CN112686880A - 一种铁路机车部件异常检测的方法 - Google Patents

Abstract

本发明公开了一种铁路机车部件异常检测的方法。步骤1：获取机车线阵图像；步骤2：从所获取的机车线阵图像中截取待检测部件子图像；步骤3：对步骤2的子图像进行噪声去除；步骤4：对步骤3的去除噪声的子图像进行分析与异常检测，所述子图像的异常检测具体为，对获取的同一部件的无异常信息的子图进行缩放，将缩放后的图像随机进行灰度线性变换和高斯模糊滤波处理，将灰度线性变换和高斯模糊滤波处理后的子图像进行模型训练，将步骤2获取的待检测部件的子图像与进行模型训练后的无异常信息的子图像进行差异对比，得到待检测部件的子图像的异常信息的检测与定位。本发明有效的解决生成图像清晰度不高的问题。

Description

一种铁路机车部件异常检测的方法

技术领域

本发明涉及图像处理领域，尤其涉及一种铁路机车部件异常检测的方法。

背景技术

传统图像处理检测零部件异常、深度学习中的基于目标检测和物体识别检测零部件异常和深度学习中基于对抗神经网络的差异检测。

传统图像处理检测零部件异常对于输入图像的清晰度、噪声干扰、异常特征具有很高的要求。

深度学习中的基于目标检测和物体识别检测零部件异常虽然具有一定的泛化能力，但要求大量的异常数据，才可以实现检测和定位，并且随着环境噪声的影响，其泛化能力也随之降低。

基于对抗神经网络的差异检测，生成图像的清晰度不高，且很难实现异常的定位功能。

发明内容

本发明提供一种铁路机车部件异常检测的方法，用以解决上述问题，通过修改U-Net模型的自编码解码方式生成的图像矩阵，可有效的解决生成图像清晰度不高的问题；加入记忆模块，可有效地在消除背景噪声、环境噪声等非异常信息的干扰；同时具有更好的泛化能力。

本发明通过以下技术方案实现：

一种铁路机车部件异常检测的方法，其特征在于，所述异常检测的方法包括以下步骤：

步骤1：获取机车线阵图像；

步骤2：从所获取的机车线阵图像中截取待检测部件子图像；

步骤3：对步骤2的子图像进行噪声去除；

步骤4：对步骤3的去除噪声的子图像进行异常检测，所述子图像的异常检测具体为，对用于训练模型的标准子图像随机进行灰度线性变换和高斯模糊滤波处理，将灰度线性变换和高斯模糊滤波处理后的标准子图像进行模型训练得到标准权重文件，即通过记忆模块来记录正常数据的原型模式，并通过读取模块和更新模块来更新记忆模块内的项数，将步骤3获取的噪声去除的待检测子图像进行模型训练得到新的待检测子图像，将新的待检测子图像与步骤3获取的噪声去除的待检测子图像进行差异对比，得到待检测部件的子图像的异常信息，其中，异常信息用于表征是否存在异常，以及存在异常的位置。

进一步的，步骤1具体为，在铁轨两侧以及底部配备高清线阵成像设备，列车车头通过触发传感器，启动成像设备对运动的机车进行逐行扫描，获取多个高清线阵图像，而后根据轴距信息将其拼接成完整列车图像，所述线阵图像的大小为1440*1440。

进一步的，步骤2的获取待检测部件子图像具体为根据列车轴距、车型和先验知识对机车可能发生故障的模块或零部件进行截取，得到子图图像。

进一步的，步骤3线阵相机采集到的图像为单通道的灰度图，其中，噪声包括；

当光线分布不均的情况下，采集到的线阵图像具有明暗不一的特性；

当背景区域含有污渍、油渍时，会使得到的子图很难分辨车体本身的零部件信息特征；

当天气环境恶劣，采集到的线阵图像会出现条纹或雪花噪声。

进一步的，步骤4的模型训练具体为，通过网络模型获得匹配概率：

所述获取匹配概率具体为，网络模型中的多维数组CWH分割成K个质询向量query，K个质询向量query与网络模型中设置的M个特征向量item通过读取模块Read计算其余弦相似度，得到一个MxK大小的二维相关图，然后在垂直方向上应用激活函数，通过以下公式获得MxK大小的二维相关图的匹配概率w^K,M，

