買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜東南大學(xué)申請(qǐng)的專利一種基于深度異常檢測(cè)的鐵路貨車零部件故障檢測(cè)方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114663370B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-06-10發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210229806.2，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)一種基于深度異常檢測(cè)的鐵路貨車零部件故障檢測(cè)方法是由楊綠溪;張頎;步兆軍;李春國(guó);黃永明設(shè)計(jì)研發(fā)完成，并于2022-03-10向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于深度異常檢測(cè)的鐵路貨車零部件故障檢測(cè)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于深度異常檢測(cè)的鐵路貨車零部件故障檢測(cè)方法，通過(guò)學(xué)習(xí)大量的正常樣本，將部位正常的表征總結(jié)出來(lái)，而其他的表征視為異常，無(wú)需窮舉故障可能的表征形式即可很好的將故障檢測(cè)出，可以應(yīng)對(duì)故障的各種表現(xiàn)形式，降低人工的勞動(dòng)強(qiáng)度。本發(fā)明方法在多個(gè)鐵路貨車零部件測(cè)試數(shù)據(jù)上達(dá)到了98.07％的AUC，可以很好的輔助人工進(jìn)行故障檢測(cè)，大幅度降低檢車員的勞動(dòng)強(qiáng)度。

本發(fā)明授權(quán)一種基于深度異常檢測(cè)的鐵路貨車零部件故障檢測(cè)方法在權(quán)利要求書(shū)中公布了：1.一種基于深度異常檢測(cè)的鐵路貨車零部件故障檢測(cè)方法，其特征在于：具體步驟包括：步驟S1：線陣圖像獲??；步驟S2：對(duì)獲取到的圖片進(jìn)行篩選，保留包含目標(biāo)部位的圖像；無(wú)需對(duì)圖像進(jìn)行額外的標(biāo)注，只需將大量的未發(fā)生故障的樣本與少量有故障的樣本區(qū)分開(kāi)；步驟S3：使用深度學(xué)習(xí)技術(shù)，構(gòu)建生成式對(duì)抗網(wǎng)絡(luò)，用于生成目標(biāo)正常的樣本；步驟S4：使用步驟S2所述的未發(fā)生故障的樣本，對(duì)步驟S3所述的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其能夠生成高質(zhì)量的未發(fā)生故障的樣本圖片；步驟S5：使用深度學(xué)習(xí)技術(shù)，構(gòu)建編碼網(wǎng)絡(luò)，用于對(duì)圖片進(jìn)行編碼，編碼的目的是讓步驟S3所述的生成對(duì)抗網(wǎng)絡(luò)能夠根據(jù)編碼將圖片重新生成；步驟S6：使用步驟S2所述的未發(fā)生故障的樣本，對(duì)步驟S5所述的編碼網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得步驟S3所述的網(wǎng)絡(luò)能夠根據(jù)編碼，很好的將圖片重建出來(lái)；步驟S7：使用步驟S2所述的故障樣本，對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行測(cè)試；當(dāng)未發(fā)生故障的圖片輸入網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)對(duì)圖片進(jìn)行編碼再重建，與輸入圖片間的誤差較?。欢?dāng)發(fā)生故障的圖片輸入網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)對(duì)圖片進(jìn)行編碼再重建，與輸入圖片間的誤差較大；根據(jù)輸入與輸出圖片間的差異進(jìn)行像素級(jí)的故障定位，同時(shí)通過(guò)輸入圖片和重建圖片計(jì)算異常得分來(lái)判斷圖片中是否包含故障；所述步驟S3中，為了使生成的圖片包含更多細(xì)節(jié)方便故障定位，使用proGAN式的結(jié)構(gòu)構(gòu)建生成對(duì)抗網(wǎng)絡(luò)，生成高質(zhì)量高分辨率的樣本圖片；網(wǎng)絡(luò)分為生成器Generator和判別器Discriminator；所述生成器Generator主要由GenInitBlock、GenConvBlock和Convert2RGB三種模塊構(gòu)成；GenInitBlock用于將輸入的隨機(jī)噪聲轉(zhuǎn)化成初始化的特征圖，GenConvBlock用于通過(guò)上采樣和卷積操作，提高特征圖的尺寸，豐富特征的數(shù)量和細(xì)節(jié)，Convert2RGB用于將多通道的特征圖轉(zhuǎn)化為RGB三通道圖像；所述GenInitBlock首先對(duì)輸入的隨機(jī)噪聲進(jìn)行PixelwiseNorm操作，這里輸入的噪聲維度為512，PixelwiseNorm公式為：mean代表以特征通道維度求均值；然后通過(guò)反卷積操作，將噪聲轉(zhuǎn)化為4x4的特征圖，經(jīng)過(guò)LeakyRelu激活函數(shù)激活之后再經(jīng)過(guò)一個(gè)3x3卷積和LeakyRelu，最后再經(jīng)過(guò)一個(gè)PixelwiseNorm操作輸出；所述GenConvBlock由一個(gè)上采樣函數(shù)和兩個(gè)卷積層組成，上采樣函數(shù)用于擴(kuò)大特征圖的尺寸，而兩個(gè)卷積層則用于補(bǔ)充特征，使得上采樣后的特征圖擁有更豐富的細(xì)節(jié)信息；所述Convert2RGB模塊使用一個(gè)卷積層Convn,3進(jìn)行實(shí)現(xiàn)，n代表特征圖通道數(shù)，3代表RGB三通道；所述判別器Discriminator主要由FromRGB、DisConvBlock和DisFinalBlock三種模塊構(gòu)成；FromRGB模塊用于將RGB三通道圖像轉(zhuǎn)化成多通道的特征圖，DisConvBlock用于將特征圖降維以減少參數(shù)量和提取更高階的特征，DisFinalBlock則用于根據(jù)前面模塊提取出的特征對(duì)圖片進(jìn)行打分，以判斷這個(gè)圖片是真實(shí)的還是偽造的；所述FromRGB模塊使用一個(gè)卷積層Conv3,n進(jìn)行實(shí)現(xiàn)，3代表RGB三通道，n代表特征圖通道數(shù)；所述DisConvBlock由兩個(gè)卷積層和一個(gè)下采樣函數(shù)組成，卷積層用于從上一級(jí)特征中提取出更高階的特征，下采樣用于降低特征圖尺寸，減小計(jì)算量；所述DisFinalBlock由一個(gè)MinibatchStdDev函數(shù)和三個(gè)卷積層組成，MinibatchStdDev用于替代Batchnorm，提高生成器模型生成數(shù)據(jù)的多樣性，公式為：即將特征圖在Batch維度計(jì)算均方根，然后將這個(gè)值擴(kuò)展到特征圖尺寸與輸入的x拼接這里mean代表以Batch維度求均值；三個(gè)卷積層用于將得到的特征圖轉(zhuǎn)化為一個(gè)得分，得分越高代表判別器越認(rèn)為輸入圖像為真實(shí)圖像。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人東南大學(xué)，其通訊地址為：211189 江蘇省南京市江寧區(qū)東南大學(xué)路2號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。