[发明专利]一种用于铁路接触网螺栓异常状态的检测方法及系统

说明书

本发明实施例提供一种用于铁路接触网螺栓异常状态的检测方法及系统。该方法包括：获取待检测铁路接触网螺栓图像；基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。本发明实施例基于非监督学习的算法，解决现有检测算法泛化性差、异常类别定义困难、对于未见过的异常样本准确性大幅降低的问题，且非监督学习算法不需要对异常种类进行详细的定义，大幅降低数据标注量，并降低检测人员工作强度。

技术领域

本发明涉及铁路检测技术领域，尤其涉及一种用于铁路接触网螺栓异常状态的检测方法及系统。

背景技术

在日常铁路接触网维护中，存在大量铁路接触网图像异常检测任务，其中由于螺栓为典型小尺寸部件，数量及型号众多，出现状态异常概率较高而实际可采集到的异常样本相对较少，使得螺栓状态异常检测任务难度最高。高铁为典型的复杂系统，螺栓由于其功能特点，广泛应用于铁路接触网设备中，其异常状态的检测对维护高铁正常运行意义重大。目前接触网螺栓状态异常检测任务主要依赖专业人员进行图像筛查，人工分析方法检测效率低、检测持续性差、判断充满主观性等缺点严重影响了螺栓异常状态分析任务，亟需研发自动检测算法辅助人工进行螺栓异常状态识别。

目前铁路图像异常检测方法主要基于监督型学习方法，主要思路为基于深度学习方法训练神经网络实现螺栓状态的二分类或多分类。该类方法取得一定进展，但需要定义螺栓异常类别并需进行大量标注工作。

而基于监督学习的方法存在以下缺陷：

1、基于监督型方法的螺栓异常状态检测，需要对数据进行准确且细分的类别标注，在现实场景中难以确定全部异常类别；

2、当数据在各类别中比例差异较大时，会造成数据差异性问题；

3、基于深度学习的目标检测、分类方法进行图像检测，适用于异常类别间差异明显的情形，当差异较小时会导致部分差异类别检测效果不佳的问题；

4.基于监督学习的异常检测方法需要进行大量标注工作，迁移到新任务时会造成大量人力物力成本。

发明内容

本发明实施例提供一种用于铁路接触网螺栓异常状态的检测方法及系统，用以解决现有技术中采用监督学习的算法进行螺栓异常检测需要依赖大量的标注类别样本，当异常差异较小时容易导致检测效果不佳的问题。

第一方面，本发明实施例提供一种用于铁路接触网螺栓异常状态的检测方法，包括：

获取待检测铁路接触网螺栓图像；

基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。

优选地，所述图像生成模型，通过以下步骤获得：

获取生成器和判别器；

所述生成器用于从随机噪声中提取生成图像，所述判别器用于判断所述生成图像与原始图像的误差；

对所述生成器和所述判别器进行迭代优化，完成正常图像样本从隐空间到图像空间的训练学习；

训练完成后将所述生成器和所述判别器设置预设固定参数，得到所述图像生成模型。

优选地，所述生成器为自动编码器的解码器结构，所述判别器为所述自动编码器的整体。

优选地，所述多重空间映射模型，通过以下步骤获得：

获取第一编码器、第二编码器和所述生成器；

输入所述正常图像样本，通过所述第一编码器完成由所述图像空间到所述隐空间的映射；

通过所述生成器完成所述隐空间到生成图像空间的映射；