【技术实现步骤摘要】
本专利技术涉及图像异常检测领域，特别涉及一种基于变分自编码器多层特征感知的铁轨异常检测方法。
技术介绍
1、
2、图像异常检测是一种在图像数据中识别异常或不寻常模式的技术。它在计算机视觉、医学影像分析、工业检测和安全监控等领域具有广泛应用。图像异常检测的目标是检测图像中的异常区域，这些区域可能包含缺陷、异常事件、不寻常的对象或其他异常情况。图像异常检测在许多应用中发挥关键作用，能够提高生产质量、减少安全风险。
3、随着深度学习技术的快速发展，自编码器（autoencoder，ae）和变分自编码器（variational autoencoder，vae）技术在图像异常检测任务中被广泛应用。
4、自编码器利用自监督的训练方式，输入正常的图像数据，先编码成低维表征，再进行解码，比较重构图像与输入图像的误差，通过反向传播的方式优化自编码器，使得正常数据能够被有效重建。由于自编码器无法准确复原异常特征，所以异常样本通常在重建过程中表现出较高误差，使异常样本容易被识别。但是，自编码器输入图像经过编码压缩再解码重构，不可能避免的会造成信息损失，这些信息损失有些来自于正常的图像区域。为此，在对比原始图像与重构图像时需要设置一个合理的误差阈值，只有大于阈值的像素区域才认为是异常区域。如果正常区域的重构误差与异常区域的误差接近时，就可能出现漏检或误检的情况。
5、变分自编码器是一种生成模型，结合了自编码器的特征学习和生成模型的概率建模。它被设计用于学习数据的潜在分布，并能够生成新的数据样本。当我们用正
6、专利文献一“cn202310421371 .6，一种基于自监督学习与深度特征重构的图像异常检测方法”：利用正常样本图像和二维perlin噪声按比例叠加合成伪异常图像，在训练阶段，采用预训练的wide_resnet50_2模型分别提取正常样本图像和伪异常样本多尺度图像特征，多尺度特征由模型的前三层输出特征拼接组成，拼接后的异常样本图像特征还需经过自编码进行特征重建，并与正常样本图像特征计算均方差（mean square error，mse）损失，最后通过反向传播优化自编码器。在推理阶段，对比实际场景的图像特征与经过自编码器的图像特征，大于一定阈值的差异区域判断为异常区域。
7、该技术方案采用自编码器对伪异常图像特征进行压缩再重构，使重构的伪异常图像特征与正常图像特征相同，但自编码主要用于图像的压缩再重构，不具备图像生成能力，自编码器重构的图像特征与原始图像特征差异较小，对比这两者之间的差异较难定位异常区域；其次，专利中的伪异常图像是正常图像与二维perlin噪声叠加得到，伪异常图像样式固定，自编码器容易过拟合训练数据，实际应用场景的异常情况复杂多样，在推理阶段自编码器可能不会将二维perlin噪声特征重构出来，但对其它样式的异常特征可能会重构出，与未经过自编码器的特征差异较小，容易出现漏检的情况。
8、专利文献二“cn202110599501 .6，基于变分自编码器算法的图像异常检测方法”：通过自编码器的重构误差筛选出正常数据图像和异常数据图像，利用正常数据图像训练变分自编码器，训练之后，变分自编码器对正常数据图像进行重建，计算重建后图像数据的均值和方差参数，使用均值和方差计算高于均值阈值的异常分数，称为重构概率，基于图像重构概率得到输入变量分布的参数，对比原图与重构图像得到异常检测结果。
9、该技术方案采用变分自编码器重构的图像与原图对比，不可避免地存在一定的误差。因为通过编码压缩再解码重构，图像正常区域不一定能够完全准确重构，与原始图像做对比会存在一定的差异。
10、以上两种技术方案都是通过对比重构的数据与输入数据的差异进行异常检测，检测精度很大程度上取决于解码模块最终的重构效果，算法的鲁棒性较差。
技术实现思路
1、
2、本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于变分自编码器多层特征感知的铁轨异常检测方法，该方法通过对比两个解码器重构数据的差异，避免了重构误差的影响，对比数据来自解码器多个尺度的重构特征，能够提高算法的鲁棒性。
3、本专利技术的目的通过以下的技术方案实现：
4、一种基于变分自编码器多层特征感知的铁轨异常检测方法，包括以下步骤：
5、s1、采用蒸馏训练的方式对自编码器进行自监督训练，采用深度卷积神经网络作为自编码器的教师模型，蒸馏训练阶段进行多尺度特征的蒸馏训练；
6、s2、采用图像叠加的方法合成铁轨异常图像样本；
