【技术实现步骤摘要】
本专利技术涉及工业场景下计算机视觉领域，尤其是涉及一种针对小样本情况的道路异常检测方法。
技术介绍
1、随着交通系统的发展，对道路异常情况的及时发现与检修变得尤为重要，小样本图像异常检测技术是工业领域中确保质量和稳定性的关键手段，随着智能制造的快速发展，对异常检测的要求越来越高，异常检测的目标是从正常图像中识别出潜在的缺陷或异常，避免因质量问题造成的经济损失和生产效率下降。
2、目前，小样本图像异常检测方法主要分为传统统计方法、机器学习法、无监督学习法。统计法通过分析图像的统计特征来检测异常。例如，利用灰度直方图、边缘检测等技术来判断图像中是否存在异常区域。虽然这些方法在简单场景中表现良好，但在复杂图像背景下，由于其对数据分布的假设较为严格，容易导致检测精度不足。机器学习法通过对大量图像进行训练，模型能够学习到有效的特征表示。无监督学习法通过对正常样本进行学习，来识别与之不匹配的异常样本。现有的小样本图像异常检测技术在理论上具有一定优势，但在实际应用中易存在一些问题。现有技术在提取图像特征时往往局限于局部信息，忽视了图像中不同区域之间的关系。对于工业应用中的复杂图像，局部特征难以全面反映异常的实际情况。检测模型通常需要大量标注数据进行训练，但在小样本情况下，获取标注数据的成本较高。在标注样本不足的情况下，模型的学习效果显著下降，影响检测的准确性。
技术实现思路
1、本专利技术的目的就是为了提高小样本情况下道路异常检测的准确性而提供的一种针对小样本情况的道路异常检测方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种针对小样本情况的道路异常检测方法，方法包括以下步骤：
4、s1、获取道路探测的雷达数据，对于数据进行图像处理，转换为对应的图片数据，并对所有图片数据进行数据增强，得到图片数据集，所述训练集只包含正常样本的图片；
5、s2、构建道路异常检测网络，训练集输入道路异常检测网络，训练集分解为局部patch块，识别尾样本，基于尾样本的局部patch块输出强化特征表示，学习各个局部patch块的嵌入表示，通过图卷积层聚合节点信息，得到聚合特征，基于聚合特征计算特征相似度，并计算重建误差，基于重建误差调整训练集中尾样本的权重，同时基于重建误差和特征相似度计算异常评分，输出异常区域，基于对比损失函数训练道路异常检测网络，得到道路异常检测模型；
6、s3、获取实际的道路图像数据，所述道路图像数据输入道路异常检测模型，得到实际异常区域，将实际异常区域输入异常检测分割模型，将实际异常区域合并，形成完整的异常区域。
7、进一步地，s2的具体步骤为：
8、构建道路异常检测网络，训练集输入道路异常检测网络，将训练集的图片分解为多个局部patch块；
9、采用预训练模型作为特征提取器，对每个局部patch块提取对应的特征向量，对特征向量进行筛选，识别尾样本，筛选后的特征向量输入自注意力机制，自注意力机制输出强化特征表示；
10、强化特征表示输入道路异常检测网络的图神经网络学习局部patch块的嵌入表示，进行聚合信息，得到聚合特征；
11、基于聚合特征计算特征相似度，聚合特征经过自编码器得到重建后的特征，基于重建后的特征计算重建误差，基于重建误差调整训练集中尾样本的权重，同时基于重建误差和特征相似度计算异常评分，输出异常区域；
12、基于权重和特征相似度计算对比损失函数，基于对比损失函数优化道路异常检测网络，得到道路异常检测模型。
13、进一步地，所述重建误差为：
14、
15、其中，reconstructionerrori是第i个局部patch块的重建误差，fi是第i个局部patch块的原始输入特征，是第i个局部patch块重建后的特征。
16、进一步地，特征相似度为：
17、
18、其中，fi和fj是两个局部patch块的聚合特征。
19、进一步地，异常评分为：
20、
21、其中，si是第i个局部patch的异常评分，α，β作为权重系数，reconstructionerrorii是第i个局部patch块的重建误差，n(i)表示第i个局部patch的领域，similarity(fi,fj)为第i个局部patch块和第j个局部patch块间的相似度，fi为第i个局部patch块的聚合特征。
22、进一步地，调整后的训练集中尾样本的权重为：
23、
24、其中，reconstructionerrori是第i个patch块的重建误差，μ是所有样本重建误差的均值，λ是调整超参数。
25、进一步地，对比损失函数为：
26、
27、其中，d＝similarity(fi,fj)，m是一个超参数，用于控制负样本对的最小距离，ωi是样本i的调整后的权重，yi是样本对的标签。
28、进一步地，识别尾样本具体为：
29、通过基于密度的聚类算法，选择稀疏区域中的样本作为尾样本。
30、进一步地，基于重建误差和特征相似度计算异常评分，输出异常区域的具体步骤为：
31、基于重建误差和特征相似度计算异常评分，将异常评分超过阈值的局部patch块作为异常区域。
32、进一步地，预训练模型为wideresnet 101模型。
33、与现有技术相比，本专利技术具有以下有益效果：
34、本专利技术通过在局部邻域上进行特征聚合，能够充分利用相邻补丁之间的关系，保留了足够的空间上下文。这种局部聚合的方式提升了异常检测的灵敏度，特别是在处理工业场景下的问题时，能够准确识别出微小的异常，此外，本专利技术引入了动态加权机制，针对尾样本进行优化，减少了正常样本和异常样本之间的重叠。这一改进能够显著提高检测的可靠性，减少误报和漏报情况，从而增强了模型在实际应用中的可用性。
本文档来自技高网...【技术保护点】
1.一种针对小样本情况的道路异常检测方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的一种针对小样本情况的道路异常检测方法，其特征在于，S2的具体步骤为：
3.根据权利要求2所述的一种针对小样本情况的道路异常检测方法，其特征在于，所述重建误差为：
4.根据权利要求3所述的一种针对小样本情况的道路异常检测方法，其特征在于，特征相似度为：
5.根据权利要求4所述的一种针对小样本情况的道路异常检测方法，其特征在于，异常评分为：
6.根据权利要求5所述的一种针对小样本情况的道路异常检测方法，其特征在于，调整后的训练集中尾样本的权重为：
7.根据权利要求6所述的一种针对小样本情况的道路异常检测方法，其特征在于，对比损失函数为：
8.根据权利要求2所述的一种针对小样本情况的道路异常检测方法，其特征在于，识别尾样本具体为：
9.根据权利要求2所述的一种针对小样本情况的道路异常检测方法，其特征在于，基于重建误差和特征相似度计算异常评分，输出异常区域的具体步骤为：
10.根据权利
...【技术特征摘要】
1.一种针对小样本情况的道路异常检测方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的一种针对小样本情况的道路异常检测方法，其特征在于，s2的具体步骤为：
3.根据权利要求2所述的一种针对小样本情况的道路异常检测方法，其特征在于，所述重建误差为：
4.根据权利要求3所述的一种针对小样本情况的道路异常检测方法，其特征在于，特征相似度为：
5.根据权利要求4所述的一种针对小样本情况的道路异常检测方法，其特征在于，异常评分为：
6.根据权利要求5所述的一种针对小样本情况的道路异常检...
【专利技术属性】
技术研发人员：林涛，王蓉，易世铭，江泽品，樊梦瑶，
申请(专利权)人：上海应用技术大学，
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。