CN109727428A - 基于深度学习的重复报警抑制方法 - Google Patents

Abstract

基于深度学习的重复报警抑制方法，包括识别上报缺陷图像数据，图像的缺陷识别和分类，判断是否抑制报警等三个步骤。通过改进了的yoloV3算法对缺陷图像的识别分类，判断同位置、同报警类型是否正在抑制，来实现对重复的报警进行抑制；极大地减少了分析人员的重复工作，分析人员无需对报警抑制处理的报警信号进行确认和采取行动，又防止了那些无效的报警信号对分析人员造成的干扰，方法同时还能新建报警抑制和解除报警抑制，提高了分析人员的效率，也减轻了报警系统数据处理的负荷、增强所述报警系统的稳定性。

Description

基于深度学习的重复报警抑制方法

技术领域

本发明属于质量检测领域，尤其涉及基于深度学习的重复报警抑制方法。

背景技术

在铁路供电3C设备检测时，由于3C设备的检测密度大，在同一位置，如果真的存在缺陷，所有经过该点车辆（安装3C设备）都会生成报警信息，并上传数据中心，导致数据中心产生大量的重复报警，这些报警都需要人工处理，从而带来极大的重复工作。同时，在报警列表中的大量报警很可能淹没真正重要、紧迫的报警，基于人工处理的报警分析已无法满足需求，迫切需要相应的技术来提升报警分析的效率。

发明内容

本发明的目的在于，针对上述问题，提出基于深度学习的重复报警抑制方法。

基于深度学习的重复报警抑制方法，包括如下步骤：

S1：铁路供电3C检测设备安装在运营高铁和普铁上，若检测到已存在缺陷，上报带有图像数据和位置的报警信息上传到数据中心；

S2：数据中心收到报警信息，解析带有缺陷图片的报警信息，并对图片进行缺陷识别和缺陷分类；

S3：根据上报的位置信息、图像识别和缺陷分类的结果以及数据中心是否设置重复报警抑制等信息，判断“同一位置、同类型报警”是否进行抑制，如果数据中心设置了重复报警抑制，那么对同位置同类型的重复报警进行抑制，若数据中心未启动重复报警抑制功能，上报同类型同位置的缺陷报警信息不进行抑制，即用户可以看到同位置同类型的重复报警。

进一步的，基于深度学习的重复报警抑制方法，所述的缺陷识别是通过改进的yolov3深度学习算法实现的，此算法不仅能够识别缺陷，也能定位缺陷在图像中的位置，提高小目标缺陷识别。

进一步的，基于深度学习的重复报警抑制方法，所述的缺陷分类和识别过程，包括缺陷样本和改进的yolov3深度学习算法相结合，通过训练和评估获得较好的训练模型，通过训练模型对缺陷报警中的图片进行分类和识别。

进一步的，基于深度学习的重复报警抑制方法，所述的报警抑制包括自动抑制和手动抑制；

自动抑制的条件是，分析人员已知道此缺陷，目前工区正在“复核、维修”，不需要再上报同位置同类型报警，于是将状态设置为“已计划”并自动抑制报警；

手动抑制的条件是，分析人员已知道此缺陷，并且知道此缺陷影响不大，也不会影响行车，不需要再上报了，并手动设置重复报警抑制。

进一步的，基于深度学习的重复报警抑制方法，还包括解除报警抑制步骤：

对于手动重复报警抑制，通过手动取消解除；

对于自动重复报警抑制，通过完成/取消任务，设置任务状态为“已关闭”或“已取消”来解除。

本发明的有益效果：通过深度学习对图像缺陷进行识别、并根据体征对缺陷进行自动分类，减少了分析人员对上报缺陷的人工分析与缺陷分类，使缺陷分析人员无需对重复报警抑制处理的报警信号进行确认和采取行动。系统自动通过缺陷智能识别、缺陷分类确定重复报警，极大地减少了分析人员的重复工作，又防止了那些无效的报警信号对分析人员造成的干扰，提高了分析人员的效率，也减轻了报警系统数据处理的负荷、增强所述报警系统的稳定性。

附图说明

图1是基于深度学习的重复报警抑制方法流程示意图。

图2是用于缺陷识别的改进之后的yoloV3算法示意图。

图3是改进后的yoloV3算法对缺陷识别和分类流程示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

基于深度学习的重复报警抑制方法，包括如下步骤：

S1：铁路供电3C检测设备安装在运营高铁和普铁上，若检测到已存在缺陷，上报带有图像数据和位置的报警信息上传到数据中心；

S2：数据中心收到报警信息，解析带有缺陷图片的报警信息，并对图片进行缺陷识别和缺陷分类；

S3：根据上报的位置信息、图像识别和缺陷分类的结果以及数据中心是否设置重复报警抑制等信息，判断“同一位置、同类型报警”是否进行抑制，如果数据中心设置了重复报警抑制，那么对同位置同类型的重复报警进行抑制，若数据中心未启动重复报警抑制功能，上报同类型同位置的缺陷报警信息不进行抑制，即用户可以看到同位置同类型的重复报警。

