CN113160190A - 一种接触网紧固件异常检测方法、设备、检测装置及存储介质 - Google Patents
一种接触网紧固件异常检测方法、设备、检测装置及存储介质 Download PDFInfo
- Publication number
- CN113160190A CN113160190A CN202110461087.2A CN202110461087A CN113160190A CN 113160190 A CN113160190 A CN 113160190A CN 202110461087 A CN202110461087 A CN 202110461087A CN 113160190 A CN113160190 A CN 113160190A
- Authority
- CN
- China
- Prior art keywords
- network
- test
- image
- abnormal
- real
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 91
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于工程图像异常检测技术领域,公开了一种接触网紧固件异常检测方法,包括以下步骤:将采集到的接触网紧固件图像的正常样本和异常样本划分为接触网紧固件训练集和测试集;训练集由正常样本组成,测试集由正常样本和异常样本组成;基于嵌套残差编码‑解码网络对训练集进行训练,得到异常检测模型;基于测试集对异常检测模型进行测试,通过距离度量模型计算异常评分;根据异常评分判断待检测接触网紧固件图像的样本是否异常。解决了复杂背景下的高铁接触网部件故障数据不足,特征表达困难问题,实现了基于正常数据的接触网紧固件异常检测。
Description
技术领域
本发明属于工程图像异常检测技术领域,特别涉及一种接触网紧固件异常检测方法、设备、检测装置及存储介质。
背景技术
安全作为铁路运营的前提条件,是铁路运营维护工作的重中之重。接触网是对电力机车提供动力的关键设备,接触网的持续工作保障了高铁列车的高速运行。接触网零部件长期露天工作,风吹日晒,容易发生故障,威胁行车安全。铁路部门非常重视接触网巡检工作,专门设立接触网检测部门,用4C***定期采集接触网的高分辨率图像,安排大量人力通过电脑屏幕浏览所采集的图像,以检查接触网部件是否发生破损、裂纹、断裂、松动和缺失等异常。人工分析检测效率低,劳动强度大,还容易发生漏检现象。
随着人工智能的发展,运用深度学习的方法进行接触网零部件的异常检测成为可能,已有一些研究人员通过采集接触网部件的异常图像,构建深度网络模型。虽然接触网部件异常时有发生,但就一种部件来说,异常图像的数量还是不够多,复杂背景下的高铁接触网部件故障数据不足,特征表达困难,这样训练的检测模型精度难以满足工程使用要求。
发明内容
本发明的目的在于提供一种接触网紧固件异常检测方法、设备、检测装置及存储介质,解决复杂背景下的高铁接触网部件故障数据不足,特征表达困难问题。
本发明是通过以下技术方案来实现:
一种接触网紧固件异常检测方法,包括以下步骤:
S1、将采集到的接触网紧固件图像的正常样本和异常样本划分为接触网紧固件训练集和测试集;训练集由正常样本组成,测试集由正常样本和异常样本组成;
S2、基于嵌套残差编码-解码网络对训练集进行训练,得到异常检测模型;
S3、基于测试集对异常检测模型进行测试,通过距离度量模型计算异常评分;
S4、根据异常评分判断待检测接触网紧固件图像的样本是否异常。
进一步,步骤S1中,按照训练集和测试集样本数量为3:1的比例构建待检测接触网紧固件数据集;
测试集中,正常样本和异常样本数量比例为1:1。
进一步,步骤S2中,异常检测模型包括生成器网络和判别器网络,生成器网络由两个加入残差连接的编码-解码网络嵌套构成,训练过程具体为:
S201、初始化生成器网络和判别器网络参数,将训练集作为真实图像xreal输入生成器网络G,输出重构图像xfake;
S202、将重构图像xfake和真实图像xreal共同输入判别器网络D,判别器网络D预测给定输入的类别,鉴别真实图像xreal以及重构图像xfake,同时判别器网络作为特征提取网络,获得真实图像xreal和重构图像xfake的高维语义特征向量f(xreal)和f(xfake);
S203、设置epoch,对于每一个epoch交替迭代对抗训练生成器网络和判别器网络,在对抗训练时利用目标函数进行优化参数;
S204、交替迭代对抗训练生成器网络和判别器网络的过程中,网络参数不断更新,对于每一个epoch保存生成器网络和判别器网络参数,选择最优结果作为异常检测模型参数。
进一步,S201具体为:
首先,编码网络GE读入真实图像xreal,产生深层语义特征图z=(z1,z2)=GE(xreal),获取原始图像的语义特征;
然后,解码网络GD的内外层分支分别对两种不同尺度的语义特征图z1和z2进行解码,处于内层的解码分支使用密集的跳过连接对外层解码分支进行特征融合;
最终,由外层分支最后一层输出与真实图像xreal尺寸相同的重构图像xfake=GD(z)=G(xreal)。
进一步,S203具体为:
优化判别器网络时,固定生成器网络参数,通过将作为负样本的重构图像xfake与将作为正样本的真实图像xreal输入判别器网络训练网络参数,目标函数为:
优化生成器网络时,固定判别器网络参数,目标函数为:
SL1表示smoothL1损失方程,具体为:
wcon,wadv,wlat是各损失的权重参数。
进一步,步骤S3中,异常检测模型包括生成器网络和判别器网络,具体为:
S301、将测试集Dtest输入生成器网络和判别器网络,采用距离度量模型计算测试图像异常评分的方式度量真实图像是否异常,对于给定测试集真实图像xtest,异常评分定义为:
A(xtest)=λR(xtest)+(1-λ)L(xtest)
其中,
R(xtest)=||xtest-xfake||1
L(xtest)=||f(xtest)-f(xfake)||2
xfake=G(xtest)
R(xtest)为重构图像和真实图像之间的细节差异,L(xtest)为重构图像和真实图像之间的语义特征差异,λ是平衡两种差异分数重要性的权重参数;
按照上述异常评分公式计算测试集中所有图像的异常分数集合A={Ai:A(xtest,i),xtest∈Dtest};
S302、归一化所述异常分数集合,将异常分数压缩至[0,1],归一化公式为:
进一步,步骤S4具体为:设置阈值,当测试图像异常评分大于阈值时,判定测试图像为异常图像,否则为正常图像。
本发明还公开了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述接触网紧固件异常检测方法的步骤。
本发明还公开了一种检测装置,包括采集设备和如权利要求8所述的计算机设备,采集设备设置在接触网紧固件旁,采集设备与计算机设备连接。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述接触网紧固件异常检测方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开了一种接触网紧固件异常检测方法,通过两个嵌套的编码-解码网络构成模型的生成器网络,并引入残差连接,增强了图像细节信息的传递,减少了信息损失,提升了异常检测模型中生成网络的特征表达和图像重构能力。同时,该模型可以通过反向传播,针对两种尺度的嵌套模型,自主的适应网络深度和尺寸,解决网络表达能力过强或过弱的问题;基于生成对抗机制进行自编码模型训练,通过距离度量模型进行异常检测,解决复杂背景下的高铁接触网部件故障数据不足,特征表达困难问题,实现基于正常数据的接触网紧固件异常检测。本方法对接触网部件异常检测准确度高,可以满足工程实际应用要求。
附图说明
图1为本发明的接触网紧固件异常检测方法流程示意图;
图2为本发明提供的嵌套残差编码-解码网络结构示意图;
图3为本发明提供的异常检测模型框架示意图;
图4为本发明提供的待检测高铁接触网及紧固件示意图;图4(a)为待检测高铁接触网的图片,图4(b)为图4(a)中紧固件的放大图片;
图5为本发明提供的待检测高铁接触网紧固件正常样本、异常样本的照片示意图,其中图5(a)和图5(b)为正常样本示例图,图5(c)和图5(d)为异常样本示例图;
图6为本发明的高铁接触网紧固件正常样本和异常样本的真实图像及其重构图像;图6(a)代表真实图像,图6(b)代表图6(a)中真实图像对应的重构图像;
图7为本发明的高铁接触网紧固件测试集异常分数分布图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
如图4(a)所示的接触网,就要用到如图4(b)所示接触网紧固件。4C检测***定期拍摄接触网紧固件图像,积累了大量部件的正常图像,本发明基于这些正常图像,建立接触网部件的异常检测模型,公开了一种接触网紧固件异常检测方法。
本发明设计了一种嵌套残差编码-解码的生成器网络,提升生成网络的特征表达和图像重构能力。本发明利用生成对抗机制基于紧固件正常样本训练模型,通过度量测试图像与其重构图像之间距离进行异常检测。
参照图1所示,本发明提供的一种接触网紧固件异常检测方法,具体包括以下步骤:
S1、采集高铁接触网紧固件图像正常样本和异常样本,将所采集的高铁接触网紧固件图像按照训练集和测试集样本数量为3:1的比例构建待检测接触网紧固件数据集,其中训练集由1200张待检测接触网紧固件正常图像组成,测试集由200张待检测接触网紧固件正常图像和200张异常图像组成,将较多的正常样本用于模型训练。
正常图像如图5(a)和图5(b)所示,异常图像如图5(c)和图5(d)所示。
S2、基于嵌套残差编码-解码网络对训练集进行训练,得到异常检测模型,保存模型参数;
S201、初始化生成器网络和判别器网络参数,将训练集输入生成器网络G,生成器输出重构图像。其中,如图2所示,生成器网络由两个加入残差连接的编码-解码网络嵌套构成,编码网络GE为共享部分。如图3所示,异常检测模型包括生成器网络和判别器网络,生成器网络由两个加入残差连接的编码-解码网络嵌套构成,首先,编码网络GE读入真实图像xreal(见图6(a)),产生深层语义特征图z=(z1,z2)=GE(xreal),获取原始图像的语义特征。然后,解码网络GD的内外层分支分别对两种不同尺度的语义特征图z1和z2进行解码,处于内层的解码分支使用密集的跳过连接对外层解码分支进行特征融合,最终由外层分支最后一层输出与真实图像xreal尺寸相同的重构图像xfake=GD(z)=G(xreal)(见图6(b));
S202、将步骤S201生成的重构图像xfake和真实图像xreal共同输入判别器网络D,判别器网络预测给定输入的类别,鉴别真实图像xreal以及由生成器网络输出的重构图像xfake,同时判别器作为一个特征提取网络,来获得真实图像xreal和重构图像xfake的高维语义特征向量f(xreal)和f(xfake);
S203、设置epoch=15,对于每一个epoch交替迭代训练生成器网络和判别器网络。优化判别器网络时,固定生成器网络参数,通过将重构图像xfake作为负样本与将真实图像xreal作为正样本输入判别器网络训练网络参数,目标函数为:
优化生成器网络时,固定判别器网络参数,目标函数为:
其中,
判别器网络D可看作是一个二分类网络,它的输入是图像x*,输出D(x*)代表的是图像x*为真实图像的概率,1则代表该图像100%为真实图像,0则代表该图像不是真实图像。
SL1表示smoothL1损失方程
wcon,wadv,wlat是各损失的权重参数,本实施例设置三个损失函数各部分权重参数为wcon=5,wadv=1,wlat=1,初始学习率为0.0002,使用lambda衰减,使用Adam作为默认优化器,β1=0.5,β2=0.999;
S204、交替迭代对抗训练生成器网络和判别器网络的过程中,网络参数不断更新,对于每一个epoch保存生成器网络和判别器网络参数,选择最优结果作为嵌套残差编码-解码网络异常模型参数。
S3、基于测试集进行异常检测模型测试,通过距离度量模型计算异常评分;
S301、将测试集Dtest输入生成器网络和判别器网络,采用距离度量模型计算测试图像异常评分的方式度量真实图像是否异常,对于给定测试集输入xtest,异常评分定义为
A(xtest)=λR(xtest)+(1-λ)L(xtest)
其中
R(xtest)=||xtest-xfake||1
L(xtest)=||f(xtest)-f(xfake)||2
xfake=G(xtest)
R(xtest)描述重构图像和真实图像之间的细节差异,L(xtest)描述了重构图像和真实图像之间的语义特征差异。λ是平衡两种差异分数重要性的权重参数,在本实施例中设置λ=0.9。按照上述异常评分公式计算测试集中所有图像的异常分数集合A={Ai:A(xtest,i),xtest∈Dtest};
S302、归一化步骤S301所得测试集异常分数集合。归一化公式为:
将测试集异常分数压缩至[0,1]。具体地,运用归一化公式将测试集异常分数集合中的所有元素映射到0-1,即归一化后的异常分数A′(xtest)的取值范围为0-1。
S4、判断待检测紧固件样本是否异常。
S401、在训练阶段,由于整个模型均是使用正常样本进行训练,即生成器网络、判别器网络的参数都是适用于正常样本的。当模型在测试阶段接收到异常样本时,此时模型的生成器网络将不适用于异常样本,那么得到的重构图像与该异常图像之间的细节差异和语义特征差异较大,故异常样本的异常分数较大;
S402、根据S302所得异常分数集合中正常样本和异常样本的异常分数临界值设置阈值,本实施例中设置阈值为0.4;
S403、当测试图像异常评分A′(xtest)大于阈值时,判定测试图像xtest为异常图像,否则为正常图像。本实施例中待检测高铁接触网紧固件异常检测效果图如图7所示,异常检测准确度达到96.6%,满足应用要求。
实验结果表明,在本实施例中,本发明提出的接触网紧固件异常检测方法准确度达到96.6%,相对于先前的传统目标检测方法,在精度上实现了大幅度的提升,基本达到了在实际工业场景应用的要求。
