[發明專利]一種無缺陷樣本學習的異常檢測方法

有效

• 申請號: 202110904423.6
• 申請日: 2021-08-06
• 公開（公告）號: CN113689390B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 許亮;向旺;李國彪;吳啟榮;喬俊杰
• 申請（專利權）人: 廣東工業大學;廣州德視迪智能技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06N3/02;G06F18/214
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種無缺陷樣本學習的異常檢測方法，其特征在于，包括以下步驟：

S1：獲取無缺陷樣本圖像并進行預處理，得到灰度圖；

S2：利用灰度圖建立子圖像灰度高斯混合模型，并保存高斯混合模型參數；

S3：構建損失函數并用于引導訓練神經網絡；

S4：利用訓練好的神經網絡進行異常檢測。

2.根據權利要求1所述的一種無缺陷樣本學習的異常檢測方法，其特征在于，步驟S2所述利用灰度圖建立子圖像灰度高斯混合模型，并保存高斯混合模型參數具體步驟為：

設灰度圖的大小為m×n，灰度圖記為S，將S分成p×q塊子圖像；

其中，每個子圖像S_kl是m_k×n_l矩陣形式，稱為一個Patch，其中

將子圖像S_kl從中心向外逆時針遍歷，展開為1×(m_k×n_l)向量，記為x_k,l；

將展開向量擬合混合高斯模型，所述混合高斯模型表達式為：

其中m表示訓練樣本個數，表示第i個訓練樣本k行l列Patch的展開向量，得到高斯混合模型參數為

3.根據權利要求1所述的一種無缺陷樣本學習的異常檢測方法，其特征在于，

在神經網絡的訓練中，將訓練樣本圖像作為神經網絡的輸入，并利用構建的損失函數引導神經網絡訓練，其中對訓練樣本圖像進行通道拓展處理并進行多尺度切割，具體步驟為：

將訓練樣本圖像拓展為三通道，同時額外插入第四通道并將第四通道設為全0；

在訓練樣本圖像上隨機選擇位置按照預設的兩種尺度切割，記切割出的子圖像尺寸分別為H_big×W_big×4,H_small×W_small×4，并且有mod(m,H_big)＝0，mod(m,H_small)＝0，mod(m,W_big)＝0，mod(m,W_small)＝0，并將切割出的子圖像輸入至神經網絡。

4.根據權利要求1所述的一種無缺陷樣本學習的異常檢測方法，其特征在于，步驟S3的具體過程為：構建損失函數的具體過程為：

根據工業產品具有高度相似性，引導神經網絡將不同圖像的同一位置的子圖像編碼相近，則損失函數如下：

f_θ為神經網絡編碼器，p_i為當前子圖像，p_i′為另一樣本圖像同一位置的子圖像；

利用圖像灰度變化具有上下文相關性，隨機挑選當前Patch臨近的一個Patch，讓神經網絡預測二者相對位置，以更好地提取圖像信息，則損失函數：

L_SSL＝Cross-entropy(y,C_φ(f_θ(p₁),f_θ(p₂)))

C_φ是一個8分類器，p₁是當前子圖像,p₂是從臨近區域隨機選擇的一個子圖像；

構建統一的損失函數：

L_{Patch SVDD}＝λL_SVDD+L_SSL

利用統一的損失函數引導訓練神經網絡。