一种针对轨道数据的异常变化检测方法及系统与流程

1.本发明涉及一种异常检测方法，尤其涉及一种针对轨道数据的异常变化检测方法，并涉及采用了该针对轨道数据的异常变化检测方法的异常变化检测系统。


背景技术：

2.随着科技发展，轨道交通已经成为主要的出行方式之一。由于列车处于高速运行中，轨道即使发生一些细微的异常变化都可能会导致重大的安全事故，因此对轨道进行细致且全面的安全检修是很有必要的。当前轨道安全检测主要采用人工检测或采集数据后采用人工读图的方式进行检测，这两种现有的方法都需要消耗大量人力，并且，由于人的主观性很容易导致误检或漏检，为了避免这些问题，需要研发一种全自动的智能检测系统。
3.但是由于轨道的异常变化多样且未知，在实际工作过程中，无法事先定义好各类异常，然后去做异常检测和分析，因此，常规的异常检测算法对于轨道数据的异常变化这一特殊应用环境下并不适用。


技术实现要素：

4.本发明所要解决的技术问题是需要提供一种能够针对轨道数据而实现的异常变化检测方法，进而达到快速且准确地检测出轨道数据是否发生了异常变化的目的，有效地降低误检或漏检的可能性，提高产品的智能检测性能和安全性能。在此次基础上，还进一步提供采用了该针对轨道数据的异常变化检测方法的异常变化检测系统。
5.对此，本发明提供一种针对轨道数据的异常变化检测方法，包括以下步骤：步骤s1，通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图像和测试图像进行特征提取，分别得到基准图像的多尺度特征和待测图像的多尺度特征；步骤s2，对提取后的特征通过1
×
1的卷积进行特征整合，整合成尺度为1的组合特征以获得关系特征图；步骤s3，通过度量学习器对特征之间的相似度进行学习，其过程包括依次经过第一卷积模块、第二卷积模块、全局均值池化层以及全连接层，进而获取取值范围为[0,1]的特征关系分数。
[0006]
本发明的进一步改进在于，所述步骤s1包括以下两个并行的子步骤：步骤s101，将所述基准图像输入至resnet-34残差神经网络中进行三层的残差学习，在各层的残差学习之后，分别采用卷积核大小为1
×
1进行卷积处理，并在卷积处理之后分别进行反卷积操作，最后再合并输入至步骤s2中；步骤s102，将所述测试图像输入至resnet-34残差神经网络中进行三层的残差学习，在各层的残差学习之后，分别采用卷积核大小为1
×
1进行卷积处理，并在卷积处理之后分别进行反卷积操作，最后再合并输入至步骤s2中。
[0007]
本发明的进一步改进在于，所述步骤s2包括以下子步骤：步骤s201，将步骤s101中三层的残差学习后合并输出的特征采用卷积核大小为1
×
1进行卷积处理；步骤s202，将步骤s102中三层的残差学习后合并输出的特征采用卷积核大小为1
×
1进行卷积处理；步骤s203，将步骤s201进行卷积处理后的特征和步骤s202进行卷积处理后的特征进行拼接，输出关系特征图。
[0008]
本发明的进一步改进在于，resnet-34残差神经网络中的三层残差学习包括卷积层、批标准化层和relu激活函数层。
[0009]
本发明的进一步改进在于，所述步骤s101和步骤s102中三层的残差学习采用对应相同的网络参数分别进行特征提取。
[0010]
本发明的进一步改进在于，先通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图像和测试图像进行特征提取，并结合残差学习输出不同层的变化定位信息，然后通过相同的网络分别对检测到的变化进行辨别，输出像素级的变化检测结果，所述变化检测结果中通过标签对变化位置进行标识。
[0011]
本发明的进一步改进在于，通过标签对变化位置进行标识的过程如下：先初步记录残差学习输出不同层的变化定位信息；然后通过相同的网络分别对检测到的变化定位信息进行辨别，通过相同的网络参数和对比判断识别出变化位置的位置信息，并通过添加标签对该位置信息进行标识；最后输出带有标签的变化检测结果。
[0012]