本发明接触网紧固件异常检测方法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,本发明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。
本发明接触网紧固件异常检测方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中,还提供计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述接触网紧固件异常检测方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本发明还公开了一种检测装置,包括采集设备和如所述的计算机设备,采集设备设置在接触网紧固件旁,采集设备与计算机设备连接,可以及时地将异常图像检测出来,提醒工作人员及时维护。
本发明的内容不限于上述实施例所列举,本领域技术人员不付出创造性劳动即可做出的各种修改或变形,均为本发明的权利要求所涵盖。
Claims (10)
1.一种接触网紧固件异常检测方法,其特征在于,包括以下步骤:
S1、将采集到的接触网紧固件图像的正常样本和异常样本划分为接触网紧固件训练集和测试集;训练集由正常样本组成,测试集由正常样本和异常样本组成;
S2、基于嵌套残差编码-解码网络对训练集进行训练,得到异常检测模型;
S3、基于测试集对异常检测模型进行测试,通过距离度量模型计算异常评分;
S4、根据异常评分判断待检测接触网紧固件图像的样本是否异常。
2.根据权利要求1所述的一种接触网紧固件异常检测方法,其特征在于,步骤S1中,按照训练集和测试集样本数量为3:1的比例构建待检测接触网紧固件数据集;
测试集中,正常样本和异常样本数量比例为1:1。
3.根据权利要求1所述的一种接触网紧固件异常检测方法,其特征在于,步骤S2中,异常检测模型包括生成器网络和判别器网络,生成器网络由两个加入残差连接的编码-解码网络嵌套构成,训练过程具体为:
S201、初始化生成器网络和判别器网络参数,将训练集作为真实图像xreal输入生成器网络G,输出重构图像xfake;
S202、将重构图像xfake和真实图像xreal共同输入判别器网络D,判别器网络D预测给定输入的类别,鉴别真实图像xreal以及重构图像xfake,同时判别器网络作为特征提取网络,获得真实图像xreal和重构图像xfake的高维语义特征向量f(xreal)和f(xfake);
S203、设置epoch,对于每一个epoch交替迭代对抗训练生成器网络和判别器网络,在对抗训练时利用目标函数进行优化参数;
S204、交替迭代对抗训练生成器网络和判别器网络的过程中,网络参数不断更新,对于每一个epoch保存生成器网络和判别器网络参数,选择最优结果作为异常检测模型参数。
4.根据权利要求3所述的一种接触网紧固件异常检测方法,其特征在于,S201具体为:
首先,编码网络GE读入真实图像xreal,产生深层语义特征图z=(z1,z2)=GE(xreal),获取原始图像的语义特征;
然后,解码网络GD的内外层分支分别对两种不同尺度的语义特征图z1和z2进行解码,处于内层的解码分支使用密集的跳过连接对外层解码分支进行特征融合;
最终,由外层分支最后一层输出与真实图像xreal尺寸相同的重构图像xfake=GD(z)=G(xreal)。
6.根据权利要求1所述的一种接触网紧固件异常检测方法,其特征在于,步骤S3中,异常检测模型包括生成器网络和判别器网络,具体为:
S301、将测试集Dtest输入生成器网络和判别器网络,采用距离度量模型计算测试图像异常评分的方式度量真实图像是否异常,对于给定测试集真实图像xtest,异常评分定义为:
A(xtest)=λR(xtest)+(1-λ)L(xtest)
其中,
R(xtest)=||xtest-xfake||1
L(xtest)=||f(xtest)-f(xfake)||2
xfake=G(xtest)
R(xtest)为重构图像和真实图像之间的细节差异,L(xtest)为重构图像和真实图像之间的语义特征差异,λ是平衡两种差异分数重要性的权重参数;
按照上述异常评分公式计算测试集中所有图像的异常分数集合A={Ai:A(xtest,i),xtest∈Dtest};
S302、归一化所述异常分数集合,将异常分数压缩至[0,1],归一化公式为:
7.根据权利要求1所述的一种接触网紧固件异常检测方法,其特征在于,步骤S4具体为:设置阈值,当测试图像异常评分大于阈值时,判定测试图像为异常图像,否则为正常图像。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述接触网紧固件异常检测方法的步骤。
