【技术实现步骤摘要】
本专利技术涉及地铁车辆管理，具体涉及车辆的安全检测系统、异常检测方法及其优化部署策略。
技术介绍
1、地铁车辆作为现代城市交通的重要组成部分，其安全运行对于保障人们的出行和城市的正常运转至关重要。在地铁车辆长期、频繁、高速地运行过程中，车身的各个部件容易出现各种异常问题，影响车辆的运行安全，可能引发重大安全事故。传统的人工检测方法主要依赖于目测检查，这种方法效率低下，并且存在漏报和误报的风险。
2、近年来，随着深度学习和计算机视觉技术的发展，自动化和智能化的检测技术逐渐兴起，为地铁车辆安全检测提供了新的解决方案。深度学习技术可以通过训练大量数据来学习和识别各种复杂的异常模式，提高检测的准确性和效率。尽管深度学习方法在缺陷检测方面具有更复杂的现场环境和成像条件，但其也面临着样本获取的限制和所需资源较多的缺陷，由于地铁车辆部件的异常具有高度的多样性和不确定性，很难建立一个通用的安全检测数据库来应对所有情况，尤其在负样本不足的情况下容易出现过拟合，且检测时间相对较长。
技术实现思路
1、本专利技术所要解决的技术问题：现有的地铁车辆安全检测效率较低、检测难度较大，容易出现漏报和误报的情况，具有较大的安全隐患，且部署难度较大。
2、为解决上述技术问题，本专利技术的第一方面采用如下技术方案：车辆的安全检测系统，包括用于处理数据以及整体控制的软件部分，以及用于地铁车辆关键部位的自动信息采集并输出数据的硬件平台，所述软件部分和硬件平台之间进行数据通信，所述软件部分设有用于应
3、本专利技术工作时，能够实现地铁车辆关键部件的自动信息采集，以及数据的自动传输和处理等一系列工作，自动化和智能化程度高，能够有效提高地铁车辆安全检测效率，同时采用安全检测模块能够应用深度学习技术和多尺度特征融合技术实现异常检测，检测效率和检测准确度高。
4、作为优选，所述安全检测模块内还部署有用于分割地铁车辆关键部件的分割模型，所述分割模型包括用于进行图像预处理增强分割模型的鲁棒性的输入网络，用于通过梯度分流的方式传播若干个不同尺度的特征图的主干网络，用于进一步融合多尺度特征的瓶颈网络，以及用于输出目标类别、边界框信息和分割掩码的检测网络，所述输入网络、主干网络、瓶颈网络和检测网络依次传播，所述主干网络在对输入网络输入的图像进行特征提取后输出若干个不同尺度的特征图至瓶颈网络，所述瓶颈网络在完成对接收到若干个不同尺度的特征图的强化特征多尺度融合后输出增强后的若干个不同尺度的特征至检测网络。
5、本专利技术工作时，能够实现对地铁车辆关键部件的分割，分割效果好，方便安全检测模型进行部位识别工作，同时通过图像预处理的方式能够增强分割模型的鲁棒性，以及采用梯度分流方式缓解深度学习中的梯度消失问题，能够进一步提高分割模型的性能，通过瓶颈网络对接收到若干个不同尺度的特征图的强化特征多尺度融合，能够保证特征的信息完整与多样，能够增强特征的表达能力。
6、作为优选，所述主干网络包括用于提取输入图像数据的低级特征的cbs模块，用于缓解深度学习训练中的梯度消失问题的c2f模块，以及用于对不同尺度的特征进行处理并合并以增强模型的特征表示能力和多尺度目标的识别能力的sppf模块，所述cbs模块布置在主干网络的输入层中，所述cbs模块和/或c2f模块布置在主干网络的隐藏层中若干个依次传播的层级内，若干个层级中的部分层级的c2f模块分别与瓶颈网络中相应的拼接功能部分连接并分别输出不同尺度的特征图，所述sppf模块布置在主干网络的输出层中，所述sppf模块设置为由cbs模块和用于对特征图进行下采样以捕获并强化不同尺度上的特征表达获取特征图的上下文信息的maxpool2d层组成，所述sppf模块在通过concat操作进行特征图的拼接后输出特征图至瓶颈网络中。
7、作为优选，所述检测网络还设有若干个用于辅助生成掩码的掩码系数模块，以及用于生成能够与掩码系数结合以精准掩码的掩码原型模块，所述若干个掩码系数模块和掩码原型模块均与瓶颈网络连接并分别接收相应尺度的特征进行处理。
