基于对比估计自监督学习的车辆失效模式识别方法及装置与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及软件处理技术领域，尤其涉及一种基于对比估计自监督学习的车辆失效模式识别方法及装置。背景技术：2.具有辅助驾驶功能的各种先进驾驶辅助系统(advanced driver assistant system，adas)的面世，能够减轻由于驾驶员疲劳所导致的交通事故的发生。车道偏离预警(lane departure warning，ldw)、交通标识识别(traffic sign recognition,tsr)、行人识别等都是adas需要实现的重要功能，这些功能的实现依靠对车载视觉系统采集图像的分析。3.车载视觉系统通过高清摄像头实时采集图像以应用于各种场景，包括根据采集的图像对摄像头进行故障识别。目前采用的是有监督深度学习方法来识别车辆失效模式以完成摄像头故障识别，即通过摄像头来采集外界各类失效模式场景的样本，如镜头图像模糊、脏污、全遮挡、图像采集异常和正常工况等各类失效模式场景的无监督样本，然后人工对各类失效模式场景进行无监督样本分类并标记标签(label)，利用标记标签后的各类失效模式场景的有监督样本对神经网络进行训练，以形成识别模型，利用识别模型对实时采集的图像进行分类，实现失效模式的识别，以便车辆能够针对不同的失效模式实施不同的处理措施。4.但是，上述有监督深度学习方法存在很大的缺陷，其识别效果的好坏很大程度上取决于样本的质量和数量，即需要收集非常丰富的各类失效模式场景样本且样本数量足够多，而样本分类和标签标记依靠的是人力，并且要求样本分类足够精确，导致极大人力、物力和时间成本的消耗。技术实现要素：5.有鉴于上述技术缺陷，本发明实施例公开了一种基于对比估计自监督学习的车辆失效模式识别方法及装置，可以实现失效模式场景样本的自行分类，节省大量的人力、物力和时间成本。6.本发明实施例第一方面公开了一种基于对比估计自监督学习的车辆失效模式识别方法，所述方法包括：7.收集失效模式场景的无监督样本；8.以分类参考资料为依据，对所述无监督样本进行标签标记，获得目标有监督样本，所述分类参考资料包括k类的所述失效模式场景、k类的所述失效模式场景分别对应的有监督样本、每一类所述有监督样本对应的负样本、以及k类标签，一类所述标签对应一类所述失效模式场景，每类所述负样本为除其所属类对应的有监督样本之外的其它类有监督样本，k为正整数。9.作为一种可选的实施方式，在本发明实施例第一方面中，所述以分类参考资料为依据，对所述无监督样本进行标签标记，获得目标有监督样本，包括：10.获取所述无监督样本与其变形图之间的第一相关值；11.获取所述无监督样本与所述分类参考资料中每一类所述负样本之间的第二相关值，根据k类所述负样本获得k个所述第二相关值；12.根据所述第一相关值和所述第二相关值，计算所述无监督样本、所述变形图和对应负样本之间的相对相似度值，根据k类所述负样本获得k个所述相对相似度值；13.从k个所述相对相似度值中提取最大的目标相对相似度值；14.将目标负样本对应的标签标记给所述目标负样本对应的无监督样本，获得目标有监督样本，所述目标负样本为所述目标相对相似度值对应的负样本。15.通过上述实施方式，采用对比估计的自监督学习方法，能够自行将无监督样本标记成有监督样本，且准确率较高。16.作为一种可选的实施方式，在本发明实施例第一方面中，所述获取所述无监督样本与其变形图之间的第一相关值，包括：17.按照预设划分方式对所述无监督样本进行图像划分，获得多个子图；18.对所述多个子图随机排列，获得变形图；19.将所述无监督样本和所述变形图输入卷积神经网络，以根据所述卷积神经网络的输出获得所述无监督样本和所述变形图之间的第一相关值。20.作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述无监督样本和所述变形图输入卷积神经网络，以根据所述卷积神经网络的输出获得所述无监督样本和所述变形图之间的第一相关值，包括：21.将所述无监督样本和所述变形图输入所述卷积神经网络，获得所述卷积神经网络的输出以得到所述无监督样本的第一特征矩阵和所述变形图的第二特征矩阵；22.对所述第一特征矩阵求范数获得第一范数值，以及对所述第二特征矩阵求范数获得第二范数值；23.对所述第一范数值进行归一化处理，获得第一归一化值，以及对所述第二范数值进行归一化处理，获得第二归一化值；24.对所述第一归一化值和所述第二归一化值转秩后相乘获得第一特征方阵；25.在所述第一特征方阵中取对角线值以获得所述第一特征矩阵和所述第二特征矩阵之间的第一矩阵相似性向量，作为所述无监督样本和所述变形图之间的第一相关值。26.通过上述实施方式，通过获得无监督样本与变形图之间的相关性，表征无监督样本是自身，以提高无监督样本分类的准确率。27.作为一种可选的实施方式，在本发明实施例第一方面中，所述在所述第一特征方阵中取对角线值以获得所述第一特征矩阵和所述第二特征矩阵之间的第一矩阵相似性向量，作为所述无监督样本和所述变形图之间的第一相关值，包括：28.在所述第一特征方阵中取对角线值以获得所述第一特征矩阵和所述第二特征矩阵之间的第一矩阵相似性向量，对所述第一矩阵相似性向量取指数值以获得第一相似性值向量指数值，将所述第一相似性值向量指数值作为所述无监督样本和所述变形图之间的第一相关值。29.通过上述实施方式，能够解决数据局部干扰的问题，以提高无监督样本分类的准确率。30.作为一种可选的实施方式，在本发明实施例第一方面中，所述获取所述无监督样本与分类参考资料中每一个所述负样本之间的第二相关值，包括：31.将所述无监督样本和所述分类参考资料中的k类所述负样本输入所述卷积神经网络，获得所述卷积神经网络的输出以得到所述无监督样本的第三特征矩阵和每一类所述负样本的第四特征矩阵；32.对所述第三特征矩阵求范数获得第三范数值，以及对每一个所述第四特征矩阵求范数获得第四范数值；33.对所述第三范数值进行归一化处理，获得第三归一化值，以及对所述第四范数值进行归一化处理，获得第四归一化值；34.对所述第三归一化值和每一个所述第四归一化值转秩后相乘获得第二特征方阵；35.在所述第二特征方阵中取对角线值以获得所述第三特征矩阵和对应的第四特征矩阵之间的第二矩阵相似性向量，作为所述无监督样本和对应的负样本之间的第二相关值。36.通过上述实施方式，通过获得无监督样本与负样本之间的相关性，表征无监督样不是其它无监督样本，以提高无监督样本分类的准确率。37.作为一种可选的实施方式，在本发明实施例第一方面中，所述在所述第二特征方阵中取对角线值以获得所述第三特征矩阵和对应的第四特征矩阵之间的第二矩阵相似性向量，作为所述无监督样本和对应的负样本之间的第二相关值，包括：38.