一种针对轨道数据的异常变化检测方法及系统与流程

技术特征：
1.一种针对轨道数据的异常变化检测方法，其特征在于，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。2.根据权利要求1所述的针对轨道数据的异常变化检测方法，其特征在于，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。3.根据权利要求2所述的针对轨道数据的异常变化检测方法，其特征在于，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。4.根据权利要求2或3所述的针对轨道数据的异常变化检测方法，其特征在于，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。5.根据权利要求2或3所述的针对轨道数据的异常变化检测方法，其特征在于，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。6.根据权利要求1至3任意一项所述的针对轨道数据的异常变化检测方法，其特征在于，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。7.根据权利要求6所述的针对轨道数据的异常变化检测方法，其特征在于，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。8.根据权利要求1至3任意一项所述的针对轨道数据的异常变化检测方法，其特征在
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。9.根据权利要求1至3任意一项所述的针对轨道数据的异常变化检测方法，其特征在于，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。10.一种针对轨道数据的异常变化检测系统，其特征在于，采用了如权利要求1至9任意一项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。

技术总结
本发明提供一种针对轨道数据的异常变化检测方法及系统，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，分别得到基准图像和待测图像的多尺度特征；步骤S2，对提取后的特征通过1


技术研发人员：陈炯 魏伟航
受保护的技术使用者：深圳市比一比网络科技有限公司
技术研发日：2022.01.19
技术公布日：2022/5/30