一种针对轨道数据的异常变化检测方法及系统技术方案

本发明专利技术提供一种针对轨道数据的异常变化检测方法及系统，包括：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，分别得到基准图像和待测图像的多尺度特征；步骤S2，对提取后的特征通过1

【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。
[0006]本专利技术的进一步改进在于，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。
[0007]本专利技术的进一步改进在于，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。
[0008]本专利技术的进一步改进在于，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。
[0009]本专利技术的进一步改进在于，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。
[0010]本专利技术的进一步改进在于，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化进行辨别，输出像素级的变化检测结果，所述变化检测结果中通过标签对变化位置进行标识。
[0011]本专利技术的进一步改进在于，通过标签对变化位置进行标识的过程如下：先初步记录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化定位信息进行辨别，通过相同的网络参数和对比判断识别出变化位置的位置信息，并通过添加标签对该位置信息进行标识；最后输出带有标签的变化检测结果。
[0012]本专利技术的进一步改进在于，所述步骤S3包括以下子步骤：步骤S301，将步骤S2得到的关系特征图依次输入至所述第一卷积模块和第二卷积模块，所述第一卷积模块和第二卷积模块均包括卷积层、批标准化层、ReLU激活函数层以及最大池化层，其中所述第一卷积模块和第二卷积模块的卷积层包括64个尺寸大小为3x3的卷积核；步骤S302，将所述第二卷积模块的输出输入至所述全局均值池化层中进行拉直处理；步骤S303，将所述全局均值池化层的输出输入至所述全连接层中釆用Sigmoid激活函数进行计算，输出所述特征关系分数。
[0013]本专利技术的进一步改进在于，所述步骤S3中，训练所述度量学习器的过程如下：步骤A1，将采集到的轨道数据按照预设比例分别作为训练数据集，测试数据集和验证数据集；步骤A2，对网络参数进行初始化设置，或采用梯度下降算法设置网络的学习率；步骤A3，输入用于训练的图像，并设置批量归一化时的衰减度为0.05；步骤A4，持续训练直到对验证数据集的检验中，准确率高于第一预设比值，且误检率低于第二预设比值，则判定网络已经完成训练，所述准确率为正常图像和异常图像得以准确判断的数量与测试数据集图像总数量之间的比值，误检率为正常图像被错误判断的数量与异常图像总数量之间的比值。
[0014]本专利技术还提供一种针对轨道数据的异常变化检测系统，采用了如上所述的针对轨道数据的异常变化检测方法，并包括：特征提取网络模块，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；特征整合模块，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；度量学习网络模块，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。
[0015]与现有技术相比，本专利技术的有益效果在于：利用在不同时间拍摄的待测图像，使用孪生神经网络和残差神经网络直接从待测图像和基准图像中生成包括了变化特征的关系特征图，有效地避免了现有技术难以有效捕获轨道数据中变化特征的缺陷，也无需提前预设异常的种类。本专利技术能够通过孪生神经网络和残差神经网络的结合输出轨道数据中特征的变化定位信息，能够很好地应对轨道数据这种复杂的应用环境及各种未知异常情况，检测速度快且准确度高。因此，本专利技术能够有效得解决轨道数据中对于异常变化的自动检测难题，大幅度地降低了误检或漏检的可能性，提高了自动化的智能检测性能和安全性能，对保证列车的正常行驶提供了可靠的保障。
附图说明
[0016]图1是本专利技术一种实施例的工作流程示意图；图2是本专利技术一种实施例的特征提取网络的结构示意图；图3是本本文档来自技高网...

【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：