一种接触网紧固件异常检测方法、设备、检测装置及存储介质

摘要

本发明属于工程图像异常检测技术领域，公开了一种接触网紧固件异常检测方法，包括以下步骤：将采集到的接触网紧固件图像的正常样本和异常样本划分为接触网紧固件训练集和测试集；训练集由正常样本组成，测试集由正常样本和异常样本组成；基于嵌套残差编码‑解码网络对训练集进行训练，得到异常检测模型；基于测试集对异常检测模型进行测试，通过距离度量模型计算异常评分；根据异常评分判断待检测接触网紧固件图像的样本是否异常。解决了复杂背景下的高铁接触网部件故障数据不足，特征表达困难问题，实现了基于正常数据的接触网紧固件异常检测。

说明书

技术领域

本发明属于工程图像异常检测技术领域，特别涉及一种接触网紧固件异常检测方法、设备、检测装置及存储介质。

背景技术

安全作为铁路运营的前提条件，是铁路运营维护工作的重中之重。接触网是对电力机车提供动力的关键设备，接触网的持续工作保障了高铁列车的高速运行。接触网零部件长期露天工作，风吹日晒，容易发生故障，威胁行车安全。铁路部门非常重视接触网巡检工作，专门设立接触网检测部门，用4C系统定期采集接触网的高分辨率图像，安排大量人力通过电脑屏幕浏览所采集的图像，以检查接触网部件是否发生破损、裂纹、断裂、松动和缺失等异常。人工分析检测效率低，劳动强度大，还容易发生漏检现象。

随着人工智能的发展，运用深度学习的方法进行接触网零部件的异常检测成为可能，已有一些研究人员通过采集接触网部件的异常图像，构建深度网络模型。虽然接触网部件异常时有发生，但就一种部件来说，异常图像的数量还是不够多，复杂背景下的高铁接触网部件故障数据不足，特征表达困难，这样训练的检测模型精度难以满足工程使用要求。

发明内容

本发明的目的在于提供一种接触网紧固件异常检测方法、设备、检测装置及存储介质，解决复杂背景下的高铁接触网部件故障数据不足，特征表达困难问题。

本发明是通过以下技术方案来实现：

一种接触网紧固件异常检测方法，包括以下步骤：

S1、将采集到的接触网紧固件图像的正常样本和异常样本划分为接触网紧固件训练集和测试集；训练集由正常样本组成，测试集由正常样本和异常样本组成；

S2、基于嵌套残差编码-解码网络对训练集进行训练，得到异常检测模型；

S3、基于测试集对异常检测模型进行测试，通过距离度量模型计算异常评分；

S4、根据异常评分判断待检测接触网紧固件图像的样本是否异常。

进一步，步骤S1中，按照训练集和测试集样本数量为3：1的比例构建待检测接触网紧固件数据集；

测试集中，正常样本和异常样本数量比例为1：1。

进一步，步骤S2中，异常检测模型包括生成器网络和判别器网络，生成器网络由两个加入残差连接的编码-解码网络嵌套构成，训练过程具体为：

S201、初始化生成器网络和判别器网络参数，将训练集作为真实图像x

S202、将重构图像x

S203、设置epoch，对于每一个epoch交替迭代对抗训练生成器网络和判别器网络，在对抗训练时利用目标函数进行优化参数；

S204、交替迭代对抗训练生成器网络和判别器网络的过程中，网络参数不断更新，对于每一个epoch保存生成器网络和判别器网络参数，选择最优结果作为异常检测模型参数。

进一步，S201具体为：

首先，编码网络G

然后，解码网络G

最终，由外层分支最后一层输出与真实图像x

进一步，S203具体为：

优化判别器网络时，固定生成器网络参数，通过将作为负样本的重构图像x

优化生成器网络时，固定判别器网络参数，目标函数为：

其中，

S

w

进一步，步骤S3中，异常检测模型包括生成器网络和判别器网络，具体为：

S301、将测试集D

A(x

其中，

R(x

L(x

x

R(x

按照上述异常评分公式计算测试集中所有图像的异常分数集合A＝{A

S302、归一化所述异常分数集合，将异常分数压缩至[0，1]，归一化公式为：

进一步，步骤S4具体为：设置阈值，当测试图像异常评分大于阈值时，判定测试图像为异常图像，否则为正常图像。

本发明还公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述接触网紧固件异常检测方法的步骤。

本发明还公开了一种检测装置，包括采集设备和如权利要求8所述的计算机设备，采集设备设置在接触网紧固件旁，采集设备与计算机设备连接。

本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述接触网紧固件异常检测方法的步骤。

与现有技术相比，本发明具有以下有益的技术效果：

本发明公开了一种接触网紧固件异常检测方法，通过两个嵌套的编码-解码网络构成模型的生成器网络，并引入残差连接，增强了图像细节信息的传递，减少了信息损失，提升了异常检测模型中生成网络的特征表达和图像重构能力。同时，该模型可以通过反向传播，针对两种尺度的嵌套模型，自主的适应网络深度和尺寸，解决网络表达能力过强或过弱的问题；基于生成对抗机制进行自编码模型训练，通过距离度量模型进行异常检测，解决复杂背景下的高铁接触网部件故障数据不足，特征表达困难问题，实现基于正常数据的接触网紧固件异常检测。本方法对接触网部件异常检测准确度高，可以满足工程实际应用要求。

