CN116563786A - 一种teds跨接线故障识别检测方法、存储介质及设备 - Google Patents

一种teds跨接线故障识别检测方法、存储介质及设备 Download PDF

Info

Publication number
CN116563786A
CN116563786A CN202310521646.3A CN202310521646A CN116563786A CN 116563786 A CN116563786 A CN 116563786A CN 202310521646 A CN202310521646 A CN 202310521646A CN 116563786 A CN116563786 A CN 116563786A
Authority
CN
China
Prior art keywords
teds
image
jumper
unit
fault identification
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.)
Pending
Application number
CN202310521646.3A
Other languages
English (en)
Inventor
王璐
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical 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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202310521646.3A priority Critical patent/CN116563786A/zh
Publication of CN116563786A publication Critical patent/CN116563786A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

一种TEDS跨接线故障识别检测方法、存储介质及设备，它属于故障识别技术领域。本发明解决了采用现有方法对TEDS跨接线进行故障识别的准确率低的问题。本发明方法采用的技术方案为：步骤一、根据轴距信息截取TEDS跨接线所在区域图像，获得目标图像集；步骤二、构建DFR异常检测网络，DFR异常检测网络的深度特征重构单元采用包含注意力机制的Transformer模型，并将Transformer模型中的注意力机制设置为近邻掩码注意力；再利用目标图像集对DFR异常检测网络进行训练；步骤三、利用训练好的DFR异常检测网络进行TEDS跨接线故障识别。本发明方法可以应用于TEDS跨接线故障识别检测。

