CN111291769A - 一种高铁接触网异物检测方法及系统 - Google Patents

一种高铁接触网异物检测方法及系统 Download PDF

Info

Publication number
CN111291769A
CN111291769A CN202010394990.7A CN202010394990A CN111291769A CN 111291769 A CN111291769 A CN 111291769A CN 202010394990 A CN202010394990 A CN 202010394990A CN 111291769 A CN111291769 A CN 111291769A
Authority
CN
China
Prior art keywords
feature map
image
training
foreign matter
loss function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010394990.7A
Other languages
English (en)
Other versions
CN111291769B (zh
Inventor
吴泽彬
王必琪
徐洋
詹天明
陆威
盛杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhiliansen Information Technology Co Ltd
Original Assignee
Nanjing Zhiliansen Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Zhiliansen Information Technology Co Ltd filed Critical Nanjing Zhiliansen Information Technology Co Ltd
Priority to CN202010394990.7A priority Critical patent/CN111291769B/zh
Publication of CN111291769A publication Critical patent/CN111291769A/zh
Application granted granted Critical
Publication of CN111291769B publication Critical patent/CN111291769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高铁接触网异物检测方法及系统，采用经过对抗性学习的生成器提取待检测图像的特征图，采用多尺度区域提取，获得特征图的候选框，再采用经过对抗性学习的异物检测网络，区别类间差异，获得高精度的异物类别和位置信息，适用于目标样本不足情况下的高铁接触网异物检测。

Description

一种高铁接触网异物检测方法及系统
技术领域
本发明涉及一种高铁接触网异物检测方法及系统，属于图像处理技术领域。
背景技术
四通八达的线路提供便捷服务的同时，随着高铁网络的铺设，铁路接触网的分布也越来越广，产生的问题故障也越来越多，比如说高铁接触网上的异物等。通过对异物的检测，能够及时准确发现接触网上是否存在异物，获取异物的种类和所在的位置信息，从而确保高铁接触网的正常工作。
传统对于高铁接触网异物检测，都是先通过在高铁上架设2C图像采集装置，在高铁行驶过程中对接触网进行拍摄，在由分析室的工作人员通过肉眼看图的方式来判断接触网上是否存在异物，记录信息以便排查，这种方法效率较低且易出现漏检或误检的情况。
近年来，有学者试图利用目标检测的方法进行高铁接触网的异物检测，在铁路接触网异物检测中，目标样本量不足是一个比较常见的问题。铁路线环境复杂多变，在已知现有检测模型的基础上，对于一个新目标线路的目标样本检测效果并不好，因此，铁路接触网异物检测，对于线路改变的目标样本，急需设计一个在目标样本不足情况下仍然能够维持较好检测效果的异物检测方法。
发明内容
本发明提供了一种高铁接触网异物检测方法及系统，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种高铁接触网异物检测方法，包括，
利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图；
其中，特征图生成器的损失函数为，
Figure 265412DEST_PATH_IMAGE001
Figure 770212DEST_PATH_IMAGE002
Figure 285507DEST_PATH_IMAGE003
其中，
Figure 208463DEST_PATH_IMAGE004
为图像级自适应损失函数的计算值，x为分割池分割结果特征图，
Figure 203708DEST_PATH_IMAGE005
为将分割结果按位置配对得到的集合，
Figure 946536DEST_PATH_IMAGE006
只包含源线路图像分割结果，
Figure 999943DEST_PATH_IMAGE007
包 含目标线路图像分割结果和源线路图像分割结果，
Figure 26673DEST_PATH_IMAGE008
表示x服从
Figure 445016DEST_PATH_IMAGE006
分布时的期望值，
Figure 691452DEST_PATH_IMAGE009
表示x服从
Figure 220654DEST_PATH_IMAGE007
分布时的期望值，
Figure 305153DEST_PATH_IMAGE010
为鉴别器获得的结果；
Figure 642200DEST_PATH_IMAGE011
为加权强正 则化损失函数计算值，
Figure 359620DEST_PATH_IMAGE012
表示源线路训练图像集，
Figure 941780DEST_PATH_IMAGE013
表示具体的源线路训练图像，
Figure 756153DEST_PATH_IMAGE014
表示
Figure 516298DEST_PATH_IMAGE013
服从
Figure 471747DEST_PATH_IMAGE012
分布时的期望值，
Figure 670647DEST_PATH_IMAGE015
和
Figure 277209DEST_PATH_IMAGE016
分别为源线路图像和目标线路图像的特征提取 器，
Figure 457523DEST_PATH_IMAGE017
和
Figure 149536DEST_PATH_IMAGE018
分别表示样本
Figure 837613DEST_PATH_IMAGE013
在
Figure 298681DEST_PATH_IMAGE015
和
Figure 462946DEST_PATH_IMAGE016
获得的特征图，w、h分别为获得的特征图 宽、高，
Figure 891522DEST_PATH_IMAGE019
为
Figure 369908DEST_PATH_IMAGE020
的方差；
根据预设多尺度，生成特征图的候选框；
利用训练好的检测网络对候选框进行检测，获得异物的类别和位置信息。
获取接触网源线路图像和不同目标线路图像，采用对抗性学习训练，得到用以提取图像特征的特征图生成器。
生成特征图的候选框的过程为，
根据特征图大小，使用预设多尺度，生成特征图的多尺度预选框；
针对特征图的多尺度预选框，计算IOU值，将IOU值大于阈值的预选框作为候选框。
采用对抗性学习训练，得到检测网络；检测网络的损失函数为，
Figure 747800DEST_PATH_IMAGE021
Figure 36961DEST_PATH_IMAGE022
其中，C为所有异物类别的数目，
Figure 437987DEST_PATH_IMAGE023
表示类别标签，
Figure 969331DEST_PATH_IMAGE024
表示对抗性学习训练 中鉴别器损失函数的计算值，
Figure 139412DEST_PATH_IMAGE025
表示对抗性学习训练中生成器损失函数的计算值，x1为 特征图候选框，
Figure 911059DEST_PATH_IMAGE026
，
Figure 547184DEST_PATH_IMAGE027
，
Figure 367372DEST_PATH_IMAGE028
为i类源线路异物特征，
Figure 906807DEST_PATH_IMAGE029
为i 类目标线路异物特征，
Figure 849355DEST_PATH_IMAGE030
表示x服从
Figure 224973DEST_PATH_IMAGE031
分布时的期望值，
Figure 599584DEST_PATH_IMAGE032
表示y服从
Figure 806575DEST_PATH_IMAGE033
分布 时的期望值，
Figure 857707DEST_PATH_IMAGE034
为第一组第i类的鉴别器输出，
Figure 969889DEST_PATH_IMAGE035
为第二组第i类的鉴别器输 出。
一种高铁接触网异物检测系统，包括，
生成器模块：利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图；
其中，特征图生成器的损失函数为，
Figure 131880DEST_PATH_IMAGE001
Figure 144442DEST_PATH_IMAGE002
Figure 163213DEST_PATH_IMAGE003
其中，
Figure 513423DEST_PATH_IMAGE004
为图像级自适应损失函数的计算值，x为分割池分割结果特征图，
Figure 728373DEST_PATH_IMAGE005
为将分割结果按位置配对得到的集合，
Figure 909955DEST_PATH_IMAGE006
只包含源线路图像分割结果，
Figure 302891DEST_PATH_IMAGE007
包 含目标线路图像分割结果和源线路图像分割结果，
Figure 625550DEST_PATH_IMAGE008
表示x服从
Figure 191660DEST_PATH_IMAGE006
分布时的期望 值，
Figure 431012DEST_PATH_IMAGE009
表示x服从
Figure 244116DEST_PATH_IMAGE007
分布时的期望值，
Figure 365656DEST_PATH_IMAGE010
为鉴别器获得的结果；
Figure 673140DEST_PATH_IMAGE011
为加权强 正则化损失函数计算值，
Figure 514801DEST_PATH_IMAGE012
表示源线路训练图像集，
Figure 311856DEST_PATH_IMAGE013
表示具体的源线路训练图像，
Figure 858375DEST_PATH_IMAGE014
表示
Figure 953238DEST_PATH_IMAGE013
服从
Figure 963920DEST_PATH_IMAGE012
分布时的期望值，
Figure 869559DEST_PATH_IMAGE015
和
Figure 654106DEST_PATH_IMAGE016
分别为源线路图像和目标线路图像的特 征提取器，
Figure 365710DEST_PATH_IMAGE017
和
Figure 168581DEST_PATH_IMAGE018
分别表示样本
Figure 494389DEST_PATH_IMAGE013
在
Figure 15501DEST_PATH_IMAGE015
和
Figure 530796DEST_PATH_IMAGE016
获得的特征图，w、h分别为获得的特 征图宽、高，
Figure 873659DEST_PATH_IMAGE019
为
Figure 183417DEST_PATH_IMAGE020
的方差；
候选框模块：根据预设多尺度，生成特征图的候选框；
检测网络模块：利用训练好的检测网络对候选框进行检测，获得异物的类别和位置信息。
包括生成器训练模块，成器训练模块：获取接触网源线路图像和不同目标线路图像，采用对抗性学习训练，得到用以提取图像特征的特征图生成器。
候选框模块包括，
预选框模块：根据特征图大小，使用预设多尺度，生成特征图的多尺度预选框；
IOU筛选模块：针对特征图的多尺度预选框，计算IOU值，将IOU值大于阈值的预选框作为候选框。
还包括检测网络训练模块，检测网络训练模块：采用对抗性学习训练，得到检测网络；
检测网络的损失函数为，
Figure 441092DEST_PATH_IMAGE021
Figure 432182DEST_PATH_IMAGE022
其中，C为所有异物类别的数目，
Figure 960378DEST_PATH_IMAGE023
表示类别标签，
Figure 441038DEST_PATH_IMAGE024
表示对抗性学习训 练中鉴别器损失函数的计算值，
Figure 936741DEST_PATH_IMAGE025
表示对抗性学习训练中生成器损失函数的计算值，x1为特征图候选框，
Figure 715210DEST_PATH_IMAGE026
，
Figure 409496DEST_PATH_IMAGE027
，
Figure 264320DEST_PATH_IMAGE028
为i类源线路异物特征，
Figure 565481DEST_PATH_IMAGE029
为i类目标线路异物特征，
Figure 898373DEST_PATH_IMAGE030
表示x服从
Figure 712745DEST_PATH_IMAGE031
分布时的期望值，
Figure 722158DEST_PATH_IMAGE032
表示y服从
Figure 926875DEST_PATH_IMAGE033
分 布时的期望值，
Figure 125775DEST_PATH_IMAGE034
为第一组第i类的鉴别器输出，
Figure 483069DEST_PATH_IMAGE035
为第二组第i类的鉴别 器输出。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行高铁接触网异物检测方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行高铁接触网异物检测方法的指令。
本发明所达到的有益效果：本发明采用经过对抗性学习的生成器提取高铁接触网待检测图像的特征图，采用多尺度区域提取，获得特征图的候选框，再采用经过对抗性学习的检测网络，区别类间差异，获得高精度的异物类别和位置信息，适用于目标样本不足情况下的高铁接触网异物检测。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种高铁接触网异物检测方法，包括以下步骤：
步骤1，利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图。
特征图生成器采用对抗性学习训练获得，具体如下：
获取接触网源线路图像和目标线路图像作为训练样本，采用对抗性学习训练，减少线路间的差异，得到用以提取图像特征的生成器；包括以下步骤：
11）在训练样本图像中框出（一般采用人工框出）异物所在的区域，框选区域应当不超过异物图像区域边界的10个像素点范围，根据框获取训练样本图像中异物所在的区域位置信息作为标签保存。
12）将训练样本图像缩放到设定像素大小的训练样本矩阵，并将其与对应的标签一同作为输入，采用加权强正则化避免过度自适应，包括如下：
S1）将训练样本图像缩放为300*300的特征图；
S2）使用3*3的扩张卷积核，将输入值通过16层卷积神经网络，获得19*19的特征图；
S3）将特征图导入加权强正则化损失函数，根据损失值对网络进行反向传播，对权重参数进行更新；加权强正则化损失函数设计如下：
Figure 414116DEST_PATH_IMAGE036
其中，
Figure 355396DEST_PATH_IMAGE011
为加权强正则化损失函数计算值，
Figure 92408DEST_PATH_IMAGE012
表示源线路训练图像集，
Figure 553476DEST_PATH_IMAGE013
表示具 体的源线路训练图像，
Figure 668806DEST_PATH_IMAGE014
表示
Figure 910432DEST_PATH_IMAGE013
服从
Figure 123239DEST_PATH_IMAGE012
分布时的期望值，
Figure 953660DEST_PATH_IMAGE015
和
Figure 226510DEST_PATH_IMAGE016
分别为源线路图 像和目标线路图像的特征提取器，
Figure 955431DEST_PATH_IMAGE017
和
Figure 722661DEST_PATH_IMAGE018
分别表示样本
Figure 158322DEST_PATH_IMAGE013
在
Figure 929969DEST_PATH_IMAGE015
和
Figure 67558DEST_PATH_IMAGE016
获得的特 征图，w、h分别为获得的特征图宽、高，
Figure 887746DEST_PATH_IMAGE019
为
Figure 240230DEST_PATH_IMAGE020
的方差。
采用加权强正则化损失函数，即在提取特征图时引入正则化，提高了模型的稳定性，确保不会因为目标线路图像过少产生过度自适应，影响对源线路图像的检测。
13）采用对抗性学习训练，得到用以提取图像特征的特征图生成器。
采用对抗性学习训练生成器和鉴别器，鉴别器试图区分源线路图像与目标线路图像，而生成器试图混淆这两者，最终能够得到一个尽可能缩小近似线路差异的生成器，包括：
A1）为分割池的x轴和y轴生成随机偏移量sx和sy，0<sx<w，0<sy<h，sx,、sy∈N，选择尺度为0.2（基于特征图大小的比例），纵横比为2，1，0.5，生成网格，对于无边界的矩形采用ROI池化为固定特征；
A2）将分割池提取的特征按分割位置进行配对，分成两组，一组为纯源线路图像，记为
Figure 868264DEST_PATH_IMAGE037
，另一组为目标线路图像与源线路图像一一对应,记为
Figure 243882DEST_PATH_IMAGE038
；
A3）从生成器提取的特征，经由分割池分割结果作为鉴别器的输入，鉴别器对接触网源线路和目标线路进行分类，鉴别器试图区分源线路图像与目标线路图像，而生成器试图混淆这两者，因此对抗性学习训练中生成器的损失函数为：
Figure 664499DEST_PATH_IMAGE039
其中，
Figure 324019DEST_PATH_IMAGE004
为图像级自适应损失函数的计算值，x为分割池分割结果特征图，
Figure 375152DEST_PATH_IMAGE005
为将分割结果按位置配对得到的集合，
Figure 300383DEST_PATH_IMAGE006
只包含源线路图像分割结果，
Figure 213106DEST_PATH_IMAGE007
包 含目标线路图像分割结果和源线路图像分割结果，
Figure 212286DEST_PATH_IMAGE008
表示x服从
Figure 496637DEST_PATH_IMAGE006
分布时的期望值，
Figure 96114DEST_PATH_IMAGE009
表示x服从
Figure 61796DEST_PATH_IMAGE007
分布时的期望值，
Figure 243379DEST_PATH_IMAGE010
为鉴别器获得的结果，对于鉴别器而言， 要求最小化
Figure 118538DEST_PATH_IMAGE040
，对于特征生成器而言，要求最大化
Figure 956044DEST_PATH_IMAGE004
。
A4）
Figure 522154DEST_PATH_IMAGE041
为特征图生成器最终的损失函数，最小化
Figure 10773DEST_PATH_IMAGE041
，当该结 果趋于收敛，损失变化小于0.005时，训练结束，选择此时的参数作为目标图像特征提取网 络的参数。
步骤2，根据预设多尺度，生成特征图的候选框；包括：
21）根据特征图大小，使用预设多尺度，生成特征图的多尺度预选框；在高铁接触网异物检测过程中，检测目标的大小无法确定，采用多尺度以适应不同大小异物的检测识别。
根据步骤1得到的生成器获取输入图像的特征图，对于同一个输入图像，获取不同 尺度大小的5个特征图，大小分别为(38,38),(19,19),(10,10),(5,5)；对于不同大小的特 征图，存在不同尺度的预选框，尺度大小
Figure 309031DEST_PATH_IMAGE043
根据特征图大小依次设置为{0.1，0.2，0.4， 0.6，0.8}，特征图的每个cell都存在对应的4个预选框，选择纵横比ar为{1，2，0.5}，同时当 ar=1时额外增加一个尺度
Figure 696150DEST_PATH_IMAGE044
，因此特征图的每个cell共有4个预选框，宽为
Figure 754367DEST_PATH_IMAGE045
，高为
Figure 582645DEST_PATH_IMAGE046
。这里的宽高表示比例，真实大小需乘以特征图大小。
22）针对特征图的多尺度预选框，计算IOU值，将IOU值大于阈值（一般取值为0.5）的预选框作为候选框。
采用多尺度区域提取，在多尺度特征图上，按预先设定好的尺度大小对特征图的每个点获取候选框，能够准确检测不同尺度的物体，同时，由于候选框无需后期学习获得，提高了目标检测的速度。
步骤3，利用训练好的异物检测网络对候选框进行检测，获得异物的类别和位置信息；包括：
31）获取源线路图像和目标线路图像的候选框，通过对抗性学习训练线路鉴别器和特征生成器，获取异物检测网络权重；具体如下：
B1）将源线路图像和目标线路图像的候选框作为异物检测网络的输入，经过检测，获得不同线路类别的异物特征集，此时的检测结果受到不同线路特征的影响，可能存在对异物类别的错误分类，为了降低这个因素的影响，再次利用对抗学习方法，将异物检测网络看作异物特征生成器；
B2）对异物特征集进行配对，得到
Figure 379700DEST_PATH_IMAGE047
和
Figure 175487DEST_PATH_IMAGE048
，其中，
Figure 286662DEST_PATH_IMAGE049
表 示i类源线路异物特征，
Figure 297343DEST_PATH_IMAGE050
表示i类目标线路异物特征；
B3）将配对结果作为线路鉴别器的输入，线路鉴别器区分源线路与目标线路异物，生成器混淆两者区别，同时避免类别上的错误分类；由此可以得到鉴别器的训练损失为：
Figure 950785DEST_PATH_IMAGE051
生成器的训练损失为：
Figure 984600DEST_PATH_IMAGE052
其中，C为所有异物类别的数目，
Figure 696204DEST_PATH_IMAGE053
表示类别标签，
Figure 748343DEST_PATH_IMAGE054
表示对抗性学习训练 中鉴别器损失函数的计算值，
Figure 824883DEST_PATH_IMAGE055
表示对抗性学习训练中生成器损失函数的计算值，x1为 特征图候选框，
Figure 96727DEST_PATH_IMAGE047
，
Figure 346443DEST_PATH_IMAGE048
，
Figure 269399DEST_PATH_IMAGE049
为i类源线路异物特征，
Figure 766109DEST_PATH_IMAGE050
为i类 目标线路异物特征，
Figure 774516DEST_PATH_IMAGE056
表示x服从
Figure 513408DEST_PATH_IMAGE057
分布时的期望值，
Figure 353188DEST_PATH_IMAGE058
表示y服从
Figure 771531DEST_PATH_IMAGE059
分布时 的期望值，
Figure 250923DEST_PATH_IMAGE060
为第一组第i类的鉴别器输出，
Figure 108021DEST_PATH_IMAGE061
为第二组第i类的鉴别器输 出。
B4）当两个损失函数结果均趋于收敛，损失变化小于0.005时，训练结束，选择此时的结果作为异物检测网络的权重。
32）根据得到的异物检测网络，获取异物的类别和位置信息。
上述方法采用经过对抗性学习的生成器提取待检测图像的特征图，采用多尺度区域提取，获得特征图的候选框，再采用经过对抗性学习的检测网络，区别类间差异，获得高精度的异物类别和位置信息；由于采用对抗性学习训练生成器和分类器，上述方法适用于目标样本不足情况下的高铁接触网异物检测。
一种高铁接触网异物检测系统，包括，
成器训练模块：获取接触网源线路图像和不同目标线路图像，采用对抗性学习训练，得到用以提取图像特征的特征图生成器。
特征图生成器的损失函数为：
Figure 739990DEST_PATH_IMAGE062
Figure 79967DEST_PATH_IMAGE063
Figure 125284DEST_PATH_IMAGE064
其中，
Figure 458176DEST_PATH_IMAGE065
为图像级自适应损失函数的计算值，x为分割池分割结果特征图，
Figure 193920DEST_PATH_IMAGE066
为将分割结果按位置配对得到的集合，
Figure 281961DEST_PATH_IMAGE067
只包含源线路图像分割结果，
Figure 486678DEST_PATH_IMAGE068
包 含目标线路图像分割结果和源线路图像分割结果，
Figure 371064DEST_PATH_IMAGE069
表示x服从
Figure 774363DEST_PATH_IMAGE067
分布时的期望值，
Figure 970989DEST_PATH_IMAGE070
表示x服从
Figure 912269DEST_PATH_IMAGE068
分布时的期望值，
Figure 649281DEST_PATH_IMAGE071
为鉴别器获得的结果；
Figure 110350DEST_PATH_IMAGE072
为加权强正则 化损失函数计算值，
Figure 228609DEST_PATH_IMAGE073
表示源线路训练图像集，
Figure 142339DEST_PATH_IMAGE074
表示具体的源线路训练图像，
Figure 683042DEST_PATH_IMAGE075
表 示
Figure 513463DEST_PATH_IMAGE074
服从
Figure 786313DEST_PATH_IMAGE073
分布时的期望值，
Figure 515234DEST_PATH_IMAGE076
和
Figure 279535DEST_PATH_IMAGE077
分别为源线路图像和目标线路图像的特征提取器，
Figure 715195DEST_PATH_IMAGE078
和
Figure 221263DEST_PATH_IMAGE079
分别表示样本
Figure 624431DEST_PATH_IMAGE074
在
Figure 444620DEST_PATH_IMAGE076
和
Figure 797104DEST_PATH_IMAGE077
获得的特征图，w、h分别为获得的特征图宽、 高，
Figure 428067DEST_PATH_IMAGE080
为
Figure 803685DEST_PATH_IMAGE081
的方差。
生成器模块：利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图。
候选框模块：根据预设多尺度，生成特征图的候选框。
候选框模块包括，
预选框模块：根据特征图大小，使用预设多尺度，生成特征图的多尺度预选框；
IOU筛选模块：针对特征图的多尺度预选框，计算IOU值，将IOU值大于阈值的预选框作为候选框。
检测网络训练模块：采用对抗性学习训练，得到检测网络。
Figure 224302DEST_PATH_IMAGE082
Figure 883822DEST_PATH_IMAGE083
其中，C为所有异物类别的数目，
Figure 669376DEST_PATH_IMAGE053
表示类别标签，
Figure 594606DEST_PATH_IMAGE054
表示对抗性学习训练 中鉴别器损失函数的计算值，
Figure 527838DEST_PATH_IMAGE055
表示对抗性学习训练中生成器损失函数的计算值，x1为 特征图候选框，
Figure 792597DEST_PATH_IMAGE047
，
Figure 76948DEST_PATH_IMAGE048
，
Figure 676425DEST_PATH_IMAGE049
为i类源线路异物特征，
Figure 376528DEST_PATH_IMAGE050
为i类 目标线路异物特征，
Figure 558111DEST_PATH_IMAGE056
表示x服从
Figure 701778DEST_PATH_IMAGE057
分布时的期望值，
Figure 539284DEST_PATH_IMAGE058
表示y服从
Figure 105395DEST_PATH_IMAGE059
分布时 的期望值，
Figure 328435DEST_PATH_IMAGE060
为第一组第i类的鉴别器输出，
Figure 892271DEST_PATH_IMAGE061
为第二组第i类的鉴别器输 出。
