一种无缺陷样本学习的异常检测方法技术

本发明专利技术公开了一种无缺陷样本学习的异常检测方法，所述方法包括S1：获取无缺陷样本图像并进行预处理，得到灰度图；S2：利用灰度图建立子图像灰度高斯混合模型，并保存高斯混合模型参数；S3：构建损失函数并用于引导训练神经网络；S4：利用训练好的神经网络进行异常检测。本发明专利技术无需缺陷样本，节省了样本获取的成本，同时适用任意异常样本，具有较强的泛化能力，实用性强，检测准确率高。检测准确率高。检测准确率高。

【技术实现步骤摘要】
一种无缺陷样本学习的异常检测方法


[0001]本专利技术涉及深度学习
，更具体地，涉及一种无缺陷样本学习的异常检测方法。

技术介绍

[0002]随着我国行业制造水平和人民消费水平的不断提升，制造业对工业产品的质量有了更高的要求，同时产品表面质量对产品的直接使用和再加工都有重要影响。在工业生产中，生产者都需要对成品或中间产物进行质量的检测和统计，实现对产品进行按指标分拣，并达到对生产工艺的监督、改进的效用。
[0003]现今有全自动化、半自动化甚至全人工的生产方式，但在大部分的质检环节仍然依靠人工目视检测。造成这种局面的原因主要在于缺陷存在随机性、多样性等特点，而人的经验在质量的辨别当中就显得尤为重要。这些经验，在以往很长一段时间内难以被量化为数学关系且形成一种固化且易于复制的规则。人工检测的弊端十分明显：劳动强度大、效率低且质量得不到保障。考虑到人工成本越来越高，人身安全的保障意识越来越重，效率相对于机器处于劣势的人工质检将会慢慢从工业检测环节中逐渐消失，在产品线的质量控制阶段引入机器视觉和智能检测方法，对产品表面的缺陷进行准确的识别，对实现工业流水线质检环节的自动化具有重要意义。
[0004]现有的基于有监督深度学习的工业产品缺陷检测方法需要大量标记样本，这样的样本通常是难以获得且高成本的，而且标记的过程不仅费时费力，并且由于人工主观因素的影响，标记可能存在偏差，这些都会影响网络的训练和实际的检测。并且，用这些样本训练的模型，模型泛化性能较差。当产品出现新的缺陷类型，训练的模型可能会产生漏检。
[0005]现有技术中，公开号为：CN113095400A中国专利技术专利，于2021年7月9日公开了一种用于机器视觉缺陷检测的深度学习模型训练方法，基于少量缺陷产品外观图像和大量正常产品外观图像进行模型训练，采用负样本扩增方法对少量缺陷产品外观图像进行样本扩增，具体包括如下步骤：将缺陷产品外观图像中的缺陷部分截取出来，形成缺陷图像；对缺陷图像进行扩增处理，形成大量人工缺陷图像；通过图像融合的方式将人工缺陷图像融入到正常产品外观图像中的随机位置，形成人工缺陷产品外观图像；将人工缺陷产品外观图像列入训练样本集用于模型训练。该方案依赖的有缺陷的产品图像，无法解决模型泛化能力差的问题。

