一种基于监督式生成对抗网络的异常图像检测方法技术

本发明专利技术涉及一种基于监督式生成对抗网络的异常图像检测方法，该方法包括以下步骤：1)获取待检测图片；2)将所述待检测图片输入一训练好的Supervised GANomaly模型，获得对应的异常类别信任值；3)判断所述异常类别信任值是否大于一异常类别判别阈值，若是，则判定为异常图像，若否，则判定为正常图像；所述Supervised GANomaly模型包括生成网络、编码网络、判别网络和分类网络，其中，所述生成网络、编码网络和判别网络用于学习正常样本的特征分布，分类网络用于区分正常样本和异常样本。与现有技术相比，本发明专利技术具有能够有效地将正常样本和异常样本区分开、鲁棒性好等优点。

An Abnormal Image Detection Method Based on Supervised Generating Countermeasure Network

The invention relates to an anomaly image detection method based on supervised generation antagonism network, which includes the following steps: 1) acquiring the image to be detected; 2) inputting the image to be detected into a trained Supervised GANomaly model to obtain the corresponding anomaly category trust value; 3) judging whether the anomaly category trust value is greater than an anomaly category discrimination threshold, and if so, judging. The Supervised GANomaly model includes generating network, coding network, discriminant network and classification network, in which the generating network, coding network and discriminant network are used to learn the feature distribution of normal samples, and classification network is used to distinguish normal samples from abnormal samples. Compared with the prior art, the present invention has the advantages of effectively separating normal samples from abnormal samples and good robustness.

【技术实现步骤摘要】
一种基于监督式生成对抗网络的异常图像检测方法
本专利技术涉及异常图像检测
，具体是涉及一种基于监督式生成对抗网络的异常图像检测方法。
技术介绍
随着人工智能方法的不断发展和普及，自动化检测技术受到了越来越广泛的关注。异常图像检测，作为自动化检测的一个重要分支，在工业质检、医学诊断、自动驾驶、安防等领域发挥了越来越重要的作用。异常图像检测的方法大致可以分为三类，监督式方法、半监督式方法和无监督式方法。监督式异常检测方法类似机器学习中的分类方法，但是异常检测问题中，正常样本通常比较多，而异常样本通常非常少，类别不平衡问题严重，因而一般机器学习中的分类方法通常无法很好地应用于异常检测问题。半监督式异常检测方法中，只有少量样本被标注过，绝大部分样本是未标注的，因而需要通过建立标注样本和未标注样本间的联系，来学习异常检测模型。无监督式异常检测方法，基于异常检测问题中绝大多数样本都是正常的这个假设，不添加任何额外标注，直接利用这些正常样本来学习正常样本的模型，再通过这个模型来预测新的样本是否有异常。这三类方法中，无监督式学习方法在过去十几年里得到了最广泛的研究和应用，其中代表性的方法主要包括单类支持向量机(One-ClassSVM，简称OC-SVM)和自编码器(Autoencoder，简称AE)两种。近两年，研究者们又将目光转向了新兴的生成对抗网络(GenerativeAdversarialNetwork，简称GAN)方法上。GANomaly(arXivpreprint2018)是基于生成对抗网络的异常检测方法中比较新颖并且效果很好的一种方法，它在自编码器生成模型中增加了对抗学习的策略，能使生成的图像更为真实，并且不同于一般基于自编码器的异常检测方法，GANomaly提出了一种新的通过对比原图和重建图在抽象编码空间中的特征的差异来推断异常的方法，而这额外的抽象建模可以大大提高其抗噪声干扰的能力，从而学到更加鲁棒的异常检测模型。尽管如此，该方法还存在如下缺陷：第一，异常检测中通常存在一些正常样本和异常样本，GANomaly方法是基于正常样本设计的异常检测模型，因而无法利用异常样本信息。第二，GANomaly根据编码空间的特征差异来判断异常，只能保证检测出外观和正常样本差异比较大的异常样本，但是对于那些外观和正常样本差异比较小的异常样本来说，非常困难。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于监督式生成对抗网络的异常图像检测方法，解决现有基于生成对抗网络方法无法利用监督信息以及无法检测外观和正常样本差异比较小的异常样本的问题。本专利技术的目的可以通过以下技术方案来实现：一种基于监督式生成对抗网络的异常图像检测方法，该方法包括以下步骤：1)获取待检测图片；2)将所述待检测图片输入一训练好的SupervisedGANomaly模型，获得对应的异常类别信任值；3)判断所述异常类别信任值是否大于一异常类别判别阈值，若是，则判定为异常图像，若否，则判定为正常图像；所述SupervisedGANomaly模型包括生成网络、编码网络、判别网络和分类网络，在训练时，所述生成网络、编码网络和判别网络用于学习正常样本的特征分布，分类网络用于区分正常样本和异常样本；在应用时，由分类网络输出异常类别信任值。进一步地，所述SupervisedGANomaly模型的训练过程如下：101)获取图像数据，包括正常样本队列和异常样本队列；102)设定训练参数；103)以在线随机过采样方法从所述图像数据中获得每次迭代使用的训练样本，对所述训练样本进行预处理后，作为SupervisedGANomaly模型的输入；104)采用随机梯度下降法交替优化判别网络、生成网络和分类网络，更新各部分网络权值，直至迭代结束；105)计算获得异常类别判别阈值。进一步地，所述训练参数包括最小批次值Nbatch、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。进一步地，所述在线随机过采样方法具体为：每轮迭代开始前先随机打乱所述正常样本队列和异常样本队列，生成一个[0.25，0.5]之间的随机数R，取异常样本队列中的前张图片作为该轮迭代的异常样本，取正常样本队列中的前张图片作为该轮迭代的正常样本，所述异常样本和正常样本组成该轮迭代的训练样本。进一步地，所述预处理包括图片尺寸归一化和像素值归一化。进一步地，所述像素值归一化具体为：将图片RGB三通道上的像素值减去训练样本集上所有图片的RGB均值，然后再将所有通道上的像素值归一化成[0，1]之间。进一步地，采用所述随机梯度下降法进行优化时，将编码网络作为生成网络的一个子模块参与优化。进一步地，采用所述随机梯度下降法进行优化时，基于判别网络的对抗损失函数Ladv、生成网络的重建损失函数Lrec以及分类网络的分类损失函数Lcls更新各部分网络权值，其中，对抗损失函数Ladv表示为：重建损失函数Lrec表示为：分类损失函数Lcls表示为：其中，G表示生成网络，E表示编码网络，D表示判别网络，C表示分类网络，x表示原始图像，y表示对应标签，x表示训练样本集，y表示训练标签集，GE表示从原始图像到原始图特征部分的网络，α、β、γ表示损失权值，w表示样本代价敏感权值，w∈{wok，wng}，wok表示正常样本的代价敏感权值，wng表示异常样本的代价敏感权值。进一步地，所述样本代价敏感权值根据正常样本和异常样本的数目获得，其中，正常样本的代价敏感权值为：异常样本的代价敏感权值为：进一步地，所述异常类别判别阈值通过以下过程获得：利用训练好的SupervisedGANomaly模型，将训练样本集中的所有正常样本输入到模型中，计算得到其分类网络输出的属于正常类别和异常类别的信任值，获得所有正常样本被分为异常类别的信任值的最大值，记该最大值θ为异常类别判别阈值。与现有技术相比，本专利技术具有以如下有益效果：第一，本专利技术提出了利用监督式生成对抗网络来解决异常图像检测问题，弥补了传统基于生成对抗网络的异常图像检测方法中无法利用异常样本进行训练的缺陷。另外，分类网络的引入，能够有效地将正常样本和异常样本区分开，无论他们外观差异多大。第二，本专利技术采用了在线随机过采样的方法，保证正常样本和异常样本始终保持在一定的比例，从而使得模型不会特别偏向某类样本。第三，本专利技术在进行优化时，采用代价敏感加权交叉熵损失函数作为分类网络损失，能保证在类别不平衡的情况下仍能学到鲁棒的分类网络。附图说明图1为本专利技术模型的网络结构示意图；图2为本专利技术模型的训练过程示意图；图3为本专利技术模型的测试过程示意图；图4为本专利技术的实验结果示意图，其中第一行为正常图片(右上角标有文字“OK”)，第二行为异常图片(右上角标有文字“NG”)；图5为本专利技术在实验数据集上的直方图统计结果，其中，(a)为无监督异常检测代表性方法GANomaly的实验统计结果，(b)为本专利技术的SupervisedGANomaly方法的实验统计结果。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。本专利技术提供一种基于监督式生成对抗网络的异常图像检测方法，该本文档来自技高网...

