一种铁路接触网零部件无监督异常检测方法、设备及介质与流程
本申请涉及电气化铁路接触网图像智能检测及计算机视觉,特别是涉及一种铁路接触网零部件无监督异常检测方法、设备及介质。
背景技术:
1、电气化铁路接触网系统作为牵引供电的核心基础设施,其支持零部件的健康状态直接决定了高铁列车的输电质量与列车的高速安全运营。依托无人机及全自动巡检车辆等前沿运载平台,搭载高分辨率视觉传感器进行流水线式图像采集,已成为现代化接触网精细化巡检的重要基石。
2、在真实的电气化铁路运维现场,存在“海量正样本与微量负样本”的强烈非对称性情况,其会导致极度依赖像素级全监督或大模型全参数微调的常规算法陷入严重的“数据饥饿”困境,在面对少样本(few-shot)或未见突发缺陷时极易触发剧烈的决策边界过拟合。为了打破接触网缺陷样本匮乏带来的数据饥饿困境,部分研究表明,以对比语言-图像预训练大模型为代表的视觉-语言大模型通过跨模态对比预训练,能够建立起极强的少样本甚至零样本泛化表征,为接触网异常检测开辟了全新的多模态视角。然而,直接将其迁移至去除了背景、高度同质化的纯零部件缺陷图像时,仍存在以下两个根本性的制约:
3、一,确定性向量对齐机制缺乏对偶发不确定性的度量手段:现有的视觉语言模型通常采用确定性点对齐范式(即直接计算固定特征点的亲和力),其提示词空间约束通常较为微弱,模型缺乏对零部件表面由于强光反光、材质非均匀老化等引起的偶发不确定性的量化与正则化手段,在面对户外光照突变、表面反光等引发的瑕疵视觉模糊性时,极易对非故障环境噪声过拟合,在无背景的单一材质表面将正常反光误报为损伤。
4、二,硬性标签离散对齐范式易导致严重的空间标签污染与语义钝化:现有的可学习提示词优化方案倾向于采用独热码(one-hot)硬性标签进行离散对齐,未能显式约束多语言文本表述在高度同质化金属表面上的软边界语义映射,导致模型在面对复杂的“图-文-零件”多对一关联时产生严重的“语义钝化”,且硬标签容易将异常图内部大量的正常物理块强制归类,引发严重的空间污染,无法实现超高精度的裂缝区域精细分割与定位。
5、综上,如何在少样本甚至无监督的严苛工况下,自适应量化并平抑环境域漂移带来的特征不确定性,摆脱对全监督密集掩膜的依赖并避免空间标签污染,实现低算力开销下图像级筛查与像素级定位的并行输出,全面满足高铁边缘端对高吞吐量实时巡检的实际部署需求,是当前铁路智能运维领域亟待解决的技术瓶颈。
技术实现思路
1、本申请的目的是提供一种铁路接触网零部件无监督异常检测方法、设备及介质,在极低算力开销下实现免密集解码的图像级快速初筛与像素级精确定位的并行输出。
2、为实现上述目的,本申请提供了如下方案:
3、第一方面,本申请提供了一种铁路接触网零部件无监督异常检测方法,包括:
4、获取铁路接触网零部件待检图像;
5、基于所述铁路接触网零部件待检图像,执行多模态特征提取与不确定性流初始化,得到视觉特征令牌序列及文本标记序列;
6、基于所述视觉特征令牌序列及所述文本标记序列,采用双向概率投影不确定性适配器,动态织入不确定性状态,以进行分布级拓扑化参数表征,得到高斯分布参数化表征的连续采样特征状态;
7、基于所述连续采样特征状态,采用不确定性感知的跨模态概率注意力交互网络,以文本高斯分布作为查询,视觉高斯分布作为键与值,触发跨模态网络交互,结合序列尺度齐合与方差级汇聚,得到图文联合概率表征;
8、采用对称的双向库尔贝克-莱布勒散度作为跨模态相似度网络解算器,对所述图文联合概率表征,执行概率相似度量,得到跨模态概率匹配距离拓扑矩阵;
9、引入像素级缺陷密集度构建软语义相关性权重矩阵,并结合所述跨模态概率匹配距离拓扑矩阵建立软块级对比损失函数,以对网络参数进行优化;
10、基于优化后网络参数,根据对应的跨模态概率匹配距离拓扑矩阵进行扁平化无解码器求解像素级异常热力图,并行触发双路协同处理路径,得到多目标结构化分级预警结果。
11、第二方面,本申请提供了一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现铁路接触网零部件无监督异常检测方法。
