CN117115097B - 基于异常检测的teds检测方法及*** - Google Patents
基于异常检测的teds检测方法及*** Download PDFInfo
- Publication number
- CN117115097B CN117115097B CN202311018340.2A CN202311018340A CN117115097B CN 117115097 B CN117115097 B CN 117115097B CN 202311018340 A CN202311018340 A CN 202311018340A CN 117115097 B CN117115097 B CN 117115097B
- Authority
- CN
- China
- Prior art keywords
- image
- passing
- historical
- motor car
- pixel
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000005856 abnormality Effects 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 11
- 230000000149 penetrating effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000004313 glare Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
基于异常检测的TEDS检测方法及***,涉及图像处理技术领域,针对现有技术中由于天气以及雨天会对图像产生亮暗干扰以及黑带干扰,因此,在异常检测时,这些干扰会对检测结果产生影响,降低了检测的准确率的问题,本申请通过引入历史过车图像,并根据历史过车图像与待识别动车图像进行配准,之后进行异常检测,然后通过将连通域中“纯黑”和“纯白”像素点的个数进行对比,本申请通过“纯黑”和“纯白”像素点的个数进行异常检测,极大地避免了亮暗干扰以及黑带干扰,进而提高了检测准确率。另外,本申请不用因为图片干扰而进行额外的预处理操作,由于不用进行额外的预处理操作,可以减少算力的使用以及检测时间。
Description
技术领域
本发明涉及图像处理技术领域,具体为基于异常检测的TEDS检测方法及***。
背景技术
当前高铁使用TEDS进行故障检测的时候使用了大量的模型进行判断,因此在运行TEDS检测时需要用大量模型进行判断,初始化模型以及采用深度学习预测会消耗大量时间,无法做到实时检测。因此,基于异常检测的TEDS检测方法在故障自动识别技术在动车检测上意义重大。
现有技术中,由于天气以及雨天会对图像产生亮暗干扰以及黑带干扰,因此,在检测时,这些干扰会对检测结果产生影响,降低了检测的准确率。
发明内容
本发明的目的是:针对现有技术中由于天气以及雨天会对图像产生亮暗干扰以及黑带干扰,因此,在异常检测时,这些干扰会对检测结果产生影响,降低了检测的准确率的问题,提出基于异常检测的TEDS检测方法及***。
本发明为了解决上述技术问题采取的技术方案是:
基于异常检测的TEDS检测方法,包括以下步骤:
步骤一:获取待识别动车图像,并将待识别动车图像输入异常检测网络,得到待识别图像中每个像素点异常的概率,之后将概率不小于第一阈值的像素点的像素值设置为255,将小于第一阈值的像素点的像素值设置为0,进而得到基于异常概率的二值图;
步骤二:判定基于异常概率的二值图中是否存在像素值为255的像素点,若基于异常概率的二值图中不存在像素值为255的像素点,则无异常,若基于异常概率的二值图中存在像素值为255的像素点,则获取历史过车图像,并将历史过车图像与待识别动车图像进行配准,之后将配准后的历史过车图像输入异常检测网络,并重复步骤一,进而得到历史过车图像的二值图,之后将历史过车图像的二值图与基于异常概率的二值图中像素值均为255的像素点对应的像素值设置为0,得到新概率图;
步骤三:对新概率图进行取连通域操作,得到若干个连通域,之后计算每个连通域中像素值为255的像素点的个数,若连通域中像素值为255的像素点的个数不大于设定的第二阈值,则将该连通域中像素值为255的像素点的像素值设置为0,若连通域中像素值为255的像素点的个数大于设定的第二阈值,则将该连通域中像素值为255的像素点的个数与基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数进行比较,若连通域中像素值为255的像素点的个数小于基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数,则无异常,否则,为异常。
进一步的,配准的具体步骤为:
将待识别动车图像和历史过车图像中同一车节的图作为一对数据输入配准网络中得到特征点对,之后将特征点对以置信度阈值进行筛选,保留不小于置信度阈值的特征点对,筛选之后的特征点对再经过DBSCAN聚类以及图像边缘化采集一致性进行进一步筛选,得到有效的特征点对;
以历史过车图像水平方向相邻的有效特征点为界分别进行截取,对截取的图片进行拉伸,使其水平长度与待检测过车的对应的特征点为界的片段一致。
进一步的,步骤二中配准通过LoFTR匹配算法进行。
进一步的,LoFTR匹配算法为改进的LoFTR匹配算法,改进的LoFTR匹配算法获取步骤为:
