一种基于深度无监督学习的轨道道床异物检测方法技术

本发明专利技术公布了一种基于深度无监督学习的轨道道床异物检测方法，构建基于深度无监督学习的轨道道床异物检测模型，包括特征提取网络模块和高维特征异常估计模块，使得只使用无异物的道床图像进行模型训练，即可识别任意未知轨道道床异物的检测。本发明专利技术构建的模型使用卷积神经网络提取图像的高维特征，将不同维度的图像特征进行组合以表示图像物体的全局关系；并使用标准化流结构构建精简的特征估计网络结构，简化高维图像特征分布的估计过程，加快检测速度。本发明专利技术的轨道道床异物检测方法简便，检测精度高，且能满足实时性检测的要求。且能满足实时性检测的要求。且能满足实时性检测的要求。

【技术实现步骤摘要】
一种基于深度无监督学习的轨道道床异物检测方法


[0001]本专利技术属于图像处理、模式识别和机器视觉
，具体涉及一种基于深度无监督学习的轨道道床异物检测方法。

技术介绍

[0002]轨道异物是指在轨道线路内影响列车正常运行的物体，其主要分为两类，第一类为轨道线路障碍物，包括比如从山上滚落的大型石块、倒伏的树木、非法穿越的行人车辆以及动物等等，此类异物往往具有动态性强，体积大等特点，直接影响列车的实时运营安全；第二类为轨道道床异物，这类异物包括一些断裂的弹条、动物的尸体、碎石等等，这类异物一般体积小、静态地处于轨道道床上，是影响列车正常运行的安全隐患。由于这些轨道异物的存在，对交通安全构成了极大威胁，并可能导致高昂的维护成本。因此如何精确、快速地检测出轨道上存在的异物成为了一个热点的研究问题，并且具有非常重要的研究价值和应用价值。
[0003]最初对于轨道异物的检测主要集中在轨道线路障碍物，并且大量依靠人工，然而随着计算机技术的发展，机器视觉逐渐取代成本高昂的人工检测，相关技术包括低秩矩阵分解的新型增量学习算法，图像处理技术等等，此类方法采用了图像处理或传统的机器学习方法来检测轨道线路障碍物，往往具有检测精度不高，只针对限定场景，检测速度慢等局限性。因此，这些方法很难满足复杂且具有实时性要求的城市轨道交通场景。
[0004]近年来，随着深度学习技术的不断发展，大量研究工作聚焦在了目标检测领域，并获得了突破性的进展，其中也有少部分工作以铁路场景下的轨道线路障碍物作为检测目标进行了研究。此类方法大多采用SSD、Faster R
‑
CNN、YOLOV4和YOLOV5等有监督深度学习目标检测框架。相比之下，基于深度学习的检测方法具有低成本、速度快、精度高等优点，在行业中得到了广泛的应用。但是，目前现有的大多数研究工作都是基于有监督的方法来检测轨道线路障碍物，专注于大型动态的物体，针对道床上静态物体的检测工作开展较少，缺乏基于深度学习的轨道道床异物检测方法。由于道床异物具有体积小，种类繁多的特点，使得无法收集到足够数量和类别的异物图像，导致了数据集呈现严重的长尾分布现象，因此采用基于有监督学习的技术用于轨道道床异物检测效果不佳。并且，大多数基于深度学习的图像异常检测网络具有结构较深，层数多，参数量大的特点，通常采用云端检测的方式，很难部署在小型化、低功耗以及软硬件资源受到严格限制的嵌入端设备上，难以满足实时性检测的要求。