其中P为记忆模块中特征向量，m'为中间变量属于M，Q为编码后生成的质询向量query，

通过下式计算匹配概率w^K,M和M个特征向量item项来获取特征

其中w^K,m'为m'xK大小的二维相关图的匹配概率。

进一步的，获取匹配概率具体为，更新模块Update用于更新记忆模块中的M个item；对于每个质询向量query选择匹配概率最大一个项进行更新；通过下式计算出质询向量query的选择匹配概率v^K,M；

其中k'为中间变量；

再通过下式计算出更新后的质询向量query选择匹配概率v′^K,M；

最后通过损失函数计算出权重S，并更新更新模块Update中的特征块P_m。

进一步的，步骤4中标准子图像的获取具体为，获取进行筛选后的噪声去除的子图像，对筛选出的同一部件的无异常信息的子图像进行缩放作为标准子图像。

进一步的，步骤4的差异比对具体包括以下步骤：

步骤4.3.1：设输入待检测子图像矩阵为I，输出新的待检测子图像矩阵为

通过下式将图像I和

进行数据归一化处理得到I′和

步骤4.3.2：通过下式得到差值子图像矩阵D′；

其中

为差异放大系数；

步骤4.3.3：对差值子图像矩阵D′进行形态学腐蚀处理，得到差异子图像矩阵。

本发明的有益效果是：

1.本发明属于无监督模型，不需要真实异常图像即可进行训练和检测。

2.本发明与目前已有的无监督异常检测模型相比，本发明可实现生成清晰图像的同时，实现对异常信息的检测与定位。

3.本发明可较好的消除非异常信息外的噪声干扰。

4.本发明具有更强的泛化能力。

附图说明

图1本发明的方法流程示意图。

图2本发明的网络模型整体结构示意图。

图3本发明的Read模块的结构示意图。

图4本发明的Update模块的结构示意图。

图5本发明的铁路机车部件子图像异常检测结果Ⅰ，其中，(a)输入图像，(b)生成图像，(c)差异图像。

图6本发明的铁路机车部件子图像异常检测结果Ⅱ，其中，(a)输入图像，(b)生成图像，(c)差异图像。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要特别说明的是，在不冲突的情况下，本申请公开的各个实施例之间可以相互组合。如图1-图6所示：

一种铁路机车部件异常检测的方法，异常检测的方法包括以下步骤：

步骤1：获取机车线阵图像；

步骤2：从所获取的机车线阵图像中截取待检测部件子图像；

步骤3：对步骤2的子图像进行噪声去除；

步骤4：对步骤3的去除噪声的子图像进行异常检测，所述子图像的异常检测具体为，对用于训练模型的标准子图像随机进行灰度线性变换和高斯模糊滤波处理，将灰度线性变换和高斯模糊滤波处理后的标准子图像进行模型训练得到标准权重文件，即通过记忆模块(即在图像训练的过程中使网络记忆异常噪声，在图像生成的过程中可以有效降低异常噪声对生成图像中异常信息的影响)来记录正常数据的原型模式，并通过读取模块和更新模块来更新记忆模块内的项数，将步骤3获取的噪声去除的待检测子图像进行模型训练得到新的待检测子图像，将新的待检测子图像与步骤3获取的噪声去除的待检测子图像进行差异对比，得到待检测部件的子图像的异常信息，其中，异常信息用于表征是否存在异常，以及存在异常的位置。本发明可实现生成清晰图像的同时，实现对异常信息的检测与定位。

进一步的，步骤1具体为，在铁轨两侧以及底部配备高清线阵成像设备，列车车头通过触发传感器，启动成像设备对运动的机车进行逐行扫描，获取多个高清线阵图像，而后根据轴距信息将其拼接成完整列车图像，线阵图像的大小为1440*1440。本步骤能准确快速完成列车图像的采集工作。

