[發明專利]一種基于自監督學習的異常圖像檢測方法

在審

• 申請號: 202110631682.6
• 申請日: 2021-06-07
• 公開（公告）號: CN113344875A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 簡偉明;劉亦銘;趙成;孫科;朱祥將;程軒
• 申請（專利權）人: 武漢象點科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08
• 代理公司: 北京盛凡智榮知識產權代理有限公司 11616
• 代理人: 倪建娣

本發明涉及工業自動化技術領域，尤其為一種基于自監督學習的異常圖像檢測方法，其具體步驟如下：S1，獲取待檢圖像；S2，將待檢測圖像輸入模型，并獲取異常分數；S3，判斷異常分數是否大于某特定閾值，若是，則認為該待檢圖像為異常圖像，若不是，則認為其為正常圖像，本發明通過設計基于自監督學習的異常圖像檢測方法，設置更為合理的代理任務，借助基于特征層面的余弦距離損失函數進行訓練，使模型能夠適應不同尺度的異常，捕獲更加魯棒的圖像深層表征，獲取在真實異常圖像上更強的泛化能力，從而實現更加精確的異常檢測。

技術領域

本發明涉及工業自動化技術領域，具體為一種基于自監督學習的異常圖像檢測方法。

背景技術

像異常檢測是工業自動化領域的一個重要問題。考慮異常樣本難以獲取，僅使用正常樣本訓練并構建模型的方法具有較強的實際應用價值。自監督學習(self-supervisedlearning，SSL)能夠通過設置代理任務，從無標簽的數據中挖掘自身的監督信息，從而獲取對下游異常檢測任務有效的圖像深層表征。如何合理地設置代理任務(proxy task)是自監督學習的關鍵問題?，F有的基于自監督學習的異常檢測方法CutPaste(Self-SupervisedLearning for Anomaly Detection and Localization)的代理任務設置方法如下：1.從正常的訓練圖像中隨機選擇一個可變大小和長寬比的矩形區域；2.對選擇的區域進行隨機旋轉或增強(jitter)；3.將變換后的區域隨機粘貼在原圖像的任意區域。4.以變換后的圖像模擬真實異常圖像，通過模型對真實圖像和模擬的異常圖像進行識別來獲取圖像的深層表征。然而，該代理任務的設置存在三個明顯問題：1.粘貼前未對選擇的圖像區域進行縮放，因而生成的異常的尺度與原始圖像一致，然而真實的異常往往是多尺度的；2.生成的圖像異常僅有一處，而真實的圖像中可能存在多處異常；3.粘貼方法為將變換后的區域直接替換原圖像中的區域，導致粘貼區域與圖像的原始部分具有明顯邊界，而真實情況下，圖像的異常有多種呈現方式，其并不一定與原始圖像有明顯邊界或者不連續。因此，上述代理任務中生成的圖像與真實異常具有較大的差異，這使得模型很容易尋找到捷徑(shortcut)來識別代理任務中構建的虛假異常圖像，導致其在自監督學習階段無法獲取圖像的有效深層表征，從而降低該模型在真實的異常圖像上的泛化性能。此外，CutPaste方法使用的損失函數為基于類別標簽的交叉熵損失，該損失函數能夠提供的監督信息非常有限，不利于模型的深層次特征提取。

綜上所述，本發明通過設計一種基于自監督學習的異常圖像檢測方法來解決存在的問題。

發明內容

本發明的目的在于提供一種基于自監督學習的異常圖像檢測方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種基于自監督學習的異常圖像檢測方法，其具體步驟如下：

S1，獲取待檢圖像；

S2，將待檢測圖像輸入模型，并獲取異常分數；

S3，判斷異常分數是否大于某特定閾值，若是，則認為該待檢圖像為異常圖像，若不是，則認為其為正常圖像。

作為本發明優選的方案，所述S2中模型為SSLAnomaly的結構，并且SSLAnomaly的結構包含特征提取器F(·)和映射頭G(·)，其中特征提取器采用卷積神經網絡，如VGG、ResNet或者DenseNet其中的一種，映射頭包含三個MLP模塊，并且MLP的具體結構依次包含全連接層、BN層、ReLU層及全連接層。

作為本發明優選的方案，所述S2中模型的訓練流程，包括以下步驟：

S21，設置代理任務，獲取模擬的異常圖像I′；

S22，將原始圖像I及模擬的異常圖像I′同時輸入到SSLAnomaly中，獲取其對應的特征嵌入E_I及E_I′：