利用ASpanFormer的GLA块替换LoFTR匹配算法中的LoFTR块,进而得到改进的LoFTR匹配算法。
进一步的,异常检测网络为UniAD异常检测网络。
进一步的,获取历史过车图像的过程为:
识别待识别动车图像中动车车型,并根据动车车型选取历史过车数据集,之后根据设定的误报阈值判断动车车型为误报少车型或误报多车型,若为误报少车型,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,若为误报多车型,则判断待识别动车图像中是否存在天气干扰,若存在,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,否则在历史过车数据集中选取对应时间段的历史过车图像;
天气情况和昼夜情况,即是否存在黑色条形干扰与亮度情况;
天气干扰包括强光干扰和大雨天气干扰;
判断待识别动车图像中是否存在天气干扰的具体步骤为:
获取待识别动车图像的平均亮度值,并将待识别动车图像的平均亮度值与第三阈值比较,若待识别动车图像的平均亮度值不小于第三阈值,则存在强光干扰,否则,不存在强光干扰;
将待识别动车图像进行二值化处理,若待识别动车图像中存在贯穿图像的黑色痕迹,则存在大雨天气干扰,否则,不存在大雨天气干扰。
进一步的,历史过车数据集的构建步骤为:
将误报少车型及误报多车型进行划分,针对误报少车型,获取五辆无任何故障的过车图像数据,分别为雨天过车图像、雪天过车图像、强光过车图像、日间正常过车图像和夜间正常过车图像;
针对误报多车型,按照时间段和天气划分,天气划分为日间雨天过车图像、夜间雨天过车图像、日间雪天过车图像、夜间雪天过车图像和强光过车图像,时间段划分为每两小时为一个时间段,每个时间段内有一个正常历史过车图像。
基于异常检测的TEDS检测***,包括:像素点异常检测模块、配准异常检测模块以及连通域异常检测模块,
像素点异常检测模块用于获取待识别动车图像,并将待识别动车图像输入异常检测网络,得到待识别图像中每个像素点异常的概率,之后将概率不小于第一阈值的像素点的像素值设置为255,将小于第一阈值的像素点的像素值设置为0,进而得到基于异常概率的二值图;
配准异常检测模块用于判定基于异常概率的二值图中是否存在像素值为255的像素点,若基于异常概率的二值图中不存在像素值为255的像素点,则无异常,若基于异常概率的二值图中存在像素值为255的像素点,则获取历史过车图像,并将历史过车图像与待识别动车图像进行配准,之后将配准后的历史过车图像输入异常检测网络,并重复步骤一,进而得到历史过车图像的二值图,之后将历史过车图像的二值图与基于异常概率的二值图中像素值均为255的像素点对应的像素值设置为0,得到新概率图;
连通域异常检测模块用于对新概率图进行取连通域操作,得到若干个连通域,之后计算每个连通域中像素值为255的像素点的个数,若连通域中像素值为255的像素点的个数不大于设定的第二阈值,则将该连通域中像素值为255的像素点的像素值设置为0,若连通域中像素值为255的像素点的个数大于设定的第二阈值,则将该连通域中像素值为255的像素点的个数与基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数进行比较,若连通域中像素值为255的像素点的个数小于基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数,则无异常,否则,为异常。
进一步的,配准的具体步骤为:
将待识别动车图像和历史过车图像中同一车节的图作为一对数据输入配准网络中得到特征点对,之后将特征点对以置信度阈值进行筛选,保留不小于置信度阈值的特征点对,筛选之后的特征点对再经过DBSCAN聚类以及图像边缘化采集一致性进行进一步筛选,得到有效的特征点对;
以历史过车图像水平方向相邻的有效特征点为界分别进行截取,对截取的图片进行拉伸,使其水平长度与待检测过车的对应的特征点为界的片段一致;
步骤二中配准通过LoFTR匹配算法进行;
LoFTR匹配算法为改进的LoFTR匹配算法,改进的LoFTR匹配算法获取步骤为:
利用ASpanFormer的GLA块替换LoFTR匹配算法中的LoFTR块,进而得到改进的LoFTR匹配算法;
异常检测网络为UniAD异常检测网络。
进一步的,获取历史过车图像的过程为:
识别待识别动车图像中动车车型,并根据动车车型选取历史过车数据集,之后根据设定的误报阈值判断动车车型为误报少车型或误报多车型,若为误报少车型,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,若为误报多车型,则判断待识别动车图像中是否存在天气干扰,若存在,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,否则在历史过车数据集中选取对应时间段的历史过车图像;
天气情况和昼夜情况,即是否存在黑色条形干扰与亮度情况;
天气干扰包括强光干扰和大雨天气干扰;
判断待识别动车图像中是否存在天气干扰的具体步骤为:
获取待识别动车图像的平均亮度值,并将待识别动车图像的平均亮度值与第三阈值比较,若待识别动车图像的平均亮度值不小于第三阈值,则存在强光干扰,否则,不存在强光干扰;
将待识别动车图像进行二值化处理,若待识别动车图像中存在贯穿图像的黑色痕迹,则存在大雨天气干扰,否则,不存在大雨天气干扰;历史过车数据集的构建步骤为:
将误报少车型及误报多车型进行划分,针对误报少车型,获取五辆无任何故障的过车图像数据,分别为雨天过车图像、雪天过车图像、强光过车图像、日间正常过车图像和夜间正常过车图像;