本发明的进一步改进在于，所述步骤s3包括以下子步骤：步骤s301，将步骤s2得到的关系特征图依次输入至所述第一卷积模块和第二卷积模块，所述第一卷积模块和第二卷积模块均包括卷积层、批标准化层、relu激活函数层以及最大池化层，其中所述第一卷积模块和第二卷积模块的卷积层包括64个尺寸大小为3x3的卷积核；步骤s302，将所述第二卷积模块的输出输入至所述全局均值池化层中进行拉直处理；步骤s303，将所述全局均值池化层的输出输入至所述全连接层中釆用sigmoid激活函数进行计算，输出所述特征关系分数。
[0013]
本发明的进一步改进在于，所述步骤s3中，训练所述度量学习器的过程如下：步骤a1，将采集到的轨道数据按照预设比例分别作为训练数据集，测试数据集和验证数据集；步骤a2，对网络参数进行初始化设置，或采用梯度下降算法设置网络的学习率；步骤a3，输入用于训练的图像，并设置批量归一化时的衰减度为0.05；步骤a4，持续训练直到对验证数据集的检验中，准确率高于第一预设比值，且误检率低于第二预设比值，则判定网络已经完成训练，所述准确率为正常图像和异常图像得以准确判断的数量与测试数据集图像总数量之间的比值，误检率为正常图像被错误判断的数量与异常图像总数量之间的比值。
[0014]
本发明还提供一种针对轨道数据的异常变化检测系统，采用了如上所述的针对轨道数据的异常变化检测方法，并包括：特征提取网络模块，通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图像和测试图像进行特征提取，分别得到基准图像的多尺度特征和待测图像的多
尺度特征；特征整合模块，对提取后的特征通过1
×
1的卷积进行特征整合，整合成尺度为1的组合特征以获得关系特征图；度量学习网络模块，通过度量学习器对特征之间的相似度进行学习，其过程包括依次经过第一卷积模块、第二卷积模块、全局均值池化层以及全连接层，进而获取取值范围为[0,1]的特征关系分数。
[0015]
与现有技术相比，本发明的有益效果在于：利用在不同时间拍摄的待测图像，使用孪生神经网络和残差神经网络直接从待测图像和基准图像中生成包括了变化特征的关系特征图，有效地避免了现有技术难以有效捕获轨道数据中变化特征的缺陷，也无需提前预设异常的种类。本发明能够通过孪生神经网络和残差神经网络的结合输出轨道数据中特征的变化定位信息，能够很好地应对轨道数据这种复杂的应用环境及各种未知异常情况，检测速度快且准确度高。因此，本发明能够有效得解决轨道数据中对于异常变化的自动检测难题，大幅度地降低了误检或漏检的可能性，提高了自动化的智能检测性能和安全性能，对保证列车的正常行驶提供了可靠的保障。
附图说明
[0016]
图1是本发明一种实施例的工作流程示意图；图2是本发明一种实施例的特征提取网络的结构示意图；图3是本发明一种实施例的度量学习网络中一个卷积模块的内部结构示意图。
具体实施方式
[0017]
下面结合附图，对本发明的较优的实施例作进一步的详细说明。
[0018]
基于轨道数据的异常检测有以下几个难点：第一、轨道异常检测与其他异常检测的差异主要在于轨道异常的未知性，导致无法提前预设异常的种类，因此本例优选通过对测试图像和基准图像的特征作比较来进行异常检测的基础；第二、在轨道数据中，光照、光强、对比度、分辨率、尺度以及位置等干扰因素的微妙变化，有可能就会产生不同的结果，如果采用传统方法就是利用图像分割和结合阈值这种常规的决策方法，遇到一些复杂情况就变得极其不稳定，检测的准确率低下。因此，本例所述的异常变化检测方法中的变化优选指的是场景中物体的增加或消失，以及物体或场景结构的转变，进而通过选取这样的特征来避免干扰因素的影响。这种基于物体或场景结构的变化检测过程中的难点主要在于异常变化类型难以穷举，因此无法预设异常变化类型以及原因。本例通过基于多重的卷积神经网络的图像变化检测来解决变化较大且类型未知的异常变化类型。
[0019]
更进一步的，本例优选在步骤s1之前通过对测试图像和基准图像作高精度对齐来避免由于拍摄角度变化和设备抖动等客观因素所造成的图像畸变和拉伸等问题，即所述测试图像和基准图像所使用的拍摄设备、拍摄像素以及拍摄角度保持一致，以尽可能简化后续的数据处理过程。
[0020]
更为具体的，如图1至图3所示，本例提供一种针对轨道数据的异常变化检测方法，包括：步骤s1，通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图
