基于结构相似深度卷积自编码的异常扣件检测模型

介绍了轨道扣件系统的基本功能，概述了已有的轨道异常扣件检测技术，归纳了基于机器视觉的传统检测方法和深度学习方法所关注的问题及存在的不足; 介绍了自编码的基本思想与形式化过程，提出了一种基于编解码架构的异常扣件检测模型; 分析了传统像素级图像相似度评价指标的缺陷，实现了基于结构相似的损失函数和图像异常判定; 构建了轨道扣件图像数据集，验证了模型的性能; 将代表性的误报与漏报图像可视化，描述了这些图像的表观特征，分析了发生漏报与误报可能的原因。研究结果表明:结构化相似指标显著提升了模型的检测性能，与具有相同网络架构但使用平均绝对误差和均方误差作为相似度评价指标的检测模型相比，模型的F值分别提升了14.5%和16.2%;与其他对比模型相比，提出的模型取得了最高的检测精确率和F值，分别达到了98.6%和98.1%，与次优的RotNet模型相比分别提升了6.0%和9.8%;召回率为97.1%，略低于深度支持向量数据描述(DSVDD)模型的98.4%;整体上看，F值比所有对比模型均高出超过9%，提出的模型表现出了明显的性能优势。