附图说明

图1为本发明的接触网紧固件异常检测方法流程示意图；

图2为本发明提供的嵌套残差编码-解码网络结构示意图；

图3为本发明提供的异常检测模型框架示意图；

图4为本发明提供的待检测高铁接触网及紧固件示意图；图4(a)为待检测高铁接触网的图片，图4(b)为图4(a)中紧固件的放大图片；

图5为本发明提供的待检测高铁接触网紧固件正常样本、异常样本的照片示意图，其中图5(a)和图5(b)为正常样本示例图，图5(c)和图5(d)为异常样本示例图；

图6为本发明的高铁接触网紧固件正常样本和异常样本的真实图像及其重构图像；图6(a)代表真实图像，图6(b)代表图6(a)中真实图像对应的重构图像；

图7为本发明的高铁接触网紧固件测试集异常分数分布图。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

如图4(a)所示的接触网，就要用到如图4(b)所示接触网紧固件。4C检测系统定期拍摄接触网紧固件图像，积累了大量部件的正常图像，本发明基于这些正常图像，建立接触网部件的异常检测模型，公开了一种接触网紧固件异常检测方法。

本发明设计了一种嵌套残差编码-解码的生成器网络，提升生成网络的特征表达和图像重构能力。本发明利用生成对抗机制基于紧固件正常样本训练模型，通过度量测试图像与其重构图像之间距离进行异常检测。

参照图1所示，本发明提供的一种接触网紧固件异常检测方法，具体包括以下步骤：

S1、采集高铁接触网紧固件图像正常样本和异常样本，将所采集的高铁接触网紧固件图像按照训练集和测试集样本数量为3：1的比例构建待检测接触网紧固件数据集，其中训练集由1200张待检测接触网紧固件正常图像组成，测试集由200张待检测接触网紧固件正常图像和200张异常图像组成，将较多的正常样本用于模型训练。

正常图像如图5(a)和图5(b)所示，异常图像如图5(c)和图5(d)所示。

S2、基于嵌套残差编码-解码网络对训练集进行训练，得到异常检测模型，保存模型参数；

S201、初始化生成器网络和判别器网络参数，将训练集输入生成器网络G，生成器输出重构图像。其中，如图2所示，生成器网络由两个加入残差连接的编码-解码网络嵌套构成，编码网络G

S202、将步骤S201生成的重构图像x

S203、设置epoch＝15，对于每一个epoch交替迭代训练生成器网络和判别器网络。优化判别器网络时，固定生成器网络参数，通过将重构图像x

优化生成器网络时，固定判别器网络参数，目标函数为：

其中，

判别器网络D可看作是一个二分类网络，它的输入是图像x

S

w

S204、交替迭代对抗训练生成器网络和判别器网络的过程中，网络参数不断更新，对于每一个epoch保存生成器网络和判别器网络参数，选择最优结果作为嵌套残差编码-解码网络异常模型参数。

S3、基于测试集进行异常检测模型测试，通过距离度量模型计算异常评分；

S301、将测试集D

A(x

其中

R(x

L(x

x

R(x

S302、归一化步骤S301所得测试集异常分数集合。归一化公式为：

将测试集异常分数压缩至[0，1]。具体地，运用归一化公式将测试集异常分数集合中的所有元素映射到0-1，即归一化后的异常分数A′(x

S4、判断待检测紧固件样本是否异常。

S401、在训练阶段，由于整个模型均是使用正常样本进行训练，即生成器网络、判别器网络的参数都是适用于正常样本的。当模型在测试阶段接收到异常样本时，此时模型的生成器网络将不适用于异常样本，那么得到的重构图像与该异常图像之间的细节差异和语义特征差异较大，故异常样本的异常分数较大；

S402、根据S302所得异常分数集合中正常样本和异常样本的异常分数临界值设置阈值，本实施例中设置阈值为0.4；

S403、当测试图像异常评分A′(x

实验结果表明，在本实施例中，本发明提出的接触网紧固件异常检测方法准确度达到96.6％，相对于先前的传统目标检测方法，在精度上实现了大幅度的提升，基本达到了在实际工业场景应用的要求。

本发明接触网紧固件异常检测方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明接触网紧固件异常检测方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。其中，所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。

在示例性实施例中，还提供计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述接触网紧固件异常检测方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

本发明还公开了一种检测装置，包括采集设备和如所述的计算机设备，采集设备设置在接触网紧固件旁，采集设备与计算机设备连接，可以及时地将异常图像检测出来，提醒工作人员及时维护。

本发明的内容不限于上述实施例所列举，本领域技术人员不付出创造性劳动即可做出的各种修改或变形，均为本发明的权利要求所涵盖。