【技术实现步骤摘要】
本申请涉及机器学习，尤其涉及一种图像异常检测方法、图像异常检测模型训练方法及装置。
技术介绍
1、近年来，随着图像识别技术的发展，图像识别技术已经广泛应用于医疗、娱乐、工业等领域。例如，服务器通过图像异常检测模型检测设备的图像，对设备进行异常检测。
2、目前，在服务器通过图像异常检测模型对设备进行异常检测的过程中，服务器需要先获取设备的异常图像，并基于设备的异常图像对图像异常检测模型进行训练。之后，服务器通过训练后的图像异常检测模型，对设备的图像进行检测，以确定设备是否异常。但是，在上述技术方案中，在设备的异常图像的数量少的情况下，可能导致图像异常检测模型检测异常的准确性低。
技术实现思路
1、本申请提供一种图像异常检测方法、图像异常检测模型训练方法及装置，用于解决图像异常检测模型检测异常的准确性低的问题。
2、为达到上述目的，本申请采用如下技术方案：
3、第一方面，本申请提供一种图像异常检测方法，该方法包括：图像异常检测装置(可以简称为“检测装置”)获取第一图像和第一信息库，第一图像为待检测对象的图像，第一信息库包括：多个第一特征信息，第一特征信息为待检测对象在正常状态下的特征信息，特征信息包括：特征位置和特征参数。检测装置将第一图像输入训练后的特征识别模型，得到多个第二特征信息，特征识别模型用于识别图像中的特征信息。检测装置将多个第二特征信息输入训练后的特征重建模型，得到第二信息库，特征重建模型用于根据特征位置拼接特征信息。第二信息库包括：多
4、可以理解的是，检测装置通过图像异常检测模型识别待检测对象的图像，得到多个不同位置的特征信息。之后，检测装置根据每个特征信息中的特征位置，通过图像异常检测模型对多个特征信息进行拼接，得到多个拼接后的特征信息。之后，检测装置通过图像异常检测模型将每个拼接后的特征信息与待检测对象在正常状态下的特征信息进行对比，检测待检测对象是否异常。也就是说，图像异常检测模型可以基于待检测对象在正常状态下的特征信息，通过待检测对象的图像确定待检测对象是否异常。如此，可以提高图像异常检测模型的适用性，提高图像异常检测模型检测异常的准确性。
5、可选的，特征识别模型包括：多个第一网络层，第一网络层用于识别图像中一个维度的特征信息。上述“检测装置将第一图像输入训练后的特征识别模型，得到多个第二特征信息”的方法包括：对于第一图像，检测装置通过第一操作确定每个第二特征信息，第一操作包括：将第一图像输入第二网络层，得到至少一个第四特征信息，第二网络层为训练后的多个第一网络层中任一网络层，第四特征信息为多个第二特征信息中第二网络层识别的维度的特征信息。
6、可选的，若训练后的检测模型检测到第一信息库与第二信息库存在特征位置相同、且特征参数不相同的特征信息，则检测信息具体为：待检测对象处于异常状态。若训练后的检测模型检测到第一信息库与第二信息库不存在特征位置相同、且特征参数不相同的特征信息，则检测信息具体为：待检测对象处于正常状态。
7、可选的，检测模型还用于对两个信息库中特征位置相同、且特征参数不相同的特征信息进行标记。该图像异常检测方法还包括：若检测信息为待检测对象处于异常状态，则检测装置将第二信息库输入训练后的图像重建模型，得到第二图像，图像重建模型用于根据特征信息生成图像，第二图像包括第二信息库中已标记的第三特征信息。
8、第二方面，本申请提供一种图像异常检测模型训练方法，该方法包括：图像异常检测模型训练装置(可以简称为“训练装置”)获取训练集，训练集包括：预设图像和多个第一预设特征信息，预设图像为待检测对象的图像，第一预设特征信息为预设图像中的特征信息，特征信息包括：特征位置、特征参数。训练装置基于预设图像和多个第一预设特征信息，训练图像异常检测模型，直至图像异常检测模型收敛，得到训练后的图像异常检测模型，图像异常检测模型包括：特征重建模型、图像重建模型，特征重建模型用于根据特征位置拼接特征信息，图像重建模型用于根据特征信息生成图像。
9、可以理解的是，检测装置基于预设图像和多个第一预设特征信息，通过调整特征重建模型的系统函数、特征重建网络参数、图像重建模型的系统函数和图像重建网络参数，使得目标损失值小于或等于预设损失阈值，进而实现对图像异常检测模型的训练，提高图像异常检测模型的检测结果的准确性。
10、可选的，特征信息还包括：特征维度。上述“训练装置基于预设图像和多个第一预设特征信息，训练图像异常检测模型”的方法包括：对于图像异常检测模型，训练装置通过第二操作训练图像异常检测模型，第二操作包括：将多个第一预设特征信息输入特征重建模型，得到训练信息库，训练信息库包括：多个第一训练特征信息，第一训练特征信息包括至少一个第二训练特征信息，一个第一训练特征信息中第二训练特征信息的特征位置均相同。对于每个第一训练特征信息，确定第一训练特征信息中每个第二训练特征信息的第一特征损失值，以获取第二特征损失值。其中，第一特征损失值为第二训练特征信息与多个第一预设特征信息中第五特征信息之间的损失值，第二训练特征信息与第五特征信息的特征位置、特征维度均相同，第二特征损失值为训练信息库中全部第二训练特征信息的第一特征损失值之和。将训练信息库输入图像重建模型，得到训练图像。确定第一图像损失值，第一图像损失值为训练图像与预设图像之间的损失值。确定目标损失值，目标损失值为第二特征损失值与第一图像损失值之和。若目标损失值大于预设损失阈值，则训练装置重新执行第二操作。若目标损失值小于或等于预设损失阈值，则训练装置得到训练后的图像异常检测模型。