7、s3、变分自编码器采用蒸馏训练，生成的铁轨正常图像与步骤s2的铁轨异常图像样本共同作为变分自编码器的输入；步骤s1中训练好的自编码器作为变分自编码器的教师模型，进行变分自编码器的解码模块的多尺度特征监督训练，使变分自编码器的解码模块与自编码器的解码模块对齐多个尺度的特征空间，重构不同的语义信息；
8、s4、通过训练好的自编码器和变分自编码器进行多特征感知的图像异常检测：
9、1）统计自编码器和变分自编码器在测试集上不同尺度图像特征的均值和方差；
10、2）输入预处理后的待测图像，自编码器、变分自编码器分别输出3个相同尺寸的图像特征和重构图像；
11、3）利用步骤1）统计的均值和方差归一化自编码器和变分自编码器输出的图像特征；
12、4）计算自编码器和变分自编码器3个尺寸图像特征之间的均方差值，称为特征重构误差，按特征通道维度累加特征重构误差，并进行双线性插值上采样操作，得到与输入的待测图像相同宽高的重构特征误差；
13、5）计算自编码器重构图像和变分自编码器生成图像之间的均方差值，称为图像重构误差，按通道维度累加重构图像误差，得到与特征重构误差相同维度的图像重构误差；
14、6）求和3个尺寸的特征重构误差和图像重构误差，并进行min-max标准化处理，将误差值映射到区间上，上述误差值大于误差阈值的区域就判断为铁轨图像异常区域，否则为铁轨图像正常区域。
15、所述自编码器的训练过程如下：
16、准备大规模的开源图像数据用于自监督蒸馏训练；
17、搭建自编码器模型：自编码器的编码模块由4个下采样网络层组成，自编码器的解码模块由4个上采样网络层组成，每个下采样网络层将输入的图像特征宽高减小一半，每个上采样网络层将本文档来自技高网...
【技术保护点】
1.一种基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述步骤S4具体如下：
3.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述自编码器的训练过程如下：
4.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述自编码器模型训练的损失函数计算公式如下：
5.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述自编码器的教师模型为ResNet50、VGG19、HRNet中的一种。
6.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述步骤S2具体如下：
7.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述变分自编码器的训练过程如下：
8.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述变分自编码器的
9.根据权利要求8所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述通过以下公式计算：
10.一种服务器，所述服务器包括处理器和存储器，其特征在于，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现权利要求1至9中任一权利要求所述基于变分自编码器多层特征感知的铁轨异常检测方法。
11.一种计算机可读存储介质，所述存储介质中存储有至少一段程序，其特征在于，所述程序由处理器加载并执行以实现权利要求1至9中任一权利要求所述基于变分自编码器多层特征感知的铁轨异常检测方法。
...【技术特征摘要】
1.一种基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述步骤s4具体如下：
3.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述自编码器的训练过程如下：
4.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述自编码器模型训练的损失函数计算公式如下：
5.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述自编码器的教师模型为resnet50、vgg19、hrnet中的一种。
6.根据权利要求1所述基于变分自编码器多层特征感知的铁轨异常检测方法，其特征在于，所述步骤s2具体如下：
7.根据权利...
【专利技术属性】
技术研发人员：区英杰，王杰，董万里，谭焯康，雷广源，
申请(专利权)人：广州英码信息科技有限公司，
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。