[發明專利]一種結合CNN遷移學習和SVDD的圖像異常檢測方法

在審

• 申請號: 201710749768.2
• 申請日: 2017-08-28
• 公開（公告）號: CN107563431A
• 公開（公告）日: 2018-01-09
• 發明（設計）人: 唐鵬;吳鏡鋒;金煒東
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/00
• 代理公司: 成都信博專利代理有限責任公司51200
• 代理人: 張輝

技術領域

本發明涉及高鐵接觸網支柱編號的狀態檢測領域，具體是一種結合CNN遷移學習和SVDD的圖像異常檢測方法。

背景技術

高鐵接觸網系統作為列車的重要部分，其運行狀況對列車的安全有至關重要的影響。接觸網支柱編號的狀態檢測作為接觸網支柱編號識別前的重要工作步驟，對接觸網支柱編號的異常檢測不僅可以快速判定道路安全信息，也可以為高速鐵路管理提供極大的便利。

傳統通過圖像和模式識別進行異常檢測的方法是通過適應于檢測對象的固定算法或者人工確定并提取相應特征，再通過異常檢測算法進行異常檢測。這類方法往往需要大量的樣本和特征信息，不能很好地針對不平衡數據。而在異常檢測中異常類數據的獲取往往需要大量的人力物力，并且在實際中異常類數據相對很少，采用異常檢測可能效果不佳。第二是通過人工確定的特征不能準確地反映圖像的深度特征表達。

發明內容

本發明所要解決的技術問題是提供一種結合CNN(卷積神經網絡)遷移學習和SVDD(Support Vector Data Description，支持向量數據描述)的圖像異常檢測方法，解決現有異常檢測方法存在的提取圖像特征信息不準確、不能很好地解決非平衡數據的技術問題，有效地實現高速列車接觸網圖像異常檢測。

為解決上述技術問題，本發明采用的技術方案是：

一種結合CNN遷移學習和SVDD的圖像異常檢測方法，包括以下步驟：

步驟1：對于給定視頻數據，截取包括待檢測對象圖像的樣本，制作包含大量正樣本和少量負樣本的數據集，其中正樣本和負樣本的比例為10比1；

步驟2：對已經預訓練好的網絡模型進行模型遷移，將正樣本集和負樣本集中的訓練集作為遷移后的卷積神經網絡模型中的訓練數據，生成CNN中的模型Model1，根據模型Model1提取正樣本數據訓練特征；

步驟3：利用CNN中訓練得到的正樣本特征作為SVDD分類器的輸入，通過SVDD訓練正樣本特征得到超球體模型Model2；

步驟4：將測試樣本集中的正樣本和負樣本通過Model1提取得到待檢測的特征，并通過Model2判斷測試樣本與超球體的關系，最終判斷測試樣本是否異常。

進一步的，在步驟3中通過SVDD訓練正樣本特征得到超球體模型Model2具體為：

對一類數據進行訓練得到其訓練邊界，在高維特征數據中就是超球體模型；對待測試樣本檢測時，判斷測試樣本與其邊界的關系，若在邊界內，則為正常數據，若在邊界外，則為異常數據，進而：

設正樣本被完全包圍時的超球體球心為a，半徑為R，則對應的優化方程為：

s.t.R²+ξ_i-(x_i-a)(x_i-a)^T≥0 (2)

其中，i＝1,2,...N，j＝1,2,...N，N為樣本集個數，x_i,x_j為訓練樣本，C為懲罰因子，ξ_i為松弛變量；通過引入朗格朗日乘子并對相應函數進行求解，將(1)改寫為式(3)：

其中，式(3)中L為Lagrange函數，式(4)中非零的α_i即為支持向量；對于新的測試樣本z，當滿足式(5)時，測試樣本為正常樣本，否則為異常樣本；

||z-a||²≤R²。 (5)

進一步的，還引入核函數K，將低維空間中的非線性問題轉化為高維中的線性問題。

進一步的，正常域邊界由懲罰因子C和核函數K中的參數g決定，采用參數尋優的方法對設定閾值范圍內的C和g進行尋優，以找到最優參數組。

與現有技術相比，本發明的有益效果是：1)有效利用列車視頻設備，視頻信息量更豐富，簡單方便，不受機車車型影響，各種車型都可使用。2)能夠很好地處理傳統方法中需要人為確定特征及處理非平衡數據中異常類數據少等問題。3)自動化處理水平較高，可以極大地降低操作人員工作量，及早發現接觸網支柱編號異常問題，提高巡檢效率。

附圖說明

圖1為本發明實施例中使用的改進的Lenet-5網絡結構圖。

圖2為本發明一種結合CNN遷移學習和SVDD的圖像異常檢測方法流程圖。

具體實施方式

下面結合附圖和具體實施方式對本發明作進一步詳細的說明。