在所述第二特征方阵中取对角线值以获得所述第三特征矩阵和对应的第四特征矩阵之间的第二相似性值向量，对每一个所述第二相似性值向量取指数值以获得第二相似性值向量指数值，将所述第二相似性值向量指数值作为所述无监督样本和对应的负样本之间的第二相关值。39.通过上述实施方式，能够解决数据局部干扰的问题，以提高无监督样本分类的准确率。40.作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述第一相关值和所述第二相关值，计算所述无监督样本、所述变形图和对应负样本之间的相对相似度值，根据k类所述负样本获得k个所述相对相似度值，包括：41.计算所述第一相关值和每一个所述第二相关值的和；42.计算所述第一相关值与每一个所述和的比值；43.将所述比值作为所述无监督样本、所述无监督样本对应的变形图和所述比值对应的所述负样本之间的相对相似度值，根据k类所述负样本获得k个所述相对相似度值。44.通过实施上述实施方式，能够提高分类的准确率。45.作为一种可选的实施方式，在本发明实施例第一方面中，所述以分类参考资料为依据，对所述无监督样本进行标签标记，获得目标有监督样本之后，所述方法还包括：46.根据所述目标有监督样本更新训练集。47.通过上述实施方式，能够自行将无监督样本标记为有监督样本，以更新训练集，节省人力物力和时间成本。48.作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述目标有监督样本更新训练集之后，所述方法还包括：49.提取更新后的训练集，利用所述更新后的训练集对失效模式场景识别模型进行训练，获得优化后的失效模式场景识别模型。50.通过上述实施方式，利用已经更新的训练集信息失效模式场景识别模型，以训练失效模式场景识别模型，获得失效模式场景识别模型的识别能力，实现失效模式场景图像的分类。51.作为一种可选的实施方式，在本发明实施例第一方面中，所述方法还包括：52.实时采集失效模式场景图像；53.将所述失效模式场景图像输入所述优化后的失效模式场景识别模型，获得分类结果。54.通过上述实施方式，利用已经训练好的失效模式场景识别模型实时对失效模式场景图像进行分类。55.作为一种可选的实施方式，在本发明实施例第一方面中，所述实时采集失效模式场景图像之后，所述方法还包括：56.将所述失效模式场景图像作为新的无监督样本，执行所述以分类参考资料为依据，对所述无监督样本进行标签标记，获得目标有监督样本的步骤。57.通过上述实施方式，利用自监督学习到的样本在线更新训练集，从而在线优化失效模式场景识别模型，实现识别能力和场景适应能力的持续增强。58.本发明实施例第二方面公开了一种基于对比估计自监督学习的车辆失效模式识别装置，所述装置包括：59.收集模块，用于收集失效模式场景的无监督样本；60.辅助任务执行模块，用于以分类参考资料为依据，对所述无监督样本进行标签标记，获得目标有监督样本，所述分类参考资料包括k类的失效模式场景、k类的失效模式场景分别对应的有监督样本、每一类所述有监督样本对应的负样本、以及k类标签，一类所述标签对应一类所述失效模式场景，每类所述负样本为除其所属类对应的有监督样本之外的其它类有监督样本，k为正整数。61.作为一种可选的实施方式，在本发明实施例第二方面中，所述辅助任务执行模块包括：62.第一计算子模块，用于获取所述无监督样本与其变形图之间的第一相关值；63.第二计算子模块，用于获取所述无监督样本与所述分类参考资料中每一类所述负样本之间的第二相关值，根据k类所述负样本获得k个所述第二相关值；64.第三计算子模块，用于根据所述第一相关值和所述第二相关值，计算所述无监督样本、所述变形图和对应负样本之间的相对相似度值，根据k类所述负样本获得k个所述相对相似度值；65.提取子模块，用于从k个所述相对相似度值中提取最大的目标相对相似度值；66.标记子模块，用于将目标负样本对应的标签标记给所述目标负样本对应的无监督样本，获得目标有监督样本，所述目标负样本为所述目标相对相似度值对应的负样本。67.作为一种可选的实施方式，在本发明实施例第二方面中，所述第一计算子模块用于获取所述无监督样本与其变形图之间的第一相关值的方式具体为：68.按照预设划分方式对所述无监督样本进行图像划分，获得多个子图；以及，对所述多个子图随机排列，获得变形图；以及，将所述无监督样本和所述变形图输入卷积神经网络，以根据所述卷积神经网络的输出获得所述无监督样本和所述变形图之间的第一相关值。69.作为一种可选的实施方式，在本发明实施例第二方面中，所述第一计算子模块用于将所述无监督样本和所述变形图输入卷积神经网络，以根据所述卷积神经网络的输出获得所述无监督样本和所述变形图之间的第一相关值的方式具体为：70.将所述无监督样本和所述变形图输入所述卷积神经网络，获得所述卷积神经网络的输出以得到所述无监督样本的第一特征矩阵和所述变形图的第二特征矩阵；以及，对所述第一特征矩阵求范数获得第一范数值，以及对所述第二特征矩阵求范数获得第二范数值；以及，对所述第一范数值进行归一化处理，获得第一归一化值，以及对所述第二范数值进行归一化处理，获得第二归一化值；以及，对所述第一归一化值和所述第二归一化值转秩后相乘获得第一特征方阵；以及，在所述第一特征方阵中取对角线值以获得所述第一特征矩阵和所述第二特征矩阵之间的第一矩阵相似性向量，作为所述无监督样本和所述变形图之间的第一相关值。71.作为一种可选的实施方式，在本发明实施例第二方面中，所述第一计算子模块用于在所述第一特征方阵中取对角线值以获得所述第一特征矩阵和所述第二特征矩阵之间的第一矩阵相似性向量，作为所述无监督样本和所述变形图之间的第一相关值的方式具体为：72.在所述第一特征方阵中取对角线值以获得所述第一特征矩阵和所述第二特征矩阵之间的第一矩阵相似性向量，对所述第一矩阵相似性向量取指数值以获得第一相似性值向量指数值，将所述第一相似性值向量指数值作为所述无监督样本和所述变形图之间的第一相关值。73.作为一种可选的实施方式，在本发明实施例第二方面中，所述第二计算子模块用于获取所述无监督样本与所述分类参考资料中每一类所述负样本之间的第二相关值的方式具体为：74.将所述无监督样本和所述分类参考资料中的k类所述负样本输入所述卷积神经网络，获得所述卷积神经网络的输出以得到所述无监督样本的第三特征矩阵和每一类所述负样本的第四特征矩阵；以及，对所述第三特征矩阵求范数获得第三范数值，以及对每一个所述第四特征矩阵求范数获得第四范数值；以及，对所述第三范数值进行归一化处理，获得第三归一化值，以及对所述第四范数值进行归一化处理，获得第四归一化值；以及，对所述第三归一化值和每一个所述第四归一化值转秩后相乘获得第二特征方阵；以及，在所述第二特征方阵中取对角线值以获得所述第三特征矩阵和对应的第四特征矩阵之间的第二矩阵相似性向量，作为所述无监督样本和对应的负样本之间的第二相关值。