检测网络模块：利用训练好的检测网络对候选框进行检测，获得异物的类别和位置信息。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行高铁接触网异物检测方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行高铁接触网异物检测方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种高铁接触网异物检测方法，其特征在于：包括，
利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图；
其中，特征图生成器的损失函数为，
Figure 506929DEST_PATH_IMAGE001
Figure 611151DEST_PATH_IMAGE002
Figure 452812DEST_PATH_IMAGE003
其中，
Figure 312184DEST_PATH_IMAGE004
为图像级自适应损失函数的计算值，x为分割池分割结果特征图，
Figure 609435DEST_PATH_IMAGE005
为将分割结果按位置配对得到的集合，
Figure 782928DEST_PATH_IMAGE006
只包含源线路图像分割结果，
Figure 731292DEST_PATH_IMAGE007
包 含目标线路图像分割结果和源线路图像分割结果，
Figure 886199DEST_PATH_IMAGE008
表示x服从
Figure 920014DEST_PATH_IMAGE006
分布时的期望 值，
Figure 366039DEST_PATH_IMAGE009
表示x服从
Figure 182291DEST_PATH_IMAGE007
分布时的期望值，
Figure 258832DEST_PATH_IMAGE010
为鉴别器获得的结果；
Figure 29211DEST_PATH_IMAGE011
为加权强 正则化损失函数计算值，
Figure 216609DEST_PATH_IMAGE012
表示源线路训练图像集，
Figure 201883DEST_PATH_IMAGE013
表示具体的源线路训练图像，
Figure 200057DEST_PATH_IMAGE014
表示
Figure 208464DEST_PATH_IMAGE013
服从
Figure 448822DEST_PATH_IMAGE012
分布时的期望值，
Figure 226285DEST_PATH_IMAGE015
和
Figure 706945DEST_PATH_IMAGE016
分别为源线路图像和目标线路图像的特 征提取器，
Figure 684872DEST_PATH_IMAGE017
和
Figure 479652DEST_PATH_IMAGE018
分别表示样本
Figure 360890DEST_PATH_IMAGE013
在
Figure 950134DEST_PATH_IMAGE015
和
Figure 995450DEST_PATH_IMAGE016
获得的特征图，w、h分别为获得的特 征图宽、高，
Figure 79075DEST_PATH_IMAGE019
为
Figure 565551DEST_PATH_IMAGE013
的方差；
根据预设多尺度，生成特征图的候选框；
利用训练好的检测网络对候选框进行检测，获得异物的类别和位置信息。
2.根据权利要求1所述的一种高铁接触网异物检测方法，其特征在于：获取接触网源线路图像和不同目标线路图像，采用对抗性学习训练，得到用以提取图像特征的特征图生成器。
3.根据权利要求1所述的一种高铁接触网异物检测方法，其特征在于：生成特征图的候选框的过程为，
根据特征图大小，使用预设多尺度，生成特征图的多尺度预选框；
针对特征图的多尺度预选框，计算IOU值，将IOU值大于阈值的预选框作为候选框。
4.根据权利要求1所述的一种高铁接触网异物检测方法，其特征在于：采用对抗性学习训练，得到检测网络；检测网络的损失函数为，
Figure 840544DEST_PATH_IMAGE020
Figure 45260DEST_PATH_IMAGE021
其中，C为所有异物类别的数目，
Figure 978581DEST_PATH_IMAGE022
表示类别标签，
Figure 332946DEST_PATH_IMAGE023
表示对抗性学习训练 中鉴别器损失函数的计算值，
Figure 529572DEST_PATH_IMAGE024
表示对抗性学习训练中生成器损失函数的计算值，x1 为特征图候选框，
Figure 205272DEST_PATH_IMAGE025
，
Figure 145547DEST_PATH_IMAGE026
，
Figure 668932DEST_PATH_IMAGE027
为i类源线路异物特征，
Figure 646246DEST_PATH_IMAGE028
为i类目标线路异物特征，
Figure 511041DEST_PATH_IMAGE029
表示x服从
Figure 51744DEST_PATH_IMAGE030
分布时的期望值，
Figure 367318DEST_PATH_IMAGE031
表示y服从
Figure 155015DEST_PATH_IMAGE032
分布 时的期望值，
Figure 556040DEST_PATH_IMAGE033
为第一组第i类的鉴别器输出，
Figure 588849DEST_PATH_IMAGE034
为第二组第i类的鉴别器 输出。
5.一种高铁接触网异物检测系统，其特征在于：包括，
生成器模块：利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图；
其中，特征图生成器的损失函数为，
Figure 24510DEST_PATH_IMAGE001
Figure 530578DEST_PATH_IMAGE002
Figure 933746DEST_PATH_IMAGE003
其中，
Figure 753934DEST_PATH_IMAGE004