技术实现思路

[0005]为了克服上述现有技术的不足，本专利技术公开了一种基于深度无监督学习的轨道道床异物检测方法，构建基于深度无监督学习的轨道道床异物检测模型FANF
‑
Net，该模型采用无监督的深度学习框架，使得模型只使用无异物的道床图像进行训练，即可拥有识别任意未知异物的检测能力。本专利技术的轨道道床异物检测方法简便，检测精度高，且能满足实时
性检测的要求。
[0006]为了提高模型对图像的理解能力，本专利技术构建的FANF
‑
Net使用卷积神经网络提取图像的高维特征，并使用不同维度的图像特征进行组合以把握图像物体的全局关系；为了在建模无异物道床图像特征分布的同时，获得更快的检测速度，FANF
‑
Net使用标准化流结构构建了一个精简的特征估计网络结构，简化了高维图像特征分布的估计过程，达到了更好的道床异物检测效果。
[0007]具体来说，本专利技术的方法包括下列步骤：
[0008]A.采集轨道线路图像，轨道线路包括但不限于钢轨、扣件、螺栓、轨道板以及部分道床。
[0009]B.对轨道线路图像进行预处理，具体实施步骤如下：
[0010]B1.修改原始轨道线路图像的大小，考虑到原始采集图像分辨率过大，占用系统内存和GPU内存过高，在CPU和GPU之间数据传输时间过长等原因，将原始轨道线路图像的分辨率进行缩放，在不过多影响精度的情况下，保障模型训练和推理的效率。B2.对缩放后的轨道线路图像进行随机旋转，将图像以其中心为原点左右旋转一定的角度，以使模型从更多的角度观察待检测物体，提升数据集的多样性以及模型的鲁棒性。
[0011]B3.对随机旋转后的图像以其图像中心为原点进行裁剪，提升数据集的多样性以及模型的泛化性。
[0012]B4.将中心裁剪后的图片数据，转为深度学习框架pytorch支持的tensor张量格式。
[0013]B5.对转换为tensor张量格式的图片数据进行归一化处理，使数据更好的响应激活函数，
[0014]提高数据的表现力，减少梯度爆炸和梯度消失的出现。
[0015]构建基于深度无监督学习的轨道道床异物检测模型FANF
‑
Net，模型包括特征提取网络模块和高维特征异常估计模块；
[0016]C.对预处理后的轨道线路图像进行特征提取，将低维图像像素信息转换为高维图像特征信息，提升模型对图像的理解能力，具体实施步骤如下：
[0017]C1.使用卷积神经网络作为特征提取的骨干网络，以经过上述预处理后的图像数据作为输入，通过在网络中进行多层卷积和池化操作，提取出图像的高维度抽象特征(高维特征数据)，通过这样的方式捕捉到图像中的语义和结构信息，从而把握全局关系，使得在区分异常区域和正常区域时，不忽略掉局部细节。
[0018]C2.将经过卷积神经网络提取的图像高维特征进行归一化处理，使得在训练过程和推理过程中，深度神经网络每一层的输入保持相同分布。通过这样的方式来提升模型的泛化能力，提高模型的训练速度。
[0019]D.基于标准化流结构构建模型的高维特征异常估计模块，对轨道线路图像的高维特征进行异常估计，其中标准化流结构指的是一系列可逆的网络，该高维特征异常估计模块部分的模型结构共包括3层，分别是仿射变换层、可逆卷积层和仿射耦合层，通过将没有包含道床异物的正常图像作为模型输入，来学习和建模正常轨道周边图像的分布，并以此来区分轨道周边是否包含异常现象，具体实施步骤如下：
[0020]D1.将经过特征提取的高维特征数据送入仿射变换层，通过此层网络结构以一种
依赖数据的初始化形式，对输入数据进行初始化。
[0021]D2.将经过仿射变换层进行初始化的高维特征数据送入可逆卷积层，此层网络结构通过可逆的线性变换来重新排列输入特征张量的通道维度，通过将输入特征张量与可学习的卷积核进行点乘操作，使得信息混合得更加充分，实现了可逆的通道维度重排和通道维度混合操作。
[0022]D3.将经过可逆卷积层的高维特征数据送入仿射耦合层，此层网络结构对输入数据进行可逆变换，并通过零初始化、分割及连接使通过该层的数据保持可逆性和高计算效率。
[0023]D3.1.将送入仿射耦合层的高维特征数据进行零初始化，其操作是将平移、缩放等仿射变换操作的参数初始化为零，当仿射变换的参数被初始化为零时，使得模型在初始状态下执行一个恒等变换，即输入数据与输出数据完全相同，该操作有助于训练深度神经网络。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度无监督学习的轨道道床异物检测方法，其特征是，构建基于深度无监督学习的轨道道床异物检测模型FANF
‑
Net，包括特征提取网络模块和高维特征异常估计模块，使得只使用无异物的道床图像进行模型训练，即可实现对任意未知轨道道床异物的检测；包括下列步骤：A.采集轨道线路图像；B.对轨道线路图像进行预处理；C.构建基于深度无监督学习的轨道道床异物检测模型FANF
‑
Net，包括特征提取网络模块和高维特征异常估计模块；C1.使用卷积神经网络作为特征提取网络模块的骨干网络；特征提取网络模块用于对预处理后的轨道线路图像进行特征提取，将低维图像像素信息转换为高维图像特征信息，并将图像高维特征进行归一化处理，使得在训练过程和推理过程中，网络的每一层输入保持相同分布；C2.基于标准化流结构构建模型的高维特征异常估计模块；高维特征异常估计模块用于对轨道线路图像的高维特征进行异常估计；高维特征异常估计模块的结构包括：仿射变换层、可逆卷积层和仿射耦合层；通过将没有包含道床异物的正常图像作为模型输入，学习和建模正常轨道周边图像的分布，以区分轨道周边是否包含异常现象；包括：C21.将经过特征提取的高维特征数据送入高维特征异常估计模块的仿射变换层，以依赖数据的初始化形式，对输入数据进行初始化；C22.将经过仿射变换层进行初始化的高维特征数据送入可逆卷积层，通过可逆的线性变换重新排列输入特征张量的通道维度，通过将输入特征张量与可学习的卷积核进行点乘操作，使得信息混合充分，实现可逆的通道维度重排和通道维度混合操作；C23.将经过可逆卷积层的高维特征数据送入仿射耦合层，进行可逆变换，并通过零初始化、分割及连接操作使通过该层数据保持可逆性和高计算效率；C24.生成经仿射变换后的不同维度的高维特征张量；D.将模型进行训练；训练所用的数据集为无异物的道床图像；通过FANF
‑
Net模型计算损失，梯度反传，参数优化，获得FANF
‑
Net模型的最佳训练参数；E.利用训练好的FANF
‑
N...

【专利技术属性】
技术研发人员：于重重，王宇，谢涛，仇宁海，
申请(专利权)人：南京领通汇智科技有限公司，
类型：发明
国别省市：