针对误报多车型,按照时间段和天气划分,天气划分为日间雨天过车图像、夜间雨天过车图像、日间雪天过车图像、夜间雪天过车图像和强光过车图像,时间段划分为每两小时为一个时间段,每个时间段内有一个正常历史过车图像。
本发明的有益效果是:
本申请通过引入历史过车图像,并根据历史过车图像与待识别动车图像进行配准,之后进行异常检测,然后通过将连通域中“纯黑”和“纯白”像素点的个数进行对比,本申请通过“纯黑”和“纯白”像素点的个数进行异常检测,极大地避免了亮暗干扰以及黑带干扰,进而提高了检测准确率。
另外,本申请不用因为图片干扰而进行额外的预处理操作,由于不用进行额外的预处理操作,可以减少算力的使用以及检测时间。
附图说明
图1为获取历史过车及配准流程图;
图2为异常检测及结合历史过车去误报流程图;
图3为历史过车和待检测过车匹配特征点示意图;
图4为使用历史过车去误报结果示意图;
图5为未使用历史过车去误报结果示意图。
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。
具体实施方式一:参照图1具体说明本实施方式,本实施方式的基于异常检测的TEDS检测方法,包括以下步骤:
步骤一:获取待识别动车图像,并将待识别动车图像输入异常检测网络,得到待识别图像中每个像素点异常的概率,之后将概率不小于第一阈值的像素点的像素值设置为255,将小于第一阈值的像素点的像素值设置为0,进而得到基于异常概率的二值图;
步骤二:判定基于异常概率的二值图中是否存在像素值为255的像素点,若基于异常概率的二值图中不存在像素值为255的像素点,则无异常,若基于异常概率的二值图中存在像素值为255的像素点,则获取历史过车图像,并将历史过车图像与待识别动车图像进行配准,之后将配准后的历史过车图像输入异常检测网络,并重复步骤一,进而得到历史过车图像的二值图,之后将历史过车图像的二值图与基于异常概率的二值图中像素值均为255的像素点对应的像素值设置为0,得到新概率图;
步骤三:对新概率图进行取连通域操作,得到若干个连通域,之后计算每个连通域中像素值为255的像素点的个数,若连通域中像素值为255的像素点的个数不大于设定的第二阈值,则将该连通域中像素值为255的像素点的像素值设置为0,若连通域中像素值为255的像素点的个数大于设定的第二阈值,则将该连通域中像素值为255的像素点的个数与基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数进行比较,若连通域中像素值为255的像素点的个数小于基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数,则无异常,否则,为异常。
建立异常检测训练数据集
通过动车拍摄设备获取动车图像,收集动车的侧部和底部的图像,这里要保证图像的多样性和复杂性,包括但不限于各种图像的亮度变化,雨雪天和晴天的图像区分,以及图像质量的好坏等等,这些都要包含在数据集中,对这些采集到的图像进行数据对构建。为了使异常检测模型能有更好的效果,先对这些图像进行手动调整,使数据样本更加均衡。车头车尾的数据远少于于车身的数据,因此需要对车头和车尾的数据进行数据扩增,使模型能够正常识别车头和车尾。对车身的数据要手动平衡雨雪天气和正常天气的数据数量,可以采取PS的方式对正常天气的数据进行PS,获取更多的雨雪天气数据,让模型能够正常学习雨雪的特征。
对历史过车和待检测过车进行配准
由于过车的变速运动,历史过车和待检测过车无法直接对齐,而未对齐的历史过车数据无法用作参考去除误报,因此要先将选取的历史过车和待检测过车对齐。
在本方法中使用了深度学习的方法对两列车进行配准。获取两列车的全部图像,两列车按照车节进行拼接。将待检测车和历史过车的同一车节的拼接图作为一对数据输入配准网络中获取得到配准特征点,配准网络采用LoFTR。将配准的特征点对按照置信度阈值进行筛选,筛选之后经过DBSCAN聚类以及通过图像边缘化采集一致性对通过筛选得到的特征点做进一步筛选,获取有效的特征点对。
根据得到的特征点对进行图像进行尺寸拉伸,常规的根据配准方法是通过特征点计算映射矩阵,通过仿射变换的方法进行配准。由于高铁动车做的是变速运动,因此每处需要缩放的比例不同,且待检测过车过长,宽度远超长度,使用常规方式无法将历史过车与待检测过车精准匹配。由于过车的高度均一致,只是因为速度和拍摄时间导致水平方向无法对齐,因此采取了根据特征点进行逐段缩放,水平方向相邻的有效特征点为界进行截取,对截取的图片进行拉伸使其水平长度与待检测过车的对应的特征点为界的片段一致。根据匹配得到的特征点对对图像进行分段拉伸可以最大限度的让历史过车与待检测过车匹配上。
搭建网络并获取权重文件
使用第一步中获得的数据集进行训练,训练集的图像均为无故障图像,让异常检测网络可以学习到正常图像的特征。训练异常检测网络得到两个模型,一个是侧部的模型一个是底部的模型。
使用历史过车信息去除误报警
在预测的时候,将待检测过车图像作为输入送到异常检测的网络当中,获取结果。得到的结果为这张图像每个像素点是异常的概率,将概率大于阈值的点像素设置为255,小于这个概率的像素设置为0得到了一个基于异常概率的二值图。
通常情况下,异常检测直接根据阈值输出异常情况并报警,但是这种情况下误报警过多,因此使用了历史过车图像辅助去除部分误报警。