为图像级自适应损失函数的计算值，x为分割池分割结果特征图，
Figure 815342DEST_PATH_IMAGE005
为将分割结果按位置配对得到的集合，
Figure 429994DEST_PATH_IMAGE006
只包含源线路图像分割结果，
Figure 54879DEST_PATH_IMAGE007
包 含目标线路图像分割结果和源线路图像分割结果，
Figure 741075DEST_PATH_IMAGE008
表示x服从
Figure 885749DEST_PATH_IMAGE006
分布时的期望值，
Figure 687614DEST_PATH_IMAGE009
表示x服从
Figure 550528DEST_PATH_IMAGE007
分布时的期望值，
Figure 961786DEST_PATH_IMAGE010
为鉴别器获得的结果；
Figure 288862DEST_PATH_IMAGE011
为加权强正 则化损失函数计算值，
Figure 510896DEST_PATH_IMAGE012
表示源线路训练图像集，
Figure 343330DEST_PATH_IMAGE013
表示具体的源线路训练图像，
Figure 309012DEST_PATH_IMAGE014
表示
Figure 677545DEST_PATH_IMAGE013
服从
Figure 70480DEST_PATH_IMAGE012
分布时的期望值，
Figure 658719DEST_PATH_IMAGE015
和
Figure 162512DEST_PATH_IMAGE016
分别为源线路图像和目标线路图像的特 征提取器，
Figure 385552DEST_PATH_IMAGE017
和
Figure 949389DEST_PATH_IMAGE018
分别表示样本
Figure 70928DEST_PATH_IMAGE013
在
Figure 126216DEST_PATH_IMAGE015
和
Figure 220074DEST_PATH_IMAGE016
获得的特征图，w、h分别为获得的 特征图宽、高，
Figure 204079DEST_PATH_IMAGE019
为
Figure 812915DEST_PATH_IMAGE013
的方差；
候选框模块：根据预设多尺度，生成特征图的候选框；
检测网络模块：利用训练好的检测网络对候选框进行检测，获得异物的类别和位置信息。
6.根据权利要求5所述的一种高铁接触网异物检测系统，其特征在于：包括生成器训练模块，成器训练模块：获取接触网源线路图像和不同目标线路图像，采用对抗性学习训练，得到用以提取图像特征的特征图生成器。
7.根据权利要求5所述的一种高铁接触网异物检测系统，其特征在于：候选框模块包括，
预选框模块：根据特征图大小，使用预设多尺度，生成特征图的多尺度预选框；
IOU筛选模块：针对特征图的多尺度预选框，计算IOU值，将IOU值大于阈值的预选框作为候选框。
8.根据权利要求5所述的一种高铁接触网异物检测系统，其特征在于：还包括检测网络训练模块，检测网络训练模块：采用对抗性学习训练，得到检测网络；
检测网络的损失函数为，
Figure 658511DEST_PATH_IMAGE020
Figure 357608DEST_PATH_IMAGE021
其中，C为所有异物类别的数目，
Figure 263247DEST_PATH_IMAGE022
表示类别标签，
Figure 546330DEST_PATH_IMAGE023
表示对抗性学习训练 中鉴别器损失函数的计算值，
Figure 257934DEST_PATH_IMAGE024
表示对抗性学习训练中生成器损失函数的计算值，x1 为特征图候选框，
Figure 11870DEST_PATH_IMAGE025
，
Figure 88410DEST_PATH_IMAGE026
，
Figure 593210DEST_PATH_IMAGE027
为i类源线路异物特征，
Figure 46188DEST_PATH_IMAGE028
为i 类目标线路异物特征，
Figure 31461DEST_PATH_IMAGE029
表示x服从
Figure 29636DEST_PATH_IMAGE030
分布时的期望值，
Figure 772464DEST_PATH_IMAGE031
表示y服从
Figure 12821DEST_PATH_IMAGE032
分布 时的期望值，
Figure 790284DEST_PATH_IMAGE033
为第一组第i类的鉴别器输出，
Figure 270944DEST_PATH_IMAGE034
为第二组第i类的鉴别器 输出。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
10.一种计算设备，其特征在于：包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。
CN202010394990.7A 2020-05-12 2020-05-12 一种高铁接触网异物检测方法及系统 Active CN111291769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010394990.7A CN111291769B (zh) 2020-05-12 2020-05-12 一种高铁接触网异物检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010394990.7A CN111291769B (zh) 2020-05-12 2020-05-12 一种高铁接触网异物检测方法及系统

Publications (2)

Publication Number Publication Date
CN111291769A true CN111291769A (zh) 2020-06-16
CN111291769B CN111291769B (zh) 2020-08-07

