基于多尺度掩码特征自编码器的城轨车底异常检测方法技术

本发明专利技术公开了一种基于多尺度掩码特征自编码器的城轨车底异常检测方法，涉及轨道交通技术领域，所述方法包括基于车底监测数据构建训练集，所述训练集包括大规模无标签训练集和少量有标签训练集；构建多尺度掩码特征自编码器，利用所述无标签训练集对所述多尺度掩码特征自编码器进行重建图像的自监督训练，得到模型参数；将获取的多尺度掩码特征自编码器中编码器部分的模型参数和相应的网络结构作为骨架网络嵌入到下游车底异常检测任务的网络结构中，并利用少量有标签训练集对模型参数进行有监督的微调训练，得到车底异常识别模型。本发明专利技术可以有效地解决现有技术中数据标注困难、元数据信息利用率低、正负样本不均匀以及受光学成像环境干扰等问题。学成像环境干扰等问题。学成像环境干扰等问题。

【技术实现步骤摘要】
基于多尺度掩码特征自编码器的城轨车底异常检测方法


[0001]本专利技术涉及列车检测
，具体涉及一种基于多尺度掩码特征自编码器的城轨车底异常检测方法。

技术介绍

[0002]随着城轨列车的里程数越来越多，城轨列车的运行速度越来越快，为了保障安全运行，车体的检修频率也随之越来越高。为了维持城轨列车有效的、高速的运行，需要及时检测出城轨列车车底的潜在安全风险，提高检修频率。通常城城轨列车车底异常的检测项目包括关键零部件(轴箱盖，减震器固定装置，空气弹簧)的零件丢失、损伤、异物附着等。
[0003]目前对于城轨列车车底关键部位缺陷异常检测的研究主要集中在以下三方面：
[0004]第一，模版匹配方面，Zhang等使用基于轮廓的模板匹配算法检测列车零部件的松动、丢失故障，通过对特定位置的图片与标准模板库比对，根据差异对样本进行归类。该方法灵活性较强，针对像素相似度较高的图片效果良好。Lu等通过目标的外接矩形和轮廓的形状述子进行模板匹配实现截断塞门手把的缺陷检测，实验结果显示形状述子匹配比灰度模板匹配在时间和精度上表现更好。但是采用模板匹配算法易受到光照、成像视角等因素的影响，并且在目标存在形变的条件下失效严重，鲁棒性较差，难以在实际列车检测系统中大规模应用。
[0005]第二，传统机器学习方面，Zhou等在对列车中闸瓦插销的故障检测中，通过梯度编码直方图(GradientEncodingHistogram,GEH)特征和支持向量机(SupportVectorMachine,SVM)算法定位部件位置，利用支持向量机判别故障状态，实现了99.2％的准确率和5fps/s的图片处理速度；Qin等利用支持向量机实现了列车弯角旋塞中手柄缺失故障的自动化检测，达到了良好的实时性和较高的检测精度。然而二者采用传统机器学习算法进行特征提取的手段需要结合具体场景手动设计，对于目标物体的定位效率低，还依赖于传统方法，如灰度投影、轮廓检测以及滑动窗口穷举等，该类方法往往只适用于螺栓、挡键等标示性较强的特定部件，准确性仍难以满足现实需求。
[0006]第三，深度学习方面，Sun等采用卷积神经网络由粗到精的定位到列车侧框架键和轴螺栓区域，再训练多分类模型识别其中与丢失松动相关的四种典型故障，在低质量的成像条件下达到了较高识别能力和良好鲁棒性。Zhou等结合传统方法与深度学习方法，并应用在列车零部件故障检测中，通过传统方法定位螺栓区域，再利用结合自编码(StackedAuto
‑
Encoder,SAE)的卷积神经网络识别螺栓的状态，最终在中板螺栓中对故障图片实现了较高的检测准确率。以上可知基于深度学习的缺陷检测方法具有更强的鲁棒性，可应对更复杂的现场环境、成像条件，和天气情况等。其针对螺栓、闸片、档键等细微故障具有更好的检测性能，在复杂条件下能够对待检测目标实现高精度定位。但受制于样本的获取，特别在故障判别时由于负样本的缺失，训练模型容易出现过拟合，且检测时间相对来说也会更长。
[0007]综上所述，现有技术对于轨道列车关键部件缺陷异常检测虽然能够通过模版匹
配、机器学习、常规深度学习等方法进行，但由于成像环境的复杂多变，镜头光学畸变、背景复杂等诸多因素的影响，同时存在缺陷未知、精确缺陷标注少、标注样本成本高昂、受制于正负样本不均横、缺陷的无规则性、缺陷形状与尺度变化范围较大等问题，缺陷异常检测的准确性、可靠性、稳定性在工业落地中大批量应用仍不太理想。