Description

一种TEDS跨接线故障识别检测方法、存储介质及设备
技术领域
本发明属于故障识别技术领域，具体涉及一种基于改进DFR(Deep FeatureReconstruction，深度特征重构)的TEDS跨接线故障识别检测方法、存储介质及设备。
背景技术
TEDS跨接线位于高铁的车端连接部，若此处发生故障可能危及行车安全。为保证列车平稳、安全运行，需对TEDS跨接线故障进行识别检测，一旦发现TEDS跨接线处出现击打变形、脱漆、异物悬挂等故障，则需立即处理。目前主要采用深度学习方法对采集的TEDS跨接线部位的图像进行故障识别检测，但是深度学习方法需要利用大量的故障样本数据对模型进行训练，但是实际可以用于模型训练的故障样本数据较为有限，以致于训练的模型不能取得很好的识别效果，而且基于故障样本训练后的模型只能对已有的故障类型进行识别，对未知故障并不具备识别能力。同时许多车型的TEDS跨接线部位亮度较低、线体杂乱且有重叠现象，鉴于TEDS跨接线部位的图像存在上述特征，采用现有的深度学习方法难以识别出一些小的脱皮故障，因此，采用现有的深度学习方法对TEDS跨接线进行故障识别的准确率仍然较低，进一步提高TEDS跨接线故障识别的准确率对保证列车运行的稳定性和安全性是十分必要的。
发明内容
本发明的目的是为解决采用现有方法对TEDS跨接线进行故障识别的准确率低的问题，而提出的一种TEDS跨接线故障识别检测方法。
本发明为解决上述技术问题所采取的技术方案是：一种TEDS跨接线故障识别检测方法，该方法包括以下步骤：
步骤一、根据轴距信息截取TEDS跨接线所在区域图像，获得目标图像集；
步骤二、构建DFR异常检测网络，所述DFR异常检测网络中包括深度特征重构单元，所述深度特征重构单元采用包含注意力机制的Transformer模型，并将Transformer模型中的注意力机制设置为近邻掩码注意力；
再利用步骤一中获得的目标图像集对构建的DFR异常检测网络进行训练；
步骤三、利用训练好的DFR异常检测网络对待识别图像进行TEDS跨接线故障识别；
若待识别图像中存在TEDS跨接线故障，则将故障区域映射回原始图像，进行报警上传；
若待识别图像中不存在TEDS跨接线故障，则不需要处理。
优选地，步骤一的具体过程为：
获取高铁各部位的高清线阵灰度图像，再将获取的图像拼接成列车侧部和底部的完整图像，再根据TEDS跨接线的轴距信息从拼接后的图像中截取出TEDS跨接线所在区域的图像，截取出的全部图像组成目标图像集。
优选地，Transformer模型中的Softmax替换为Reshape。
优选地，近邻掩码注意力加权后的特征向量表示如下：
其中，Attention(Q,K,V)表示近邻掩码注意力加权后的特征向量，Q表示查询向量，K表示键值向量，上角标T代表转置，V表示值向量，dk表示K向量的维度。
优选地，DFR异常检测网络中还包括图像分层特征提取单元、多尺度区域特征生成单元以及异常评分分割单元，步骤三的工作过程具体为：
步骤三一、将待识别图像输入图像分层特征提取单元后，得到图像分层特征提取单元的输出结果；
步骤三二、将步骤三一的输出结果作为多尺度区域特征生成单元的输入，得到多尺度区域特征生成单元的输出；
步骤三三、将步骤三二的输出结果作为深度特征重构单元的输入，得到对待识别图像的重构结果；
步骤三四、将步骤三三的重构结果输入到异常评分分割单元，通过异常评分分割单元输出对待识别图像的故障识别结果。
优选地，图像分层特征提取单元采用预训练的CNN模型，图像分层特征提取单元的输出为：
其中，L表示预训练的CNN模型中卷积层个数，l表示第l个卷积层，l＝1,2,…,L，表示第l个卷积层的特征提取结果。
优选地，多尺度区域特征生成单元的工作过程为：
步骤1、将图像分层特征提取单元输出的恢复到同样尺寸；
其中，是/>对应的尺寸恢复后的图像；
步骤2、分别对各个尺寸恢复后的图像进行聚合，得到对各个图像的聚合结果；
其中，agg为聚合操作，表示对/>的聚合结果；
步骤3、对步骤2中的聚合结果进行拼接，将拼接结果作为深度特征重构单元的输入。
优选地，异常评分分割单元用于将待识别图像经过深度特征重构单元的重构结果与正常图像经过深度特征重构单元的重构结果进行对比，对比的具体过程为：
对于待识别图像经过深度特征重构单元的重构结果中的任一像素，计算出该像素与该像素在正常图像重构结果中对应像素的欧式距离，若计算出的欧式距离大于设定的阈值，则将该像素赋值为1，否则计算出的欧式距离小于等于设定的阈值，则将该像素赋值为0；
遍历待识别图像经过深度特征重构单元的重构结果中的全部像素后，得到二值图像。
一种计算机存储介质，存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现一种TEDS跨接线故障识别检测方法。
一种TEDS跨接线故障识别检测设备，设备包括处理器和存储器，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现一种TEDS跨接线故障识别检测方法。
本发明的有益效果是：