8、作为优选，所述检测网络在采用解耦策略将分类与定位任务分离对若干个不同尺度的特征图进行独立计算后输出目标类别、边界框信息和分割掩码。
9、本专利技术工作时，通过在检测网络的检测头的设计上采用解耦策略，能够将分类与定位任务分离，同时添加了掩码系数模块，使得在各自独立的网络路径中进行计算时避免解耦策略的绑定带来的共享网络结构对不同计算任务的冲突，可以提高对于不同任务的专注度和处理效率，同时采用掩码系数模块能够通过较大尺度的特征图来初步生成物体的轮廓掩码，从而在之后的处理中通过与独立模块计算的掩码系数和目标检测信息进行相乘或相加，筛选出正确的目标轮廓掩码。
10、作为优选，所述分割模型的检测方式设置为anchor free不基于锚框的检测方式。
11、本专利技术工作时，将分割模型转向anchor free不基于锚框的检测方式，通过摒弃了传统依赖预设锚框的方法来减少了超参数的数量，从而降低了模型训练的复杂度并在一定程度上避免了由锚框尺寸带来的预测偏差。
12、作为优选，所述软件部分还设有方便监控和操作的用户管理平台及ui人机交互界面，用于整合协调各部分功能以执行重要的检测与行动策略的控制软件模块，以及用于实现车辆部件相关的传感器及设备之间高效的数据通信的底层硬件接口，所述用户管理平台及ui人机交互界面、安全检测模块、控制软件模块、底层硬件接口和硬件平台之间均进行数据通信，所述硬件平台包括无人车控制模块、无人车、电机驱动器、双目相机、机械臂和云台，所述无人车控制模块、电机驱动器和机械臂均安装在无人车上，所述双目相机通过云台安装在机械臂上。
13、为解决上述技术问题，本专利技术的第二方面采用如下技术方案：异常检测方法，应用如上述的车辆的安全检测系统，包括以下步骤：
14、s1：安全检测模型初始化，输入数据采集模块采集到的图像；
15、s2：安全检测模型的教师编码网络对输入的图像进行解码后输出若干个不同尺度的特征至安全检测模型的瓶颈嵌入模块；
16、s3：瓶颈嵌入模块对若干个不同尺度的特征进行多尺度融合后通过注意力机制进行特征的重构提取，瓶颈嵌入模块将重构提取的特征输出至安全检测模型的学生解码网络；
17、s4：学生解码网络对输入的特征进行解码后输出若干个不同尺度的特征，若干个由学生解码网络输出的不同尺度的特征分别对齐教师解码网络输出的相同尺度的特征后进行损失计算；
18、s5：综合计算若干个尺度的损失计算得到总的特征差异以实现异常检测。
19、本专利技术工作时，采用注意力反向蒸馏网络通过教师编码网络和学生编码网络之间的特征信息交流实现对异常部件的有效检测，也能够通过数据增强策略增加训练数据的多样性，从而防止模型过拟合。
20、为解决上述技术问题，本本文档来自技高网...
【技术保护点】
1.车辆的安全检测系统，其特征在于：包括用于处理数据以及整体控制的软件部分（1），以及用于地铁车辆关键部位的自动信息采集并输出数据的硬件平台（2），所述软件部分（1）和硬件平台（2）之间进行数据通信，所述软件部分（1）设有用于应用深度学习技术和多尺度特征融合技术通过预设的安全检测模型实现异常检测的安全检测模块（11）。
2.根据权利要求1所述的车辆的安全检测系统，其特征在于：所述安全检测模块（11）内还部署有用于分割地铁车辆关键部件的分割模型，所述分割模型包括用于进行图像预处理增强分割模型的鲁棒性的输入网络，用于通过梯度分流的方式传播若干个不同尺度的特征图的主干网络，用于进一步融合多尺度特征的瓶颈网络，以及用于输出目标类别、边界框信息和分割掩码的检测网络，所述输入网络、主干网络、瓶颈网络和检测网络依次传播，所述主干网络在对输入网络输入的图像进行特征提取后输出若干个不同尺度的特征图至瓶颈网络，所述瓶颈网络在完成对接收到若干个不同尺度的特征图的强化特征多尺度融合后输出增强后的若干个不同尺度的特征至检测网络。
3.根据权利要求2所述的车辆的安全检测系统，其特征在
4.根据权利要求2所述的车辆的安全检测系统，其特征在于：所述检测网络还设有若干个用于辅助生成掩码的掩码系数模块，以及用于生成能够与掩码系数结合以精准掩码的掩码原型模块，所述若干个掩码系数模块和掩码原型模块均与瓶颈网络连接并分别接收相应尺度的特征进行处理。
