【技术实现步骤摘要】
一种针对轨道数据的异常变化检测方法及系统
[0001]本专利技术涉及一种异常检测方法,尤其涉及一种针对轨道数据的异常变化检测方法,并涉及采用了该针对轨道数据的异常变化检测方法的异常变化检测系统。
技术介绍
[0002]随着科技发展,轨道交通已经成为主要的出行方式之一。由于列车处于高速运行中,轨道即使发生一些细微的异常变化都可能会导致重大的安全事故,因此对轨道进行细致且全面的安全检修是很有必要的。当前轨道安全检测主要采用人工检测或采集数据后采用人工读图的方式进行检测,这两种现有的方法都需要消耗大量人力,并且,由于人的主观性很容易导致误检或漏检,为了避免这些问题,需要研发一种全自动的智能检测系统。
[0003]但是由于轨道的异常变化多样且未知,在实际工作过程中,无法事先定义好各类异常,然后去做异常检测和分析,因此,常规的异常检测算法对于轨道数据的异常变化这一特殊应用环境下并不适用。
技术实现思路
[0004]本专利技术所要解决的技术问题是需要提供一种能够针对轨道数据而实现的异常变化检测方法,进而达到快速且准确地检测出轨道数据是否发生了异常变化的目的,有效地降低误检或漏检的可能性,提高产品的智能检测性能和安全性能。在此次基础上,还进一步提供采用了该针对轨道数据的异常变化检测方法的异常变化检测系统。
[0005]对此,本专利技术提供一种针对轨道数据的异常变化检测方法,包括以下步骤:步骤S1,通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图像和测试图像进行特征提取,分别得到基准图像 ...
【技术保护点】
【技术特征摘要】
1.一种针对轨道数据的异常变化检测方法,其特征在于,包括以下步骤:步骤S1,通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图像和测试图像进行特征提取,分别得到基准图像的多尺度特征和待测图像的多尺度特征;步骤S2,对提取后的特征通过1
×
1的卷积进行特征整合,整合成尺度为1的组合特征以获得关系特征图;步骤S3,通过度量学习器对特征之间的相似度进行学习,其过程包括依次经过第一卷积模块、第二卷积模块、全局均值池化层以及全连接层,进而获取取值范围为[0,1]的特征关系分数。2.根据权利要求1所述的针对轨道数据的异常变化检测方法,其特征在于,所述步骤S1包括以下两个并行的子步骤:步骤S101,将所述基准图像输入至ResNet
‑
34残差神经网络中进行三层的残差学习,在各层的残差学习之后,分别采用卷积核大小为1
×
1进行卷积处理,并在卷积处理之后分别进行反卷积操作,最后再合并输入至步骤S2中;步骤S102,将所述测试图像输入至ResNet
‑
34残差神经网络中进行三层的残差学习,在各层的残差学习之后,分别采用卷积核大小为1
×
1进行卷积处理,并在卷积处理之后分别进行反卷积操作,最后再合并输入至步骤S2中。3.根据权利要求2所述的针对轨道数据的异常变化检测方法,其特征在于,所述步骤S2包括以下子步骤:步骤S201,将步骤S101中三层的残差学习后合并输出的特征采用卷积核大小为1
×
1进行卷积处理;步骤S202,将步骤S102中三层的残差学习后合并输出的特征采用卷积核大小为1
×
1进行卷积处理;步骤S203,将步骤S201进行卷积处理后的特征和步骤S202进行卷积处理后的特征进行拼接,输出关系特征图。4.根据权利要求2或3所述的针对轨道数据的异常变化检测方法,其特征在于,ResNet
‑
34残差神经网络中的三层残差学习包括卷积层、批标准化层和ReLU激活函数层。5.根据权利要求2或3所述的针对轨道数据的异常变化检测方法,其特征在于,所述步骤S101和步骤S102中三层的残差学习采用对应相同的网络参数分别进行特征提取。6.根据权利要求1至3任意一项所述的针对轨道数据的异常变化检测方法,其特征在于,先通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图像和测试图像进行特征提取,并结合残差学习输出不同层的变化定位信息,然后通过相同的网络分别对检测到的变...
【专利技术属性】
技术研发人员:陈炯,魏伟航,
申请(专利权)人:深圳市比一比网络科技有限公司,
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。