若当前二值图不为纯黑则将这张图片对应的历史过车图片也输入异常检测网络进行预测并按照刚才的阈值得到历史过车的概率二值图。认定历史过车概率二值图的白色部分为导致误报的部分,因此将检测图像的概率二值图中与历史过车概率二值图均为白色的像素点置为黑色,去除容易被判断为异常的正常区域。这张去除部分点的概率二值图称为新概率图。
对新概率图取连通域操作,得到若干个连通域。计算每个连通域的白色像素点个数,若当前连通域白色像素点个数小于阈值,则去除这一部分不予报警。若白色像素点个数大于阈值,则与因检测图像概率二值图和历史过车概率二值图置黑的像素点个数进行比较,如果白色像素个数小于置黑像素个数减去阈值则不予报警。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是配准的具体步骤为:
将待识别动车图像和历史过车图像中同一车节的图作为一对数据输入配准网络中得到特征点对,之后将特征点对以置信度阈值进行筛选,保留不小于置信度阈值的特征点对,筛选之后的特征点对再经过DBSCAN聚类以及图像边缘化采集一致性进行进一步筛选,得到有效的特征点对;
以历史过车图像水平方向相邻的有效特征点为界分别进行截取,对截取的图片进行拉伸,使其水平长度与待检测过车的对应的特征点为界的片段一致。
具体实施方式三:本实施方式是对具体实施方式二的进一步说明,本实施方式与具体实施方式二的区别是步骤二中配准通过LoFTR匹配算法进行。
具体实施方式四:本实施方式是对具体实施方式三的进一步说明,本实施方式与具体实施方式三的区别是LoFTR匹配算法为改进的LoFTR匹配算法,改进的LoFTR匹配算法获取步骤为:
利用ASpanFormer的GLA块替换LoFTR匹配算法中的LoFTR块,进而得到改进的LoFTR匹配算法。
本实施方式用于替换LoFTR块的GLA块采用的是通过确定模块的映射区域来让匹配更加准确,但是由于整列过车图像过长,且易寻找区域的特征点集中于转向架等区域,而过车的主体车身区域占据的比列要远超转向架区域,这就导致GLA模块的局部注意力交互容易出现误判,而使用了LoFTR的粗粒度和细粒度特征可以辅助较少局部注意力匹配区域错误的问题,进而让GLA块的优势可以在GLA不擅长的(长且主体区域特征稀少的)类型上体现出来
具体实施方式五:本实施方式是对具体实施方式四的进一步说明,本实施方式与具体实施方式四的区别是异常检测网络为UniAD异常检测网络。
具体实施方式六:本实施方式是对具体实施方式五的进一步说明,本实施方式与具体实施方式五的区别是获取历史过车图像的过程为:
识别待识别动车图像中动车车型,并根据动车车型选取历史过车数据集,之后根据设定的误报阈值判断动车车型为误报少车型或误报多车型,若为误报少车型,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,若为误报多车型,则判断待识别动车图像中是否存在天气干扰,若存在,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,否则在历史过车数据集中选取对应时间段的历史过车图像;
天气情况和昼夜情况,即是否存在黑色条形干扰与亮度情况;
天气干扰包括强光干扰和大雨天气干扰;
判断待识别动车图像中是否存在天气干扰的具体步骤为:
获取待识别动车图像的平均亮度值,并将待识别动车图像的平均亮度值与第三阈值比较,若待识别动车图像的平均亮度值不小于第三阈值,则存在强光干扰,否则,不存在强光干扰;
将待识别动车图像进行二值化处理,若待识别动车图像中存在贯穿图像的黑色痕迹,则存在大雨天气干扰,否则,不存在大雨天气干扰。
按照待检测过车选取历史过车
根据待检测过车的车型决定启用的历史过车数据集。若当前过车为误报较少的过车车型则直接按照天气和昼夜情况选取历史过车。若为误报较多的过车车型,如果有天气干扰,则按照天气和昼夜情况选取历史过车,否则按照过车时间选取所在时间段的正常历史过车图像做参考。采用图像处理的方式,通过判断当前过车底部图像的平均亮度值并与按照车型设计的阈值比较,以此判断当前过车是否处于受到强光干扰的状态,通过对图像进行亮度二值化,通过判断是否有贯穿图像的黑色痕迹来判断当前过车受到大雨天气的干扰。
具体实施方式七:本实施方式是对具体实施方式六的进一步说明,本实施方式与具体实施方式六的区别是历史过车数据集的构建步骤为:
将误报少车型及误报多车型进行划分,针对误报少车型,获取五辆无任何故障的过车图像数据,分别为雨天过车图像、雪天过车图像、强光过车图像、日间正常过车图像和夜间正常过车图像;
针对误报多车型,按照时间段和天气划分,天气划分为日间雨天过车图像、夜间雨天过车图像、日间雪天过车图像、夜间雪天过车图像和强光过车图像,时间段划分为每两小时为一个时间段,每个时间段内有一个正常历史过车图像。
正常天气就是普通的晴天过车,按照时间段进行采集,随着季节进行一定的调整,雨天过车、雪天过车这两个只保留日间和夜间两种,不按照时间段保存。强光同理不过不涉及昼夜。
搭建历史过车数据集
使用异常检测方法进行TEDS检测时,去除误报的主要方式为参考历史过车信息,因此要构造与训练集图像不同的历史过车数据集。首先根据实验结果按照实验中的误报警多少划分为误报多的车型和误报少的车型。对这两大类均按照车型划分,得到按照车型划分的结果。如果当前车型为误报警较少的车型,则获取五辆无任何故障的过车数据,分别为雨天过车、雪天过车、强光过车、日间正常过车和夜间正常过车。若当前车型为误报警较高车型,则按照时间段和天气划分。天气划分为日间雨天过车、夜间雨天过车、日间雪天过车、夜间雪天过车和强光过车五类。而时间段划分为每两小时为一个时间段,每个时间段内有一个正常历史过车图像。