像和测试图像进行特征提取，分别得到基准图像的多尺度特征和待测图像的多尺度特征；这里的多尺度特征指的是包括两个以上不同尺寸的特征；步骤s2，对提取后的特征通过1
×
1的卷积进行特征整合，整合成尺度为1的组合特征以获得关系特征图；步骤s3，通过度量学习器对特征之间的相似度进行学习，其过程包括依次经过第一卷积模块、第二卷积模块、全局均值池化层以及全连接层，进而获取取值范围为[0,1]的特征关系分数。
[0021]
如图2所示，本例所述步骤s1和步骤s2其实是通过孪生神经网络和残差神经网络来实现的特征提取网络，以便用于实现相对应的特征提取；该特征提取网络的输入包括一张基准图像和一张测试图像，输出的是一个对于变化区域实现检测、定位和分类的特征图，也称关系特征图或分类图。图2中，resnet-34指的是残差神经网络，也称残差卷积神经网络，其中的res-14、res-27和res-33分别指的是残差神经网络中的卷积层、批标准化层和relu激活函数层；conv1x1表示卷积核大小为1
×
1的卷积，deconv表示反卷积操作，本例所述特征提取网络中优选用两个结构相同且网络参数相同的孪生神经网络分别对两张图片进行特征提取，所述残差神经网络的输出就是提取特征之后的特征图，然后使用1
ꢀ×
1的卷积对提取的特征进行整合，最后进行拼接获得关系特征图。
[0022]
如图2所示，本例所述步骤s1优选包括以下两个并行的子步骤：步骤s101，将所述基准图像输入至resnet-34残差神经网络中进行三层的残差学习，在各层的残差学习之后，分别采用卷积核大小为1
×
1进行卷积处理（即conv1x1），并在卷积处理之后分别进行反卷积操作（即deconv），最后再合并输入至步骤s2中；步骤s102，将所述测试图像输入至resnet-34残差神经网络中进行三层的残差学习，在各层的残差学习之后，分别采用卷积核大小为1
×
1进行卷积处理（即conv1x1），并在卷积处理之后分别进行反卷积操作（即deconv），最后再合并输入至步骤s2中。
[0023]
相应的，本例所述步骤s2包括以下子步骤：步骤s201，将步骤s101中三层的残差学习后合并输出的特征采用卷积核大小为1
×
1进行卷积处理；步骤s202，将步骤s102中三层的残差学习后合并输出的特征采用卷积核大小为1
×
1进行卷积处理；步骤s203，将步骤s201进行卷积处理后的特征和步骤s202进行卷积处理后的特征进行拼接，即将两张图片得到的特征拼在一起便于后续的学习，输出关系特征图。关系特征图指的是把这两个卷积网络输出的特征拼接在一起之后，以拼接的特征作为这两个卷积网络之间的关系特征，也称关系特征图。
[0024]
值得说明的是，本例所述步骤s101和步骤s102中三层的残差学习采用对应相同的网络参数分别进行特征提取，也就是说，本例优选使用平行权重共享网络进行特征提取，平行权重指的是对应相同的网络参数，这样的设计能够确保可以从基准图像和测试图像这两种图像中学到相同的特征。此外，还在整体技术方案中结合了不同水平的卷积层的输出，将不同尺度的特征进行结合，以全面捕获物体的粗糙信息和细节信息。由于训练数据有限，本例还使用了迁移学习的做法，使用resnet-34残差神经网络作为预训练模型，所述resnet-34残差神经网络中的三层残差学习包括卷积层、批标准化层和relu激活函数层，得以对轨
道数据进行全面、高效并且还包括不同尺度的特征的提取，充分并合理地利用基准图像和测试图像之间的特征关联性来实现异常变化检测。
[0025]
同样值得说明的是，本例先通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图像和测试图像进行特征提取，并结合残差学习输出不同层的变化定位信息，然后通过相同的网络分别对检测到的变化进行辨别，输出像素级的变化检测结果，所述变化检测结果中通过标签对变化位置进行标识。其中，通过标签对变化位置进行标识的过程如下：先初步记录残差学习输出不同层的变化定位信息；然后通过相同的网络分别对检测到的变化定位信息进行辨别，通过相同的网络参数和对比判断识别出变化位置的位置信息，并通过添加标签对该位置信息进行标识；最后输出带有标签的变化检测结果，进而能够在无需提前预设异常变化的种类、类型以及原因的情况下，针对轨道数据这一复杂而特殊的环境实现了高效且准确的异常变化检测。
[0026]
