1 民航航空器适航审定技术重点实验室
2 安全科学与工程学院, 天津 300000
广播式自动相关监视(ADS-B)协议公开、无认证措施等特点, 使其易受消息修改攻击。首先,分析了攻击者攻击意图与攻击路径选择的关联性;然后, 为了应对通过1090ES链路、机载网络等实施的消息修改攻击, 提出了经特征处理的TriLSTM-SVDD模型进行欺骗数据检测。仿真结果表明, TriLSTM模型预测误差显著小于LSTM模型, TriLSTM-SVDD模型则以98.9%的准确率识别出0.01°的纬度值偏差、0.02°的经度值偏差和50 m的高度值偏差。
广播式自动相关监视(ADS-B) 异常检测 航迹预测 飞机防撞 Automatic Dependent Surveillance-Broadcast (ADS-B) anomaly detection trajectory prediction aircraft collision avoidance
西南交通大学物理科学与技术学院，四川 成都 610000
车轮是铁路列车走行部的重要部件，车轮踏面上产生的缺陷严重危害着铁路列车的安全运行。由于实际中车轮踏面缺陷样本有限，有监督检测模型对缺陷的检测不具有鲁棒性。针对此问题，提出使用无监督的知识蒸馏异常检测模型实现对车轮踏面的异常检测任务。首先，使用UNet对踏面区域进行分割，减少非踏面区域对异常检测模型的影响；然后，在多尺度特征聚合之后添加一个注意力机制，提升反向知识蒸馏结构中学生网络对正常特征的重建能力，增强学生网络对正常特征重建的效果。实验结果表明：在铁路车轮踏面数据集上，改进后的模型能够达到93.8%的受试者工作特性曲线下的面积、82.3%的精准率、95.4%的召回率、87.0%的准确率。与原模型相比，改进后的模型检测性能得到提升。
车轮踏面 无监督 知识蒸馏 异常检测 UNet 激光与光电子学进展
2023, 60(24): 2415002
1 中国石油大学（华东）海洋与空间信息学院，山东 青岛 266580
2 中国石油大学（华东）计算机科学与技术学院，山东 青岛 266580
为了充分利用高光谱图像的空间和光谱信息，同时缓解训练样本不足的问题，提出一种融合空谱特征的半监督高光谱异常检测模型。首先使用无监督聚类自动构建空谱背景数据集用于网络的训练。然后构建基于自动编码器和生成对抗网络的空谱双路模型分别用于背景光谱特征的学习和波段信息的重建，空间支路同时使用滤波器增大背景和异常间的差异，两路分别得到光谱异常分数和波段异常值。最后融合空谱特征得到异常检测图。在真实高光谱图像上验证该方法的有效性，实验结果表明，该方法优于传统的异常检测方法，平均检测精度达到99.55%。
高光谱图像 空谱融合 异常检测 自动编码器 生成对抗网络 激光与光电子学进展
2023, 60(20): 2028001
1 深圳大学机电与控制工程学院，广东 深圳 510086
2 深圳技师学院，广东 深圳 518116
目前的自动光学检测技术受到以下两方面的挑战：难以获取足够数量的缺陷样本，且种类极不平衡；外观缺陷形态多样，种类复杂。上述问题严重影响偏光片外观缺陷的检测精度和效率。基于此，提出一种无需真实缺陷样本的深度对抗异常检测方法。采用编码器捕获条纹结构光缺陷图像的规律性特征，并通过解码器重建出无缺陷图像，再通过一个编码器模块构成无监督对抗网络，最后根据重建图像与样本图像的差异计算异常得分。在训练阶段加入合成缺陷，同时改进目标潜在损失函数，进一步提高检测精度。在一个考虑光照不均衡、噪声、相机畸变等因素的偏光片外观缺陷数据集上的实验结果表明，所提方法测试结果的area under curve达到97.9%，单张图像平均检测时间为19.2 ms，检测准确率为94.6%，均优于GANomaly等方法，验证了其有效性与鲁棒性。
机器视觉 偏光片 结构光成像 生成对抗网络 异常检测 激光与光电子学进展
2023, 60(14): 1415005
西安科技大学测绘科学与技术学院, 陕西西安 710054
视觉注意机制具有快速引导关注到重点区域的特性, 将其引入高光谱图像异常检测中具有可行性。本文从采样方式、波段选取、融入局部光谱特征 3方面构建更适用于计算高光谱图像显著性的视觉注意机制模型。针对经典的基于高斯统计分布假设的 RX异常检测算法在背景参数估计中易受潜在异常干扰的问题, 利用视觉显著性结果对原图像进行高斯加权, 在加权后图像中进行背景均值与协方差的重新估算, 进而使用更精确的背景参数对原图像进行 RX异常检测。在 5个经典数据上的实验结果表明, 本文方法有效地表现了潜在的异常目标, 改进的 RX异常检测算法具有更高的检测精度与更低的虚警率。
高光谱图像 异常检测 视觉注意机制 显著性 hyperspectral image, anomaly detection, visual att RX
上海理工大学 光电信息与计算机工程学院, 上海 200093
遮挡图像重建是无监督异常检测的主要方法之一, 通过生成式模型对遮挡后的图像重建, 根据重建差异来估计图像区域的异常分数, 高异常分数区域即为缺陷区域。然而, 现有方法仅采用若干个尺度相互独立的遮挡策略, 使得模型缺乏对非规则遮挡图像的重建能力; 在重建过程中图像缺失部分与完整部分的全局依赖性未被充分考虑。针对上述问题, 提出多尺度网格的遮挡策略, 并采用自注意力机制增强自编码器重建过程中对全局依赖性的刻画。实验结果验证了所提方法的有效性, 与其他方法相比获得了更优的表面缺陷检测性能。
表面缺陷检测 异常检测 遮挡图像重建 自编码器 自注意力机制 surface defect detection anomaly detection masked image reconstruction auto-encoder self-attention mechanism
1 火箭军工程大学作战保障学院, 陕西 西安 710025
2 火箭军工程大学导弹工程学院, 陕西 西安 710025
高光谱图像包含丰富的地物光谱信息, 在遥感图像领域有着巨大的发展前景。 高光谱图像异常检测无需任何先验光谱信息, 便可检测出图像中的异常目标。 因此, 在****和民用领域都有广泛的应用, 是现阶段高光谱图像处理领域的研究热点。 然而, 高光谱图像存在数据复杂、 冗余性强、 未标记以及样本数量少等特点, 这给高光谱图像异常检测带来了很大的挑战。 尤其是在深度学习中, 往往需要大量的图像数据作为训练样本, 这对高光谱图像来说很难获得。 针对现有大多数算法对高光谱图像自适应性不强和空间-光谱信息利用不足的问题, 提出一种基于3D卷积自动编码网络的高光谱异常检测算法, 可以在少量训练数据的前提下, 有效利用高光谱图像信息, 学习更加有判别性的特征表达, 提高检测精度。 首先, 通过3D卷积、 3D池化和3D归一化等步骤设计3D卷积网络, 进而提取高光谱图像的空间-光谱结构特征。 然后, 将3D卷积网络和3D反卷积网络分别嵌入自动编码网络的编码器和解码器, 通过最小化结合均方差和光谱角距离的重构误差进行背景重构。 最后, 利用原始高光谱图像待测像元与重构的背景图像之间的马氏距离进行异常检测。 该算法可以在无先验信息的情况下, 自动训练网络中的所有参数, 以无监督的方式学习高光谱图像的有效特征并进行背景重构。 为证明算法的有效性, 利用截取来自三组真实高光谱数据集的九个图像进行异常检测, 并与RX, SRX, CRD, UNRS和LRASR五种算法进行对比。 结果表明, 与现有的其他算法相比, 该算法可以在复杂程度不同的高光谱图像背景下可以保持较高的检测效果和准确率。
高光谱 异常检测 3D卷积 自动编码器 马氏距离 Hyperspectral Anomaly detection 3D convolution Autoencoder Mahalanobis distance 光谱学与光谱分析
2022, 42(4): 1270
1 武汉大学遥感信息工程学院, 湖北 武汉 430079
2 中国地质大学 (武汉) 地球物理与空间信息学院, 湖北 武汉 430074
3 生态环境部卫星环境应用中心, 北京 100094
4 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079
5 武汉大学电子信息学院, 湖北 武汉 430079
煤矿开采是最重要的甲烷排放源, 然而其排放清单的准确性很低, 一个关键的原因在于缺乏精准识别和定位该类排放源的能力。近年来, 前沿研究表明可以利用卫星高光谱数据反演高分辨率的甲烷异常, 从而帮助识别排放源。但是, 在地表类型复杂地区该算法会完全失效。针对这一问题, 率先提出一种基于 L1 重加权和迭代收缩阈值算法 (ISTA) 匹配滤波器的算法。利用高分五号 (GF-5) 数据在山西地区的实验表明, 该方法性能显著优于现有的其他方法。实验中, 本方法识别出 23 个甲烷强点源, 这些点源全部位于 TROPOMI 的甲烷高值区内, 且高分辨遥感影像显示这些点源处存在典型的煤矿开采设施。该方法的提出为利用 GF-5 卫星数据在世界范围实现甲烷点源排查奠定了技术基础。
甲烷柱浓度异常探测 基于 L1 重加权和迭代收缩阈值算法的匹配滤波器算法 高分五号可见光短波红外高光谱相机数据 XCH 4 anomaly detection L1 reweighted iterative shrinkage thresholding alg GF-5 visible-shortwave infrared advanced hyperspec 大气与环境光学学报
2022, 17(6): 670
1 大庆师范学院 机电工程学院, 黑龙江 大庆 163712
2 大庆师范学院 计算机科学与信息技术学院, 黑龙江 大庆 163712
经典的RX异常检测算子假设背景数据信息符合高斯分布, 但是由于高光谱图像混有大量的加性噪声, 使得图像产生退化, 背景信息并不完全符合这类分布。针对这一问题, 提出了基于低秩张量分解的高光谱图像RX异常目标检测算法。该方法首先利用高光谱图像的张量数据结构和低秩数据特性, 引入低秩张量分解方法对高光谱图像进行数据恢复, 使得异常目标信息相比于复杂背景信息变得突出; 再利用RX异常检测算子对恢复之后的高光谱图像进行异常目标检测; 最后得到异常目标检测结果。通过仿真实验对比, 提出的新的异常目标检测方法具有检测精度高、虚警率低和鲁棒性好的特点。
高光谱图像 异常目标检测 低秩张量分解 RX异常检测算子 hyperspectral imagery anomaly target detection low-rank tensor decomposition RX anomaly detection operator