具体实施方式八:本实施方式为基于异常检测的TEDS检测***,包括:像素点异常检测模块、配准异常检测模块以及连通域异常检测模块,
像素点异常检测模块用于获取待识别动车图像,并将待识别动车图像输入异常检测网络,得到待识别图像中每个像素点异常的概率,之后将概率不小于第一阈值的像素点的像素值设置为255,将小于第一阈值的像素点的像素值设置为0,进而得到基于异常概率的二值图;
配准异常检测模块用于判定基于异常概率的二值图中是否存在像素值为255的像素点,若基于异常概率的二值图中不存在像素值为255的像素点,则无异常,若基于异常概率的二值图中存在像素值为255的像素点,则获取历史过车图像,并将历史过车图像与待识别动车图像进行配准,之后将配准后的历史过车图像输入异常检测网络,并重复步骤一,进而得到历史过车图像的二值图,之后将历史过车图像的二值图与基于异常概率的二值图中像素值均为255的像素点对应的像素值设置为0,得到新概率图;
连通域异常检测模块用于对新概率图进行取连通域操作,得到若干个连通域,之后计算每个连通域中像素值为255的像素点的个数,若连通域中像素值为255的像素点的个数不大于设定的第二阈值,则将该连通域中像素值为255的像素点的像素值设置为0,若连通域中像素值为255的像素点的个数大于设定的第二阈值,则将该连通域中像素值为255的像素点的个数与基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数进行比较,若连通域中像素值为255的像素点的个数小于基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数,则无异常,否则,为异常。
具体实施方式九:本实施方式是对具体实施方式八的进一步说明,本实施方式与具体实施方式八的区别是配准的具体步骤为:
将待识别动车图像和历史过车图像中同一车节的图作为一对数据输入配准网络中得到特征点对,之后将特征点对以置信度阈值进行筛选,保留不小于置信度阈值的特征点对,筛选之后的特征点对再经过DBSCAN聚类以及图像边缘化采集一致性进行进一步筛选,得到有效的特征点对;
以历史过车图像水平方向相邻的有效特征点为界分别进行截取,对截取的图片进行拉伸,使其水平长度与待检测过车的对应的特征点为界的片段一致;
步骤二中配准通过LoFTR匹配算法进行;
LoFTR匹配算法为改进的LoFTR匹配算法,改进的LoFTR匹配算法获取步骤为:
利用ASpanFormer的GLA块替换LoFTR匹配算法中的LoFTR块,进而得到改进的LoFTR匹配算法;
异常检测网络为UniAD异常检测网络。
具体实施方式十:本实施方式是对具体实施方式九的进一步说明,本实施方式与具体实施方式九的区别是获取历史过车图像的过程为:
识别待识别动车图像中动车车型,并根据动车车型选取历史过车数据集,之后根据设定的误报阈值判断动车车型为误报少车型或误报多车型,若为误报少车型,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,若为误报多车型,则判断待识别动车图像中是否存在天气干扰,若存在,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,否则在历史过车数据集中选取对应时间段的历史过车图像;
天气情况和昼夜情况,即是否存在黑色条形干扰与亮度情况;
天气干扰包括强光干扰和大雨天气干扰;
判断待识别动车图像中是否存在天气干扰的具体步骤为:
获取待识别动车图像的平均亮度值,并将待识别动车图像的平均亮度值与第三阈值比较,若待识别动车图像的平均亮度值不小于第三阈值,则存在强光干扰,否则,不存在强光干扰;
将待识别动车图像进行二值化处理,若待识别动车图像中存在贯穿图像的黑色痕迹,则存在大雨天气干扰,否则,不存在大雨天气干扰;历史过车数据集的构建步骤为:
将误报少车型及误报多车型进行划分,针对误报少车型,获取五辆无任何故障的过车图像数据,分别为雨天过车图像、雪天过车图像、强光过车图像、日间正常过车图像和夜间正常过车图像;
针对误报多车型,按照时间段和天气划分,天气划分为日间雨天过车图像、夜间雨天过车图像、日间雪天过车图像、夜间雪天过车图像和强光过车图像,时间段划分为每两小时为一个时间段,每个时间段内有一个正常历史过车图像。
正常天气就是普通的晴天过车,按照时间段进行采集,随着季节进行一定的调整,雨天过车、雪天过车这两个只保留日间和夜间两种,不按照时间段保存。强光同理不过不涉及昼夜。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (3)
1.基于异常检测的TEDS检测方法,其特征在于包括以下步骤:
步骤一:获取待识别动车图像,并将待识别动车图像输入异常检测网络,得到待识别图像中每个像素点异常的概率,之后将概率不小于第一阈值的像素点的像素值设置为255,将小于第一阈值的像素点的像素值设置为0,进而得到基于异常概率的二值图;
步骤二:判定基于异常概率的二值图中是否存在像素值为255的像素点,若基于异常概率的二值图中不存在像素值为255的像素点,则无异常,若基于异常概率的二值图中存在像素值为255的像素点,则获取历史过车图像,并将历史过车图像与待识别动车图像进行配准,之后将配准后的历史过车图像输入异常检测网络,并重复步骤一,进而得到历史过车图像的二值图,之后将历史过车图像的二值图与基于异常概率的二值图中像素值均为255的像素点对应的像素值设置为0,得到新概率图;
