【技术实现步骤摘要】
本公开实施例涉及工业图像异常检测领域，尤其涉及一种基于伪异常样本生成的工业图像异常检测方法。
技术介绍
1、近年来，随着科技进步与计算机视觉，人工智能领域和制造业的发展，工业图像异常检测逐渐成为计算机视觉领域的热点问题，在深度学习方法的帮助下，可以构建智能视觉系统识别生产线上的工业产品是否存在异常情况，辅助甚至代替人工完成大部分的工业产品质量检测工作。在训练使用的正常样本和异常样本数量较少的条件下，工业图像异常检测主要使用半监督方法来检测工业产品图像是否存在异常，先前领域内的研究方法大多使用重构的方法流程，但重构方法网络结构复杂，训练速度和运行速度较慢，同时性能良好的重构网络也可以很好的重构异常导致模型无法区分正常图像和异常图像，为使得正常图像与异常图像在高维空间中能够更好地被区分开，在训练图像上添加噪声然后进行去噪的方法和通过在训练图像上粘贴其他图像来合成伪异常的方法应运而生，这两种方法都可以很好的拉开正常图像与异常图像的分布，使得模型可以更好地区分正常图像与异常图像，但这两种方法生成的异常仍然不够贴近真实世界中的异常，网络结构仍然较为复杂，同时忽视了在特征级别生成异常对于深度学习网络训练提升的有效性，因此如何改进网络结构，简化训练模型，提升模型训练和实际检测应用的速度，以及如何更好的改进合成异常的方法，使得生成出的异常能够更贴近真实世界中的异常，更好的让模型区分正常图像与异常图像就成为了接下来使用传统方法进行工业异常检测的研究关键。
技术实现思路
1、本专利技术所要解决的技术问
2、为了避免现有技术的不足之处，本专利技术提供一种基于伪异常样本生成的工业图像异常检测方法，用以解决现有技术中网络结构复杂，训练与运行速度较慢，生成异常不够真实以及没有很好的在特征层面生成异常等问题。
3、为了解决上述技术问题，本专利技术采用的技术方案为：
4、一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，包括：
5、构建sad模型，所述sad模型包括图像特征提取器、图像特征适配器、异常图像生成模块和判别器；其中，
6、所述图像特征提取器为经过imagenet数据集预训练后冻结参数的wideresnet50骨干网络，所述图像特征适配器使用单层全连接层进行投影适配，所述异常图像生成模块使用dtd数据集图像作为纹理异常来源，所述判别器使用两层多层感知机进行判别；
7、将所述训练图像输入至所述sad模型中进行训练；
8、利用所述异常图像生成模块生成与所述训练图像对应的纹理异常图像；
9、利用冻结的所述图像特征提取器提取所述训练图像和所述纹理异常图像的图像特征；
10、利用所述的图像特征适配器对所述训练图像和所述纹理异常图像的图像特征进行适配，得到所述训练图像适配特征和纹理异常图像适配特征；
11、利用在所述训练图像适配特征上添加高斯噪声的方法得到噪声异常图像适配特征；
12、利用所述判别器，将训练图像适配特征分别与纹理异常图像适配特征和噪声异常图像适配特征在判别器上进行对比学习，判别训练图像是否是异常图像；
13、根据所述判别器判别结果，以得到所述训练图像的预测结果和异常热力图。
14、本专利技术进一步的技术方案：利用所述训练图像生成所述纹理异常图像的过程包括：
15、产生二维柏林噪声，对所述二维柏林噪声提取峰值得到初步噪声图像，对所述训练图像提取图像前景，对所述初步噪声图像与所述训练图像的图像前景进行第一运算，得到定位噪声图像；
16、将所述定位噪声图像与dtd纹理数据集中的随机选取的图像进行第二运算，得到异常噪声图像；
17、将所述异常噪声图像与所述训练图像进行第三运算得到与所述训练图像对应的纹理异常图像。
18、本专利技术进一步的技术方案：所述第一运算为逐元素相乘运算，第二运算和第三运算为掩码运算。
19、本专利技术进一步的技术方案：所述利用冻结的所述图像特征提取器提取所述训练图像和所述纹理异常图像的图像特征的步骤中，还包括：
20、根据事先确定好的邻域大小确定补丁级别特征大小，并对提取到的补丁级别特征进行聚合得到总的图像特征。
21、本专利技术进一步的技术方案：所述利用图像特征适配器对训练图像和所述训练图像对应的纹理异常图像的图像特征进行图像特征适配的过程包括：
22、对所述训练图像和所述训练图像对应的纹理异常图像的图像特征在补丁级别进行所述特征适配操作。
23、本专利技术进一步的技术方案：通过在所述训练图像适配特征上添加高斯噪声的方法生成与所述训练图像对应的噪声异常图像适配特征。
24、本专利技术进一步的技术方案：利用所述判别器，将所述训练图像适配特征分别与所述纹理异常图像适配特征和与所述噪声异常图像适配特征在所述判别器上进行对比学习的方法来进行训练，并最终由判别器给出判别结果。
25、本专利技术进一步的技术方案：所述判别器包括：
26、两层多层感知机；损失函数为l1截短损失。
27、本专利技术进一步的技术方案：该方法还包括：
28、将测试图像输入到训练后的所述sad模型中，以得到所述测试图像的预测结果。
29、本专利技术进一步的技术方案：所述将测试视频输入到训练后的所述sad模型中的步骤中，还包括：
30、对于所述异常检测，在判别器给出异常判断后，计算所示补丁级别图像特征的异常分数，并绘制所述热力图显示异常位置。
31、本专利技术的有益效果在于：
32、本公开的实施例中，通过上述工业图像异常检测的方法，通过简单的图像特征提取器和图像特征适配器以及判别器就可以完成图像异常检测工作，网络结构简单，训练与运行速度更快，并且同时使用人工合成纹理异常图像和在适配特征上直接添加高斯噪声来构造异常图像特征，能够生成更贴近实际生活中的异常，并且在特征层面生成异常可以使得模型识别异常的效果更好。
本文档来自技高网...【技术保护点】
1.一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，包括：
2.根据权利要求1所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，利用所述训练图像生成所述纹理异常图像的过程包括：
3.根据权利要求2所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，所述第一运算为逐元素相乘运算，第二运算和第三运算为掩码运算。
4.根据权利要求1所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，所述利用冻结的所述图像特征提取器提取所述训练图像和所述纹理异常图像的图像特征的步骤中，还包括：
5.根据权利要求1所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，所述利用图像特征适配器对训练图像和所述训练图像对应的纹理异常图像的图像特征进行图像特征适配的过程包括：
6.根据权利要求1所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，通过在所述训练图像适配特征上添加高斯噪声的方法生成与所述训练图像对应的噪声异常图像适配特征。
7.根据权利要求1所述一种基于伪异常样本生成的
8.根据权利要求7所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，所述判别器包括：
9.根据权利要求1所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，该方法还包括：
10.根据权利要求9所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，所述将测试图像输入到训练后的所述SAD模型中的步骤中，还包括：
...【技术特征摘要】
1.一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，包括：
2.根据权利要求1所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，利用所述训练图像生成所述纹理异常图像的过程包括：
3.根据权利要求2所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，所述第一运算为逐元素相乘运算，第二运算和第三运算为掩码运算。
4.根据权利要求1所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，所述利用冻结的所述图像特征提取器提取所述训练图像和所述纹理异常图像的图像特征的步骤中，还包括：
5.根据权利要求1所述一种基于伪异常样本生成的工业图像异常检测方法，其特征在于，所述利用图像特征适配器对训练图像和所述训练图像对应的纹理异常图像的图像特征进行图像特征适配的过程包括：
6.根据权利要求1所述一...
【专利技术属性】
技术研发人员：吴鹏，潘成宇，周学荣，张艳宁，
申请(专利权)人：西北工业大学，
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。