技术实现思路

[0008]针对现有技术中的缺陷，本专利技术提供了一种基于多尺度掩码特征自编码器的城轨车底异常检测方法。
[0009]本专利技术的技术方案为：一种基于多尺度掩码特征自编码器的城轨车底异常检测方法，包括：
[0010]基于车底监测数据构建训练集，所述训练集包括大规模无标签训练集和少量有标签训练集，所述车底监测数据包括点云数据、图像数据；
[0011]构建多尺度掩码特征自编码器，利用所述无标签训练集对所述多尺度掩码特征自编码器进行重建图像的自监督训练，得到模型参数；
[0012]将获取的多尺度掩码特征自编码器中编码器部分的模型参数和相应的网络结构作为骨架网络嵌入到下游车底异常检测任务的网络结构中，并利用少量有标签训练集对模型参数进行有监督的微调训练，得到车底异常识别模型。
[0013]优选的，基于车底监测数据构建训练集包括：
[0014]分别对所述点云数据和所述图像数据进行预处理；
[0015]将预处理后的点云数据和图像数据进行关联，得到关联数据；
[0016]将关联数据中的点云数据和图像数据进行加权融合，得到多模态融合矩阵。
[0017]优选的，对所述点云数据的预处理包括滤波、配准、重采样，对所述图像数据的预处理包括双边滤波、直方图均衡化。
[0018]优选的，利用所述无标签训练集对所述多尺度掩码特征自编码器进行自监督的重建图像训练时，以最小化掩码特征图和重建图像缩放余弦误差为重建准则。
[0019]优选的，利用所述无标签训练集对所述多尺度掩码特征自编码器进行自监督的重建图像训练包括：
[0020]使用反向传播更新所述多尺度掩码特征自编码器的模型参数；
[0021]在每一次反向传播后使用动量更新机制对所述多尺度掩码特征自编码器中编码器的模型参数进行更新。
[0022]优选的，所述多尺度掩码特征自编码器中的编码器包括多尺度掩码特征提取模块和掩码特征融合模块。
[0023]优选的，所述多尺度掩码特征提取模块包括第一特征提取阶段、第二特征提取阶段、第三特征提取阶段；
[0024]所述第一特征提取阶段包括patch embeding模块、Masked Convolutional Block模块，用于获取第一尺度掩码特征；所述第二特征提取阶段包括patch embeding模块、Masked Convolutional Block模块，用于获取第二尺度掩码特征；所述第三特征提取阶段包括patch embeding模块、Transformer模块，用于获取第三尺度掩码特征；
[0025]所述第一特征提取阶段与所述第二特征提取阶段之间设置有下采样层，所述第二
特征提取阶段与第三特征提取阶段之间设置有下采样层。
[0026]优选的，所述掩码特征融合模块用于分别对所述第一尺度掩码特征和所述第二尺度掩码特征进行下采样，将下采样之后的第一尺度掩码特征、第二尺度掩码特征与第三尺度掩码特征进行融合，得到融合特征图。
[0027]优选的，分别对所述第一尺度掩码特征和所述第二尺度掩码特征进行下采样包括：对所述第一尺度掩码特征进行stride＝2的下采样，对所述第二尺度掩码特征进行stride＝4的下采样。
[0028]优选的，所述多尺度掩码特征自编码器的损失函数为：
[0029]L＝L
recon
+L
cos
+λ1L
feat
+λ2L
fusion本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度掩码特征自编码器的城轨车底异常检测方法，其特征在于，包括：基于车底监测数据构建训练集，所述训练集包括大规模无标签训练集和少量有标签训练集，所述车底监测数据包括点云数据、图像数据；构建多尺度掩码特征自编码器，利用所述无标签训练集对所述多尺度掩码特征自编码器进行重建图像的自监督训练，得到模型参数；将获取的多尺度掩码特征自编码器中编码器部分的模型参数和相应的网络结构作为骨架网络嵌入到下游车底异常检测任务的网络结构中，并利用少量有标签训练集对模型参数进行有监督的微调训练，得到车底异常识别模型。2.根据权利要求1所述的基于多尺度掩码特征自编码器的城轨车底异常检测方法，其特征在于，基于车底监测数据构建训练集包括：分别对所述点云数据和所述图像数据进行预处理；将预处理后的点云数据和图像数据进行关联，得到关联数据；将所述关联数据中的点云数据和图像数据进行加权融合，得到多模态融合矩阵。3.根据权利要求2所述的基于多尺度掩码特征自编码器的城轨车底异常检测方法，其特征在于，对所述点云数据的预处理包括滤波、配准、重采样，对所述图像数据的预处理包括双边滤波、直方图均衡化。4.根据权利要求3所述的基于多尺度掩码特征自编码器的城轨车底异常检测方法，其特征在于，利用所述无标签训练集对所述多尺度掩码特征自编码器进行重建图像的自检度训练时，以最小化掩码特征图和重建图像缩放余弦误差为重建准则。5.根据权利要求3所述的基于多尺度掩码特征自编码器的城轨车底异常检测方法，其特征在于，利用所述无标签训练集对所述多尺度掩码特征自编码器进行自监督的重建图像训练包括：使用反向传播更新所述多尺度掩码特征自编码器的模型参数；在每一次反向传播后使用动量更新机制对所述多尺度掩码特征自编码器中编码器的模型参数进行更新。6.根据权利要求1所述的基于多尺度掩码特征自编码器的城轨车底异常检测方法，其特征在于，所述多尺度掩码特征自编码器中的编码器包括多尺度掩码特征提取模块和掩码特征融合模块。7.根据权利要求6所述的基于多尺度掩码特征自编码器的城轨车底异常检测方法，其特征在于，所述多尺度掩码特征提取模块包括第一特征提取阶段、第二特征提取阶段、第三特征提取阶段；所述第一特征提取阶段包括patch embeding模块、Masked Convolutional Block模块，用...

【专利技术属性】
技术研发人员：王红军，陈云，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：