技术实现思路

[0006]本专利技术为克服上述现有技术中工业产品缺陷检测方法依赖大量的缺陷样品，检测准确率低，泛化能力差的缺陷，提供一种无缺陷样本学习的异常检测方法。
[0007]本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
[0008]一种无缺陷样本学习的异常检测方法，包括以下步骤：
[0009]S1：获取无缺陷样本图像并进行预处理，得到灰度图；
[0010]S2：利用灰度图建立子图像灰度高斯混合模型，并保存高斯混合模型参数；
[0011]S3：构建损失函数并用于引导训练神经网络；
[0012]S4：利用训练好的神经网络进行异常检测。
[0013]进一步地，步骤S2所述利用灰度图建立子图像灰度高斯混合模型，并保存高斯混合模型参数具体步骤为：
[0014]设灰度图的大小为m
×
n，灰度图记为S，将S分成p
×
q块子图像；
[0015][0016]其中，每个子图像S
kl
是m
k
×
n
l
矩阵形式，称为一个Patch，其中矩阵形式，称为一个Patch，其中
[0017]将子图像S
kl
从中心向外逆时针遍历，展开为1
×
(m
k
×
n
l
)向量，记为x
k,l
；
[0018]将展开向量拟合混合高斯模型，所述混合高斯模型表达式为：
[0019][0020]其中m表示训练样本个数，表示第i个训练样本k行l列Patch的展开向量，得到高斯混合模型参数为
[0021]进一步地，在神经网络的训练中，将训练样本图像作为神经网络的输入，并利用构建的损失函数引导神经网络训练，其中对训练样本图像进行通道拓展处理并进行多尺度切割，具体步骤为：
[0022]将训练样本图像拓展为三通道，同时额外插入第四通道并将第四通道设为全0；
[0023]在训练样本图像上随机选择位置按照预设的两种尺度切割，记切割出的子图像尺寸分别为H
big
×
W
big
×
4,H
small
×
W
small
×
4，并且有mod(m,H
big
)＝0，mod(m,H
small
)＝0，mod(m,W
big
)＝0，mod(m,W
small
)＝0，并将切割出的子图像输入至神经网络。
[0024]进一步地，步骤S3的具体过程为：构建损失函数的具体过程为：
[0025]根据工业产品具有高度相似性，引导神经网络将不同图像的同一位置的子图像编码相近，则损失函数如下：
[0026][0027]f
θ
为神经网络编码器，p
i
为当前子图像，p
i
′
为另一样本图像同一位置的子图像；
[0028]利用图像灰度变化具有上下文相关性，随机挑选当前Patch临近的一个Patch，让神经网络预测二者相对位置，以更好地提取图像信息，则损失函数：
[0029]L
SSL
＝Cross
‑
entropy(y,C
φ
(f
θ
(p1),f
θ
(p2)))
[0030]C
φ
是一个8分类器，p1是当前子图像,p2是从临近区域随机选择的一个子图像；构建
统一的损失函数：
[0031]L
Patch SVDD
＝λL
SVDD
+L
SSL
[0032]利用统一的损失函数引导训练神经网络。
[0033]进一步地，利用训练好的神经网络进行异常检测，具体步骤为：
[0034]S401：将训练样本按照固定的位置进行多尺度切割并输入至神经网络，输出向量并保存；
[0035]S402：获取测试样本的先验异常评分，并将先验异常评分标准化至测试样本的灰度图，得到异常评分灰度图；
[0036]S403：测试样本进行通道拓展并按照固定的位置进行多尺度切割，然后输入至神经网络，输出特征向量；
[0037]S404：将测试样本的特征向量分别与训练样本同一位置及周边位置编码所得向量计算欧氏距离，将欧氏距离的最小值作为子图像异常分数，并映射至测试样本原图像中该子图像位置；
[0038]S405：将不同尺度下的检测结果做矩阵对应元素相乘得到融合结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无缺陷样本学习的异常检测方法，其特征在于，包括以下步骤：S1：获取无缺陷样本图像并进行预处理，得到灰度图；S2：利用灰度图建立子图像灰度高斯混合模型，并保存高斯混合模型参数；S3：构建损失函数并用于引导训练神经网络；S4：利用训练好的神经网络进行异常检测。2.根据权利要求1所述的一种无缺陷样本学习的异常检测方法，其特征在于，步骤S2所述利用灰度图建立子图像灰度高斯混合模型，并保存高斯混合模型参数具体步骤为：设灰度图的大小为m
×
n，灰度图记为S，将S分成p
×
q块子图像；其中，每个子图像S
kl
是m
k
×
n
l
矩阵形式，称为一个Patch，其中矩阵形式，称为一个Patch，其中将子图像S
kl
从中心向外逆时针遍历，展开为1
×
(m
k
×
n
l
)向量，记为x
k,l
；将展开向量拟合混合高斯模型，所述混合高斯模型表达式为：其中m表示训练样本个数，表示第i个训练样本k行l列Patch的展开向量，得到高斯混合模型参数为3.根据权利要求1所述的一种无缺陷样本学习的异常检测方法，其特征在于，在神经网络的训练中，将训练样本图像作为神经网络的输入，并利用构建的损失函数引导神经网络训练，其中对训练样本图像进行通道拓展处理并进行多尺度切割，具体步骤为：将训练样本图像拓展为三通道，同时额外插入第四通道并将第四通道设为全0；在训练样本图像上随机选择位置按照预设的两种尺度切割，记切割出的子图像尺寸分别为H
big
×
W
big
×
4,H
small
×
W
small
×
4，并且有mod(m,H
big
)＝0，mod(m,H
small
)＝0，mod(m,W
big
)＝0，mod(m,W
small
)＝0，并将切割出的子图像输入至神经网络。4.根据权利要求1所述的一种无缺陷样本学习的异常检测方法，其特征在于，步骤S3的具体过程为：构建损失函数的具体过程为：根据工业产品具有高度相似性，引导神经网络将不同图像的同一位置的子图像编码相近，则损失函数如下：f
θ
为神经网络编码器，p
i
为当前子图像，p
i
′
为另一样本图像同一位置的子图像；利用图像灰度变化具有上下文相关性，随机挑选当前Patch临近的一个Patch，让神经
网络预测二者相对位置，以更好地提取图像信息，则损失函数：L
SSL
＝Cross
‑
entropy(y,C
φ
(f
θ
(p1),f
θ
(p2)))C
φ
是一个8分类器，p1是当前子图像,p2是从临近区域随机选择的一个子图像；构建统一的损失函数：L
Patch SVDD...

【专利技术属性】
技术研发人员：许亮，向旺，李国彪，吴启荣，乔俊杰，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：