异常检测中特征向量的确定方法、异常检测方法和装置制造方法及图纸

本申请涉及工业缺陷检测技术领域，具体而言，涉及一种异常检测中特征向量的确定方法、异常检测方法和装置，一定程度上可以解决待检测图像过度检测的问题。将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；将差异值归一化，确定正样本图像中对应位置区域的注意力权重；通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，目标特征向量用于进行异常检测；通过引入训练拟合角度空间的差异特征，去除干扰的特征向量，改善待检测图像的过度检测。改善待检测图像的过度检测。改善待检测图像的过度检测。

【技术实现步骤摘要】
异常检测中特征向量的确定方法、异常检测方法和装置


[0001]本申请涉及工业缺陷检测
，具体而言，涉及一种异常检测中特征向量的确定方法、异常检测方法和装置。

技术介绍

[0002]随着深度学习模型在工业缺陷检测领域中越来越广的应用，可通过深度学习模型对样本特征的学习，实现对工业产品的多种缺陷检测。
[0003]在一些工业缺陷检测场景下，因负样本(存在缺陷的图像)收集困难，正样本(无缺陷的图像)收集容易，故通过异常检测方法进行缺陷检测，该异常检测方法只对正样本图像进行训练，通过训练后得到的正样本特征构成的特征库与待测图像的匹配程度的，确定待测图像是否存在异常，实现对该待测图像的缺陷检测。
[0004]但是，异常检测方法在训练正样本特征的过程中，缺乏训练正样本的偏执和正样本特征拟合能力，导致待检测图像过度检测严重。