11、第三方面，本申请提供一种图像异常检测装置，该装置包括：获取模块和处理模块。
12、获取模块，用于获取第一图像和第一信息库，第一图像为待检测对象的图像，第一信息库包括：多个第一特征信息，第一特征信息为待检测对象在正常状态下的特征信息，特征信息包括：特征位置和特征参数。处理模块，用于将第一图像输入训练后的特征识别模型，得到多个第二特征信息，特征识别模型用于识别图像中的特征信息。处理模块，还用于将多个第二特征信息输入训练后的特征重建模型，得到第二信息库，特征重建模型用于根据特征位置拼接特征信息。第二信息库包括：多个第三特征信息，一个第三特征信息中第二特征信息的特征位置均相同。处理模块，还用于将第一信息库和第二信息库输入训练后的检测模型，生成检测信息，检测模型用于检测两个信息库是否存在特征位置相同、且特征参数不相同的特征信息，检测信息用于指示待检测对象的状态。
13、可选的，特征识别模型包括：多个第一网络层，第一网络层用于识别图像中一个维度的特征信息。处理模块，具体用于对于第一图像，通过第一操本文档来自技高网...
【技术保护点】
1.一种图像异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述特征识别模型包括：多个第一网络层，所述第一网络层用于识别图像中一个维度的所述特征信息；
3.根据权利要求1或2所述的方法，其特征在于，
4.根据权利要求3所述的方法，其特征在于，所述检测模型还用于对所述两个信息库中所述特征位置相同、且所述特征参数不相同的所述特征信息进行标记；在生成所述检测信息之后，所述方法还包括：
5.一种图像异常检测模型训练方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述特征信息还包括：特征维度；所述基于所述预设图像和所述多个第一预设特征信息，训练图像异常检测模型，包括：
7.一种图像异常检测装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述特征识别模型包括：多个第一网络层，所述第一网络层用于识别图像中一个维度的所述特征信息；
9.根据权利要求7或8所述的装置，其特征在于，
10.根据权利要求9
11.一种图像异常检测模型训练装置，其特征在于，所述装置包括：
12.根据权利要求11所述的装置，其特征在于，所述特征信息还包括：特征维度；
13.一种图像异常检测设备，其特征在于，包括：处理器和存储器；所述处理器和所述存储器耦合；所述存储器用于存储一个或多个程序，所述一个或多个程序包括计算机执行指令，当所述图像异常检测设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述图像异常检测设备执行如权利要求1-4中任一项所述的图像异常检测方法。
14.一种图像异常检测模型训练设备，其特征在于，包括：处理器和存储器；所述处理器和所述存储器耦合；所述存储器用于存储一个或多个程序，所述一个或多个程序包括计算机执行指令，当所述图像异常检测模型训练设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述图像异常检测模型训练设备执行如权利要求5-6中任一项所述的图像异常检测模型训练方法。
15.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当计算机执行所述指令时，所述计算机执行如权利要求1-4中任一项所述的图像异常检测方法、权利要求5-6中任一项所述的图像异常检测模型训练方法。
...【技术特征摘要】
1.一种图像异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述特征识别模型包括：多个第一网络层，所述第一网络层用于识别图像中一个维度的所述特征信息；
3.根据权利要求1或2所述的方法，其特征在于，
4.根据权利要求3所述的方法，其特征在于，所述检测模型还用于对所述两个信息库中所述特征位置相同、且所述特征参数不相同的所述特征信息进行标记；在生成所述检测信息之后，所述方法还包括：
5.一种图像异常检测模型训练方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述特征信息还包括：特征维度；所述基于所述预设图像和所述多个第一预设特征信息，训练图像异常检测模型，包括：
7.一种图像异常检测装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述特征识别模型包括：多个第一网络层，所述第一网络层用于识别图像中一个维度的所述特征信息；
9.根据权利要求7或8所述的装置，其特征在于，
10.根据权利要求9所述的装置，其特征在于，所述检测模型还用于对所述两个信息库中所述特征位置相同、且所述特征参数不相同的所述特征信息...
【专利技术属性】
技术研发人员：崔雅洁，刘兆祥，廉士国，
申请(专利权)人：中国联合网络通信集团有限公司，
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。