进一步的，步骤2的获取待检测部件子图像具体为根据列车轴距、车型和先验知识对机车可能发生故障的模块或零部件进行截取，得到子图图像。子图图像的获取可有效减少故障识别所需时间、区分不同的故障并提升识别准确率。

进一步的，步骤3线阵相机采集到的图像为单通道的灰度图，不具有颜色信息特征，仅通过灰度值的变化来区分故障与非故障区域的差异；其中，噪声包括；

当光线分布不均的情况下，采集到的线阵图像具有明暗不一的特性；

当光线分布不均的情况下，采集到的线阵图像具有明暗不一的特性；

当背景区域含有污渍、油渍时，会使得到的子图很难分辨车体本身的零部件信息特征；

当天气环境恶劣(比如雨雪天气)，采集到的线阵图像会出现条纹或雪花噪声。对本发明检测难点进行列举和分析。

进一步的，步骤4的子图像异常包括未知性、异质性、稀有性和多样性；

未知性为机车真实异常信息直至发生才知道具体信息；

异质性为机车不同异常信息具有完全不同的异常特征；

稀有性为机车异常信息是很少发生的数据实例；

多样性为机车异常信息具有形式的多样性。对机车异常信息的特性进行列举。

进一步的，步骤4的模型训练具体为，通过网络模型获得匹配概率：记忆模块中的M项可以理解为概括正常机车零部件的特征和异常噪声的特征；

所述获取匹配概率具体为，网络模型中的多维数组CWH分割成K个质询向量query，K个质询向量query与网络模型中设置的M个特征向量item通过读取模块Read计算其余弦相似度，得到一个MxK大小的二维相关图，然后在垂直方向上应用激活函数，通过以下公式获得MxK大小的二维相关图的匹配概率w^K,M，即为图2中的C_H，

其中P为记忆模块中特征向量，m'为中间变量属于M，Q为编码后生成的质询向量query，

通过下式计算匹配概率w^K,M和M个特征向量item项来获取特征

即为图2中的W_E；

其中w^K,m'为m'xK大小的二维相关图的匹配概率。得到图像的二维相关图的匹配概率，有助于提升训练模型的鲁棒性。

进一步的，更新模块Update用于更新记忆模块中的M个item；对于每个质询向量query选择匹配概率最大一个项进行更新；与Read阶段相似，通过下式计算出质询向量query的选择匹配概率v^K,M，即为图3中的C_H；

其中k'为中间变量；

再通过下式计算出更新后的质询向量query选择匹配概率v′^K,M，即为图3中的W_E；

最后通过损失函数计算出权重S，即图3中的S，并更新更新模块Update中的特征块P_m。

模型参数训练中的参数包括记忆模块中特征向量item的个数和记忆模块中质询向量query的深度；

记忆模块中特征向量item的个数，根据图像数据的背景灰度值或异常噪声确定；

记忆模块中质询向量query的深度，根据图像数据的训练确定；

根据先验知识或实验数据确定本发明中的特征向量item的个数的数值为30；质询向量query的深度的数值为512。使用参数进行训练，为后续步骤提供合适的参数。

进一步的，步骤4的差异比对具体包括以下步骤：

步骤4.1：设输入待检测子图像矩阵为I，输出新的待检测子图像矩阵为

通过下式将图像I和

进行数据归一化处理得到I′和

步骤4.2：通过下式得到差值子图像矩阵D′；

其中

为差异放大系数；本发明取

将差异信息清楚显示；

步骤4.3：对差值子图像矩阵D′进行形态学腐蚀处理，得到差异子图像矩阵E′。消除孤立噪声点的干扰。

在验证集上测试相关结果如表1所示，

表1

Claims (8)