75.作为一种可选的实施方式，在本发明实施例第二方面中，所述第二计算子模块用于在所述第二特征方阵中取对角线值以获得所述第三特征矩阵和对应的第四特征矩阵之间的第二矩阵相似性向量，作为所述无监督样本和对应的负样本之间的第二相关值的方式具体为：76.在所述第二特征方阵中取对角线值以获得所述第三特征矩阵和对应的第四特征矩阵之间的第二相似性值向量，对每一个所述第二相似性值向量取指数值以获得第二相似性值向量指数值，将所述第二相似性值向量指数值作为所述无监督样本和对应的负样本之间的第二相关值。77.作为一种可选的实施方式，在本发明实施例第二方面中，所述第三计算子模块用于根据所述第一相关值和所述第二相关值，计算所述无监督样本、所述变形图和对应负样本之间的相对相似度值，根据k类所述负样本获得k个所述相对相似度值的方式具体为：78.计算所述第一相关值和每一个所述第二相关值之间的和；以及，计算所述第一相关值与每一个所述和的比值；以及，将所述比值作为所述无监督样本、所述无监督样本对应的变形图和所述比值对应的所述负样本之间的相对相似度值，根据k类所述负样本获得k个所述相对相似度值。79.作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：80.更新模块，用于根据所述目标有监督样本更新训练集。81.作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：82.训练模块，用于在所述更新模块根据所述目标有监督样本更新训练集之后，提取更新后的训练集，利用所述更新后的训练集对失效模式场景识别模型进行训练，获得优化后的失效模式场景识别模型。83.作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：84.采集模块，用于实时采集失效模式场景图像；85.分类模块，用于将所述失效模式场景图像输入所述优化后的失效模式场景识别模型，获得分类结果。86.作为一种可选的实施方式，在本发明实施例第二方面中，所述更新模块，还用于在所述采集模块实时采集失效模式场景图像之后，将所述失效模式场景图像作为新的无监督样本，并触发所述辅助任务执行模块执行以分类参考资料为依据，对所述无监督样本进行标签标记，获得目标有监督样本的步骤。87.本发明实施例第三方面公开了一种电子设备，可包括：88.存储有可执行程序代码的存储器；89.与所述存储器耦合的处理器；90.所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种基于对比估计自监督学习的车辆失效模式识别方法。91.本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于对比估计自监督学习的车辆失效模式识别方法。92.本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。93.本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。94.与现有技术相比，本发明实施例具有以下有益效果：95.在本发明实施例中，通过收集失效模式场景的无监督样本，能够以分类参考资料为依据，自行对无监督样本进行标签标记，获得目标有监督样本，其中，分类参考资料包括k类的失效模式场景、k类的失效模式场景分别对应的有监督样本、每一类有监督样本对应的负样本、k类标签，一类标签对应一类失效模式场景，每类负样本为除其所属类对应的有监督样本之外的其它类有监督样本；可见，通过实施本发明实施例，能够自行对无监督样本进行标签标记，以获得有监督样本，完成对各类失效模式场景的无监督样本的分类，无需人工参与，能够节省大量人力、物力和时间成本。附图说明96.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。97.图1为本发明实施例一公开的基于对比估计自监督学习的车辆失效模式识别方法的流程示意图；98.图2为本发明实施例二公开的基于对比估计自监督学习的车辆失效模式识别方法的流程示意图；99.图3为本发明实施例三公开的基于对比估计自监督学习的车辆失效模式识别方法的流程示意图；100.图4为本发明实施例一公开的基于对比估计自监督学习的车辆失效模式识别装置的结构示意图；101.图5为本发明实施例二公开的基于对比估计自监督学习的车辆失效模式识别装置的结构示意图；102.图6为本发明实施例二公开的基于对比估计自监督学习的车辆失效模式识别装置的结构示意图；103.图7为本发明实施例公开的电子设备的结构示意图。具体实施方式104.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。105.需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”及“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。106.本发明实施例公开了一种基于对比估计自监督学习的车辆失效模式识别方法，用于实现各类失效模式场景的无监督样本的自主分类，节省人力、物力和时间成本，本发明实施例还相应地公开了一种基于对比估计自监督学习的车辆失效模式识别装置。107.其中，在车载视觉系统中比较常见的失效模式的场景有镜头图像模糊、水渍溅湿、镜头脏污、全遮挡、低照度、太阳直射、标定异常和图像采集异常等类别，而其余可归为正常(normal)类别，不同的失效模式需要被分类识别，识别成功后车辆会实施不同的处理措施。108.其中，基于对比估计自监督学习的车辆失效模式识别装置可以是车载终端，等于也可以是手机终端、平板电脑、笔记本电脑等。109.下面将通过具体实施例，对本发明技术方案进行详细说明。110.请参阅图1，图1为本发明实施例一公开的基于对比估计自监督学习的车辆失效模式识别方法的流程示意图；如图1所示，该基于对比估计自监督学习的车辆失效模式识别方法可包括：111.101、收集失效模式场景的无监督样本。112.本发明实施例的执行主体为基于对比估计自监督学习的车辆失效模式识别装置。113.需要说明的是，无监督样本是未进行分类的样本，也就是未将该无监督样本归属到相应类别的失效模式场景，本发明对无监督样本进行类别分类也就是对无监督样本进行相应标签的标记，而在本发明中不同类别的失效模式场景具有不同的标签。114.可选的，在执行本发明实施例步骤101之前，可以先执行以下步骤：115.