本发明通过对DFR异常检测网络的深度特征重构单元进行改进，可以在不使用任何故障样本参与训练的情况下，对TEDS跨接线部分的故障实现较好的识别效果，且能够对新发故障进行识别。同时，对微小的故障也具有很强的识别能力，说明采用本发明方法可以显著提高对TEDS跨接线故障识别的准确率，提高整体算法的稳定性，并有效缩短故障检测的时间。
附图说明
图1是本发明方法的流程图；
图2是本发明中DFR异常检测网络的结构图；
图3是传统卷积自动编码器的结构图；
图4是深度特征重构单元的结构图；
图5a是跨接线故障原始图像一；
图5b是采用本发明方法对图5a的分割结果图；
图5c是跨接线故障原始图像二；
图5d是采用本发明方法对图5c的分割结果图；
图5e是跨接线故障原始图像三；
图5f是采用本发明方法对图5e的分割结果图。
具体实施方式
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方式之间可以相互组合。
具体实施方式一、结合图1和图2说明本实施方式。本实施方式的一种TEDS跨接线故障识别检测方法，该方法具体通过以下步骤实现：
步骤一、根据轴距信息截取TEDS跨接线所在区域图像，获得目标图像集；
从各种条件下采集的图像中分别截取出TEDS跨接线所在区域的图像后，形成目标图像集；通过截取TEDS跨接线所在区域图像进行后续处理，可以缩小待识别图像的尺寸，增加目标像素在待识别图像中的相对占比，以减少干扰，可以在提高识别率的同时便于模型的训练。
步骤二、构建DFR异常检测网络，所述DFR异常检测网络中包括深度特征重构单元，所述深度特征重构单元采用包含注意力机制的Transformer模型，并将Transformer模型中的注意力机制设置为近邻掩码注意力；深度特征重构单元的结构如图4所示；
将Transformer模型中的多头注意力机制改为近邻掩码注意力机制，剔除与待计算位置相邻部位的注意力。这是因为每一个点与其相邻点在经过卷积特征提取后往往具有一定相似性，在计算时将其剔除，可以很大程度上避免编解码时对输入复制其本身进行输出。
再利用步骤一中获得的目标图像集对构建的DFR异常检测网络进行训练；
步骤三、利用训练好的DFR异常检测网络对待识别图像进行TEDS跨接线故障识别；
若待识别图像中存在TEDS跨接线故障，则将故障区域映射回原始图像，进行报警上传；
若待识别图像中不存在TEDS跨接线故障，则不需要处理。
在利用传统的检测网络进行故障识别时，检测网络的训练阶段往往需要尽量收集足够的正负样本，特别是要有充分的故障形态，才能实现对故障较好的识别。但是TEDS跨接线故障出现频率极低，因此可以获得的负样本数量有限。而且，基于已发现的故障制作负样本训练出的模型，无法对事先从未出现过的新发故障进行识别，容易造成漏检，危及行车安全。而本发明的DFR异常检测算法只需要使用无故障的正样本进行训练，并不需要负样本作为训练数据，且因为其原理是对待检测图片的特征与正常图片的特征进行对比，因此，不同的故障形态对识别结果影响不大，可以识别新发故障，提高故障识别的准确率。
如图3所示，传统卷积自动编码器仅包含1x1卷积和ReLU模块，卷积层的输入输出可以简单表示为y＝xw+b，其中，w为卷积层的权重，b为偏置，x和y分别为卷积的输入和输出。在理想情况下，在训练时输入正样本，经过前面两步的图像分层特征提取、多尺度区域特征生成后，将得到的特征图输入给深度特征重构部分，由y＝xw+b计算得到正样本的真实输出y。在测试时，如果输入图片是不包含故障的正样本，其输入的特征应该与理想输入x相近，经过上述网络后得到的/>也与y相近，计算/>与y之间的l2距离，得到的值较小，证明输入为正样本，不包含故障。反之，如果输入当中包含异常，其输入/>的特征与理想输入x的特征分布会有差别，经过y＝xw+b计算得到的/>与理想值y之间的l2距离偏大，则可以证明区域内存在异常。但是在实际应用过程中，由于卷积的线性特点，会造成一种“短路”现象，即经过大量的训练，网络为了让每一个输出y都能更好地拟合输入x，随着数据量的增多，有时w会接近于单位矩阵I，b则接近于0，由此y＝xw+b接近于y＝x的形式，也就是无论输入x是多少，输出y都能对其进行很好的拟合，即程序会对输入原样进行输出，哪怕是输入负样本，得到的y的l2距离也会偏小，无法很好地区分负样本。因此，本发明将传统卷积自动编码器替换为包含注意力机制的Transformer模型。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一的具体过程为：
获取高铁各部位的高清线阵灰度图像，再将获取的图像拼接成列车侧部和底部的完整图像，再根据TEDS跨接线的轴距信息从拼接后的图像中截取出TEDS跨接线所在区域的图像，截取出的全部图像组成目标图像集。
利用搭建的高速成像设备获取高铁各部位的高清线阵灰度图像，尽量收集不同时间段不同环境下的图像，保证数据样本中存在各种自然干扰，如光照、雨水、泥渍等，增强算法的鲁棒性，保证算法能适用于列车的不同工况。
由于检测的TEDS跨接线目标只分布于列车车端部，在车身上的位置基本固定，因此根据其轴距信息等先验知识，确定跨接线的起止位置，根据起止位置对TEDS跨接线所在区域进行截取得到目标图像，这样可以缩小待识别图像的尺寸，增加目标区域在待识别图像中的像素占比，以减少干扰，进而提高识别准确率。
