人工智能落地鐵路行業(yè)，格靈深瞳公開相關高鐵檢修、監(jiān)測方案

#本文僅代表作者觀點，不代表IPRdaily立場#

“格靈深瞳公開的基于深度學習的高鐵檢修、監(jiān)測方案，基于深度學習的無監(jiān)督異常檢測的方法，只需要提供正常的數(shù)據(jù)進行訓練。利用訓練好的無監(jiān)督學習的歸一化流異常檢測模型，即可得到異常物體在高鐵檢修圖像上的位置，以解決傳統(tǒng)的高鐵檢修中由于異常數(shù)據(jù)獲取困難，導致訓練的高鐵檢修模型識別異常準確性較低的技術問題?！?/strong>

近年來，人工智能在全球范圍內(nèi)迅速落地應用，廣泛地應用到了我們生活的方方面面。深度學習的異常檢測技術：主要用于檢測異常物體在2D圖片上的位置，深度學習無監(jiān)督學習方法如PatchCore、PaDiM和DifferNet等。深度學習監(jiān)督學習目標檢測方法如Faster R?CNN、Yolo v5以及DETR等。

現(xiàn)有的高鐵檢修大部分依賴于人工對高鐵是否存在異常的物體進行異常檢測，少部分情況基于深度學習的監(jiān)督學習的檢測方法依賴實際場景人工模擬異常。并且需要對采集的異常數(shù)據(jù)進行人工標注，然后使用監(jiān)督學習的目標檢測方法進行異常檢測。

傳統(tǒng)采用人工檢修的方式，不僅檢修人員的工作環(huán)境惡劣，而且成本高、效率低。基于深度學習的檢修方式，雖然能夠在一定程度上實現(xiàn)較好的效果，但是需要人工對采集數(shù)據(jù)進行標注，標注成本大，而且無法模擬出全部的異常物體類型，可能會導致無法成功檢測的情況，從而造成高鐵運行的重大事故。

為此，格靈深瞳在2022年8月29日申請了一項名為“一種用于高鐵檢修的監(jiān)測方法以及裝置”的發(fā)明專利（申請?zhí)枺?02211038266.6），申請人為北京格靈深瞳信息技術股份有限公司。

根據(jù)該專利目前公開的相關資料，讓我們一起來看看這項技術方案吧。

如上圖，為該專利中公開的用于高鐵檢修監(jiān)測方法的流程圖。首先，獲取采集高鐵目標位置的目標圖像。其次，基于目標圖像利用深度卷積神經(jīng)網(wǎng)絡從樣本圖像中提取特征圖。最后，將特征圖輸入到目標檢測模型中，確定目標圖像是否存在異常。其中，目標檢測模型是基于未出現(xiàn)異常的樣本圖像進行訓練，直至樣本圖像的分布擬合到標準正態(tài)分布當中，則結束檢測模型的訓練，得到目標檢測模型。

該模型中使用一維歸一化流模型進行異常檢測，歸一化流模型的作用機制為只對正常數(shù)據(jù)進行訓練，可以將正常圖像的分布擬合到標準正態(tài)分布當中。在進行測試時，對于圖像中異常的區(qū)域，則會被模型擬合到另一個分布。因此只需要設置一個經(jīng)驗閾值，就可以將正常與異常區(qū)域分開。

如上圖，為上述基于流模型的高鐵檢修無監(jiān)督異常檢測方法的結構框圖。首先，機器人調(diào)整攝像頭和光源，采集目標設備的清晰圖像數(shù)據(jù)，并進行圖像增強處理。其次，利用深度卷積神經(jīng)網(wǎng)絡Wide?Resnet50來進行圖像特征提取。Wide?Resnet50作為一個特征提取網(wǎng)絡，相比于傳統(tǒng)的ResNet網(wǎng)絡，該網(wǎng)絡使用一種較淺的，并在每個單層上更寬的(維度)模型來提升模型性能。

如上圖所示，為特征提取模塊結構示意圖。特征提取模塊wide?Resenet 50圖像金字塔，每一層的數(shù)據(jù)將輸入至歸一化流模型。將圖像增強后的圖像線性下采樣到長寬相同的（1024，1024）的尺寸，然后經(jīng)過Wide?Resnet 50進行特征提取。采用圖像金字塔的方式，取通過卷積神經(jīng)網(wǎng)絡下采樣得到8倍、16倍、32倍的特征圖，分別輸入到無監(jiān)督學習異常檢測流模型模塊中進行訓練和測試。

接著，使用一維歸一化流模型進行異常檢測，歸一化流模型的作用機制為只對正常數(shù)據(jù)進行訓練，可以將正常圖像的分布擬合到標準正態(tài)分布當中。并利用多尺度聚合模塊，將得分在每一個尺度下的異常檢測結果再次歸一化到[0，1]之間，對其進行加和。

此時得到的新的異常檢測得分圖每個位置異常檢測結果為[0，3]之間的得分，然后取最大值，并減去每一個位置的異常得分，得到不同測試圖像的相對異常檢測得分作為最終的異常檢測結果。

如上圖，為上述用于高鐵檢修的監(jiān)測裝置圖。該裝置包括：獲取單元71、提取單元73和第一確定單元75。獲取單元用于獲取采集高鐵目標位置的目標圖像。提取單元用于基于目標圖像利用深度卷積神經(jīng)網(wǎng)絡從樣本圖像中提取特征圖。第一確定單元用于將特征圖輸入到目標檢測模型中，確定目標圖像是否存在異常。

以上就是格靈深瞳公開的基于深度學習的高鐵檢修、監(jiān)測方案，該方案基于深度學習的無監(jiān)督異常檢測的方法，只需要提供正常的數(shù)據(jù)進行訓練。利用訓練好的無監(jiān)督學習的歸一化流異常檢測模型，即可得到異常物體在高鐵檢修圖像上的位置，以解決傳統(tǒng)的高鐵檢修中由于異常數(shù)據(jù)獲取困難，導致訓練的高鐵檢修模型識別異常準確性較低的技術問題。

（原標題：【專利解密】人工智能落地鐵路行業(yè) 格靈深瞳公開相關高鐵檢修、監(jiān)測方案）

來源：天天IP

作者：愛集微IP

編輯：IPRdaily趙甄          校對：IPRdaily縱橫君

注：原文鏈接：人工智能落地鐵路行業(yè)，格靈深瞳公開相關高鐵檢修、監(jiān)測方案（點擊標題查看原文）

「關于IPRdaily」

IPRdaily是全球領先的知識產(chǎn)權綜合信息服務提供商，致力于連接全球知識產(chǎn)權與科技創(chuàng)新人才。匯聚了來自于中國、美國、歐洲、俄羅斯、以色列、澳大利亞、新加坡、日本、韓國等15個國家和地區(qū)的高科技公司及成長型科技企業(yè)的管理者及科技研發(fā)或知識產(chǎn)權負責人，還有來自政府、律師及代理事務所、研發(fā)或服務機構的全球近100萬用戶（國內(nèi)70余萬+海外近30萬），2019年全年全網(wǎng)頁面瀏覽量已經(jīng)突破過億次傳播。

（英文官網(wǎng)：iprdaily.com  中文官網(wǎng)：iprdaily.cn） 

本文來自天天IP并經(jīng)IPRdaily.cn中文網(wǎng)編輯。轉載此文章須經(jīng)權利人同意，并附上出處與作者信息。文章不代表IPRdaily.cn立場，如若轉載，請注明出處：“http://jupyterflow.com”