获取k类的失效模式场景分别对应的有监督样本，设置上述k类的标签，一类标签对应一类失效模式场景，一类有监督样本包括多个有监督样本数据，k为正整数；116.确定每一类有监督样本对应的负样本，一类负样本为除其所属类对应的有监督样本之外的其它类有监督样本。117.其中，k类即k种类别，相对于无监督样本而言，有监督样本是已经进行类别分类的样本，也就是已经归属至相应类别的失效模式场景中，而在本发明中也就是对其标记了相应类别的失效模式场景对应的标签，总的来说，有监督样本是带着相应类别的标签的，而无监督样本是没有带着标签的，通过标签来将无监督样本分类至相应类别的失效模式场景中。118.通过上述实施方式，预先明确并对失效模式场景进行类别分类，在本发明实施例中预设有k类失效模式场景，针对每类的失效模式场景可以提前准备一定数量的有监督样本，形成该类对应的有监督样本，并设置每类对应的标签，一类标签对应一类失效模式场景，以通过标签来对不同类别的失效模式场景进行分类，以及设置每一类有监督样本对应的负样本，即一类失效模式场景设置有相应的有监督样本和对应的负样本。119.举例来说，当k取值为3，即相应有三类失效模式场景，分别为a类失效模式场景、b类失效模式场景和c类失效模式场景，a类失效模式场景对应设置有监督样本a、b类失效模式场景对应设置有监督样本b、c类失效模式场景对应设置有监督样本c，其中，负样本也相应为3类，有监督样本a对应的负样本a＇为有监督样本b和有监督样本c(除去有监督样本a之外的其它2个)，有监督样本b对应的负样本b＇为有监督样本a和有监督样本c(除去有监督样本b之外的其它2个)，有监督样本c对应的负样本c＇为有监督样本a和有监督样本b(除去有监督样本c之外的其它2个)。120.通过上述实施方式，提前设置可以实现自主将无监督样本标记为有监督样本的依据，以提高分类的准确性。121.在上述实施方式基础上，进一步可选的，根据上述k类的失效模式场景分别对应的有监督样本，上述k类标签和每一类有监督样本对应的负样本，得到分类参考资料。122.当然，还可以设置一个有监督样本集和对应的负样本集，该有监督样本集包括上述k类有监督样本，负样本集包括上述k类负样本，根据该有监督样本集、负样本集和k类标签得到分类参考资料。123.结合上述介绍，步骤101中的失效模式场景的无监督样本可以是各种类别的失效模式场景的无监督样本。124.进一步可选的，步骤101可以包括：125.通过车载摄像头采集原始单视图样本，从原始单视图样本中获取失效模式场景对应的原始单视图样本作为无监督样本。126.其中，所采集的原始单视图样本可能包括正常类别的场景样本，可以通过过滤方式将正常类别的场景样本去除，以剩下失效模式场景的无监督样本。127.通过上述实施方式，通过车载摄像头采集原始单视图样本，以获取车载的失效模式场景图像，实现车辆失效模式的识别。128.102、以分类参考资料为依据，对上述无监督样本进行标签标记，获得目标有监督样本，该分类参考资料包括k类的失效模式场景、k类的失效模式场景分别对应的有监督样本、每一类有监督样本对应的负样本、以及k类标签，一类标签对应一类失效模式场景，每类负样本为除其所属类对应的有监督样本之外的其它类有监督样本，k为正整数。129.其中，步骤102可以由装置的辅助任务(pretext)实现，能够实现失效模式场景图像的自行分类。可以理解，在分类参考资料中有监督样本、负样本和标签的数量均为k个类。130.实施上述实施例，通过收集失效模式场景的无监督样本，能够以分类参考资料为依据，自行对无监督样本进行标签标记，获得目标有监督样本，其中，分类参考资料包括k类的失效模式场景、k类的失效模式场景分别对应的有监督样本、该每一类有监督样本对应的一类负样本、k类标签，一类标签对应一类失效模式场景，每类负样本为除其所属类对应的有监督样本之外的其它类有监督样本；可见，通过实施本发明实施例，能够自行对无监督样本进行标签标记，以获得有监督样本，完成对各类失效模式场景的无监督样本的分类，无需人工参与，能够节省大量人力、物力和时间成本。131.请参阅图2，图2为本发明实施例二公开的基于对比估计自监督学习的车辆失效模式识别方法的流程示意图；如图2所示，该基于对比估计自监督学习的车辆失效模式识别方法可包括：132.201、收集失效模式场景的无监督样本。133.本发明实施例的执行主体为基于对比估计自监督学习的车辆失效模式识别装置。134.202、获取无监督样本与其变形图之间的第一相关值。135.在步骤202中，通过深度学习表征无监督样本与其变形图极大相似，具体可以包括：按照预设划分方式对无监督样本进行图像划分，获得多个子图；对多个子图随机排列，获得变形图；将无监督样本和变形图输入卷积神经网络，以根据卷积神经网络的输出获得无监督样本和变形图之间的第一相关值。136.其中，按照预设划分方式将无监督样本划分成多个子图，然后将多个子图随机打乱后再重新排列，获得变形图。预设划分方式可以预先设置，比如20x20的划分比例。137.通过上述实施方式，通过深度学习表征无监督样本与其变形图极大相似，以证明无监督样本是它自己本身。138.进一步可选的，上述将无监督样本和变形图输入卷积神经网络，以根据卷积神经网络的输出获得无监督样本和变形图之间的第一相关值，可以通过以下步骤实现：139.a1、将无监督样本和变形图输入卷积神经网络，获得卷积神经网络的输出以得到无监督样本的第一特征矩阵和变形图的第二特征矩阵；140.a2、对第一特征矩阵求范数获得第一范数值，以及对第二特征矩阵求范数获得第二范数值；141.a3、对第一范数值进行归一化处理，获得第一归一化值，以及对第二范数值进行归一化处理，获得第二归一化值；142.a4、对第一归一化值和第二归一化值转秩后相乘获得第一特征方阵；143.a5、在第一特征方阵中取对角线值以获得第一特征矩阵和第二特征矩阵之间的第一矩阵相似性向量，作为无监督样本和变形图之间的第一相关值。144.从上述实施方式可以看出，将无监督样本和多个子图随机打乱后重新排列得到的变形图同时输入卷积神经网络，卷积神经网络输出无监督样本的第一特征矩阵和变形图的第二特征矩阵，分别对第一特征矩阵和第二特征矩阵求范数，获得第一范数值和第二范数值，对第一范数值进行归一化处理，即第一归一化值＝第一特征矩阵/第一范数值，对第二范数值进行归一化处理，即第二归一化值＝第二特征矩阵/第二范数值，获取第一归一化值和第二归一化值转秩后相乘得到的第一特征方阵，其中，第一特征方阵＝第一归一化值*第二归一化值，第一特征方阵取对角线值，提取出第一特征矩阵和第二特征矩阵的第一矩阵相似性向量，该第一矩阵相似性向量即用于表示无监督样本和变形图之间的第一相关值，经该实施方式能够提高分类准确率。145.