本实施例中，基于深度学习的重复报警抑制方法，所述的缺陷识别是通过改进的yolov3深度学习算法实现的，通过深度学习自动识别缺陷，并根据缺陷特征自动对缺陷进行分类，同时此算法不仅能够识别缺陷，也能定位缺陷在图像中的具体位置。如图2为改进之后的yoloV3网络结构模型，黑色粗体箭头部分为yoloV3模型修改部分，输出的三个检测中每个都是相邻三个层次通过卷积获取的，目的增加输入的宽度，丰富缺陷识别特征，同时将底层的图像加入到高层，提高小目标检测。

本实施例中，基于深度学习的重复报警抑制方法，所述的缺陷识别和缺陷分类过程如图3，首先需要准备缺陷样本和缺陷识别的分类算法，基于算法和样本进行训练，对训练的结果进行验证，如果缺陷结果表现优秀，则将结果应用到缺陷报警中的图片进行缺陷识别和分类。

本实施例中，基于深度学习的重复报警抑制方法，所述的报警抑制包括自动抑制和手动抑制；自动抑制的条件是，缺陷分析人员已知道此缺陷，目前工区正在“复核、维修”，不需要重复上报同位置同类型缺陷，于是将状态设置为“已计划”并自动抑制报警；手动抑制的条件是，分析人员已知道此缺陷，并且知道此缺陷影响不大，也不会影响行车，不需要再上报了，并手动新建报警抑制。

本实施例中，基于深度学习的重复报警抑制方法，还包括解除报警抑制步骤：对于手动重复报警抑制，通过手动取消解除；对于自动重复报警抑制，通过完成/取消任务，设置任务状态为“已关闭”或“已取消”来解除。

本发明使分析人员无需对报警抑制处理的报警信号进行确认和采取行动，极大地减少了分析人员的重复工作，又防止了那些无效的报警信号对分析人员造成的干扰，提高了分析人员的效率，也减轻了报警系统数据处理的负荷、增强所述报警系统的稳定性。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.基于深度学习的重复报警抑制方法，其特征在于，包括如下步骤：

S1：铁路供电3C检测设备安装在运营高铁和普铁上，若检测到已存在缺陷，上报带有图像数据和位置的报警信息上传到数据中心；

S2：数据中心收到报警信息，解析带有缺陷图片的报警信息，并对图片进行缺陷识别和缺陷分类；

S3：根据上报的位置信息、图像识别和缺陷分类的结果以及数据中心是否设置重复报警抑制等信息，判断“同一位置、同类型报警”是否进行抑制，如果数据中心设置了重复报警抑制，那么对同位置同类型的重复报警进行抑制，若数据中心未启动重复报警抑制功能，上报同类型同位置的缺陷报警信息不进行抑制，即用户可以看到同位置同类型的重复报警。

2.根据权利要求1所述的基于深度学习的重复报警抑制方法，其特征在于，所述的缺陷识别是通过改进的yolov3深度学习算法实现的，此算法不仅能够识别缺陷，也能定位缺陷在图像中的位置，提高小目标缺陷识别。

3.根据权利要求1所述的基于深度学习的重复报警抑制方法，其特征在于，所述的缺陷分类和识别过程，包括缺陷样本和改进的yolov3深度学习算法相结合，通过训练和评估获得较好的训练模型，通过训练模型对缺陷报警中的图片进行分类和识别。

4.根据权利要求1所述的基于深度学习的重复报警抑制方法，其特征在于，所述的报警抑制包括自动抑制和手动抑制；

自动抑制的条件是，分析人员已知道此缺陷，目前工区正在“复核、维修”，不需要再上报同位置同类型报警，于是将状态设置为“已计划”并自动抑制报警；

手动抑制的条件是，分析人员已知道此缺陷，并且知道此缺陷影响不大，也不会影响行车，不需要再上报了，并手动设置重复报警抑制。

5.根据权利要求1所述的基于深度学习的重复报警抑制方法，其特征在于，还包括解除报警抑制步骤：

对于手动重复报警抑制，通过手动取消解除；

对于自动重复报警抑制，通过完成/取消任务，设置任务状态为“已关闭”或“已取消”来解除。