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

#本文僅代表作者觀點(diǎn)，不代表IPRdaily立場#

“格靈深瞳公開的基于深度學(xué)習(xí)的高鐵檢修、監(jiān)測方案，基于深度學(xué)習(xí)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(jìn)行訓(xùn)練。利用訓(xùn)練好的無監(jiān)督學(xué)習(xí)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(dǎo)致訓(xùn)練的高鐵檢修模型識(shí)別異常準(zhǔn)確性較低的技術(shù)問題?！?/strong>

近年來，人工智能在全球范圍內(nèi)迅速落地應(yīng)用，廣泛地應(yīng)用到了我們生活的方方面面。深度學(xué)習(xí)的異常檢測技術(shù)：主要用于檢測異常物體在2D圖片上的位置，深度學(xué)習(xí)無監(jiān)督學(xué)習(xí)方法如PatchCore、PaDiM和DifferNet等。深度學(xué)習(xí)監(jiān)督學(xué)習(xí)目標(biāo)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(duì)高鐵是否存在異常的物體進(jìn)行異常檢測，少部分情況基于深度學(xué)習(xí)的監(jiān)督學(xué)習(xí)的檢測方法依賴實(shí)際場景人工模擬異常。并且需要對(duì)采集的異常數(shù)據(jù)進(jìn)行人工標(biāo)注，然后使用監(jiān)督學(xué)習(xí)的目標(biāo)檢測方法進(jìn)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?；谏疃葘W(xué)習(xí)的檢修方式，雖然能夠在一定程度上實(shí)現(xiàn)較好的效果，但是需要人工對(duì)采集數(shù)據(jù)進(jìn)行標(biāo)注，標(biāo)注成本大，而且無法模擬出全部的異常物體類型，可能會(huì)導(dǎo)致無法成功檢測的情況，從而造成高鐵運(yùn)行的重大事故。

為此，格靈深瞳在2022年8月29日申請了一項(xiàng)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(shù)股份有限公司。

根據(jù)該專利目前公開的相關(guān)資料，讓我們一起來看看這項(xiàng)技術(shù)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(biāo)位置的目標(biāo)圖像。其次，基于目標(biāo)圖像利用深度卷積神經(jīng)網(wǎng)絡(luò)從樣本圖像中提取特征圖。最后，將特征圖輸入到目標(biāo)檢測模型中，確定目標(biāo)圖像是否存在異常。其中，目標(biāo)檢測模型是基于未出現(xiàn)異常的樣本圖像進(jìn)行訓(xùn)練，直至樣本圖像的分布擬合到標(biāo)準(zhǔn)正態(tài)分布當(dāng)中，則結(jié)束檢測模型的訓(xùn)練，得到目標(biāo)檢測模型。

該模型中使用一維歸一化流模型進(jìn)行異常檢測，歸一化流模型的作用機(jī)制為只對(duì)正常數(shù)據(jù)進(jìn)行訓(xùn)練，可以將正常圖像的分布擬合到標(biāo)準(zhǔn)正態(tài)分布當(dāng)中。在進(jìn)行測試時(shí)，對(duì)于圖像中異常的區(qū)域，則會(huì)被模型擬合到另一個(gè)分布。因此只需要設(shè)置一個(gè)經(jīng)驗(yàn)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(jié)構(gòu)框圖。首先，機(jī)器人調(diào)整攝像頭和光源，采集目標(biāo)設(shè)備的清晰圖像數(shù)據(jù)，并進(jìn)行圖像增強(qiáng)處理。其次，利用深度卷積神經(jīng)網(wǎng)絡(luò)Wide?Resnet50來進(jìn)行圖像特征提取。Wide?Resnet50作為一個(gè)特征提取網(wǎng)絡(luò)，相比于傳統(tǒng)的ResNet網(wǎng)絡(luò)，該網(wǎng)絡(luò)使用一種較淺的，并在每個(gè)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(jié)構(gòu)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(qiáng)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(jìn)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(luò)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(xué)習(xí)異常檢測流模型模塊中進(jìn)行訓(xùn)練和測試。

接著，使用一維歸一化流模型進(jìn)行異常檢測，歸一化流模型的作用機(jī)制為只對(duì)正常數(shù)據(jù)進(jìn)行訓(xùn)練，可以將正常圖像的分布擬合到標(biāo)準(zhǔn)正態(tài)分布當(dāng)中。并利用多尺度聚合模塊，將得分在每一個(gè)尺度下的異常檢測結(jié)果再次歸一化到[0，1]之間，對(duì)其進(jìn)行加和。

此時(shí)得到的新的異常檢測得分圖每個(gè)位置異常檢測結(jié)果為[0，3]之間的得分，然后取最大值，并減去每一個(gè)位置的異常得分，得到不同測試圖像的相對(duì)異常檢測得分作為最終的異常檢測結(jié)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(biāo)位置的目標(biāo)圖像。提取單元用于基于目標(biāo)圖像利用深度卷積神經(jīng)網(wǎng)絡(luò)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(biāo)檢測模型中，確定目標(biāo)圖像是否存在異常。

以上就是格靈深瞳公開的基于深度學(xué)習(xí)的高鐵檢修、監(jiān)測方案，該方案基于深度學(xué)習(xí)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(jìn)行訓(xùn)練。利用訓(xùn)練好的無監(jiān)督學(xué)習(xí)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(dǎo)致訓(xùn)練的高鐵檢修模型識(shí)別異常準(zhǔn)確性較低的技術(shù)問題。

（原標(biāo)題：【專利解密】人工智能落地鐵路行業(yè) 格靈深瞳公開相關(guān)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(duì)：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(guān)高鐵檢修、監(jiān)測方案（點(diǎn)擊標(biāo)題查看原文）

「關(guān)于IPRdaily」

IPRdaily是全球領(lǐng)先的知識(shí)產(chǎn)權(quán)綜合信息服務(wù)提供商，致力于連接全球知識(shí)產(chǎn)權(quán)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(gè)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(shí)產(chǎn)權(quán)負(fù)責(zé)人，還有來自政府、律師及代理事務(wù)所、研發(fā)或服務(wù)機(jī)構(gòu)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(zhuǎn)載此文章須經(jīng)權(quán)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(zhuǎn)載，請注明出處：“http://www.globalwellnesspartner.com”