进一步可选的，在第一特征方阵中取对角线值以获得第一特征矩阵和所述第二特征矩阵之间的第一矩阵相似性向量，对第一矩阵相似性向量取指数值以获得第一相似性值向量指数值，将第一相似性值向量指数值作为无监督样本和所述变形图之间的第一相关值。可以看出，在该实施方式中，对第一矩阵相似性向量的向量元素按照y＝e^x取指数值，获得第一相似性值向量指数值，能够避免局部数据的干扰，进一步提高分类判断的准确率。146.当然，在本发明实施例中为了提高处理效率，可以从无监督样本中选择y张无监督样本作为一组样本p，然后将p中的每张样本按照预设划分方式划分为z个子图，每张样本的z个子图随机打乱后重新排列，获得一组变形图p_t，将p和p_t同时输入卷积神经网络，卷积神经网络输出p和p_t的特征矩阵p_mat和p_t_mat，分别对p_mat和p_t_mat求范数，获得范数值p_norm和p_t_norm，对范数值归一化处理，获得p_scale＝p_mat/p_norm，p_t_scale＝p_t_mat/p_t_norm，通过转秩后相乘，获取p_scale和p_t_scale的特征方阵sim_p_p_t，其中，sim_p_p_t＝p_scale*p_t_scale(t)，特征方阵sim_p_p_t取对角线值，提取出p_mat和p_t_mat的矩阵相似性向量sim_p_p_t_vec，进一步为避免局部数据的干扰，sim_p_p_t_vec的向量元素scale以后按照y＝e^x取指数值，获得相似性值向量指数值exp_sim_p_p_t_vec，该exp_sim_p_p_t_vec即为无监督样本与变形图之间的第一相关值。147.203、获取无监督样本与分类参考资料中每一类负样本之间的第二相关值，根据k类负样本获得k个第二相关值。148.其中，该分类参考资料包括k类的失效模式场景、k类的失效模式场景分别对应的有监督样本、每一类有监督样本对应的负样本、以及k类标签，一类标签对应一类失效模式场景，负样本为除其所属类对应的有监督样本之外的其它类有监督样本，k为正整数。由于负样本对应也有k类，因此，需要计算每一个无监督样本与各类负样本之间的第二相关值，会得到k个第二相关值。经该实施方式，能够通过深度学习确定无监督样本是它自己本身，而不是其它无监督样本。149.可选的，上述获取无监督样本与分类参考资料中每一类负样本之间的第二相关值可以通过以下步骤实现：150.b1、将无监督样本和分类参考资料中的k类负样本输入卷积神经网络，获得卷积神经网络的输出以得到无监督样本的第三特征矩阵和每一类负样本的第四特征矩阵；151.b2、对第三特征矩阵求范数获得第三范数值，以及对每一个第四特征矩阵求范数获得第四范数值；152.b3、对第三范数值进行归一化处理，获得第三归一化值，以及对第四范数值进行归一化处理，获得第四归一化值；153.b4、对第三归一化值和每一个第四归一化值转秩后相乘获得第二特征方阵；154.b5、在第二特征方阵中取对角线值以获得第三特征矩阵和对应的第四特征矩阵之间的第二矩阵相似性向量，作为无监督样本和对应的负样本之间的第二相关值。155.从上述实施方式可以看出，将无监督样本和k类负样本同时输入卷积神经网络，卷积神经网络输出无监督样本的第三特征矩阵和每类负样本的第四特征矩阵(共k个)，分别对第三特征矩阵和第四特征矩阵求范数，获得第三范数值和第四范数值(共k个)，对第三范数值进行归一化处理，即第三归一化值＝第三特征矩阵/第三范数值，对第四范数值进行归一化处理，即第四归一化值＝第四特征矩阵/第四范数值(共k个)，获取第三归一化值和第四归一化值转秩后相乘得到的第二特征方阵(共k个)，其中，第二特征方阵＝第三归一化值*第四归一化值，第二特征方阵取对角线值，提取出第三特征矩阵和第四特征矩阵的第二矩阵相似性向量(共k个)，该第二矩阵相似性向量即用于表示无监督样本和对应的负样本之间的第二相关值，共有k个，经该实施方式能够提高分类准确率。156.进一步可选的，在第二特征方阵中取对角线值以获得第三特征矩阵和对应的第四特征矩阵之间的第二相似性值向量，对每一个第二相似性值向量取指数值以获得第二相似性值向量指数值，将第二相似性值向量指数值作为无监督样本和对应的负样本之间的第二相关值。可以看出，在该实施方式中，对第二矩阵相似性向量的向量元素按照y＝e^x取指数值，获得第二相似性值向量指数值，能够避免局部数据的干扰，提高分类准确率。157.当然，在本发明实施例中为了提高处理效率，随机选取全部无监督样本中的y张无监督样本作为一组样本p，以及获取分类参考资料中的k类有监督样本对应的负样本，共k个负样本p_n，将p和k个p_n同时输入卷积神经网络，卷积神经网络输出p和p_n的特征矩阵p_mat和p_n_mat(k个)，分别对p_mat和p_n_mat(k个)求范数，获得p_norm和p_n_nor(k个)，然后进行归一化处理，获得p_scale＝p_mat/p_norm，p_n_scale＝p_n_mat/p_n_norm(k个)，通过转秩后相乘，获取p_scale和p_n_scale的特征方阵sim_p_p_n(k个)，sim_p_p_n＝p_scale*p_n_scale(t)，其中，特征方阵sim_p_p_n取对角线值，提取p_mat和p_n_mat的相似性值向量sim_p_p_n_vec(k个)，进一步地，为避免局部数据的干扰，sim_p_p_n_vec的向量元素scale以后按照y＝e^x取指数值，获得相似性值向量指数值exp_sim_p_p_n_vec(k个)。158.204、根据第一相关值和第二相关值，计算无监督样本、变形图和对应负样本之间的相对相似度值，根据k类负样本获得k个相对相似度值。159.其中，由于第二相关值有k个，即第二相关值与负样本是对应的，因此，计算得到的相对相似度值与负样本也是一一对应的，一个相对相似度值表征无监督样本、变形图和该第二相关值对应的负样本之间的相似度。160.可选的，上述步骤204可以包括：161.计算第一相关值和每一个第二相关值之间的和；162.计算第一相关值与每一个和的比值；163.将比值作为无监督样本、无监督样本对应的变形图和比值对应的负样本之间的相对相似度值，根据k类负样本获得k个相对相似度值。164.可以理解，由于第二相关值共有k个，那么将计算得到k个和，然后再计算第一相关值与每一个和的比值，得到k个比值，一个比值对应一个第二相关值，也就是一个比值对应一类负样本。165.经上述实施方式能够提供最后分类的依据，以提高分类准确率。166.进一步可选的，若上述第一相关值为第一相似性值向量指数值exp_sim_p_p_t_vec，第二相关值为第二相似性值向量指数值exp_sim_p_p_n_vec，那么，比值batch_prob_arr的计算公式如下：167.batch_prob_arr＝exp_sim_p_p_t_vec/(exp_sim_p_p_t_vec+exp_sim_p_p_n_vec)，其中，可以将batch_prob_arr看作是一个k*1的一维数组。