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制造方法及图纸

本发明专利技术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。

【技术实现步骤摘要】
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
本专利技术属于工程图像异常检测
，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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术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xreal输入生成器网络G，输出重构图像xfake；S202、将重构图像xfake和真实图像xreal共同输入判别器网络D，判别器网络D预测给定输入的类别，鉴别真实图像xreal以及重构图像xfake，同时判别器网络作为特征提取网络，获得真实图像xreal和重构图像xfake的高维语义特征向量f(xreal)和f(xfake)；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GE读入真实图像xreal，产生深层语义特征图z＝(z1，z2)＝GE(xreal)，获取原始图像的语义特征；然后，解码网络GD的内外层分支分别对两种不同尺度的语义特征图z1和z2进行解码，处于内层的解码分支使用密集的跳过连接对外层解码分支进行特征融合；最终，由外层分支最后一层输出与真实图像xreal尺寸相同的重构图像xfake＝GD(z)＝G(xreal)。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xfake与将作为正样本的真实图像xreal输入判别器网络训练网络参数，目标函数为：优化生成器网络时，固定判别器网络参数，目标函数为：其中，SL1表示smoothL1损失方程，具体为：wcon，wadv，wlat是各损失的权重参数。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Dtest输入生成器网络和判别器网络，采用距离度量模型计算测试图像异常评分的方式度量真实图像是否异常，对于给定测试集真实图像xtest，异常评分定义为：A(xtest)＝λR(xtest)+(1-λ)L(xtest)其中，R(xtest)＝||xtest-xfake||1L(xtest)＝||f(xtest)-f(xfake)||2xfake＝G(xtest)R(xtest)为重构图像和真实图像之间的细节差异，L(xtest)为重构图像和真实图像之间的语义特征差异，λ是平衡两种差异分数重要性的权重参数；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＝{Ai：A(xtest，i)，xtest∈Dtest}；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。本专利技术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。本专利技术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。本专利技术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，本专利技术具有以下有益的技术效果：本专利技术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为本专利技术的接触网紧固件异常检测方法流程示意图；图2为本专利技术提供的嵌套残差编码-解码网络结构示意图；图3为本专利技术提供的异常检测模型框架示意图；图4为本专利技术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为本专利技术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(本文档来自技高网...

【技术保护点】
1.一种接触网紧固件异常检测方法，其特征在于，包括以下步骤：/nS1、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；/nS2、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；/nS3、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；/nS4、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。/n

【技术特征摘要】
1.一种接触网紧固件异常检测方法，其特征在于，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。


2.根据权利要求1所述的一种接触网紧固件异常检测方法，其特征在于，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。


3.根据权利要求1所述的一种接触网紧固件异常检测方法，其特征在于，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xreal输入生成器网络G，输出重构图像xfake；
S202、将重构图像xfake和真实图像xreal共同输入判别器网络D，判别器网络D预测给定输入的类别，鉴别真实图像xreal以及重构图像xfake，同时判别器网络作为特征提取网络，获得真实图像xreal和重构图像xfake的高维语义特征向量f(xreal)和f(xfake)；
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。


4.根据权利要求3所述的一种接触网紧固件异常检测方法，其特征在于，S201具体为：
首先，编码网络GE读入真实图像xreal，产生深层语义特征图z＝(z1，z2)＝GE(xreal)，获取原始图像的语义特征；
然后，解码网络GD的内外层分支分别对两种不同尺度的语义特征图z1和z2进行解码，处于内层的解码分支使用密集的跳过连接对外层解码分支进行特征融合；
最终，由外层分支最后一层输出与真实图像xreal尺寸相同的重构图像xfake＝GD(z)＝G(xreal)。


5.根据权利要求3所述的一种接触网紧固件异常检测方法，其特征在于，S203具...

【专利技术属性】
技术研发人员：靖稳峰，魏田田，郭启帆，
申请(专利权)人：西安交通大学，中国第一勘察设计院集团有限公司，
类型：发明
国别省市：陕西;61