申请/专利权人：东南大学

申请日：2021-07-12

公开（公告）日：2024-04-23

公开（公告）号：CN113506268B

主分类号：G06V10/82

分类号：G06V10/82;G06V10/764;G06N3/0455;G06N3/0475;G06N3/094;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2021.11.02#实质审查的生效;2021.10.15#公开

摘要：本发明涉及一种面向铁轨图像的半监督异物检测方法，包括以下步骤：使用高清相机获得铁路轨道的二维图像，并将其转换为灰度图；采用基于GAN的异常检测方法，在模型训练阶段只输入正常的铁轨图像；在测试阶段模型可已重构出正常样本的图像，却无法重构出异常样本图像；在推理阶段，设置一个阈值，当重构图像与原图之间差异大于所设阈值，该图像就被判定为异常。本发明采用半监督的方式，在模型训练时不需要异常样本图像，并且在推理阶段可以准确地检测出铁轨异物图像。

主权项：1.一种面向铁轨图像的半监督异物检测方法，其特征在于，该方法包括以下步骤：步骤一、通过高清摄像机拍摄铁路轨道得到二维图像，并将拍摄的图像分为无异物的正常图像Iin和有异物的异常图像步骤二、采用基于生成式对抗网络模型的异常检测方法，在模型训练阶段，只输入正常图像Iin，使模型学习到正常图像的特征表示和数据分布，获得重构正常图像能力；步骤三、在测试阶段，当输入正常图像Iin时，模型可以重构出与正常图像相似度极高的重构图像Ire；当输入异常图像时，模型重构出的图像与真实异常图像相差较大；步骤四、在推理阶段，当输入一个正常图像时，重构图像与正常图像之间的差异较小；当输入一个异常图像时，重构图像与异常图像之间的差异较大，设置一个阈值θ，当输入图像与重构图像之间的差异大于所设阈值时，判定输入为异常图像；步骤二中所述的基于生成式对抗网络模型采用基于特征匹配的2范数损失与基于最小二乘损失相结合，作为模型的对抗损失函数：对于判别器网络的损失函数计算如下： 对于生成器网络的损失函数计算如下： 其中，为模型的对抗损失函数；x为输入到模型中的图像；Dx为输入图像经过判别器网络的输出；Gx为输入图像经过生成器网络的输出；f·为移除了最后一个分类层网络的特征匹配函数；表示真实数据和生成数据期望，||·||2表示2范数函数；DGx表示生成图像经过判别器网络的输出；同时，利用正常图像Iin和重构图像Ire之间的距离信息来惩罚生成器，使生成器可以重构出更加真实的图像，其中Ire＝GIin， 其中，为模型的重构损失函数，||·||1表示1范数函数；增加一个约束生成器的条件：采用一种通过对比正常图像Iin和重构图像Ire在高层抽象空间中的差异来推断异常的方式，其中vE＝EIre， 其中，为模型的编码损失函数；为正常图像Iin在生成器网络的编码部分GE的高层抽象空间中的特征向量；vE为重构图像在编码网络E的高层抽象空间中的特征向量；最后将上述3类损失函数加权求和，共同来更新模型： 其中，为模型整体的损失函数，ωadv、ωre、ωenc分别为模型对抗损失函数、重构损失函数和编码损失函数的权重值。

全文数据：

权利要求：

百度查询： 东南大学 一种面向铁轨图像的半监督异物检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD