[发明专利]一种基于无监督学习的路面异常检测方法及系统

权利要求书

1.一种基于无监督学习的路面异常检测方法，其特征在于，所述方法包括以下步骤：

S1：构建特征提取模型，所述特征提取模型用于提取图像的特征，设置所述特征提取模型用于提取图像特征的中间层；

S2：构建路面正常训练样本集，将路面正常图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面正常训练样本集；

S3：构建路面异常检测模型集、获得异常阈值；

通过对所述路面正常训练样本集的无监督学习获得所述路面异常检测模型集，获得所述路面异常检测模型集的具体步骤为：分别对所述路面正常训练样本集中每一个中间层对应的所有路面正常训练样本进行无监督学习，获得所述路面异常检测模型集，所述路面异常检测模型为马氏距离模型；

通过所述路面正常训练样本集与所述路面异常检测模型集之间的距离，获取所述异常阈值，所述异常阈值的计算步骤为：

步骤1：计算所述路面正常训练样本集中每一个中间层对应的所有路面正常训练样本与对应的路面异常检测模型的马氏距离集；

步骤2：在所述马氏距离集中提取每一张路面正常图像在每一个中间层对应的马氏距离，获得每一张路面正常图像的马氏距离集；

步骤3：将所述每一张路面正常图像的马氏距离集中所有距离加权求和得到每一张路面正常图像的马氏距离；

步骤4：根据所述每一张路面正常图像的马氏距离，取马氏距离最大值作为所述异常阈值；

S4：获取路面检测样本集，将检测图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面检测样本集；

S5：获取检测距离，通过所述路面检测样本集与所述路面异常检测模型集之间的距离，获取检测图像集中每一张图像的检测距离；

S6：路面异常检测结果判断，通过所述检测图像集中每一张图像的检测距离与所述异常阈值之间的关系，得到所述检测图像集中每一张图像的检测结果。

2.根据权利要求1所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述用于提取图像特征的中间层至少为两层。

3.根据权利要求1所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述构建路面正常训练样本集的步骤为：

S201：将所述路面正常图像集输入所述特征提取模型中，提取所述中间层的输出特征，得到路面正常特征矩阵集；

S202：将所述路面正常特征矩阵集中的每一个特征矩阵做最大池化操作，得到一维特征向量集；

S203：将所述一维特征向量集中的每个一维特征向量做二范数归一化处理，得到所述路面正常训练样本集。

4.根据权利要求1所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述获取路面检测样本集的步骤为：

S401：将所述检测图像集输入所述特征提取模型中，提取所述中间层的输出特征，得到路面检测特征矩阵集；

S402：将所述路面检测特征矩阵集中的每一个特征矩阵做最大池化操作，得到一维特征向量集；

S403将所述一维特征向量集中的每个一维特征向量做二范数归一化处理，得到所述路面检测样本集。

5.根据权利要求1所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述每一张图像的检测距离的计算步骤为：

S501：计算所述路面检测样本集中每一个中间层对应的所有路面检测样本与对应的路面异常检测模型的距离集；

S502：在所述距离集中提取每一张检测图像在每一个中间层对应的距离，获得每一张检测图像的距离集；

S503：将所述每一张检测图像的距离集中所有距离加权求和得到所述每一张图像的检测距离。

6.根据权利要求1所述的一种基于无监督学习的路面异常检测方法，其特征在于，所述每一张图像的检测结果的判断步骤为：

所述检测距离小于等于所述异常阈值，输出路面正常；

所述检测距离大于所述异常阈值，输出路面异常。

7.一种基于无监督学习的路面异常检测系统，包括：

特征提取模型构建模块：用于获得所述特征提取模型，设置所述特征提取模型用于提取图像特征的中间层；

特征提取模块：用于正常图像集及检测图像集的特征提取，分别获得路面正常训练样本集及路面检测样本集；

获取路面正常训练样本集，将所述路面正常图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面正常训练样本集；

所述获取路面检测样本集，将所述检测图像集输入所述特征提取模型，提取所述中间层的输出特征，构建所述路面检测样本集；

路面异常检测模型集构建模块：用于构建路面异常检测模型集、获得异常阈值；

通过对所述路面正常训练样本集的无监督学习获得所述路面异常检测模型集，获得所述路面异常检测模型集的具体步骤为：分别对所述路面正常训练样本集中每一个中间层对应的所有路面正常训练样本进行无监督学习，获得所述路面异常检测模型集，所述路面异常检测模型为马氏距离模型；

通过所述路面正常训练样本集与所述路面异常检测模型集之间的距离，获取所述异常阈值，所述异常阈值的计算步骤为：

步骤1：计算所述路面正常训练样本集中每一个中间层对应的所有路面正常训练样本与对应的路面异常检测模型的马氏距离集；

步骤2：在所述马氏距离集中提取每一张路面正常图像在每一个中间层对应的马氏距离，获得每一张路面正常图像的马氏距离集；

步骤3：将所述每一张路面正常图像的马氏距离集中所有距离加权求和得到每一张路面正常图像的马氏距离；

步骤4：根据所述每一张路面正常图像的马氏距离，取马氏距离最大值作为所述异常阈值；

检测图像集中每一张图像的检测距离计算模块：通过所述路面检测样本集与所述路面异常检测模型集之间的距离，获取检测图像集中每一张图像的检测距离；

路面异常判断模块：通过所述检测图像集中每一张图像的检测距离与所述异常阈值之间的关系，得到所述检测图像集中每一张图像的检测结果。