骤S102，获取采集高铁目标位置的目标图像。
[0022]步骤S104，基于所述目标图像利用深度卷积神经网络从所述样本图像中提取特征图。
[0023]步骤S106，将所述特征图输入到目标检测模型中，确定所述目标图像是否存在异常，其中，所述目标检测模型是基于未出现异常的样本图像进行训练，直至所述样本图像的分布拟合到标准正态分布当中，结束所述检测模型训练，得到所述目标检测模型。
[0024]在本实施例中，上述目标位置是监测该位置是否包括异常物体的位置，可以包括但不限于高铁车底的位置。
[0025]其中，上述目标检测模型可以包括但不限于无监督学习异常检测流模型。该模型使用一维归一化流模型进行异常检测。归一化流模型的作用机制为只对正常数据进行训
练，可以将正常图像的分布拟合到标准正态分布当中；测试时，对于图像中异常的区域，则会被模型拟合到另一个分布，然后需要设置一个经验阈值，可以将正常与异常区域分开。
[0026]对于流模型，我们假设输入的特征图为z，设z服从标准正态分布z～P
z
(z)，P
z
(z)～N(0，I)，经过如下图所示的流模型之后，可以得到与输入特征图大小相同的x，x服从x～P
x
(x)分布，
[0027]设x＝f(z)，z＝f
‑1(z)，f(x)＝zi(zi
‑
1)在流模型中必须为连续且可逆的函数变换，那么对于x和z的分布P
z
(z)和P
x
(x)，则有如下的关系：
[0028][0029][0030]其中，det()为求高纬雅克比矩阵的行列式。分布P
z
(z)和P
x
(x)之间为线性映射。
[0031]无监督学习异常检测流模型模块中，3个不同大小的特征图对应不同的流模型。
[0032]通过本申请提供的实施例，获取采集高铁目标位置的目标图像；基于目标图像利用深度卷积神经网络从样本图像中提取特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于高铁检修的监测方法，其特征在于，包括：获取采集高铁目标位置的目标图像；基于所述目标图像利用深度卷积神经网络从所述样本图像中提取特征图；将所述特征图输入到目标检测模型中，确定所述目标图像是否存在异常，其中，所述目标检测模型是基于未出现异常的样本图像进行训练，直至所述样本图像的分布拟合到标准正态分布当中，结束所述检测模型训练，得到所述目标检测模型。2.根据权利要求1所述的方法，其特征在于，所述将所述特征图输入到目标检测模型中，确定所述目标图像是否存在异常，包括：将所述特征图进行扁平化处理，得到所述特征图的块集合，其中，所述块集合中的每个块对应所述特征图的一块区域；通过第一位置编码模型对所述块集合中的每块进行编码；将编码后的每个块输入一维归一化流模型中进行概率密度分布估计，其中，所述分布估计包括第一部分被映射到标准正态分布中，第二部分会被映射到非标准正态分布；在所述分布估计仅包括所述第一部分的情况下，所述目标图像中未出现异常。3.根据权利要求2所述的方法，其特征在于，所述将所述特征图输入到目标检测模型中，确定所述目标图像是否存在异常，包括：在所述分布估计包括所述第二部分的情况下，所述目标图像中出现异常。4.根据权利要求2所述的方法，其特征在于，所述将编码后的每个块输入一维流模型中进行概率密度分布估计之后，所述方法还包括：根据第二位置编码模型解码所述块集合；线性插值到特征提取之前的所述样本图像的大小；在所述目标图像中存在异常区域的情况下，所述异常区域对应样本图像的区域会与所述标准正态分布不同。5.根据权利要求2所述的方法，其特征在于，所述将编码后的每个块输入一维流模型中进行概率密度分布估计之后，所述方法还包括：在所述样本图像中出现异常的情况下，将编码后的每个块输入所述一维归一化流模型中，得到多个不同尺寸下的异常检测得分图，其中，所述得分图与所述样本图像大小一致，对应图像每一个像素位置；根据预设阈值确定异常区域的像素点集合。6.根据权利要求5所述的方法，其特征在于，所述根据预设阈值得到异常区域的像素点的集合之后，所述方法还包括：将所述像素点集合中异常点根据相邻连接关系分为不同大小的点集；在去除少量离群点集之后，根据剩余的点集确定所述异常区域。7.一种用于高铁检修的监测装置，其特征在于，包括：获取单元，用于获取采集高铁目标位置的目标图像；提取单元，用于基于所述目标图像利用深度卷积神经网络从所述样本图像中提取特征图；第一确定单元，用于将所述特征图输入到目标检测模型中，确定所述目标图像是...

【专利技术属性】
技术研发人员：周星宇，林昌伟，刘泽农，冯子勇，周瑞，赵勇，
申请(专利权)人：北京格灵深瞳信息技术股份有限公司，
类型：发明
国别省市：