公开(公告)号：CN117934819B

公开(公告)日：2024-07-05

申请号：CN202410315833.0

申请日：2024-03-20

申请人： 中铁第六勘察设计院集团有限公司 ,  北京交通大学

发明人： 李栋 ,  崔晓彤 ,  范建国 ,  郑伟 ,  王烨 ,  王睿 ,  江周娴 ,  冯海燕 ,  付功云 ,  王婷 ,  杨喆

IPC分类号： G06V10/25 ,  G06Q10/20 ,  G06Q50/40 ,  G06Q50/50 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82

摘要： 本发明提供了一种轨道缺陷检测系统鲁棒性提升方法，首先对采集到的轨道缺陷数据进行预处理，按照8:1:1的比例划分为训练集、验证集和测试集；基于YOLOv5目标检测模型生成轨道缺陷检测模型，采用一系列指标对轨道缺陷检测模型性能进行评估，通过训练集进行初训练得到初训练模型；采用变异生成算法生成更具多样性的训练样本，将训练集上生成的多样性数据与原始训练集合并来对初训练模型进行重训练，最大化模型在多样性测试样本上的性能，以此提高轨道缺陷检测系统的鲁棒性。结果显示相较于初训练模型，重训练模型在不同扰动下各方面性能都有所提升，重训练轨道缺陷检测模型在测试集上表现出更好的效果。

公开(公告)号：CN117934819A

公开(公告)日：2024-04-26

申请号：CN202410315833.0

申请日：2024-03-20

申请人： 中铁第六勘察设计院集团有限公司 ,  北京交通大学

发明人： 李栋 ,  崔晓彤 ,  范建国 ,  郑伟 ,  王烨 ,  王睿 ,  江周娴 ,  冯海燕 ,  付功云 ,  王婷 ,  杨喆

IPC分类号： G06V10/25 ,  G06Q10/20 ,  G06Q50/40 ,  G06Q50/50 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82

摘要： 本发明提供了一种轨道缺陷检测系统鲁棒性提升方法，首先对采集到的轨道缺陷数据进行预处理，按照8:1:1的比例划分为训练集、验证集和测试集；基于YOLOv5目标检测模型生成轨道缺陷检测模型，采用一系列指标对轨道缺陷检测模型性能进行评估，通过训练集进行初训练得到初训练模型；采用变异生成算法生成更具多样性的训练样本，将训练集上生成的多样性数据与原始训练集合并来对初训练模型进行重训练，最大化模型在多样性测试样本上的性能，以此提高轨道缺陷检测系统的鲁棒性。结果显示相较于初训练模型，重训练模型在不同扰动下各方面性能都有所提升，重训练轨道缺陷检测模型在测试集上表现出更好的效果。

公开(公告)号：CN113762335B

公开(公告)日：2022-05-13

申请号：CN202110851977.4

申请日：2021-07-27

申请人： 北京交通大学

发明人： 王睿 ,  李红辉 ,  张骏温 ,  苏记柱 ,  江周娴 ,  王梦颖

IPC分类号： G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明提供的一种基于不确定性的智能系统测试数据生成方法，对传统CNN分类器模型进行重构，结合D‑S证据理论进行的不确定性推理得到信息冲突值，然后基于冲突值和神经元覆盖率引导测试数据生成。从生成更多样的测试数据和提高测试充分性的角度出发，通过综合增大样本特征之间的冲突值可以产生对抗样本诱导模型误分类和提高神经元覆盖率有助于提高测试的充分性两个方面的内容，结合了模型的结构、参数、样本特征之间的冲突以及神经元覆盖率指标，是一种新的测试数据生成方法。与DeepXplore相比，不需要使用多个神经网络模型交叉引证，与DLFuzz相比，能生成更多的测试数据。

公开(公告)号：CN118038210A

公开(公告)日：2024-05-14

申请号：CN202410247436.4

申请日：2024-03-05

申请人： 北京交通大学

发明人： 李红辉 ,  江周娴 ,  白岩慧 ,  张大林 ,  邓耘昊

IPC分类号： G06V10/774 ,  G06V10/762 ,  G06V10/44 ,  G06V10/54 ,  G06V10/56 ,  G06V10/82 ,  G06N3/0464

摘要： 本发明提供了一种基于语义特征的DNN模型的训练样本选择方法。该方法包括：使用基于频域的显著性检测方法提取各个样本图像的语义特征；对所有样本图像的语义特征进行聚类和采样，将样本图像划分为具有不同语义特征的多个类别，得到用来测试和重训练深度神经网络DNN模型的样本图像。本发明通过使用基于频域的显著性检测方法来提取测试用例的语义特征，这能够捕捉与人类直觉相符的数据本质特征，并将其在频域特征空间中聚类为不同的类别，使用基于频域的显著性检测方法来提取测试用例的语义特征，能够更有效地检测出DNN多样的错误，提高DNN模型的对抗鲁棒性。

公开(公告)号：CN113762335A

公开(公告)日：2021-12-07

申请号：CN202110851977.4

申请日：2021-07-27

申请人： 北京交通大学

发明人： 王睿 ,  李红辉 ,  张骏温 ,  苏记柱 ,  江周娴 ,  王梦颖

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明提供的一种基于不确定性的智能系统测试数据生成方法，对传统CNN分类器模型进行重构，结合D‑S证据理论进行的不确定性推理得到信息冲突值，然后基于冲突值和神经元覆盖率引导测试数据生成。从生成更多样的测试数据和提高测试充分性的角度出发，通过综合增大样本特征之间的冲突值可以产生对抗样本诱导模型误分类和提高神经元覆盖率有助于提高测试的充分性两个方面的内容，结合了模型的结构、参数、样本特征之间的冲突以及神经元覆盖率指标，是一种新的测试数据生成方法。与DeepXplore相比，不需要使用多个神经网络模型交叉引证，与DLFuzz相比，能生成更多的测试数据。