具体实施方式三：本实施方式与具体实施方式二不同的是：Transformer模型中的Softmax替换为Reshape。
为了便于异常评分分割单元的处理，将Transformer网络末端的输出部分由Softmax改为Reshape，使网络由输出针对于标签的概率改为输出与网络输入尺寸一致的特征图。
具体实施方式四：本实施方式与具体实施方式三不同的是：近邻掩码注意力(Neighbor Masked Attention)加权后的特征向量表示如下：
其中，Attention(Q,K,V)表示近邻掩码注意力加权后的特征向量，Q表示查询向量(Query)，K表示键值向量(Key)，上角标T代表转置，V表示值向量(Value)，dk表示K向量的维度，Q、K和V均是由不同的权值矩阵根据输入向量x得到的。
可以看出，Transformer模型破坏了输入和输出之间的线性关系，阻止了特征重构过程中输出对输入的直接拟合，提高了故障识别的准确率。
具体实施方式五：本实施方式与具体实施方式四不同的是：DFR异常检测网络中还包括图像分层特征提取单元、多尺度区域特征生成单元以及异常评分分割单元，步骤三的工作过程具体为：
步骤三一、将待识别图像输入图像分层特征提取单元后，得到图像分层特征提取单元的输出结果；
步骤三二、将步骤三一的输出结果作为多尺度区域特征生成单元的输入，得到多尺度区域特征生成单元的输出；
步骤三三、将步骤三二的输出结果作为深度特征重构单元的输入，得到对待识别图像的重构结果；
步骤三四、将步骤三三的重构结果输入到异常评分分割单元，通过异常评分分割单元输出对待识别图像的故障识别结果。
具体实施方式六：本实施方式与具体实施方式五不同的是：图像分层特征提取单元采用预训练的CNN模型，图像分层特征提取单元的输出为：
其中，L表示预训练的CNN模型中卷积层个数，l表示第l个卷积层，l＝1,2,…,L，表示第l个卷积层的特征提取结果。
预训练的CNN模型对输入图像进行处理后，生成的多层级特征作为多尺度区域特征生成单元的输入。CNN模型中具有更小感受野的浅层卷积网络被用来获取低维特征(如纹理特征等)，感受野更大的深层网络则用来获得物体信息等全局高维特征，将不同层网络的结果进行组合，即可获得同时包含高维和低维特征信息的特征组合。
具体实施方式七：本实施方式与具体实施方式六不同的是：多尺度区域特征生成单元的工作过程为：
步骤1、将图像分层特征提取单元输出的恢复到同样尺寸；
其中，是/>对应的尺寸恢复后的图像；
步骤2、分别对各个尺寸恢复后的图像进行聚合，得到对各个图像的聚合结果；
其中，agg为聚合操作，表示对/>的聚合结果；
步骤3、对步骤2中的聚合结果进行拼接，将拼接结果作为深度特征重构单元的输入。
特征组合通过resize到同样大小的方式进行对齐，将每个φl(x)由hl×wl×cl大小resize到h×w×cl，其中，h为图像分层特征提取单元输入的图像的高度，w为图像分层特征提取单元输入的图像的宽度，通道数cl维持不变，得到/>聚合后的特征图尺寸为h0×w0×cl，其中，h0和w0为根据设置的卷积步长对特征图/>进行卷积后得到的高度和宽度结果。
具体实施方式八：本实施方式与具体实施方式七不同的是：异常评分分割单元用于将待识别图像经过深度特征重构单元的重构结果与正常图像经过深度特征重构单元的重构结果进行对比，对比的具体过程为：
对于待识别图像经过深度特征重构单元的重构结果中的任一像素，计算出该像素与该像素在正常图像重构结果中对应像素的欧式距离，若计算出的欧式距离大于设定的阈值(可以根据实际需求设定)，则将该像素赋值为1，否则计算出的欧式距离小于等于设定的阈值，则将该像素赋值为0；
遍历待识别图像经过深度特征重构单元的重构结果中的全部像素后，得到二值图像。
二值图像中被赋值为1的像素达到设定的阈值时(阈值大小可以根据实际需求设置，本发明中设置为100)，就认为发生故障。
本发明通过对DFR算法的特征重构部分进行优化，解决了输入与输出之间“短路”问题，使负样本在经过特征重构后得到的结果与正样本之间存在的差距扩大，使负样本更易被筛选出来，由此提升了对异常情形的识别效果，而且本发明不需要负样本进行训练，对实际过程中未出现过的故障也具有较好的检测能力，如图5a、图5c和图5e所示为故障的原始图像，采用本发明方法对图5a、图5b和图5c中跨接线部分故障的分割结果分别如图5b、图5d和图5f所示。
具体实施方式九：本实施方式为一种计算机存储介质，存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现一种TEDS跨接线故障识别检测方法。
应当理解，包括本发明描述的任何方法对应的可以被提供为计算机程序产品、软件或计算机化方法，其可以包括其上存储有指令的非暂时性机器可读介质，指令可以用于编程计算机系统，或其他电子装置。存储介质可以包括但不限于磁存储介质，光存储介质；磁光存储介质包括：只读存储器ROM、随机存取存储器RAM、可擦除可编程存储器(例如，EPROM和EEPROM)以及闪存层；或者适合于存储电子指令的其他类型的介质。
具体实施方式十：本实施方式为一种TEDS跨接线故障识别检测设备，设备包括处理器和存储器，应当理解，包括本发明描述的任何包括处理器和存储器的设备，设备还可以包括其他通过信号或指令进行显示、交互、处理、控制等以及其他功能的单元、模块；
存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现一种TEDS跨接线故障识别检测方法。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种TEDS跨接线故障识别检测方法，其特征在于，所述方法具体通过以下步骤实现：
步骤一、根据轴距信息截取TEDS跨接线所在区域图像，获得目标图像集；
步骤二、构建DFR异常检测网络，所述DFR异常检测网络中包括深度特征重构单元，所述深度特征重构单元采用包含注意力机制的Transformer模型，并将Transformer模型中的注意力机制设置为近邻掩码注意力；
再利用步骤一中获得的目标图像集对构建的DFR异常检测网络进行训练；
步骤三、利用训练好的DFR异常检测网络对待识别图像进行TEDS跨接线故障识别；
若待识别图像中存在TEDS跨接线故障，则将故障区域映射回原始图像，进行报警上传；
若待识别图像中不存在TEDS跨接线故障，则不需要处理。
2.根据权利要求1所述的一种TEDS跨接线故障识别检测方法，其特征在于，所述Transformer模型中的Softmax替换为Reshape。
3.根据权利要求2所述的一种TEDS跨接线故障识别检测方法，其特征在于，所述步骤一的具体过程为：
获取高铁各部位的高清线阵灰度图像，再将获取的图像拼接成列车侧部和底部的完整图像，再根据TEDS跨接线的轴距信息从拼接后的图像中截取出TEDS跨接线所在区域的图像，截取出的全部图像组成目标图像集。
4.根据权利要求3所述的一种TEDS跨接线故障识别检测方法，其特征在于，所述近邻掩码注意力加权后的特征向量表示如下：
其中，Attention(Q,K,V)表示近邻掩码注意力加权后的特征向量，Q表示查询向量，K表示键值向量，上角标T代表转置，V表示值向量，dk表示K向量的维度。
5.根据权利要求4所述的一种TEDS跨接线故障识别检测方法，其特征在于，所述DFR异常检测网络中还包括图像分层特征提取单元、多尺度区域特征生成单元以及异常评分分割单元，步骤三的工作过程具体为：
步骤三一、将待识别图像输入图像分层特征提取单元后，得到图像分层特征提取单元的输出结果；
步骤三二、将步骤三一的输出结果作为多尺度区域特征生成单元的输入，得到多尺度区域特征生成单元的输出；
步骤三三、将步骤三二的输出结果作为深度特征重构单元的输入，得到对待识别图像的重构结果；
步骤三四、将步骤三三的重构结果输入到异常评分分割单元，通过异常评分分割单元输出对待识别图像的故障识别结果。
6.根据权利要求5所述的一种TEDS跨接线故障识别检测方法，其特征在于，所述图像分层特征提取单元采用预训练的CNN模型，图像分层特征提取单元的输出为：
其中，L表示预训练的CNN模型中卷积层个数，l表示第l个卷积层，l＝1,2,…,L，表示第l个卷积层的特征提取结果。
7.根据权利要求6所述的一种TEDS跨接线故障识别检测方法，其特征在于，所述多尺度区域特征生成单元的工作过程为：
步骤1、将图像分层特征提取单元输出的恢复到同样尺寸；
其中，是/>对应的尺寸恢复后的图像；
步骤2、分别对各个尺寸恢复后的图像进行聚合，得到对各个图像的聚合结果；
其中，agg为聚合操作，表示对/>的聚合结果；
步骤3、对步骤2中的聚合结果进行拼接，将拼接结果作为深度特征重构单元的输入。
8.根据权利要求7所述的一种TEDS跨接线故障识别检测方法，其特征在于，所述异常评分分割单元用于将待识别图像经过深度特征重构单元的重构结果与正常图像经过深度特征重构单元的重构结果进行对比，对比的具体过程为：
对于待识别图像经过深度特征重构单元的重构结果中的任一像素，计算出该像素与该像素在正常图像重构结果中对应像素的欧式距离，若计算出的欧式距离大于设定的阈值，则将该像素赋值为1，否则计算出的欧式距离小于等于设定的阈值，则将该像素赋值为0；
遍历待识别图像经过深度特征重构单元的重构结果中的全部像素后，得到二值图像。
9.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至8之一所述的一种TEDS跨接线故障识别检测方法。
10.一种TEDS跨接线故障识别检测设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至8之一所述的一种TEDS跨接线故障识别检测方法。
CN202310521646.3A 2023-05-10 2023-05-10 一种teds跨接线故障识别检测方法、存储介质及设备 Pending CN116563786A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310521646.3A CN116563786A (zh) 2023-05-10 2023-05-10 一种teds跨接线故障识别检测方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310521646.3A CN116563786A (zh) 2023-05-10 2023-05-10 一种teds跨接线故障识别检测方法、存储介质及设备

