【技术实现步骤摘要】
本专利技术涉及基于图像识别的异常检测，具体涉及一种铁路货车异常检测方法及系统。
技术介绍
1、货车故障轨旁图像检测系统，它利用轨边安装的多组高速工业相机抓拍运行中的列车车辆，通过网络将抓拍到的图像传输到列检检测中心，由检车员通过tfds系统运用软件平台，人工浏览图片的方式进行故障分析与判断，极大地降低了检车员的工作强度，缩短了检车作业时间，将人为因素对检车作业质量的影响降到了最低，提升了检车效率和作业质量。
2、随着重载列车的开行密度和运能的提升，对列检作业时间、检修质量和安全保障能力提出了更高的要求，铁路机车车辆的增加及车辆运转率的提高，检修工作量激增，但是留给检修作业的时间越来越短。安全永远是第一位的，也是铁路高效运输秩序的基础。传统集中作业式的检修作业模式很难适应这种变化，面临着新的挑战。
3、近几年，深度学习领域不断涌现出新的方法，深度学习模型的性能得到显著提升，诸多模型在各自领域的发展速度惊人，并已在多种应用场景中取得了显著的成效。
4、基于深度学习的图像异常检测方法是一个热门的研究方向，在工业检测、医疗诊断、安全监控等方面具有广泛的应用。异常检测模型通过学习大量的正常图像数据，能够学习到图像的正常模式和结构，能够在检测过程中感知到异常图像和正常图像的差异区域，从而实现对异常图像的检测。
5、将先进的图像异常检测方法引入货车检修作业，由人工智能取代繁琐的简单的人工作业是社会发展的趋势。开展货车tfds图像智能识别技术的研究有利于人力成本投入的削减，能够减少人的主观性对检修
6、当前在基于深度学习的图像异常检测方法中，常用的图像异常检测方法包括基于自编码器(autoencoders)、生成对抗网络(gans)和基于流模型(flow)的方法。自编码器能够通过编码和解码过程学习到图像的低维表示，从而在重构阶段通过重构误差发现异常。生成对抗网络通过训练一个生成网络和一个判别网络，能够生成接近真实图像的数据，用以判别异常。流模型通过训练学习正常数据的分布，在测试阶段计算测试样本的似然概率，异常样本似然概率会显著低于正常样本，因此可以通过这一标准来检测异常。
7、上述的主流异常检测方法的核心思想都是利用深度学习模型来学习正常数据样本的分布或者特征，然后根据这些学到的特征来判断新的样本是否符合正常的分布，从而检测出异常。此类异常检测模式的好处是能采用无监督或者半监督的异常检测模型，降低构建异常样本集的难度。
8、在实际应用中，这些检测方法法往往需要结合具体的任务需求、数据集特性以及实际的环境条件来进行选择和调整。而在tfds实际应用中，故障样本的获取存在一定难度，甚至一些发生概率极低的故障是没有列检记录，无法从实际作业中获取到真实的故障发生图像。但多数tfds图像是正常的，便于我们构建无监督的tfds图像数据集来训练模型。因此，采用无监督和半监督的异常检测模型更符合tfds异常检测的应用场景。
9、自从tfds系统投入使用以来，关于故障智能识别的研究一直在进行中，但是受限于故障样本类型、自动识别方法和硬件计算能力的限制，其识别效果并不理想。目前，运用在tfds上的故障自动识别技术主要有两类：一是运用对故障特征进行描述和表征，建立单分类器实现tfds故障自动识别；二是通过建立图像库，运用自动对比技术实现车体异常报警技术。
10、然而，现有技术往往需要结合人工设计的特征提取方法才能奏效，这很大程度上限制了tfds故障自动识别在现实中的应用。另一方面，这些方法针对的是异常检测中的单分类问题，只能进行实例级别的异常检测，即判断一个样本整体是否属于异常，不能完成更细致的异常区域分割定位任务。除此之外，由于tfds故障的多样性和复杂性，某一故障识别性能良好的方法也无法简单地直接用于识别其他故障。这两种方案受限于自身的缺点限制，故障识准确率很难得到提升，不能够满足现场作业的实际需求。
11、除此之外，这些tfds自动识别方法大多针对某一个或某一类故障，即使对于同一故障，不同方法在识别准确率和鲁棒性也不尽相同。由于tfds故障的多样性和复杂性，某一故障识别性能良好的方法也无法简单地直接用于识别其他故障。而机器学习方法，针对每一种缺陷都需要建立含有大量图像的正、负样本库，这些样本对故障识别结果会产生直接影响，难以保证故障识别率。
12、因此从故障诊断的角度进行研究无法解决当前tfds系统自动检测中多种类故障同时检测的难点，需要采用图像异常检测的方法。针对当前tfds故障自动识别技术的这些不足，引入深度异常检测模型，提出一种基于无监督学习的铁路货车图像异常智能检测方法，实现对铁路货车图像智能识别。
技术实现思路
1、本专利技术的目的在于提供一种铁路货车异常检测方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
2、为了实现上述目的，本专利技术采取了如下技术方案：
3、第一方面，本专利技术提供一种铁路货车异常检测方法，包括：
4、获取铁路货车图像；
