【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种图像异常检测方法、装置、计算机设备及存储介质。
技术介绍
1、图像异常检测是计算机视觉领域的一个重要问题，它在各种应用中发挥着关键作用，如工业质检、医学影像分析、视频监控等。为了确保工业制造过程中的产品质量和安全标准，传统上需要人工进行检验，这种方法既昂贵又不可靠。
2、随着机器学习和深度学习技术的崛起，图像异常检测目前能够使用深度学习技术，其中，卷积神经网络（cnn）能够实现自动学习图像特征表示，从而提高了异常检测的性能和适用性。在图像异常检测中，特征的选择比较重要，使用 2d 特征进行分析时，则容易缺乏深度信息，且对于物体的空间关系和局部结构信息的表达能力相对较弱，使得结果不够准确；但若使用3d 特征进行分析，则增加了数据采集的难度和成本以及异常检测的难度。因此，需要对现有技术进行改进。
3、以上信息作为背景信息给出只是为了辅助理解本公开，并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。
技术实现思路
1、本专利技术提供一种图像异常检测方法、装置、计算机设备及存储介质，以解决现有技术中图像异常检测的上述问题。
2、为实现上述目的，本专利技术提供以下的技术方案：
3、一种图像异常检测方法，包括：
4、对训练图像和测试图像分别进行特征提取；所述特征提取至少包括：提取包含有高度信息的2d特征；
5、对提取的特征进行处理，将训练图像的特征划分为训练特征集，将测试图
6、对于测试特征集的每个特征，计算像素级的异常分数；
7、基于所述像素级的异常分数进行图像处理，获得二值化的预测结果图。
8、在一种可选的实施方式中，所述特征提取包括：
9、提取图像中的点云特征和lut高度特征，lut 高度特征是一种通过查找表（look-up table，lut）来表示物体表面高度信息的特征；
10、融合所述点云特征和所述lut高度特征，获得融合特征表示；
11、或者，所述特征提取包括：
12、提取图像中的实物rgb特征和lut高度特征；
13、融合所述实物rgb特征和lut高度特征，获得融合特征表示。
14、在一种可选的实施方式中，所述对提取的特征进行处理，包括：
15、对所述融合特征表示在局部邻域上进行特征聚合。
16、在一种可选的实施方式中，所述对提取的特征进行处理，包括：
17、基于稀疏随机投影，对所述融合特征表示进行降维。
18、在一种可选的实施方式中，所述特征提取，包括：
19、提取lut高度特征和实物rgb特征时，采用预训练的wideresnet50作为特征提取器进行提取；
20、提取点云特征时，基于fpfh进行提取。
21、在一种可选的实施方式中，所述对于测试特征集的每个特征，计算像素级的异常分数，包括：
22、对于测试特征集的每个特征，在训练特征集中寻找最近邻；
23、计算所述测试特征集的每个特征与所述最近邻的最大距离分数，基于所述最大距离分数计算异常分数。
24、在一种可选的实施方式中，所述基于所述像素级的异常分数进行图像处理，获得二值化的预测结果图，包括：
25、根据所述异常分数确定每个像素的颜色，生成热力图或灰度图。
26、在一种可选的实施方式中，所述基于所述像素级的异常分数进行图像处理，获得二值化的预测结果图，包括：
27、判断所述异常分数是否大于指定阈值；若是，则将所述异常分数对应的像素设为白色，反之则设为黑色，以形成二值图。
28、本专利技术还提供了一种图像异常检测装置，用于实现如上任一项所述的图像异常检测方法，包括：
29、特征提取单元，用于对训练图像和测试图像分别进行特征提取；所述特征提取至少包括：提取包含有高度信息的2d特征；
30、特征库生成单元，用于对提取的特征进行处理，将训练图像的特征划分为训练特征集，将测试图像的特征划分为测试特征集；
31、数据处理单元，用于对于测试特征集的每个特征，计算像素级的异常分数；以及，基于所述像素级的异常分数进行图像处理，获得二值化的预测结果图。
32、本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上任一项所述的图像异常检测方法。
33、本专利技术还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令由计算机处理器执行，以实现如上任一项所述的图像异常检测方法。
34、与现有技术相比，本专利技术具有以下有益效果：
35、本专利技术提供了一种图像异常检测方法、装置、计算机设备及存储介质，在对训练图像和测试图像分别进行特征提取时，提取包含有高度信息的2d特征以作为后续的数据分析基础，既直接提供了2d特征，也间接提供了3d特征，实现了在不增加数据采集的难度和成本以及异常检测难度的同时，有效地提高图像异常检测准确性的目的。
36、本专利技术具有其它的特性和优点，这些特性和优点从并入其中，的附图和随后的具体实施方式中将是显而易见的，或者将在并入其中，的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本专利技术的特定原理。
本文档来自技高网...【技术保护点】
1.一种图像异常检测方法，其特征在于，包括：
2.根据权利要求1所述的图像异常检测方法，其特征在于，所述特征提取包括：
3.根据权利要求2所述的图像异常检测方法，其特征在于，所述对提取的特征进行处理，包括：
4.根据权利要求2所述的图像异常检测方法，其特征在于，所述对提取的特征进行处理，包括：
5.根据权利要求2所述的图像异常检测方法，其特征在于，所述特征提取，包括：
6.根据权利要求1所述的图像异常检测方法，其特征在于，所述对于测试特征集的每个特征，计算像素级的异常分数，包括：
7.根据权利要求6所述的图像异常检测方法，其特征在于，所述基于所述像素级的异常分数进行图像处理，获得二值化的预测结果图，包括：
8.根据权利要求6所述的图像异常检测方法，其特征在于，所述基于所述像素级的异常分数进行图像处理，获得二值化的预测结果图，包括：
9.一种图像异常检测装置，其特征在于，用于实现如权利要求1至8任一项所述的图像异常检测方法，包括：
10.一种计算机设备，包括存储器和处理器，所
11.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令由计算机处理器执行，以实现如权利要求1-8中任一项所述的图像异常检测方法。
...【技术特征摘要】
1.一种图像异常检测方法，其特征在于，包括：
2.根据权利要求1所述的图像异常检测方法，其特征在于，所述特征提取包括：
3.根据权利要求2所述的图像异常检测方法，其特征在于，所述对提取的特征进行处理，包括：
4.根据权利要求2所述的图像异常检测方法，其特征在于，所述对提取的特征进行处理，包括：
5.根据权利要求2所述的图像异常检测方法，其特征在于，所述特征提取，包括：
6.根据权利要求1所述的图像异常检测方法，其特征在于，所述对于测试特征集的每个特征，计算像素级的异常分数，包括：
7.根据权利要求6所述的图像异常检测方法，其特征在于，所述基于所述像素级的异常分...
【专利技术属性】
技术研发人员：潘威，吴宇豪，曹玲，卢清华，卢盛林，
申请(专利权)人：广东奥普特科技股份有限公司，
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。