5.根据权利要求4所述的车辆的安全检测系统，其特征在于：所述检测网络在采用解耦策略将分类与定位任务分离对若干个不同尺度的特征图进行独立计算后输出目标类别、边界框信息和分割掩码。
6.根据权利要求2所述的车辆的安全检测系统，其特征在于：所述分割模型的检测方式设置为Anchor free不基于锚框的检测方式。
7.根据权利要求1所述的车辆的安全检测系统，其特征在于：所述软件部分（1）还设有方便监控和操作的用户管理平台及UI人机交互界面（12），用于整合协调各部分功能以执行重要的检测与行动策略的控制软件模块（13），以及用于实现车辆部件相关的传感器及设备之间高效的数据通信的底层硬件接口（14），所述用户管理平台及UI人机交互界面（12）、安全检测模块（11）、控制软件模块（13）、底层硬件接口（14）和硬件平台（2）之间均进行数据通信，所述硬件平台（2）包括无人车控制模块（21）、无人车（22）、电机驱动器（23）、双目相机（24）、机械臂（25）和云台（26），所述无人车控制模块（21）、电机驱动器（23）和机械臂（25）均安装在无人车（22）上，所述双目相机（24）通过云台（26）安装在机械臂（25）上。
8.异常检测方法，应用如权利要求1至权利要求7中任一项所述的车辆的安全检测系统，其特征在于，包括以下步骤：
9.优化部署策略，应用如权利要求1至权利要求7中任一项所述的车辆的安全检测系统，其特征在于，包括以下步骤：
10.根据权利要求9所述的优化部署策略，其特征在于：在所述步骤A2中，构建优化器对所有的模型的中间表示做进一步优化时，采用以下步骤：构建优化器采用模型量化、模型蒸馏和/或模型剪枝的方法对所有的模型的中间表示进行优化。
...【技术特征摘要】
1.车辆的安全检测系统，其特征在于：包括用于处理数据以及整体控制的软件部分（1），以及用于地铁车辆关键部位的自动信息采集并输出数据的硬件平台（2），所述软件部分（1）和硬件平台（2）之间进行数据通信，所述软件部分（1）设有用于应用深度学习技术和多尺度特征融合技术通过预设的安全检测模型实现异常检测的安全检测模块（11）。
2.根据权利要求1所述的车辆的安全检测系统，其特征在于：所述安全检测模块（11）内还部署有用于分割地铁车辆关键部件的分割模型，所述分割模型包括用于进行图像预处理增强分割模型的鲁棒性的输入网络，用于通过梯度分流的方式传播若干个不同尺度的特征图的主干网络，用于进一步融合多尺度特征的瓶颈网络，以及用于输出目标类别、边界框信息和分割掩码的检测网络，所述输入网络、主干网络、瓶颈网络和检测网络依次传播，所述主干网络在对输入网络输入的图像进行特征提取后输出若干个不同尺度的特征图至瓶颈网络，所述瓶颈网络在完成对接收到若干个不同尺度的特征图的强化特征多尺度融合后输出增强后的若干个不同尺度的特征至检测网络。
3.根据权利要求2所述的车辆的安全检测系统，其特征在于：所述主干网络包括用于提取输入图像数据的低级特征的cbs模块，用于缓解深度学习训练中的梯度消失问题的c2f模块，以及用于对不同尺度的特征进行处理并合并以增强模型的特征表示能力和多尺度目标的识别能力的sppf模块，所述cbs模块布置在主干网络的输入层中，所述cbs模块和/或c2f模块布置在主干网络的隐藏层中若干个依次传播的层级内，若干个层级中的部分层级的c2f模块分别与瓶颈网络中相应的拼接功能部分连接并分别输出不同尺度的特征图，所述sppf模块布置在主干网络的输出层中，所述sppf模块设置为由cbs模块和用于对特征图进行下采样以捕获并强化不同尺度上的特征表达获取特征图的上下文信息的maxpool2d层组成，所述sppf模块在通过concat操作进行特征图的拼接后输出特征图至瓶颈网络中。
4.根据权利要求2所述的车辆的安全检测系...
【专利技术属性】
技术研发人员：陈细平，马朋伟，章东平，田锋，
申请(专利权)人：杭州半云科技有限公司，
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。