5、利用预先训练好的异常检测模型对获取的图像进行处理，得到异常检测结果；其中，所述异常检测模型包括重构网络、异常区域定位网络和故障诊断网络；所述重构网络，用于进行图像重构；所述异常区域定位网络，用于将重构的图片与原始图像进行对比，实现对异常区域的定位；所述故障诊断网络，用于对定位后的异常区域进行故障判别，得到铁路货车故障识别结果。
6、进一步的，所述异常区域定位网络中，将重构的图片与原始图像进行对比，获得重构图片的异常分数，再计算重构图和原图的差异，组合得到异常分数的热力图通过选定阈值，将异常分数高于阈值的区域进行定位。
7、进一步的，训练所述异常检测模型包括：收集不同通过时间不同车次的tfds图像，建立无监督tfds图像异常检测数据集，作为训练集；搭建基于无监督学习的异常检测模型，在建立的无监督tfds图像数据集上进行训练，利用大量未标注的数据中隐藏的信息和低维特征来推动模型的学习。
8、进一步的，通过对比重构图像与原始图像，计算重构图和原图之间的差异，生成异常分数的热力图，并通过选定阈值将异常分数高于阈值的区域进行定位，得到异常区域定位结果。
9、进一步的，通过对异常进行特征提取、故障分类和上下文信息的分析，可以更好地处理异常，实现对图像中铁路货车异常识别。
10、进一步的，为了约束模型训练，使用反向传播方法来优化模型参数，包括：通过计算损失函数的误差，将误差从输出层向输入层进行反向传递，并利用梯度下降方法来更新模型参数；通过迭代调整参数，模型逐渐学会对无监督数据集进行更好的建模，从而提高其性能和泛化能力。
11、第二方面，本专利技术提供一种铁路货车异本文档来自技高网...
【技术保护点】
1.一种铁路货车异常检测方法，其特征在于，包括：
2.根据权利要求1所述的铁路货车异常检测方法，其特征在于，所述异常区域定位网络中，将重构的图片与原始图像进行对比，获得重构图片的异常分数，再计算重构图和原图的差异，组合得到异常分数的热力图通过选定阈值，将异常分数高于阈值的区域进行定位。
3.根据权利要求1所述的铁路货车异常检测方法，其特征在于，训练所述异常检测模型包括：收集不同通过时间不同车次的TFDS图像，建立无监督TFDS图像异常检测数据集，作为训练集；搭建基于无监督学习的异常检测模型，在建立的无监督TFDS图像数据集上进行训练，利用大量未标注的数据中隐藏的信息和低维特征来推动模型的学习。
4.根据权利要求3所述的铁路货车异常检测方法，其特征在于，通过对比重构图像与原始图像，计算重构图和原图之间的差异，生成异常分数的热力图，并通过选定阈值将异常分数高于阈值的区域进行定位，得到异常区域定位结果。
5.根据权利要求4所述的铁路货车异常检测方法，其特征在于，通过对异常进行特征提取、故障分类和上下文信息的分析，可以更好地处理异常，实现对
6.根据权利要求4所述的铁路货车异常检测方法，其特征在于，为了约束模型训练，使用反向传播方法来优化模型参数，包括：通过计算损失函数的误差，将误差从输出层向输入层进行反向传递，并利用梯度下降方法来更新模型参数；通过迭代调整参数，模型逐渐学会对无监督数据集进行更好的建模，从而提高其性能和泛化能力。
7.一种铁路货车异常检测系统，其特征在于，包括：
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的铁路货车异常检测方法。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的铁路货车异常检测方法。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的铁路货车异常检测方法的指令。
...【技术特征摘要】
1.一种铁路货车异常检测方法，其特征在于，包括：
2.根据权利要求1所述的铁路货车异常检测方法，其特征在于，所述异常区域定位网络中，将重构的图片与原始图像进行对比，获得重构图片的异常分数，再计算重构图和原图的差异，组合得到异常分数的热力图通过选定阈值，将异常分数高于阈值的区域进行定位。
3.根据权利要求1所述的铁路货车异常检测方法，其特征在于，训练所述异常检测模型包括：收集不同通过时间不同车次的tfds图像，建立无监督tfds图像异常检测数据集，作为训练集；搭建基于无监督学习的异常检测模型，在建立的无监督tfds图像数据集上进行训练，利用大量未标注的数据中隐藏的信息和低维特征来推动模型的学习。
4.根据权利要求3所述的铁路货车异常检测方法，其特征在于，通过对比重构图像与原始图像，计算重构图和原图之间的差异，生成异常分数的热力图，并通过选定阈值将异常分数高于阈值的区域进行定位，得到异常区域定位结果。
5.根据权利要求4所述的铁路货车异常检测方法，其特征在于，通过对异常进行特征提取、故障分类和上下文信息的分析，可以更好地处理异常，实现对图像中铁路货车异常识别。
6.根...
【专利技术属性】
技术研发人员：邱霁，史红梅，余祖俊，王尧，李建钹，郭保青，许西宁，王耀东，张韦昱，冯嘉辰，史佳琦，
申请(专利权)人：北京交通大学，
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。