Family

ID=71026246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010394990.7A Active CN111291769B (zh) 2020-05-12 2020-05-12 一种高铁接触网异物检测方法及系统

Country Status (1)

Country Link
CN (1) CN111291769B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147815A (zh) * 2021-12-23 2022-10-04 中国铁路兰州局集团有限公司 一种异物检测方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130212A1 (en) * 2017-10-30 2019-05-02 Nec Laboratories America, Inc. Deep Network Embedding with Adversarial Regularization
CN110163813A (zh) * 2019-04-16 2019-08-23 中国科学院深圳先进技术研究院 一种图像去雨方法、装置、可读存储介质及终端设备
CN110532897A (zh) * 2019-08-07 2019-12-03 北京科技大学 零部件图像识别的方法和装置
CN110992315A (zh) * 2019-11-18 2020-04-10 上海集成电路研发中心有限公司 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130212A1 (en) * 2017-10-30 2019-05-02 Nec Laboratories America, Inc. Deep Network Embedding with Adversarial Regularization
CN110163813A (zh) * 2019-04-16 2019-08-23 中国科学院深圳先进技术研究院 一种图像去雨方法、装置、可读存储介质及终端设备
CN110532897A (zh) * 2019-08-07 2019-12-03 北京科技大学 零部件图像识别的方法和装置
CN110992315A (zh) * 2019-11-18 2020-04-10 上海集成电路研发中心有限公司 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ROTH KEVIN等: "《Advances in Neural Information Processing Systems 30》", 31 December 2017, CURRAN ASSOCIATES, INC. *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147815A (zh) * 2021-12-23 2022-10-04 中国铁路兰州局集团有限公司 一种异物检测方法和系统

Also Published As

Publication number Publication date
CN111291769B (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN102903122B (zh) 基于特征光流与在线集成学习的视频目标跟踪方法
CN110992329A (zh) 一种产品表面缺陷检测方法、电子设备及可读存储介质
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及系统
CN106846316A (zh) 一种gis内部典型缺陷图像自动识别方法
CN104077594B (zh) 一种图像识别方法和装置
CN105574550A (zh) 一种车辆识别方法及装置
CN101739570B (zh) 棉花异性纤维在线分类方法和系统
CN103544499B (zh) 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
CN104063713B (zh) 一种基于随机蕨分类器的半自主在线学习方法
CN104881662A (zh) 一种单幅图像行人检测方法
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN113643228B (zh) 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法
CN110400322A (zh) 基于颜色和三维几何信息的水果点云分割方法
CN105868708A (zh) 一种图像目标识别方法及装置
CN109919060A (zh) 一种基于特征匹配的身份证内容识别系统及方法
CN111080691A (zh) 一种光伏组件红外热斑检测方法、装置
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN112802016A (zh) 基于深度学习的实时布匹缺陷检测方法及系统
CN108647706A (zh) 基于机器视觉的物品识别分类与瑕疵检测方法
JP2022027473A5 (zh)
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN103413149A (zh) 复杂背景中实现静态目标检测和识别的方法
CN109740607B (zh) 字符图像的残缺区域检测和残缺字符图像恢复方法
CN113781483B (zh) 工业产品外观缺陷检测方法和装置
CN111291769B (zh) 一种高铁接触网异物检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant