(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210465152.3 (22)申请日 2022.04.29 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 路小波　刘维　魏运　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 张天哲 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/44(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于渐进式上下文理解网络的动车油 迹检测方法 (57)摘要 本发明涉及一种基于渐进式上下文理解网 络的动车油迹检测方法， 包括以下步骤： 使用高 清相机获得动车内部结构的二维图像， 对数据集 进行筛选， 分为正常图像数据和带有油迹图像的 数据； 在训练阶段， 对图像进行像素级标注， 将图 像中的油迹区域标注出来并将其像素值设为 255， 其余非油迹区域 设为0， 这就是图像的mask； 将原图像和其mask图像分别进行预处理包括随 机翻转等数据增强和归一化操作； 将预处理后的 数据输入到渐进式上下文理解网络中进行特征 学习， 得到一张可能包括油迹区域的二值图像。 最后， 将全连接条件随机场作为后处理操作， 对 输出的二值图像进行进一步的优化得到更准确 的结果。 本发 明可以准确检测出动车内部结构中 油迹在图像中的位置 。 权利要求书1页 说明书4页 附图5页 CN 114757932 A 2022.07.15 CN 114757932 A 1.一种基于渐进式上下文理解网络的动车油迹检测方法， 其特征在于， 该方法包括以 下步骤： 步骤一、 通过高清相机拍摄动车内部结构得到二维图像数据， 对数据进行筛选， 得到正 常图像和带有油迹的异常图像， 随后对图像进行像素级标注， 得到图像的mask； 步骤二、 对输入的原图像和mask图像分别进行 预处理， 包括图像增强和归一 化操作； 步骤三、 将预处理后的原始图像和其mask图像输入到渐进式上下文理解网络中学习特 征， 提取特征， 然后与mask图像通过我们设计的损失函数计算损失来调整网络中的权重参 数， 优化网络， 得到最优的网络模型， 最后， 模型输出的是一个可能带有油迹区域的二值图 像B； 步骤四、 采用全连接条件随机场 算法作为后处理操作， 对 网络输出的二值图像B进一步 的优化从而得到更精确的油迹检测结果。 2.根据权利要求1所述的一种基于渐进式上下文理解网络的动车油迹检测方法， 其特 征在于： 所述步骤一中， 在训练阶段， 通过LabelMe软件对图像进行像素级标注， 然后， 将图 像中标注的油迹区域的像素点的像素值设为255， 其他非油迹区域像素点的像素值设为0， 即得到图像的mask， 在测试时， 不需要此步骤。 3.根据权利要求1所述的一种基于渐进式上下文理解网络的动车油迹检测方法， 其特 征在于： 所述步骤二中， 在训练阶段， 对原图像和mask图像分别进行数据增强操作， 包括随 机进行翻转， 调整图像 分辨率到统一的大小， 然后分别进行归一化操作， 对原始图像的三通 道分别减去均值并除以标准差， 对mask图像除以255； 在测试时， 只需要对图像进行调整大 小和归一 化即可。 4.根据权利要求1所述的一种基于渐进式上下文理解网络的动车油迹检测方法， 其特 征在于： 所述步骤三中， 通过渐进式上下文理解网络对图像不断学习特征， 提取特征并基于 我们设计的损失函数进行训练， 持续优化网络调整其权重参数得到最优的网络模型， 此模 型的输出是一个可能带有油迹区域的二值图像B， 此网络由多个子网络模块组成， 包括上采 样增强模块、 特征精炼模型、 金字塔上下文融合模块以及反卷积上采样模块， 另外， 损失函 数由交叉熵损失和 加权的平均绝对值 误差损失组成。 5.根据权利要求1所述的一种基于渐进式上下文理解网络的动车油迹检测方法， 其特 征在于： 所述步骤四中， 通过全连接条件随机场优化图像中的油迹区域， 更加精确的定位到 油迹的边界区域。权　利　要　求　书 1/1 页 2 CN 114757932 A 2一种基于渐进式上下文理解网 络的动车油迹检测方 法 技术领域 [0001]本发明属于动车异常检测领域， 尤其涉及 一种基于渐进式上下文理解网络的动车 油迹检测方法。 背景技术 [0002]铁路事业在近几年取得越来越大的成就尤其是高铁和动车， 国内每天有大量的高 铁和动车在运行之中， 由于其速度快且方便， 也受到了居民的欢迎成为他们主要的出行工 具之一。 但是， 由于动车长期处于高速运转的模式并且处于复杂的工作 环境中， 其有 可能在 运行中发生某种故障或者异常从而造成各种损失。 一般来说， 动车中常见测异常包括螺栓 丢失、 线缆脱裂， 内部卷入异物以及漏油等等。 因此， 为了保证列车 的正常运行和避免造成 意外的损失， 需要对动车进行检测以发现可能存在的异常。 [0003]在这么多动车异常故障中， 漏油的检测由于其固有的属性导致其较难检测出来。 漏油形成的油迹的形状是不规则的， 不能用现有的形状来表 述它， 此外， 不同油迹区域的大 小也是千差万别， 小的在图像上可能只有几十个像素点， 大 的可能占据了图像的大部分区 域。 而在早期的技术发展阶段， 都是通过人工检测的方法来判断是否有异常， 这个方法耗时 费力， 效率极低， 而且人力容易受到主观和客观因素的影响， 导致检测结果的不准确。 幸运 的是， 由于计算机视觉和深度学习技术的快速进步和高速发展， 通过计算机自动实现动车 异常检测是很有可能的。 而在这个异常检测领域中， 常见 的方法由基于检测定位再分类的 方法， 也有基于图像分割的方法输出异常位置 。 [0004]现阶段， 由于油迹本身的属性， 对于动车油迹检测的方法很少。 因此， 亟需一种效 果性能好且合适的方法来对动车进行油迹检测， 从而避免动车漏油可能带来的损失和伤 害。 发明内容 [0005]本发明要解决技术问题是： 提供一种合适的、 效果较好的检测动车内部结构图像 中油迹位置的方法。 [0006]为了解决上述技术问题， 本发明提出的技术方案是： 一种基于渐进式上下文理解 网络的动车油迹检测方法： 该 方法包括以下步骤： [0007]步骤一、 通过高清相机拍摄动车内部结构得到二维图像数据， 对数据进行筛选， 得 到正常图像和带有油迹的异常图像。 随后对图像进行像素级标注， 得到图像的mask。 [0008]步骤二、 对输入的原图像和mask图像分别进行预处理， 包括图像增强和归一化操 作。 [0009]步骤三、 将预处理后的原始图像和其mask图像输入到渐进式上下文理解网络中学 习特征， 提取特征， 然后与mask图像通过我们设计的损失函数计算损失来调整网络中的权 重参数， 优化网络， 得到最优的网络模型。 最后， 模型输出 的是一个可能带有油迹区域的二 值图像B说　明　书 1/4 页 3 CN 114757932 A 3