一种铁路接触网异常检测方法、装置、设备及介质与流程

本申请涉及铁路接触网智能检测领域，特别是涉及一种铁路接触网异常检测方法、装置、设备及介质。

背景技术：

1、在电气化铁路弓网系统中，接触网支撑组件的健康状况直接决定电能传输质量与列车运行安全。由于列车长期处于高速运行工况，且外部环境复杂多变（如强风、振动、腐蚀、电气负荷等），支撑组件极易产生结构损伤或功能失效，例如绝缘子破损、吊弦断裂、螺栓松动或开口销缺失等。若未能及时发现并排除这些缺陷，极可能引发重大行车事故，造成严重的经济损失与社会影响。因此，开展接触网支撑组件异常检测的研究具有重要的工程意义。

2、传统的接触网检测主要依赖人工巡检，存在效率低、主观性强、难以适应海量数据增长和复杂恶劣作业环境等突出问题。近年来，随着无人机、智能检测车以及人工智能算法的发展，接触网运维逐步向智能化方向迈进。主流的接触网检测算法包括机器学习和深度学习两大类。前者遵循特征提取与模板匹配流程，例如基于harris-ssda的角点检测框架或结合领域知识的机器学习方法，这类方法计算效率较高，但泛化性能受制于超参数的人工设置。后者通过深度特征建模实现零部件的定位与异常识别，如基于掩码图像建模的csrm-mim方法、yolo框架下的非对称解耦头检测器等。这些研究在数据源丰富的条件下取得了良好效果，但实际线路中异常样本极为稀缺，故障相对于正常样本属于极稀少事件，传统有监督学习难以收集覆盖所有故障类型的完备数据集，导致模型对未知异常的泛化能力严重不足。

3、此外，接触网图像背景复杂，包含钢架结构、植被、天空以及多变的光照条件，基于自编码器或生成对抗网络的检测方案往往难以在高分辨率、高复杂度图像中精准重建细微特征，针对销钉、垫圈等微小零部件的异常检测容易出现大量误报或漏报。同时，现有模型通常需要针对每一类零部件单独训练与参数调优，面对接触网成百上千种不同规格的零部件，这种“一类一模型”的方案在实际巡检业务中缺乏扩展性，难以适应快速迭代的检测需求。

4、因此，如何基于少量正常样本（few-shot）准确、高效地实现铁路接触网异常检测，成为目前亟待解决的问题。

技术实现思路

1、本申请的目的是提供一种铁路接触网异常检测方法、装置、设备及介质，可基于少量正常样本准确、高效地实现铁路接触网异常检测。

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异常检测方法，包括：

4、获取目标铁路接触网支撑组件的原始巡检图像；

5、采用图像分割算法对所述原始巡检图像进行处理，得到目标图像；

6、将所述目标图像输入异常检测网络，得到目标铁路接触网支撑组件的图像级的异常分类得分与像素级的异常定位热图；

7、其中，所述异常检测网络基于raf-clip模型构建；所述raf-clip模型包括：语义提示模块、clip文本编码器、clip图像编码器、多尺度空间聚合模块、轻量级异常聚焦适配模块和跨模态语义对齐模块；

8、所述语义提示模块用于构建提示词库，所述提示词库包括：多组双分支文本语义提示；所述clip文本编码器用于对所述提示词库进行文本编码输出文本原型特征；所述clip图像编码器用于对所述原始巡检图像进行多层级特征提取，得到不同深度不同感受野的多层级特征图；所述多尺度空间聚合模块用于采用不同尺寸的滑动窗口在每个层级特征图上融合邻域上下文信息，得到多尺度融合特征；所述轻量级异常聚焦适配模块用于基于可学习自注意力机制对所述多尺度融合特征进行增强得到视觉特征集合；所述跨模态语义对齐模块用于根据所述文本原型特征和所述视觉特征集合输出图像级的异常分类得分与像素级的异常定位热图。