168.若同时将y张无监督样本作为一组样本输入卷积神经网络，每张都有k个batch_prob_arr，则可以将batch_prob_arr看作是一个k*y的一维数组。169.205、从k个所述相对相似度值中提取最大的目标相对相似度值。170.每张无监督样本有k个batch_prob_arr值，求得最大值max(batch_prob_arr)，即目标相对相似度值。171.206、将目标负样本对应的标签标记给目标负样本对应的无监督样本，获得目标有监督样本，该目标负样本为目标相对相似度值对应的负样本。172.由于一个目标相对相似度值对应一个负样本，即目标负样本，而负样本对应一类标签，因此，将负样本对应的标签标记给该相应的无监督样本，获得有监督样本。173.通过实施本发明实施例，能够收集k种类别中各类别失效模式场景的无监督样本，结合卷积神经网络，经由装置的辅助任务(pretext)采用对比估计的自监督学习方法，自行将无监督样本标记成有监督样本，完成样本分类，能够节省大量人力、物力和时间成本。174.请参阅图3，图3为本发明实施例三公开的基于对比估计自监督学习的车辆失效模式识别方法的流程示意图；如图3所示，该基于对比估计自监督学习的车辆失效模式识别方法可包括：175.301、收集失效模式场景的无监督样本。176.302、以分类参考资料为依据，对无监督样本进行标签标记，获得目标有监督样本。177.其中，分类参考资料包括k类的失效模式场景、k类的失效模式场景分别对应的有监督样本、每一类有监督样本对应的负样本、以及k类标签，一类标签对应一类失效模式场景，每类负样本为除其所属类对应的有监督样本之外的其它类有监督样本，k为正整数。178.303、根据目标有监督样本更新训练集。179.其中，训练集保存的是用于失效模式场景识别模型训练的有监督样本，在本发明实施例中能够自主对收集的无监督样本进行分类，以形成有监督样本更新训练集，为失效模式场景识别模型的训练提供样本支持。180.304、提取更新后的训练集，利用更新后的训练集对失效模式场景识别模型进行训练，获得优化后的失效模式场景识别模型。181.通过深度学习的方式，按照有监督学习的方法训练模型，获得失效模式场景的分类能力，以形成失效模式场景识别模型。182.具体的，将训练集的有监督样本输入失效模式场景识别模型，由于有监督样本已经标记了标签，在失效模式场景识别模型中能够基于结果进行训练，具体地，是采用深度学习的有监督样本训练方式，为现有技术，在此不再赘述。具体地，失效模式场景识别模型是一个卷积神经网络模型。183.需要说明的是，在首次训练得到失效模式场景识别模型之后，并非每次更新训练集都会进行失效模式场景识别模型的优化训练，在本发明实施例中可以预设触发失效模式场景识别模型训练的触发条件，触发条件可以是周期，周期为一定时长，比如半年，在满足半年时会根据训练集重新训练失效模式场景识别模型，或者触发条件为训练集新增的有监督样本满足一定数量，比如，训练集新增20万个有监督样本，会根据训练集重新训练失效模式场景识别模型。184.305、实时采集失效模式场景图像。185.执行完步骤305，转向步骤306和307。186.将训练得到的失效模式场景识别模型部署后车辆后，在使用过程中不断采集新的失效模式场景图像，实现在线学习。187.306、将失效模式场景图像输入优化后的失效模式场景识别模型，获得分类结果。188.所采集的失效模式场景图像经失效模式场景识别模型直接分类。189.307、将失效模式场景图像作为新的无监督样本。190.执行完步骤307，转向执行步骤302。191.在步骤307中，自行将失效模式场景图像作为无监督样本，然后自行完成无监督样本的标记，在线更新训练集，实现在线学习，而越来越丰富的训练集能够在线优化训练失效模式场景识别模型，提高失效模式场景识别模型的识别范围和能力，实现在车辆行驶过程中自动而轻松的获得、识别和分类无监督样本，在车辆的使用过程中不断的进行在线学习，实现失效模式场景识别模型的识别能力和场景适应能力的持续增强。192.需要说明的是，只要在线学习到有监督样本，都会进行训练集更新，但是失效模式场景识别模型的优化训练需要满足预设的触发条件。193.可见，通过实施上述实施方式，由于可实现对所采集的无监督样本的自行分类，不需要人工来生产海量样本，节省了大量的人力、物力和时间开销。194.另外，通过采用自监督学习来对无监督样本分类，自行分类作为一种辅助任务(pretext)，采用了噪声对比估计的技术思想，保证了分类的准确性和丰富度，也避免了无监督样本在标记过程中受到人的主观意愿的影响。195.另外，由于自监督学习的无监督样本分类是辅助任务(pretext)实现的，而且可以能够自行实现训练集的持续更新，使得训练生成的失效模式场景识别模型具有很强的迁移学习能力。196.另外，由于自监督学习的无监督样本可以在车辆行驶过程中自动而轻松的获得、识别和分类，可实现训练集的在线更新，车辆的使用过程中不断的进行在线学习，实现识别能力和场景适应能力的持续增强。197.请参阅图4，图4为本发明实施例一公开的基于对比估计自监督学习的车辆失效模式识别装置的结构示意图；如图4所示，该基于对比估计自监督学习的车辆失效模式识别装置可包括：198.收集模块410，用于收集失效模式场景的无监督样本；199.辅助任务执行模块420，用于以分类参考资料为依据，对无监督样本进行标签标记，获得目标有监督样本，该分类参考资料包括k类的失效模式场景、k类的失效模式场景分别对应的有监督样本、每一类有监督样本对应的负样本、以及k类标签，一类标签对应一类失效模式场景，每类负样本为除其所属类对应的有监督样本之外的其它类有监督样本，k为正整数。200.通过实施上述装置，通过实施本发明实施例，能够自行对无监督样本进行标签标记，以获得有监督样本，完成对各类失效模式场景的无监督样本的分类，无需人工参与，能够节省大量人力、物力和时间成本。201.请参阅图5，图5为本发明实施例二公开的基于对比估计自监督学习的车辆失效模式识别装置的结构示意图；图5所示的基于对比估计自监督学习的车辆失效模式识别装置是在图4基础上进行优化得到的，在图5所示的装置中，上述辅助任务执行模块420进一步包括：202.第一计算子模块4210，用于获取无监督样本与其变形图之间的第一相关值；203.第二计算子模块4220，用于获取无监督样本与分类参考资料中每一类负样本之间的第二相关值，根据k类负样本获得k个第二相关值；204.第三计算子模块4230，用于根据第一相关值和第二相关值，计算无监督样本、变形图和对应负样本之间的相对相似度值，根据k类负样本获得k个相对相似度值；205.