步骤三:对新概率图进行取连通域操作,得到若干个连通域,之后计算每个连通域中像素值为255的像素点的个数,若连通域中像素值为255的像素点的个数不大于设定的第二阈值,则将该连通域中像素值为255的像素点的像素值设置为0,若连通域中像素值为255的像素点的个数大于设定的第二阈值,则将该连通域中像素值为255的像素点的个数与基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数进行比较,若连通域中像素值为255的像素点的个数小于基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数,则无异常,否则,为异常;
所述配准的具体步骤为:
将待识别动车图像和历史过车图像中同一车节的图作为一对数据输入配准网络中得到特征点对,之后将特征点对以置信度阈值进行筛选,保留不小于置信度阈值的特征点对,筛选之后的特征点对再经过DBSCAN聚类以及图像边缘化采集一致性进行进一步筛选,得到有效的特征点对;
以历史过车图像水平方向相邻的有效特征点为界分别进行截取,对截取的图片进行拉伸,使其水平长度与待检测过车的对应的特征点为界的片段一致;
所述步骤二中配准通过LoFTR匹配算法进行;
所述LoFTR匹配算法为改进的LoFTR匹配算法,所述改进的LoFTR匹配算法获取步骤为:
利用ASpanFormer的GLA块替换LoFTR匹配算法中的LoFTR块,进而得到改进的LoFTR匹配算法;
所述异常检测网络为UniAD异常检测网络;
所述获取历史过车图像的过程为:
识别待识别动车图像中动车车型,并根据动车车型选取历史过车数据集,之后根据设定的误报阈值判断动车车型为误报少车型或误报多车型,若为误报少车型,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,若为误报多车型,则判断待识别动车图像中是否存在天气干扰,若存在,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,否则在历史过车数据集中选取对应时间段的历史过车图像;
所述天气情况和昼夜情况,即是否存在黑色条形干扰与亮度情况;
所述天气干扰包括强光干扰和大雨天气干扰;
所述判断待识别动车图像中是否存在天气干扰的具体步骤为:
获取待识别动车图像的平均亮度值,并将待识别动车图像的平均亮度值与第三阈值比较,若待识别动车图像的平均亮度值不小于第三阈值,则存在强光干扰,否则,不存在强光干扰;
将待识别动车图像进行二值化处理,若待识别动车图像中存在贯穿图像的黑色痕迹,则存在大雨天气干扰,否则,不存在大雨天气干扰。
2.根据权利要求1所述的基于异常检测的TEDS检测方法,其特征在于所述历史过车数据集的构建步骤为:
将误报少车型及误报多车型进行划分,针对误报少车型,获取五辆无任何故障的过车图像数据,分别为雨天过车图像、雪天过车图像、强光过车图像、日间正常过车图像和夜间正常过车图像;
针对误报多车型,按照时间段和天气划分,天气划分为日间雨天过车图像、夜间雨天过车图像、日间雪天过车图像、夜间雪天过车图像和强光过车图像,时间段划分为每两小时为一个时间段,每个时间段内有一个正常历史过车图像。
3.基于异常检测的TEDS检测***,其特征在于包括:像素点异常检测模块、配准异常检测模块以及连通域异常检测模块,
所述像素点异常检测模块用于获取待识别动车图像,并将待识别动车图像输入异常检测网络,得到待识别图像中每个像素点异常的概率,之后将概率不小于第一阈值的像素点的像素值设置为255,将小于第一阈值的像素点的像素值设置为0,进而得到基于异常概率的二值图;
所述配准异常检测模块用于判定基于异常概率的二值图中是否存在像素值为255的像素点,若基于异常概率的二值图中不存在像素值为255的像素点,则无异常,若基于异常概率的二值图中存在像素值为255的像素点,则获取历史过车图像,并将历史过车图像与待识别动车图像进行配准,之后将配准后的历史过车图像输入异常检测网络,并重复像素点异常检测模块,进而得到历史过车图像的二值图,之后将历史过车图像的二值图与基于异常概率的二值图中像素值均为255的像素点对应的像素值设置为0,得到新概率图;
所述连通域异常检测模块用于对新概率图进行取连通域操作,得到若干个连通域,之后计算每个连通域中像素值为255的像素点的个数,若连通域中像素值为255的像素点的个数不大于设定的第二阈值,则将该连通域中像素值为255的像素点的像素值设置为0,若连通域中像素值为255的像素点的个数大于设定的第二阈值,则将该连通域中像素值为255的像素点的个数与基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数进行比较,若连通域中像素值为255的像素点的个数小于基于异常概率的二值图和历史过车图像的二值图中像素值设置为0的像素点的个数,则无异常,否则,为异常;
所述配准的具体步骤为:
将待识别动车图像和历史过车图像中同一车节的图作为一对数据输入配准网络中得到特征点对,之后将特征点对以置信度阈值进行筛选,保留不小于置信度阈值的特征点对,筛选之后的特征点对再经过DBSCAN聚类以及图像边缘化采集一致性进行进一步筛选,得到有效的特征点对;
以历史过车图像水平方向相邻的有效特征点为界分别进行截取,对截取的图片进行拉伸,使其水平长度与待检测过车的对应的特征点为界的片段一致;
所述配准通过LoFTR匹配算法进行;