技术实现思路

[0005]为了解决待检测图像过度检测严重的问题，本申请提供了一种异常检测中特征向量的确定方法、异常检测方法和装置。
[0006]本申请的实施例是这样实现的：
[0007]本申请实施例的第一方面提供一种异常检测中特征向量的确定方法，包括如下步骤：
[0008]将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同；
[0009]确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；
[0010]将差异值归一化，确定正样本图像中对应位置区域的注意力权重；
[0011]通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，目标特征向量用于进行异常检测。
[0012]本申请实施例的第二方面提供一种异常检测方法，包括如下步骤：
[0013]通过第一网络模型，提取待检测图像的第四特征向量；
[0014]确定与第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量，目标特征库是通过
技术实现思路
第一方面异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库;
[0015]根据第五特征向量和第四特征向量，确定第一位置的异常分数，
[0016]基于异常分数，确定待检测图像的缺陷。
[0017]本申请实施例的第三方面提供一种异常检测中特征向量的确定装置，包括提取模
块、执行模块和目标特征向量确定模块，其中：
[0018]提取模块，用于将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同；
[0019]执行模块，用于确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；
[0020]执行模块，还用于将差异值归一化，确定正样本图像中对应位置区域的注意力权重；
[0021]目标特征向量确定模块，用于通过注意力权重对第一特征向量进行增强处理，确定正样本图像的目标特征向量，目标特征向量用于进行异常检测。本申请实施例的第四方面提供一种异常检测装置，包括特征提取模块、特征判定模块和异常确定模块，其中：
[0022]特征提取模块，用于通过第一网络模型，提取待检测图像的第四特征向量；
[0023]特征判定模块，用于确定与第四特征向量的第一位置距离最小的第五特征向量，其中，第一位置为第四特征向量在待测检测图像中像素的位置，第五特征向量为目标特征库中的特征向量，目标特征库是通过
技术实现思路
第一方面异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库；
[0024]异常确定模块，用于根据第五特征向量和第四特征向量，确定第一位置的异常分数，
[0025]缺陷检测模块，用于基于异常分数，确定待检测图像的缺陷。
[0026]本申请实施例的第五方面提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现
技术实现思路
第二方面异常检测方法的步骤。
[0027]本申请实施例的第六方面提供一种计算机存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行
技术实现思路
第二方面异常检测方法的步骤。
[0028]本申请的有益效果：异常检测中特征向量的确定方法，将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合第一网络模型，通过拟合后的第二网络模型对正样本图像提取第二特征向量；其中，第二网络模型与第一网络模型结构相同；确定各第一特征向量和对应的第二特征向量在角度空间中的差异值；将差异值归一化，确定正样本图像中对应位置区域的注意力权重；通过注意力权重对第一特征向量进行增强处理，确定目标特征向量，目标特征向量用于进行异常检测；通过引入训练拟合角度空间的差异特征，去除干扰的特征向量，改善待检测图像的过度检测。
附图说明
[0029]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0030]图1示出了本申请实施例提供一种异常检测中特征向量的确定方法的流程示意图；
[0031]图2a示出了本申请实施例提供又一种异常检测中特征向量的确定方法的流程示意图；
[0032]图2b示出了本申请实施例提供又一种异常检测中特征向量的确定方法的流程示意图；
[0033]图3示出了本申请实施例提供一种异常检测方法的流程示意图；
[0034]图4示出了本申请实施例提供一种待检测图像的缺陷确定的流程示意图；
[0035]图5示出了本申请实施例提供又一种异常检测方法的流程示意图；
[0036]图6示出了本申请实施例提供的一种异常检测中特征向量的确定装置的结构示意图；
[0037]图7示出了本申请实施例提供的一种异常检测装置的结构示意图。
具体实施方式
[0038]为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
[0039]需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
[0040]本申请中说明书和权利要求书及上述附图中的术语
″
第一
″
、
″
第二
″
、
″
第三
″
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常检测中特征向量的确定方法，其特征在于，包括：将正样本图像通过预训练的第一网络模型，提取第一特征向量；并触发第二网络模型拟合所述第一网络模型，通过拟合后的第二网络模型对所述正样本图像提取第二特征向量；其中，所述第二网络模型与所述第一网络模型结构相同；确定各所述第一特征向量和对应的所述第二特征向量在角度空间中的差异值；将所述差异值归一化，确定正样本图像中对应位置区域的注意力权重；通过所述注意力权重对所述第一特征向量进行增强处理，确定所述正样本图像的目标特征向量，所述目标特征向量用于进行异常检测。2.根据权利要求1所述的异常检测中特征向量的确定方法，其特征在于，所述通过所述注意力权重对所述第一特征向量进行增强处理，确定目标特征向量，包括：在通过所述注意力权重对所述第一特征向量进行增强处理之后，确定增强处理后的所述第一特征向量为所述目标特征向量；或者，对增强处理后的第一特征向量执行聚类，确定至少一个向量集合，每个向量集合内包括的增强处理后的第一特征向量属于同一类别；从所述向量集合中选择目标特征向量。3.根据权利要求1所述的异常检测中特征向量的确定方法，其特征在于，将所述差异值归一化，确定正样本图像中对应位置区域的注意力权重，所述注意力权重通过下式计算获得：式中，ω为所述正样本图像中第一特征向量i对应位置区域的注意力权重，t
i，j
为所述第一特征向量i和对应的所述第二特征向量j的差异值，e为底数，p为正样本图像的像素数量。4.一种异常检测方法，其特征在于，包括：通过第一网络模型，提取待检测图像的第四特征向量；确定与所述第四特征向量的第一位置距离最小的第五特征向量，其中，所述第一位置为所述第四特征向量在待测检测图像中像素的位置，所述第五特征向量为目标特征库中的特征向量，所述目标特征库是通过权利要求1
‑
3任一项所述的异常检测中特征向量的确定方法确定的目标特征向量所构成的特征库；根据所述第五特征向量和所述第四特征向量，确定所述第一位置的异常分数，基于所述异常分数，确定所述待检测图像的缺陷。5.根据权利要求4所述的异常检测方法，其特征在于，所述第一位置的异常分数通过下式计算获得：S＝||x
‑
x
n
||式中，S为第一位置的异常分数，x为在第一位置提取的第四特征向量；x
n
为第五特征向量。6....

【专利技术属性】
技术研发人员：张黎，姚毅，
申请(专利权)人：凌云光技术股份有限公司，
类型：发明
国别省市：