【技术实现步骤摘要】
自监督脱轨自动装置拉环脱落图像异常检测方法及装置
[0001]本专利技术涉及一种图像检测方法及装置。
技术介绍
[0002]脱轨自动装置拉环大多存在于载重量七十吨以上的货车及特殊作业的改装货车，其脱落是一种危及行车安全的故障，在脱轨自动装置拉环脱落故障检测中，一般采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。
[0003]采用图像自动识别的方式可提高检测效率和稳定性。近几年，随着深度学习与人工智能不断发展，在技术上不断成熟。因此采用深度学习进行脱轨自动装置拉环故障识别，有效地提高了检测准确率。
[0004]但是，现有的深度学习对检测模型进行训练时，较依赖于异常数据，因此需要在模型训练前期进行收集异常图像及手动模拟故障的工作，降低了检测工作效率，增加了检测前期的工作量。
技术实现思路
[0005]本专利技术的目的是为了克服现有的深度学习对检测模型进行训练时，较依赖于异常数据的问题，提供了一种自监督脱轨自动装置拉环脱落图像异常检测方法及装置。
[0006]本专利技术提供一种自监督脱轨自动装置拉环脱落图像异常检测方法，具体步骤如下：
[0007]步骤一、采集脱轨自动装置拉环所在区域的图像作为待检测图像；
[0008]步骤二、将待检测图像输入至已训练的异常检测模型，获得待检测图像的评分，并在评分小于等于设定阈值时执行步骤三；
[0009]其中，得到已训练的异常检测模型的步骤包括：>[0010]将样本数据集送入卷积神经网络CNN中进行自监督学习；
[0011]样本数据集包括不存在脱轨自动装置拉环的第一灰度图像和存在正常脱轨自动装置拉环的第二灰度图像；
[0012]并且，自监督学习的代理任务为将正常的脱轨自动装置拉环和底座图像随机增强后粘贴到第一灰度图像中生成随机组合图像；
[0013]正常的脱轨自动装置拉环和底座图像为从第二灰度图像中抠取得到；该正常的脱轨自动装置拉环和底座图像中，脱轨自动装置拉环放置在车轴上且与水平位置的倾斜角度小于等于
±2°
；
[0014]步骤三、判断待检测图像异常。
[0015]进一步地，步骤二中，得到已训练的异常检测模型的步骤还包括：
[0016]在中间模型上构建生成分类器；得到已训练的异常检测模型；
[0017]中间模型为将样本数据集送入卷积神经网络CNN中进行自监督学习所得到的模
型。
[0018]进一步地，自监督学习的训练目标函数为：
[0019]l
cp
＝E
x∈X
{CE(g(x),0)+CE(g(CP(x)),1)}
[0020]其中，X是样本数据集，CP(
·
)是对抠取的正常的脱轨自动装置拉环和底座图像的随机增强，g是由深度网络参数化的二元分类器，CE(
·
,
·
)是交叉熵损失。
[0021]进一步地，步骤二二中，通过下式在中间模型上构建生成分类器：
[0022][0023]其中，p
gde
(.)是图形的高斯分布，x为样本数据集中的图像，μ是样本均值，Σ是协方差矩阵，f是中间模型。
[0024]进一步地，随机增强包括：亮度调整，旋转或平移中的一种或多种组合；
[0025]亮度调整是将正常的脱轨自动装置拉环和底座图像亮度调整为等于第一灰度图像亮度的平均灰度值；
[0026]旋转是将正常的脱轨自动装置拉环和底座图像的角度旋转10
°
～90
°
；
[0027]平移是将正常的脱轨自动装置拉环和底座图像为车轴范围进行平移。
[0028]本专利技术还提供一种自监督脱轨自动装置拉环脱落图像异常检测装置，包括待检测图像采集模块、图像检测模块和异常判断模块：
[0029]待检测图像采集模块，用于采集脱轨自动装置拉环所在区域的图像作为待检测图像；
[0030]图像检测模块，用于将待检测图像输入至已训练的异常检测模型，获得待检测图像的评分，并在评分小于等于设定阈值时，将评分送至异常判断模块；
[0031]其中，通过异常检测模型训练模块得到已训练的异常检测模型，异常检测模型训练模块包括自监督学习模块：
[0032]自监督学习模块，用于将样本数据集送入卷积神经网络CNN中进行自监督学习；
[0033]样本数据集包括不存在脱轨自动装置拉环的第一灰度图像和存在正常脱轨自动装置拉环的第二灰度图像；
[0034]并且，自监督学习的代理任务为将正常的脱轨自动装置拉环和底座图像随机增强后粘贴到第一灰度图像中生成随机组合图像；
[0035]正常的脱轨自动装置拉环和底座图像为从第二灰度图像中抠取得到；该正常的脱轨自动装置拉环和底座图像中，脱轨自动装置拉环放置在车轴上且与水平位置的倾斜角度小于等于
±2°
；