所述LoFTR匹配算法为改进的LoFTR匹配算法,所述改进的LoFTR匹配算法获取步骤为:
利用ASpanFormer的GLA块替换LoFTR匹配算法中的LoFTR块,进而得到改进的LoFTR匹配算法;
所述异常检测网络为UniAD异常检测网络;
所述获取历史过车图像的过程为:
识别待识别动车图像中动车车型,并根据动车车型选取历史过车数据集,之后根据设定的误报阈值判断动车车型为误报少车型或误报多车型,若为误报少车型,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,若为误报多车型,则判断待识别动车图像中是否存在天气干扰,若存在,则在历史过车数据集中选取对应天气情况和昼夜情况的历史过车图像,否则在历史过车数据集中选取对应时间段的历史过车图像;
所述天气情况和昼夜情况,即是否存在黑色条形干扰与亮度情况;
所述天气干扰包括强光干扰和大雨天气干扰;
所述判断待识别动车图像中是否存在天气干扰的具体步骤为:
获取待识别动车图像的平均亮度值,并将待识别动车图像的平均亮度值与第三阈值比较,若待识别动车图像的平均亮度值不小于第三阈值,则存在强光干扰,否则,不存在强光干扰;
将待识别动车图像进行二值化处理,若待识别动车图像中存在贯穿图像的黑色痕迹,则存在大雨天气干扰,否则,不存在大雨天气干扰;所述历史过车数据集的构建步骤为:
将误报少车型及误报多车型进行划分,针对误报少车型,获取五辆无任何故障的过车图像数据,分别为雨天过车图像、雪天过车图像、强光过车图像、日间正常过车图像和夜间正常过车图像;
针对误报多车型,按照时间段和天气划分,天气划分为日间雨天过车图像、夜间雨天过车图像、日间雪天过车图像、夜间雪天过车图像和强光过车图像,时间段划分为每两小时为一个时间段,每个时间段内有一个正常历史过车图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311018340.2A CN117115097B (zh) | 2023-08-14 | 2023-08-14 | 基于异常检测的teds检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311018340.2A CN117115097B (zh) | 2023-08-14 | 2023-08-14 | 基于异常检测的teds检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115097A CN117115097A (zh) | 2023-11-24 |
CN117115097B true CN117115097B (zh) | 2024-05-28 |
Family
ID=88799374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311018340.2A Active CN117115097B (zh) | 2023-08-14 | 2023-08-14 | 基于异常检测的teds检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115097B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3125151A2 (en) * | 2015-07-31 | 2017-02-01 | Accenture Global Services Limited | Inventory, growth, and risk prediction using image processing |
CN108133488A (zh) * | 2017-12-29 | 2018-06-08 | 安徽慧视金瞳科技有限公司 | 一种红外图像前景检测方法及设备 |
CN110992381A (zh) * | 2019-12-17 | 2020-04-10 | 嘉兴学院 | 一种基于改进Vibe+算法的运动目标背景分割方法 |
CN112767358A (zh) * | 2021-01-21 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像特征配准的铁路电力机车故障检测方法 |
CN112990075A (zh) * | 2021-04-01 | 2021-06-18 | 冉静莹 | 基于交通数据中台的道路诱导设施故障排查方法及*** |
CN115330871A (zh) * | 2022-08-12 | 2022-11-11 | 西安电子科技大学 | 一种无人机单目相机避障方法 |
CN116563786A (zh) * | 2023-05-10 | 2023-08-08 | 哈尔滨市科佳通用机电股份有限公司 | 一种teds跨接线故障识别检测方法、存储介质及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127448B2 (en) * | 2014-08-27 | 2018-11-13 | Bae Systems Information And Electronic Systems Integration Inc. | Method and system for dismount detection in low-resolution UAV imagery |
-
2023