【技术保护点】
1.一种基于监督式生成对抗网络的异常图像检测方法，其特征在于，该方法包括以下步骤：1)获取待检测图片；2)将所述待检测图片输入一训练好的Supervised GANomaly模型，获得对应的异常类别信任值；3)判断所述异常类别信任值是否大于一异常类别判别阈值，若是，则判定为异常图像，若否，则判定为正常图像；所述Supervised GANomaly模型包括生成网络、编码网络、判别网络和分类网络，在训练时，所述生成网络、编码网络和判别网络用于学习正常样本的特征分布，分类网络用于区分正常样本和异常样本；在应用时，由分类网络输出异常类别信任值。

【技术特征摘要】
1.一种基于监督式生成对抗网络的异常图像检测方法，其特征在于，该方法包括以下步骤：1)获取待检测图片；2)将所述待检测图片输入一训练好的SupervisedGANomaly模型，获得对应的异常类别信任值；3)判断所述异常类别信任值是否大于一异常类别判别阈值，若是，则判定为异常图像，若否，则判定为正常图像；所述SupervisedGANomaly模型包括生成网络、编码网络、判别网络和分类网络，在训练时，所述生成网络、编码网络和判别网络用于学习正常样本的特征分布，分类网络用于区分正常样本和异常样本；在应用时，由分类网络输出异常类别信任值。2.根据权利要求1所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，所述SupervisedGANomaly模型的训练过程如下：101)获取图像数据，包括正常样本队列和异常样本队列；102)设定训练参数；103)以在线随机过采样方法从所述图像数据中获得每次迭代需要使用的训练样本，对所述训练样本进行预处理后，作为SupervisedGANomaly模型的输入；104)采用随机梯度下降法交替优化判别网络、生成网络和分类网络，更新各部分网络权值，直至迭代结束；105)计算获得异常类别判别阈值。3.根据权利要求2所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，所述训练参数包括最小批次值Nbatch、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。4.根据权利要求2所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，所述在线随机过采样方法具体为：每轮迭代开始前先随机打乱所述正常样本队列和异常样本队列，生成一个[0.25，0.5]之间的随机数R，取异常样本队列中的前张图片作为该轮迭代的异常样本，取正常样本队列中的前张图片作为该轮迭代的正常样本，所述异常样本和正常样本组成该轮迭代的训练样本。5.根据权利要求2所述的基于监督式生成对抗网络的异常...

【专利技术属性】
技术研发人员：罗长志，郑军，
申请(专利权)人：聚时科技上海有限公司，
类型：发明
国别省市：上海,31