Publications (1)

Publication Number Publication Date
CN116563786A true CN116563786A (zh) 2023-08-08

Family

ID=87494110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310521646.3A Pending CN116563786A (zh) 2023-05-10 2023-05-10 一种teds跨接线故障识别检测方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN116563786A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115097A (zh) * 2023-08-14 2023-11-24 哈尔滨市科佳通用机电股份有限公司 基于异常检测的teds检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115097A (zh) * 2023-08-14 2023-11-24 哈尔滨市科佳通用机电股份有限公司 基于异常检测的teds检测方法及系统
CN117115097B (zh) * 2023-08-14 2024-05-28 哈尔滨市科佳通用机电股份有限公司 基于异常检测的teds检测方法及系统

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN108596166B (zh) 一种基于卷积神经网络分类的集装箱箱号识别方法
CN107133622B (zh) 一种单词的分割方法和装置
CN111626190A (zh) 基于聚类分区进行刻度识别的水位监测方法
CN111191611B (zh) 基于深度学习的交通标志标号识别方法
CN110956169A (zh) 一种车牌识别方法、装置及电子设备
CN111797829A (zh) 一种车牌检测方法、装置、电子设备和存储介质
CN111178290A (zh) 一种签名验证方法和装置
CN114511568B (zh) 基于无人机的高速公路桥梁检修方法
CN116563786A (zh) 一种teds跨接线故障识别检测方法、存储介质及设备
CN110909657A (zh) 一种隧道表观病害图像识别的方法
CN115272852A (zh) 一种输电线路保护区隐患识别方法、设备及介质
CN114913498A (zh) 一种基于关键点估计的并行多尺度特征聚合车道线检测方法
CN115953744A (zh) 一种基于深度学习的车辆识别追踪方法
CN117612128B (zh) 车道线生成方法、装置、计算机设备及存储介质
CN116259008A (zh) 一种基于计算机视觉的水位实时监测方法
CN113657225B (zh) 一种目标检测方法
CN109978916B (zh) 基于灰度图像特征匹配的Vibe运动目标检测方法
CN114841967A (zh) 异物检测方法、装置、ai服务器、系统及存储介质
CN111160087A (zh) 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质
CN112053407B (zh) 一种交通执法影像中基于ai技术的车道线自动检测方法
CN111126286A (zh) 车辆动态检测方法、装置、计算机设备及存储介质
CN115631197A (zh) 一种图像处理方法、装置、介质、设备及系统
CN115937536A (zh) 基于光刻sem图像的轮廓提取方法、装置、设备及存储介质
CN112001388B (zh) 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法

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