- 2023-08-14 CN CN202311018340.2A patent/CN117115097B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3125151A2 (en) * | 2015-07-31 | 2017-02-01 | Accenture Global Services Limited | Inventory, growth, and risk prediction using image processing |
CN108133488A (zh) * | 2017-12-29 | 2018-06-08 | 安徽慧视金瞳科技有限公司 | 一种红外图像前景检测方法及设备 |
CN110992381A (zh) * | 2019-12-17 | 2020-04-10 | 嘉兴学院 | 一种基于改进Vibe+算法的运动目标背景分割方法 |
CN112767358A (zh) * | 2021-01-21 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像特征配准的铁路电力机车故障检测方法 |
CN112990075A (zh) * | 2021-04-01 | 2021-06-18 | 冉静莹 | 基于交通数据中台的道路诱导设施故障排查方法及*** |
CN115330871A (zh) * | 2022-08-12 | 2022-11-11 | 西安电子科技大学 | 一种无人机单目相机避障方法 |
CN116563786A (zh) * | 2023-05-10 | 2023-08-08 | 哈尔滨市科佳通用机电股份有限公司 | 一种teds跨接线故障识别检测方法、存储介质及设备 |
Non-Patent Citations (3)
Title |
---|
"ASpanFormer: Detector-Free Image Matching with Adaptive Span Transformer";Hongkai Chen et.al.;《Computer Vision – ECCV 2022》;20221111;第20-36页 * |
"基于计算机视觉的铁路周界分割及异常感知研究";李传;《万方在线出版》;20230112;全文 * |
复杂交通场景中运动车辆的检测与轨迹跟踪;林培群;徐建闽;;华南理工大学学报(自然科学版);20080615;第36卷(第06期);第84-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115097A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及*** | |
CN109670404B (zh) | 一种基于混合模型的道路积水图像检测预警方法 | |
DE112013001858B4 (de) | Mehrfachhinweis-Objekterkennung und -Analyse | |
CN112036254B (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN107609491A (zh) | 一种基于卷积神经网络的车辆违章停车检测方法 | |
CN104463241A (zh) | 一种智能交通监控***中的车辆类型识别方法 | |
CN108198417B (zh) | 一种基于无人机的道路巡检*** | |
CN103077387B (zh) | 视频中货运列车车厢自动检测方法 | |
CN111325061B (zh) | 一种基于深度学习的车辆检测算法、设备及存储介质 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及*** | |
CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN107644538A (zh) | 交通信号灯的识别方法及装置 | |
CN111144301A (zh) | 一种基于深度学习的道路路面缺陷快速预警装置 | |
CN111783666A (zh) | 一种基于连续视频帧角点特征匹配的快速车道线检测方法 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
CN107862341A (zh) | 一种车辆检测方法 | |
CN114359196A (zh) | 雾气检测方法及*** | |
Chowdhury et al. | An adaptive technique for computer vision based vehicles license plate detection system | |
CN105740828A (zh) | 一种基于快速标记连通的停止线检测方法 | |
CN117115097B (zh) | 基于异常检测的teds检测方法及*** | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN111160183A (zh) | 一种车辆闯红灯检测方法及装置 | |
CN105740831A (zh) | 一种应用于智能驾驶的停止线检测方法 | |
CN116363100A (zh) | 图像质量评价方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |