货车运行故障动态图像检测系统通过人工方式对采集的铁路货车关键部位图像进行故障判别,效率低且易发生漏报.非人工故障检测多采用传统图像处理技术和基于深度学习的目标检测网络,存在受图像数据限制的缺点.为解决目前存在的故障图像的采集与标注难题,针对铁路货车故障中发生率最高的车辆异物故障,提出一种车辆异物检测算法.算法基于新型对抗自编码器,所用训练数据集由无标注的非异常图片组成.针对小目标异物,在对抗自编码器结构中引入注意力机制,并比较多种注意力机制在目标场景的应用效果,选择最优配置.使用特征匹配损失优化损失函数,提升对抗性训练的稳定性.结合应用场景和生成模型特点,提出特征向量异常值评分机制,评估整体异常性能.研究结果表明:提出的车辆异物检测算法,在转向架底部和侧部2个场景具有有效性,曲线下面积(Area Under Curve,AUC)指标分别能够达到96.9%和99.3%.
暂无评论