[发明专利]一种结合CNN迁移学习和SVDD的图像异常检测方法

说明书

技术领域

本发明涉及高铁接触网支柱编号的状态检测领域，具体是一种结合CNN迁移学习和SVDD的图像异常检测方法。

背景技术

高铁接触网系统作为列车的重要部分，其运行状况对列车的安全有至关重要的影响。接触网支柱编号的状态检测作为接触网支柱编号识别前的重要工作步骤，对接触网支柱编号的异常检测不仅可以快速判定道路安全信息，也可以为高速铁路管理提供极大的便利。

传统通过图像和模式识别进行异常检测的方法是通过适应于检测对象的固定算法或者人工确定并提取相应特征，再通过异常检测算法进行异常检测。这类方法往往需要大量的样本和特征信息，不能很好地针对不平衡数据。而在异常检测中异常类数据的获取往往需要大量的人力物力，并且在实际中异常类数据相对很少，采用异常检测可能效果不佳。第二是通过人工确定的特征不能准确地反映图像的深度特征表达。

发明内容

本发明所要解决的技术问题是提供一种结合CNN(卷积神经网络)迁移学习和SVDD(Support Vector Data Description，支持向量数据描述)的图像异常检测方法，解决现有异常检测方法存在的提取图像特征信息不准确、不能很好地解决非平衡数据的技术问题，有效地实现高速列车接触网图像异常检测。

为解决上述技术问题，本发明采用的技术方案是：

一种结合CNN迁移学习和SVDD的图像异常检测方法，包括以下步骤：

步骤1：对于给定视频数据，截取包括待检测对象图像的样本，制作包含大量正样本和少量负样本的数据集，其中正样本和负样本的比例为10比1；

步骤2：对已经预训练好的网络模型进行模型迁移，将正样本集和负样本集中的训练集作为迁移后的卷积神经网络模型中的训练数据，生成CNN中的模型Model1，根据模型Model1提取正样本数据训练特征；

步骤3：利用CNN中训练得到的正样本特征作为SVDD分类器的输入，通过SVDD训练正样本特征得到超球体模型Model2；

步骤4：将测试样本集中的正样本和负样本通过Model1提取得到待检测的特征，并通过Model2判断测试样本与超球体的关系，最终判断测试样本是否异常。

进一步的，在步骤3中通过SVDD训练正样本特征得到超球体模型Model2具体为：

对一类数据进行训练得到其训练边界，在高维特征数据中就是超球体模型；对待测试样本检测时，判断测试样本与其边界的关系，若在边界内，则为正常数据，若在边界外，则为异常数据，进而：

设正样本被完全包围时的超球体球心为a，半径为R，则对应的优化方程为：

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为样本集个数，x_i,x_j为训练样本，C为惩罚因子，ξ_i为松弛变量；通过引入朗格朗日乘子并对相应函数进行求解，将(1)改写为式(3)：

其中，式(3)中L为Lagrange函数，式(4)中非零的α_i即为支持向量；对于新的测试样本z，当满足式(5)时，测试样本为正常样本，否则为异常样本；

||z-a||²≤R²。 (5)

进一步的，还引入核函数K，将低维空间中的非线性问题转化为高维中的线性问题。

进一步的，正常域边界由惩罚因子C和核函数K中的参数g决定，采用参数寻优的方法对设定阈值范围内的C和g进行寻优，以找到最优参数组。

与现有技术相比，本发明的有益效果是：1)有效利用列车视频设备，视频信息量更丰富，简单方便，不受机车车型影响，各种车型都可使用。2)能够很好地处理传统方法中需要人为确定特征及处理非平衡数据中异常类数据少等问题。3)自动化处理水平较高，可以极大地降低操作人员工作量，及早发现接触网支柱编号异常问题，提高巡检效率。

附图说明

图1为本发明实施例中使用的改进的Lenet-5网络结构图。

图2为本发明一种结合CNN迁移学习和SVDD的图像异常检测方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。