9.一种检测装置,其特征在于,包括采集设备和如权利要求8所述的计算机设备,采集设备设置在接触网紧固件旁,采集设备与计算机设备连接。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述接触网紧固件异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461087.2A CN113160190A (zh) | 2021-04-27 | 2021-04-27 | 一种接触网紧固件异常检测方法、设备、检测装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461087.2A CN113160190A (zh) | 2021-04-27 | 2021-04-27 | 一种接触网紧固件异常检测方法、设备、检测装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113160190A true CN113160190A (zh) | 2021-07-23 |
Family
ID=76871493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110461087.2A Pending CN113160190A (zh) | 2021-04-27 | 2021-04-27 | 一种接触网紧固件异常检测方法、设备、检测装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160190A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359779A (zh) * | 2021-12-01 | 2022-04-15 | 国家能源集团宿迁发电有限公司 | 一种基于深度学习的皮带撕裂检测方法 |
CN114553756A (zh) * | 2022-01-27 | 2022-05-27 | 烽火通信科技股份有限公司 | 基于联合生成对抗网络的设备故障检测方法与电子设备 |
CN116403077A (zh) * | 2023-06-07 | 2023-07-07 | 中国科学院自动化研究所 | 异常检测模型训练方法、异常检测方法、装置及电子设备 |
CN117409008A (zh) * | 2023-12-15 | 2024-01-16 | 华东交通大学 | 一种设备图像生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211114A (zh) * | 2019-06-03 | 2019-09-06 | 浙江大学 | 一种基于深度学习的装箱缺条视觉检测方法 |
CN111899216A (zh) * | 2020-06-16 | 2020-11-06 | 西安交通大学 | 一种高铁接触网绝缘子紧固件的异常检测方法 |
CN112184654A (zh) * | 2020-09-24 | 2021-01-05 | 上海电力大学 | 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法 |
CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
CN112507605A (zh) * | 2020-11-04 | 2021-03-16 | 清华大学 | 基于AnoGAN的配电网异常检测方法 |
-
2021
- 2021-04-27 CN CN202110461087.2A patent/CN113160190A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211114A (zh) * | 2019-06-03 | 2019-09-06 | 浙江大学 | 一种基于深度学习的装箱缺条视觉检测方法 |
CN111899216A (zh) * | 2020-06-16 | 2020-11-06 | 西安交通大学 | 一种高铁接触网绝缘子紧固件的异常检测方法 |
CN112184654A (zh) * | 2020-09-24 | 2021-01-05 | 上海电力大学 | 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法 |
CN112507605A (zh) * | 2020-11-04 | 2021-03-16 | 清华大学 | 基于AnoGAN的配电网异常检测方法 |
CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359779A (zh) * | 2021-12-01 | 2022-04-15 | 国家能源集团宿迁发电有限公司 | 一种基于深度学习的皮带撕裂检测方法 |
CN114553756A (zh) * | 2022-01-27 | 2022-05-27 | 烽火通信科技股份有限公司 | 基于联合生成对抗网络的设备故障检测方法与电子设备 |
CN114553756B (zh) * | 2022-01-27 | 2023-06-13 | 烽火通信科技股份有限公司 | 基于联合生成对抗网络的设备故障检测方法与电子设备 |
CN116403077A (zh) * | 2023-06-07 | 2023-07-07 | 中国科学院自动化研究所 | 异常检测模型训练方法、异常检测方法、装置及电子设备 |
CN116403077B (zh) * | 2023-06-07 | 2023-08-15 | 中国科学院自动化研究所 | 异常检测模型训练方法、异常检测方法、装置及电子设备 |
CN117409008A (zh) * | 2023-12-15 | 2024-01-16 | 华东交通大学 | 一种设备图像生成方法 |
CN117409008B (zh) * | 2023-12-15 | 2024-03-22 | 华东交通大学 | 一种设备图像生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160190A (zh) | 一种接触网紧固件异常检测方法、设备、检测装置及存储介质 | |
CN111028939B (zh) | 一种基于深度学习的多组学智能诊断*** | |
CN111242071B (zh) | 一种基于锚框的注意力遥感图像目标检测方法 | |
CN113724880A (zh) | 一种异常脑连接预测***、方法、装置及可读存储介质 | |
CN115470827B (zh) | 基于自监督学习和孪生网络的对抗性心电信号降噪方法 | |
CN113469189B (zh) | 一种用电采集数据缺失值填充方法、***及装置 | |
CN110731773A (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
CN114898121A (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN116522153A (zh) | 锂电池容量预测方法、装置、计算机设备和存储介质 | |
CN116956929A (zh) | 针对桥梁管养文本数据的多特征融合命名实体识别方法、装置 | |
CN112712855B (zh) | 一种基于联合训练的含缺失值基因微阵列的聚类方法 | |
CN117477544A (zh) | 融合时间模式特征的lstm超短期光伏功率预测方法及*** | |
CN114882992B (zh) | 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 | |
CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
CN115128166B (zh) | 基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置 | |
CN113810226B (zh) | 结合离散特征编码和聚类修正的广域网单点流量预测方法 | |
CN112309063B (zh) | 混合光纤入侵信号特征谱提取方法及装置 | |
CN114187668A (zh) | 一种基于正样本训练的人脸静默活体检测方法及装置 | |
CN114220145A (zh) | 人脸检测模型生成方法和装置、伪造人脸检测方法和装置 | |
Das et al. | Target Driven Autoencoder: A Supervised Learning Approach for Tumor Segmentation | |
KR102512552B1 (ko) | 인공지능 처리 결과 분석 장치 및 그 방법 | |
CN116402812B (zh) | 一种医疗用影像数据的处理方法及*** | |
CN117116476B (zh) | 下游任务预测方法、装置及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |
|
RJ01 | Rejection of invention patent application after publication |