因此，本例能够利用在不同时间拍摄的基准图像，使用残差卷积神经网络直接从基准图像和待测图像这两个图像生成变化特征图，以便避免人工设计特征或异常变化难以预设进而无法有效捕获特征的缺陷。
[0027]
本例所述步骤s3用于实现度量学习网络，以便用于实现特征之间的距离度量，用于评价相应特征之间的相似度。所述度量学习网络也称度量学习器，通过该度量学习网络能够学习特征间的相似度。本例所述度量学习器包括第一卷积模块、第二卷积模块以及连个全连接处，图3所示的是显示其中一个卷积模块的内部结构示意图。其中，所述步骤s3优选包括以下子步骤：步骤s301，将步骤s2得到的关系特征图依次输入至所述第一卷积模块和第二卷积模块，所述第一卷积模块和第二卷积模块均包括卷积层、批标准化层、relu激活函数层以及最大池化层，其中所述第一卷积模块和第二卷积模块的卷积层包括64个尺寸大小为3x3的卷积核；步骤s302，将所述第二卷积模块的输出输入至所述全局均值池化层中进行拉直处理；步骤s303，将所述全局均值池化层的输出输入至所述全连接层中釆用sigmoid激活函数（也称s型函数）进行计算，输出所述特征关系分数；所述特征关系分数指的是关于特征的关系分数，用于代表基准图像和测试图像这两个图片特征之间的相似度。
[0028]
本例所述步骤s3中，训练所述度量学习器的过程如下：步骤a1，将采集到的轨道数据按照预设比例分别作为训练数据集，测试数据集和验证数据集；预设比例优选为8:1:1，当然，在实际应用中，也可以通过其他的比例来实现训练，该预设比例可以根据实际情况和需求进行设置和调整；步骤a2，对网络参数进行初始化设置，比如网络的所有参数以均值为零，标准差为0.01的高斯分布生成的随机数进行初始化；或采用梯度下降算法设置网络的学习率，设置梯度下降算法能够动态地调整学习率，并且不用设置初始化学习率这一超参；步骤a3，输入用于训练的图像，图像的数量优选为64，输入的图像尺寸优选为336
×
336
×
3，并设置批量归一化时的衰减度为0.05；步骤a4，持续训练直到对验证数据集的检验中，准确率高于第一预设比值，且误检率低于第二预设比值，则判定网络已经完成训练，所述准确率为正常图像和异常图像得以
准确判断的数量与测试数据集图像总数量之间的比值，误检率为正常图像被错误判断的数量与异常图像总数量之间的比值。所述第一预设比值指的是预先设置的准确率的判断阈值，可以根据实际情况进行设置和调整；所述第二预设比值指的是预先设置的误判率的判断阈值，同样可以根据实际情况进行设置和调整。
[0029]
值得一提的是，并不是准确率高于第一预设比值就代表误检率低于第二预设比值，本例这样的设置，能够综合正常图像和异常图像的正确判断和正常图像被错误判断之间的平衡来实现网络模型的可靠性能，准确率越高，误检率越低，网络的性能越好。
[0030]
本例还提供一种针对轨道数据的异常变化检测系统，采用了如上所述的针对轨道数据的异常变化检测方法，并包括：特征提取网络模块，通过两个结构相同和网络参数相同的孪生神经网络分别对输入的基准图像和测试图像进行特征提取，分别得到基准图像的多尺度特征和待测图像的多尺度特征；特征整合模块，对提取后的特征通过1
×
1的卷积进行特征整合，整合成尺度为1的组合特征以获得关系特征图；度量学习网络模块，通过度量学习器对特征之间的相似度进行学习，其过程包括依次经过第一卷积模块、第二卷积模块、全局均值池化层以及全连接层，进而获取取值范围为[0,1]的特征关系分数。
[0031]
综上所述，本例利用在不同时间拍摄的待测图像，使用孪生神经网络和残差神经网络直接从待测图像和基准图像中生成包括了变化特征的关系特征图，有效地避免了现有技术难以有效捕获轨道数据中变化特征的缺陷，也无需提前预设异常的种类。本发明能够通过孪生神经网络和残差神经网络的结合输出轨道数据中特征的变化定位信息，能够很好地应对轨道数据这种复杂的应用环境及各种未知异常情况，检测速度快且准确度高。因此，本发明能够有效得解决轨道数据中对于异常变化的自动检测难题，大幅度地降低了误检或漏检的可能性，提高了自动化的智能检测性能和安全性能，对保证列车的正常行驶提供了可靠的保障。
[0032]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。