12、第三方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现铁路接触网零部件无监督异常检测方法。
13、根据本申请提供的具体实施例,本申请公开了以下技术效果:本申请采用双向概率投影不确定性适配器,动态织入不确定性状态,以进行分布级拓扑化参数表征,得到高斯分布参数化表征的连续采样特征状态,使通用的多模态预训练大模型知识能够迅速且低成本地迁移至特定的接触网核心零部件检测场景。在不依赖任何海量故障缺陷标注样本的前置条件下,表现出统治级的异常识别精度。本申请将多模态点特征重构为含均值与方差的多元高斯概率分布,并配套设计了不确定性感知的跨模态概率注意力交互网络与对称的双向库尔贝克-莱布勒散度,还实现了方差级汇聚,自适应压低由于反光斑或环境域漂移引起的图像块惩罚权重,从而提供了天然的环境噪声容错外壳,在大风沙、环境突变的高干扰工况下,仍能精准锁定微小故障边界,有效杜绝了虚假假警。本申请引入像素级缺陷密集度构建软语义相关性权重矩阵,并结合跨模态概率匹配距离拓扑矩阵建立软块级对比损失函数,以对网络参数进行优化,可实现高精度、结构完整、边界清晰的像素级瑕疵边界咬合与精准定位。本申请基于优化后网络参数,根据对应的跨模态概率匹配距离拓扑矩阵进行扁平化无解码器求解像素级异常热力图,并行触发双路协同处理路径,得到多目标结构化分级预警结果。通过这一处理,彻底避开了传统重构网络臃肿高昂的特征回褶积解码解码开销,将单帧前向推理延迟压缩至毫秒级阈值以下,可满足车载终端与无人机边缘端进行地面高可靠实时巡检的工程落地需要。
1.一种铁路接触网零部件无监督异常检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的铁路接触网零部件无监督异常检测方法,其特征在于,基于所述铁路接触网零部件待检图像,执行多模态特征提取与不确定性流初始化,得到视觉特征令牌序列及文本标记序列,包括:
3.根据权利要求2所述的铁路接触网零部件无监督异常检测方法,其特征在于,基于所述视觉特征令牌序列及所述文本标记序列,采用双向概率投影不确定性适配器,动态织入不确定性状态,以进行分布级拓扑化参数表征,得到高斯分布参数化表征的连续采样特征状态,包括:
4.根据权利要求1所述的铁路接触网零部件无监督异常检测方法,其特征在于,基于所述连续采样特征状态,采用不确定性感知的跨模态概率注意力交互网络,以文本高斯分布作为查询,视觉高斯分布作为键与值,触发跨模态网络交互,结合序列尺度齐合与方差级汇聚,得到图文联合概率表征,包括:
5.根据权利要求1所述的铁路接触网零部件无监督异常检测方法,其特征在于,采用对称的双向库尔贝克-莱布勒散度作为跨模态相似度网络解算器,对所述图文联合概率表征,执行概率相似度量,得到跨模态概率匹配距离拓扑矩阵,包括:
6.根据权利要求1所述的铁路接触网零部件无监督异常检测方法,其特征在于,引入像素级缺陷密集度构建软语义相关性权重矩阵,并结合所述跨模态概率匹配距离拓扑矩阵建立软块级对比损失函数,以对网络参数进行优化,包括:
7.根据权利要求4所述的铁路接触网零部件无监督异常检测方法,其特征在于,基于优化后网络参数,根据对应的跨模态概率匹配距离拓扑矩阵进行扁平化无解码器求解像素级异常热力图,并行触发双路协同处理路径,得到多目标结构化分级预警结果,包括:
8.根据权利要求7所述的铁路接触网零部件无监督异常检测方法,其特征在于,基于所述图像级异常初筛总得分,对所述像素级异常热力图采用快慢解耦、异步唤醒的控制机制,确定像素级定位边界框及结构化分级预警指令流,包括:
9.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述的铁路接触网零部件无监督异常检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-8中任一项所述的铁路接触网零部件无监督异常检测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com