[0036]异常判断模块，用于根据评分判断待检测图像异常。
[0037]进一步地，异常检测模型训练模块还包括：
[0038]分类器构建模块，用于在中间模型上构建生成分类器；
[0039]中间模型为将样本数据集送入卷积神经网络CNN中进行自监督学习所得到的模型。
[0040]进一步地，自监督学习模块中自监督学习的训练目标函数为：
[0041]l
cp
＝E
x∈X
{CE(g(x),0)+CE(g(CP(x)),1)}
[0042]其中，X是样本数据集，CP(
·
)是对抠取的正常的脱轨自动装置拉环和底座图像的
随机增强，g是由深度网络参数化的二元分类器，CE(
·
,
·
)是交叉熵损失。
[0043]进一步地，分类器构建模块中通过下式在中间模型上构建生成分类器：
[0044][0045]其中，p
gde
(.)是图形的高斯分布，x为样本数据集中的图像，μ是样本均值，Σ是协方差矩阵，f是中间模型。
[0046]进一步地，自监督学习模块包括随机增强模块，随机增强模块包括亮度调整模块，旋转模块和平移模块；
[0047]亮度调整模块，用于将正常的脱轨自动装置拉环和底座图像亮度调整为等于第一灰度图像亮度的平均灰度值；
[0048]旋转模块，用于将正常的脱轨自动装置拉环和底座图像的角度旋转10
°
～90
°
；
[0049]平移模块，用于将正常的脱轨自动装置拉环和底座图像为车轴范围进行平移。
[0050]本专利技术的有益效果是：
[0051]本方法不依赖于异常数据检查脱轨自动装置拉环脱落的故障，减少了收集异常图像及手动模拟故障的工作，提高了检测工作效率，减少了检测前期的准备工作量。
附图说明
[0052本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.自监督脱轨自动装置拉环脱落图像异常检测方法，其特征在于，具体步骤如下：步骤一、采集脱轨自动装置拉环所在区域的图像作为待检测图像；步骤二、将待检测图像输入至已训练的异常检测模型，获得待检测图像的评分，并在所述评分小于等于设定阈值时执行步骤三；其中，得到已训练的异常检测模型的步骤包括：将样本数据集送入卷积神经网络CNN中进行自监督学习；所述样本数据集包括不存在脱轨自动装置拉环的第一灰度图像和存在正常脱轨自动装置拉环的第二灰度图像；并且，所述自监督学习的代理任务为将正常的脱轨自动装置拉环和底座图像随机增强后粘贴到第一灰度图像中生成随机组合图像；所述正常的脱轨自动装置拉环和底座图像为从所述第二灰度图像中抠取得到；该正常的脱轨自动装置拉环和底座图像中，脱轨自动装置拉环放置在车轴上且与水平位置的倾斜角度小于等于
±2°
；步骤三、判断所述待检测图像异常。2.根据权利要求1所述的自监督脱轨自动装置拉环脱落图像异常检测方法，其特征在于，步骤二中，得到已训练的异常检测模型的步骤还包括：在中间模型上构建生成分类器；得到已训练的异常检测模型；所述中间模型为将样本数据集送入卷积神经网络CNN中进行自监督学习所得到的模型。3.根据权利要求2所述的自监督脱轨自动装置拉环脱落图像异常检测方法，其特征在于，自监督学习的训练目标函数为：l
cp
＝E
x∈X
{CE(g(x),0)+CE(g(CP(x)),1)}其中，X是样本数据集，CP(
·
)是对抠取的正常的脱轨自动装置拉环和底座图像的随机增强，g是由深度网络参数化的二元分类器，CE(
·
,
·
)是交叉熵损失。4.根据权利要求3所述的自监督脱轨自动装置拉环脱落图像异常检测方法，其特征在于，步骤二二中，通过下式在中间模型上构建生成分类器：其中，p
gde
(.)是图形的高斯分布，x为样本数据集中的图像，μ是样本均值，Σ是协方差矩阵，f是中间模型。5.根据权利要求4所述的自监督脱轨自动装置拉环脱落图像异常检测方法，其特征在于，随机增强包括：亮度调整，旋转或平移中的一种或多种组合；所述亮度调整是将正常的脱轨自动装置拉环和底座图像亮度调整为等于第一灰度图像亮度的平均灰度值；所述旋转是将正常的脱轨自动装置拉环和底座图像的角度旋转10
°
～90
°
；所述平移是将正常的脱轨自动装置拉环和底座图像为车轴范围进行平移。6.自监督脱轨自动装置拉环脱落图像异常检测装置，其特征在于，包括待检测图像采集模块、图像检测模块和异常判断模块：待检测图像...
【专利技术属性】
技术研发人员：姜鸿，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
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。