【技术实现步骤摘要】
本专利技术涉及缺陷检测领域，更具体地说，它涉及一种结合邻域信息和细化网络的工业图像异常检测与定位方法。
技术介绍
1、在工业产品质量检测中，错误检测会增加制造成本。因此，仅有高预测精度是不够的，低的假阳性率和假阴性率更为重要。而由于异常样本量在生产过程中占比极低，且具有较大不确定性，仅使用正常样本的异常检测方法成为主流。一种方法是产生有缺陷的样本，使用监督学习来训练分类器，但由于其产生的异常模式缺乏真实性，性能表现较低；另一种方法是基于表征的方法，对经过预先训练的网络提取的正常特征分布进行建模。然而现有的基于表征的方法都是独立地量化输入特征向量的异常，而没有考虑相邻特征之间的相关性，导致无法检测局部特征正常但位置错误的异常。另一方面，基于表征的方法在描述详细的异常图时存在局限性，因为局部特征是从中等大小的图像块中提取的，图像块过小会导致信息提取不足，而过大则会导致定位模糊。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种结合邻域信息和细化网络的工业图像异常检测与定位方法，解决了现有基于表征的方法对于异常位置和细节的局限性，通过邻域信息和细化网络的结合，有效提高了异常检测的定位精度。
2、为解决上述技术问题，本专利技术提供了如下技术方案：一种结合邻域信息和细化网络的工业图像异常检测与定位方法，包括以下步骤：
3、步骤1，使用imagenet预训练模型将正常样本转换为特征图；
4、步骤2，聚合后的图像块特征使用贪婪子采样方法
5、步骤3，存储核心集，并分别使用多层感知机和直方图训练给定邻域和位置信息的正常特征分布；
6、步骤4，使用合成缺陷图像单独训练像素级细化网络；
7、步骤5，使用训练好的正常特征分布模型评估测试图片局部特征的异常得分；
8、步骤6，通过细化网络对输入图像进行像素级细化，优化异常图边缘纹理。
9、优选地：步骤1中，使用在imagenet上预训练的wideresnet-101作为特征提取器。
10、优选地：步骤2中，建立条件概率模型，引入从所有训练图片中贪婪子采样获得的嵌入核心集cemb，其包含的每个元素都代表了一组相似的正常特征；
11、正常特征的出现次数与核心嵌入集向量c∈cemb相关联，且与c在位置和邻域信息ω条件下为正常特征的概率p(c|ω)成正比；再次使用贪婪子采样从核心嵌入集cemb获得其子集分布核心集cdist，则图像中某点x的图像块特征φi(x)在位置和邻域信息ω的条件下为正常特征的概率p(φi(x)|ω)可以表示为：
12、
13、优选地：步骤3中，输入特征φi(x)的邻域特征np(x)定义为在p×p图像块中的特征集合，通过多层感知机模型可以得到输入特征φi(x)在邻域特征np(x)条件下为正常特征的概率p(c|np(x))；在位置信息条件下输入特征为正常特征的概率可表示为p(c|x)，由每个图像块位置处的正常特征数所构成的直方图得到；则在位置和邻域信息ω条件下的正常特征分布可近似为：
14、
15、多层感知机模型将邻域特征np(x)中的所有特征向量拼接成一维向量作为输入，共有nmlp个顺序层，每层有cmlp个通道，各层之间均使用了批量归一化和relu激活函数；多层感知机的输出具有|cdist|个节点，每个节点的值表示相应分布核心集特征为正常特征的概率。
16、优选地：步骤4中，采用编码器-解码器结构来实现细化网络，使用densenet161作为主干网络，其输入为rgb图像和异常图组成的4通道，并在第一个卷积层后将图像和异常图特征进行融合；细化网络的损失函数l由回归损失lreg和梯度损失lgrad共同组成，分别表示为：
17、
18、
19、l＝(lreg+lgrad)/2
20、其中a代表图像的真值异常图，代表模型预测的异常图，h和w分别代表图像的高和宽，和分别代表在垂直和水平方向的偏微分；
21、细化网络使用人工合成的缺陷数据集进行训练，该数据集包含3种同比例但不同类型的数据集，包括大缺陷数据集cutpaste、小缺陷数据集cutpaste(scar)和复杂缺陷数据集draem。
22、优选地：步骤5中，基于位置和邻域信息ω，将异常得分s(x)表示为：
23、s(x)＝-logp(φi(x)|ω)
24、其中，φi(x)为图像中某点x的图像块特征，p(φi(x)|ω)代表在位置和邻域信息ω条件下φi(x)为正常特征的概率。
25、优选地：步骤6中，为了生成异常得分图，对输入图像中的所有特征进行异常得分估计；异常图的分辨率可能与原始输入的分辨率不同，使用双线性插值进行调整，并使用高斯核进行平滑去噪；最后使用细化网络进一步增强调整尺寸后的异常图，使其更符合输入图像中缺陷和物体的边缘、纹理和形状。
26、本专利技术的有益效果在于：本专利技术提出的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，解决了现有基于表征的方法对于异常位置和细节检测的局限性，通过邻域信息和细化网络的结合，有效提高了工业图像异常检测的定位精度。
本文档来自技高网...【技术保护点】
1.一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，步骤1中，使用在ImageNet上预训练的WideResNet-101作为特征提取器。
3.根据权利要求1所述的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，步骤2中，建立条件概率模型，引入从所有训练图片中贪婪子采样获得的嵌入核心集Cemb，其包含的每个元素都代表了一组相似的正常特征；
4.根据权利要求1所述的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，步骤3中，输入特征Φi(x)的邻域特征Np(x)定义为在p×p图像块中的特征集合，通过多层感知机模型可以得到输入特征Φi(x)在邻域特征Np(x)条件下为正常特征的概率p(c|Np(x))；在位置信息条件下输入特征为正常特征的概率可表示为p(c|x)，由每个图像块位置处的正常特征数所构成的直方图得到；则在位置和邻域信息Ω条件下的正常特征分布可近似为：
5.根据权
6.根据权利要求1所述的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，步骤5中，基于位置和邻域信息Ω，将异常得分S(x)表示为：
7.根据权利要求1所述的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，步骤6中，为了生成异常得分图，对输入图像中的所有特征进行异常得分估计；异常图的分辨率可能与原始输入的分辨率不同，使用双线性插值进行调整，并使用高斯核进行平滑去噪；最后使用细化网络进一步增强调整尺寸后的异常图，使其更符合输入图像中缺陷和物体的边缘、纹理和形状。
...【技术特征摘要】
1.一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，步骤1中，使用在imagenet上预训练的wideresnet-101作为特征提取器。
3.根据权利要求1所述的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，步骤2中，建立条件概率模型，引入从所有训练图片中贪婪子采样获得的嵌入核心集cemb，其包含的每个元素都代表了一组相似的正常特征；
4.根据权利要求1所述的一种结合邻域信息和细化网络的工业图像异常检测与定位方法，其特征在于，步骤3中，输入特征φi(x)的邻域特征np(x)定义为在p×p图像块中的特征集合，通过多层感知机模型可以得到输入特征φi(x)在邻域特征np(x)条件下为正常特征的概率p(c|np(x))；在位置信息条件下输入特征为正常特征的概率可表示为p(c|x)，由每个图像块位置处的正常特征数所构成的直方图得到；则在位置和...
【专利技术属性】
技术研发人员：方千慧，王超，郭明现，吕喆朋，李帅，
申请(专利权)人：中电信数智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。