1.一种铁路机车部件异常检测的方法，其特征在于，所述异常检测的方法包括以下步骤：

步骤1：获取机车线阵图像；

步骤2：从所获取的机车线阵图像中截取待检测部件子图像；

步骤3：对步骤2的子图像进行噪声去除；

步骤4：对步骤3的去除噪声的子图像进行异常检测，所述子图像的异常检测具体为，对用于训练模型的标准子图像随机进行灰度线性变换和高斯模糊滤波处理，将灰度线性变换和高斯模糊滤波处理后的标准子图像进行模型训练得到标准权重文件，即通过记忆模块来记录正常数据的原型模式，并通过读取模块和更新模块来更新记忆模块内的项数，将步骤3获取的噪声去除的待检测子图像进行模型训练得到新的待检测子图像，将新的待检测子图像与步骤3获取的噪声去除的待检测子图像进行差异对比，得到待检测部件的子图像的异常信息，其中，异常信息用于表征是否存在异常，以及存在异常的位置。

2.根据权利要求1所述一种铁路机车部件异常检测的方法，其特征在于，所述步骤1具体为，在铁轨两侧以及底部配备高清线阵成像设备，列车车头通过触发传感器，启动成像设备对运动的机车进行逐行扫描，获取多个高清线阵图像，而后根据轴距信息将其拼接成完整列车图像，所述线阵图像的大小为1440*1440。

3.根据权利要求1所述一种铁路机车部件异常检测的方法，其特征在于，所述步骤2的获取待检测部件子图像具体为根据列车轴距、车型和先验知识对机车可能发生故障的模块或零部件进行截取，得到子图图像。

4.根据权利要求1所述一种铁路机车部件异常检测的方法，其特征在于，所述步骤3线阵相机采集到的图像为单通道的灰度图，其中，噪声包括；

当光线分布不均的情况下，采集到的线阵图像具有明暗不一的特性；

当背景区域含有污渍、油渍时，会使得到的子图很难分辨车体本身的零部件信息特征；

当天气环境恶劣，采集到的线阵图像会出现条纹或雪花噪声。

5.根据权利要求1所述一种铁路机车部件异常检测的方法，其特征在于，所述步骤4的模型训练具体为，通过网络模型获得匹配概率：

所述获取匹配概率具体为，网络模型中的多维数组CWH分割成K个质询向量query，K个质询向量query与网络模型中设置的M个特征向量item通过读取模块Read计算其余弦相似度，得到一个M x K大小的二维相关图，然后在垂直方向上应用激活函数，通过以下公式获得M x K大小的二维相关图的匹配概率w^K,M，

其中P为记忆模块中特征向量，m'为中间变量属于M，Q为编码后生成的质询向量query，

通过下式计算匹配概率w^K,M和M个特征向量item项来获取特征

其中w^K,m'为m'x K大小的二维相关图的匹配概率。

6.根据权利要求5所述一种铁路机车部件异常检测的方法，其特征在于，所述获取匹配概率具体为，更新模块Update用于更新记忆模块中的M个item；对于每个质询向量query选择匹配概率最大一个项进行更新；通过下式计算出质询向量query的选择匹配概率v^K,M；

其中k'为中间变量；

再通过下式计算出更新后的质询向量query选择匹配概率v′^K,M；

最后通过损失函数计算出权重S，并更新更新模块Update中的特征块P_m。

7.根据权利要求1所述一种铁路机车部件异常检测的方法，其特征在于，所述步骤4中标准子图像的获取具体为，获取进行筛选后的噪声去除的子图像，对筛选出的同一部件的无异常信息的子图像进行缩放作为标准子图像。

8.根据权利要求1所述一种铁路机车部件异常检测的方法，其特征在于，所述步骤4的差异比对具体包括以下步骤：

步骤4.3.1：设输入待检测子图像矩阵为I，输出新的待检测子图像矩阵为

通过下式将图像I和

进行数据归一化处理得到I′和

步骤4.3.2：通过下式得到差值子图像矩阵D′；

其中

为差异放大系数；

步骤4.3.3：对差值子图像矩阵D′进行形态学腐蚀处理，得到差异子图像矩阵。

Images