[发明专利]基于正样本的异物检测方法及存储介质

说明书

本发明的一种基于正样本的异物检测方法及存储介质，其方法包括采用机器人定点巡检拍摄方式获取待测设备同一部位的待测图像与模板图像；将待测图像与模板图像进行配准；接着将配准后待测图像的异物待检测区域作为预先训练好的异物检测网络输入，得到精确的异物分割图；然后对异物分割图进行后处理，得到异物区域与概率。本发明采用机器人定点拍摄方式获取样本，简化了检测定位难点，适用于基于正样本重构判别异物检测方法。仅需收集正常样本且无需人工标注，大大降低了训练样本收集制作难度；另外基于正样本的异物检测算法，通过使用异物模拟生成器、异物重构网络以及异物分割判别网络，适用于所有的异物类型，检测精度较高，泛化能力强。

技术领域

本发明涉及视觉表面异常检测技术领域，具体涉及一种基于正样本的异物检测方法及存储介质。

背景技术

当前，随着交通智慧化建设的推进与发展，轨道交通在越来越多的城市里面应用，列车作为的轨道交通的重要组成部分，列车在运行过程中，由于环境中的垃圾、悬挂物、树叶等造成列车部件被异物覆盖、遮挡，对轨道交通列车的正常运行带来隐患。因此对可能包含异物的部件进行检测识别有助于发现异物，消除潜在隐患，对轨道交通的安全具有重要的意义。

传统的检修模式依赖检修人员晚间巡检，但轨道系统带电存在安全隐患且仅依靠检修人员经验的模式难以真正及时地排除可能存在的隐患，开发自动异物识别方法迫在眉睫。目前，异物识别的方法按照发展历史可分为深度学习之前与深度学习之后，其中：

深度学习之前，传统图像处理研究的主要问题是，获得浅层后图像的特征，如灰度值，SIFT和HOG，尝试开发不同的检测方法基于统计或传统机器学习的机制方法，如密度估计，一类分类等。然后，如果图像或特征不符合相应的分布模型，它们将被识别为异常，但是铁路现场的环境相对复杂，图像预处理步骤繁多、针对性较强，鲁棒性差，且多种算法计算量惊人。

随着深度学习的发展，用于异物检测的方法可分为有监督和不监督两个方向，有监督的深度学习异常检测模型，如目标检测，对明确异常类型场景识别率较高，网络训练相对简单。但缺点在于：

其一，需要大量样本学习，训练需要最少几千乃至几万的数据量，成本较高，而且由于场景异物样本的稀缺性，收集样本工作量太大，手动注释可能过于耗时。

其二，目标检测对类别要求很高，模型无法穷举所有的异常种类，具有局限性。

不监督的自动编码器和GAN重构办法，能够使用无异常图像来学习强大的重构子空间。但是仅从无异常数据中学习模型，没有针对判别异常检测进行明确优化，并且确定是否存在与正常外观没有显着差异的异常仍然具有挑战性，因为有些异常通常可以很好地重构。进而使用合成异常来训练判别分割方法，但这会导致对合成外观的过度拟合，使学习到的决策边界无法很好地推广到真实异常。

发明内容

本发明提出的一种基于正样本的异物检测方法，可解决上述技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种基于正样本的异物检测方法，包括以下步骤：

S1、采用机器人定点拍摄方式获取待测设备同一部位的待测图像与模板图像；

S2、将待测图像与模板图像进行配准，得到待测图像中异物待检区域；

S3、将异物待检测区域作为预先训练好的异物检测网络输入，得到精确的异物分割图；

S4、对异物分割图像进行后处理，进行异常定位与检测。

进一步的，步骤S3将异物待检测区域作为预先训练好的异物检测网络输入，得到精确的异物分割图，还包括，

将异物检测区域在原图中通过平移、旋转、缩放、改变光照强度这些方式进行图像增强，接着将增强后的异物检测区域转换成1024*1024尺寸的图像，作为异物检测网络输入。