提取子模块4240，用于从k个相对相似度值中提取最大的目标相对相似度值；206.标记子模块4250，用于将目标负样本对应的标签标记给目标负样本对应的无监督样本，获得目标有监督样本，该目标负样本为目标相对相似度值对应的负样本。207.通过上述实施方式，采用对比估计的自监督学习方法，能够自行将无监督样本标记成有监督样本，且准确率较高。208.作为一种可选的实施方式，该第一计算子模块4210用于获取无监督样本与其变形图之间的第一相关值的方式具体为：209.按照预设划分方式对无监督样本进行图像划分，获得多个子图；以及，对多个子图随机排列，获得变形图；以及，将无监督样本和变形图输入卷积神经网络，以根据卷积神经网络的输出获得无监督样本和所述变形图之间的第一相关值。210.作为一种可选的实施方式，上述第一计算子模块4210用于将无监督样本和变形图输入卷积神经网络，以根据卷积神经网络的输出获得无监督样本和变形图之间的第一相关值的方式具体为：211.将无监督样本和变形图输入卷积神经网络，获得卷积神经网络的输出以得到无监督样本的第一特征矩阵和变形图的第二特征矩阵；以及，对第一特征矩阵求范数获得第一范数值，以及对第二特征矩阵求范数获得第二范数值；以及，对第一范数值进行归一化处理，获得第一归一化值，以及对第二范数值进行归一化处理，获得第二归一化值；以及，对第一归一化值和第二归一化值转秩后相乘获得第一特征方阵；以及，在第一特征方阵中取对角线值以获得第一特征矩阵和第二特征矩阵之间的第一矩阵相似性向量，作为无监督样本和变形图之间的第一相关值。212.通过上述实施方式，通过获得无监督样本与变形图之间的相关性，表征无监督样本是自身，以提高无监督样本分类的准确率。213.作为一种可选的实施方式，上述第一计算子模块4210用于在第一特征方阵中取对角线值以获得第一特征矩阵和第二特征矩阵之间的第一矩阵相似性向量，作为无监督样本和变形图之间的第一相关值的方式具体为：214.在第一特征方阵中取对角线值以获得第一特征矩阵和第二特征矩阵之间的第一矩阵相似性向量，对第一矩阵相似性向量取指数值以获得第一相似性值向量指数值，将第一相似性值向量指数值作为无监督样本和变形图之间的第一相关值。215.通过上述实施方式，能够解决数据局部干扰的问题，以提高无监督样本分类的准确率。216.作为一种可选的实施方式，上述第二计算子模块4220用于获取无监督样本与分类参考资料中每一个负样本之间的第二相关值的方式具体为：217.将无监督样本和分类参考资料中的k类负样本输入卷积神经网络，获得卷积神经网络的输出以得到无监督样本的第三特征矩阵和每一类负样本的第四特征矩阵；以及，对第三特征矩阵求范数获得第三范数值，以及对每一个第四特征矩阵求范数获得第四范数值；以及，对第三范数值进行归一化处理，获得第三归一化值，以及对第四范数值进行归一化处理，获得第四归一化值；以及，对第三归一化值和每一个第四归一化值转秩后相乘获得第二特征方阵；以及，在第二特征方阵中取对角线值以获得第三特征矩阵和对应的第四特征矩阵之间的第二矩阵相似性向量，作为无监督样本和对应的负样本之间的第二相关值。218.通过上述实施方式，通过获得无监督样本与负样本之间的相关性，表征无监督样不是其它无监督样本，以提高无监督样本分类的准确率。219.作为一种可选的实施方式，上述第二计算子模块4220用于在第二特征方阵中取对角线值以获得第三特征矩阵和对应的第四特征矩阵之间的第二矩阵相似性向量，作为无监督样本和对应的负样本之间的第二相关值的方式具体为：220.在第二特征方阵中取对角线值以获得第三特征矩阵和对应的第四特征矩阵之间的第二相似性值向量，对每一个第二相似性值向量取指数值以获得第二相似性值向量指数值，将第二相似性值向量指数值作为无监督样本和对应的负样本之间的第二相关值。221.通过上述实施方式，能够解决数据局部干扰的问题，以提高无监督样本分类的准确率。222.作为一种可选的实施方式，上述第三计算子模块4230用于根据第一相关值和第二相关值，计算无监督样本、变形图和对应负样本之间的相对相似度值，根据k类负样本获得k个相对相似度值的方式具体为：223.计算第一相关值和每一个第二相关值之间的和；以及，计算第一相关值与每一个和的比值；以及，将比值作为无监督样本、无监督样本对应的变形图和比值对应的负样本之间的相对相似度值，根据k类负样本获得k个相对相似度值。224.请参阅图6，图6为本发明实施例二公开的基于对比估计自监督学习的车辆失效模式识别装置的结构示意图；图6所示的基于对比估计自监督学习的车辆失效模式识别装置是在图4基础上进行优化得到的，图6所示的装置还包括：更新模块610、训练模块620、采集模块630和分类模块640。225.在一些可实施的方式中，上述更新模块610，用于根据目标有监督样本更新训练集。226.通过上述实施方式，能够自行将无监督样本标记为有监督样本，以更新训练集，节省人力物力和时间成本。227.在一些可实施的方式中，上述训练模块620，用于在更新模块610根据目标有监督样本更新训练集之后，提取更新后的训练集，利用更新后的训练集对失效模式场景识别模型进行训练，获得优化后的失效模式场景识别模型。228.通过上述实施方式，利用已经更新的训练集信息失效模式场景识别模型，以训练失效模式场景识别模型，获得失效模式场景识别模型的识别能力，实现失效模式场景图像的分类。229.在一些可实施的方式中，上述采集模块630，用于实时采集失效模式场景图像；230.上述分类模块640，用于将失效模式场景图像输入优化后的失效模式场景识别模型，获得分类结果。231.通过上述实施方式，利用已经训练好的失效模式场景识别模型实时对失效模式场景图像进行分类。232.在一些可实施的方式中，上述更新模块610，还用于在采集模块630实时采集失效模式场景图像之后，将失效模式场景图像作为新的无监督样本，并触发辅助任务执行模块420执行以分类参考资料为依据，对无监督样本进行标签标记，获得目标有监督样本的步骤。233.通过上述实施方式，利用自监督学习到的样本在线更新训练集，从而在线优化失效模式场景识别模型，实现识别能力和场景适应能力的持续增强。234.请参阅图7，图7为本发明实施例公开的电子设备的结构示意图；图7所示的电子设备可包括：至少一个处理器710，例如cpu，通信总线730用于实现这些组件之间的通信连接。存储器720可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器720可选的还可以是至少一个位于远离前述处理器710的存储装置。其中，存储器710中存储一组程序代码，且处理器710调用存储器720中存储的程序代码，用于执行以下操作：235.收集失效模式场景的无监督样本；236.以分类参考资料为依据，对无监督样本进行标签标记，获得目标有监督样本，该分类参考资料包括k类的失效模式场景、k类的失效模式场景分别对应的有监督样本、每一类有监督样本对应的负样本、以及k类标签，一类标签对应一类失效模式场景，每类负样本为除其所属类对应的有监督样本之外的其它类有监督样本，k为正整数。237.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：238.获取无监督样本与其变形图之间的第一相关值；获取无监督样本与分类参考资料中每一类负样本之间的第二相关值，根据k类负样本获得k个第二相关值；根据第一相关值和第二相关值，计算无监督样本、变形图和对应负样本之间的相对相似度值，根据k类负样本获得k个相对相似度值；从k个相对相似度值中提取最大的目标相对相似度值；将目标负样本对应的标签标记给目标负样本对应的无监督样本，获得目标有监督样本，目标负样本为目标相对相似度值对应的负样本。239.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：240.按照预设划分方式对无监督样本进行图像划分，获得多个子图；对多个子图随机排列，获得变形图；将无监督样本和变形图输入卷积神经网络，以根据卷积神经网络的输出获得无监督样本和变形图之间的第一相关值。241.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：242.将无监督样本和变形图输入卷积神经网络，获得卷积神经网络的输出以得到无监督样本的第一特征矩阵和变形图的第二特征矩阵；对第一特征矩阵求范数获得第一范数值，以及对第二特征矩阵求范数获得第二范数值；对第一范数值进行归一化处理，获得第一归一化值，以及对第二范数值进行归一化处理，获得第二归一化值；对第一归一化值和第二归一化值转秩后相乘获得第一特征方阵；在第一特征方阵中取对角线值以获得第一特征矩阵和第二特征矩阵之间的第一矩阵相似性向量，作为无监督样本和变形图之间的第一相关值。243.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：244.在第一特征方阵中取对角线值以获得第一特征矩阵和第二特征矩阵之间的第一矩阵相似性向量，对第一矩阵相似性向量取指数值以获得第一相似性值向量指数值，将第一相似性值向量指数值作为无监督样本和变形图之间的第一相关值。245.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：246.将无监督样本和分类参考资料中的k类负样本输入卷积神经网络，获得卷积神经网络的输出以得到无监督样本的第三特征矩阵和每一类负样本的第四特征矩阵；对第三特征矩阵求范数获得第三范数值，以及对每一个第四特征矩阵求范数获得第四范数值；对第三范数值进行归一化处理，获得第三归一化值，以及对第四范数值进行归一化处理，获得第四归一化值；对第三归一化值和每一个第四归一化值转秩后相乘获得第二特征方阵；在第二特征方阵中取对角线值以获得第三特征矩阵和对应的第四特征矩阵之间的第二矩阵相似性向量，作为无监督样本和对应的负样本之间的第二相关值。247.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：248.在第二特征方阵中取对角线值以获得第三特征矩阵和对应的第四特征矩阵之间的第二相似性值向量，对每一个第二相似性值向量取指数值以获得第二相似性值向量指数值，将第二相似性值向量指数值作为无监督样本和对应的负样本之间的第二相关值。249.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：250.计算第一相关值和每一个第二相关值之间的和；计算第一相关值与每一个和的比值；将比值作为无监督样本、无监督样本对应的变形图和比值对应的负样本之间的相对相似度值，根据k类负样本获得k个相对相似度值。251.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：252.根据目标有监督样本更新训练集。253.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：254.提取更新后的训练集，利用更新后的训练集对失效模式场景识别模型进行训练，获得优化后的失效模式场景识别模型。255.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：256.实时采集失效模式场景图像；将失效模式场景图像输入优化后的失效模式场景识别模型，获得分类结果。257.作为一种可选的实施方式，上述处理器710还用于执行以下步骤：258.将失效模式场景图像作为新的无监督样本，执行以分类参考资料为依据，对无监督样本进行标签标记，获得目标有监督样本的步骤。259.本发明实施例还公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行图1至图3公开的一种基于对比估计自监督学习的车辆失效模式识别方法。260.本发明实施例还公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行图1至图3公开的任意一种方法的部分或全部步骤。261.本发明实施例还公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行图1至图3公开的任意一种方法的部分或全部步骤。262.可见，通过实施本发明实施例，由于可实现对所采集的无监督样本的自行分类，不需要人工来生产海量样本，节省了大量的人力、物力和时间开销。另外，通过采用自监督学习来对无监督样本分类，自行分类作为一种辅助任务(pretext)，采用了噪声对比估计的技术思想，保证了分类的准确性和丰富度，也避免了无监督样本在标记过程中受到人的主观意愿的影响。另外，由于自监督学习的无监督样本分类是辅助任务(pretext)实现的，而且可以能够自行实现训练集的持续更新，使得训练生成的失效模式场景识别模型具有很强的迁移学习能力。另外，由于自监督学习的无监督样本可以在车辆行驶过程中自动而轻松的获得、识别和分类，可实现训练集的在线更新，车辆的使用过程中不断的进行在线学习，实现识别能力和场景适应能力的持续增强。263.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。264.以上对本发明实施例公开的一种基于对比估计自监督学习的车辆失效模式识别方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!