9、第二方面，本申请提供了一种铁路接触网异常检测装置，包括：

10、图像获取模块，用于获取目标铁路接触网支撑组件的原始巡检图像；

11、图像处理模块，用于采用图像分割算法对所述原始巡检图像进行处理，得到目标图像；

12、异常检测模块，用于将所述目标图像输入异常检测网络，得到目标铁路接触网支撑组件的图像级的异常分类得分与像素级的异常定位热图；

13、其中，所述异常检测网络基于raf-clip模型构建；所述raf-clip模型包括：语义提示模块、clip文本编码器、clip图像编码器、多尺度空间聚合模块、轻量级异常聚焦适配模块和跨模态语义对齐模块；

14、所述语义提示模块用于构建提示词库，所述提示词库包括：多组双分支文本语义提示；所述clip文本编码器用于对所述提示词库进行文本编码输出文本原型特征；所述clip图像编码器用于对所述原始巡检图像进行多层级特征提取，得到不同深度不同感受野的多层级特征图；所述多尺度空间聚合模块用于采用不同尺寸的滑动窗口在每个层级特征图上融合邻域上下文信息，得到多尺度融合特征；所述轻量级异常聚焦适配模块用于基于可学习自注意力机制对所述多尺度融合特征进行增强得到视觉特征集合；所述跨模态语义对齐模块用于根据所述文本原型特征和所述视觉特征集合输出图像级的异常分类得分与像素级的异常定位热图。

15、第三方面，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能够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上述中任一项所述的铁路接触网异常检测方法。

16、第四方面，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上述中任一项所述的铁路接触网异常检测方法。

17、根据本申请提供的具体实施例，本申请具有了以下技术效果：

18、本申请提供了一种铁路接触网异常检测方法、装置、设备及介质，基于raf-clip模型构建异常检测网络，raf-clip模型中的语义提示模块可自动学习接触网正常与各类异常缺陷特征之间的语义决策边界，彻底摆脱对人工标注经验的依赖，clip文本编码器仅需对少量可学习提示词进行微调即可实现高效的领域迁移，适用于接触网小样本场景，后续从多尺度空间聚合、轻量化异常聚焦以及跨模态特征投影三个递进维度，全面提升了模型对接触网各类细微缺陷的捕捉能力与表征精度，本申请基于可学习通用状态提示与异常聚焦视觉增强的raf-clip模型具有更强的泛化性和准确性，能够在少样本条件下实现优越的检测精度和定位性能，并适应快速迭代的检测需求，有效应对接触网复杂背景与细微缺陷的检测挑战，为铁路智能运维提供了可靠的技术支撑。

1.一种铁路接触网异常检测方法，其特征在于，包括：

2.根据权利要求1所述的铁路接触网异常检测方法，其特征在于，采用图像分割算法对所述原始巡检图像进行处理，得到目标图像，具体包括：

3.根据权利要求1所述的铁路接触网异常检测方法，其特征在于，构建提示词库，具体包括：

4.根据权利要求1所述的铁路接触网异常检测方法，其特征在于，对所述提示词库进行文本编码输出文本原型特征，具体包括：

5.根据权利要求1所述的铁路接触网异常检测方法，其特征在于，对所述原始巡检图像进行多层级特征提取，得到不同深度不同感受野的多层级特征图，具体包括：采用分块嵌入操作将对所述原始巡检图像划分为图像块序列，对所述图像块序列进行图像编码，提取多层级特征表示，得到不同深度不同感受野的多层级特征图；所述多层级特征图包括：全局类别令牌和局部图块令牌；

6.根据权利要求1所述的铁路接触网异常检测方法，其特征在于，根据所述文本原型特征和所述视觉特征集合输出图像级的异常分类得分与像素级的异常定位热图，具体包括：

7.根据权利要求1所述的铁路接触网异常检测方法，其特征在于，对所述raf-clip模型进行训练时采用的多任务联合损失优化函数基于图像级分类损失、像素级分割损失和patch对齐损失构建；所述图像级分类损失基于图像级真实标签和全局类别令牌对应的概率确定；所述像素级分割损失基于每个图块令牌属于异常类别的概率和像素级真实掩码确定；所述patch对齐损失每个层级每个尺度下的正常图块令牌与异常图块令牌确定。

8.一种铁路接触网异常检测装置，其特征在于，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能够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1-7中任一项所述的铁路接触网异常检测方法。

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1-7中任一项所述的铁路接触网异常检测方法。