【技术实现步骤摘要】
基于引入自动记忆机制对抗自编码器的异常区域检测方法
本专利技术属于图像处理
,更具体地,涉及一种基于引入自动记忆机制对抗自编码器的异常区域检测方法。
技术介绍
表面异常检测是实现工业生产质量管理的主要方法。近年来,深度学习由于其强大的特征提取能力逐渐成为主流的表面异常检测方法,其通过对大量高质量的已标记数据训练,学习样本数据的内在规律和表示层次,最终实现表面异常检测。现有异常检测方法针对以上问题,有以下三种方法:1)分割决策网络,先分割后检测,融合特征信息与分割信息实现检测,少量样本可实现检测,但要求像素级标签,耗时耗力。2)人为制造异常,将修复异常作为训练目标,不需要采集异常样本,就可以实现检测和分割,但存在认知局限和系统性偏差,容易导致模型偏置。3)仅使用OK样本作为训练集完成模型构建,可检测未知异常,契合工业数据特征,但方法上还存在诸多问题(如实时性、重构过拟合等)亟待解决。现有深度学习方法主要为生成对抗网络和深度自编码器,其主要存在以下问题:1)重构过拟合,深度自编码器为重构网络,将重构误差作异常值,使用合格数据训练,合格数据重构误差小于异常数据。但在实际应用中发现,往往异常数据也能够很好地重构,且重构误差小于正常数据,导致判别出现错误。2)实现实时检测困难,现有用于异常检测任务中的对抗生成网络,在测试时迭代计算,浪费大量的计算资源和时间,不符合产线中实时检测的要求。3)判别方法不适用,现有判别方法有两种,在像素层面比较,噪声较大,导致判别误差较大;在整体特征层面比较,但异常特征往往表现 ...
【技术保护点】
1.一种基于引入自动记忆机制对抗自编码器的异常区域检测方法,其特征在于,包括以下步骤:/nS1将采集得到的合格工业图像和不合格工业图像进行处理后生成图像数据集,定义合格的工业图像为OK样本,不合格的工业图像为NG样本,将OK样本按照一定的比例划分为训练集和测试集,将NG样本放入测试集中,将训练集中的OK样本随机均分为训练集A和训练集B;/nS2设计网络结构,构建自动记忆对抗自编码器模型,包括含自动记忆机制的生成器模块、权值共享的判别器模块以及统计模块和对比模块;/nS3将步骤S1中训练集A中的样本输入生成器模块中生成重构图,并将该重构图与训练集B中的样本输入判别器模块,进行图像对比,根据对比结果对自动记忆对抗自编码器模型进行迭代训练,得到参数化模型;/nS4将所述测试集中的样本输入自动记忆对抗自编码器模型中,对该自动记忆对抗自编码器模型进行性能测试,并根据性能测试的结果选择最优的参数化模型;/nS5将训练集样本输入最优的参数化模型中,得到训练集样本异常值的集合,统计模块根据训练集样本异常值的集合建立统计学模型,进而得出判别OK/NG的判别阈值;/nS6将采集的待检测样本输入最优的参数化 ...
【技术特征摘要】
1.一种基于引入自动记忆机制对抗自编码器的异常区域检测方法,其特征在于,包括以下步骤:
S1将采集得到的合格工业图像和不合格工业图像进行处理后生成图像数据集,定义合格的工业图像为OK样本,不合格的工业图像为NG样本,将OK样本按照一定的比例划分为训练集和测试集,将NG样本放入测试集中,将训练集中的OK样本随机均分为训练集A和训练集B;
S2设计网络结构,构建自动记忆对抗自编码器模型,包括含自动记忆机制的生成器模块、权值共享的判别器模块以及统计模块和对比模块;
S3将步骤S1中训练集A中的样本输入生成器模块中生成重构图,并将该重构图与训练集B中的样本输入判别器模块,进行图像对比,根据对比结果对自动记忆对抗自编码器模型进行迭代训练,得到参数化模型;
S4将所述测试集中的样本输入自动记忆对抗自编码器模型中,对该自动记忆对抗自编码器模型进行性能测试,并根据性能测试的结果选择最优的参数化模型;
S5将训练集样本输入最优的参数化模型中,得到训练集样本异常值的集合,统计模块根据训练集样本异常值的集合建立统计学模型,进而得出判别OK/NG的判别阈值;
S6将采集的待检测样本输入最优的参数化模型中,得到该样本的异常值,若该异常值小于判别阈值,则判定待检测图合格,结束计算,否则,判定待检测图不合格,通过对比模块提取待检测图的异常位置。
2.根据权利要求1所述的一种基于引入自动记忆机制对抗自编码器的异常区域检测方法,其特征在于,所述生成器模块包括编码器、记忆模块、解码器;所述判别器模块包括权值共享的马尔可夫判别器和生成对抗判别器;步骤S3具体包括以下步骤:
第一步,构建局部特征一致性损失,将训练集A中的样本xa输入生成器模块中生成重构图G(xa),将重构图G(xa)和训练集B中的样本xb输入判别器模块,分别得到重构图G(xa)的局部特征矩阵f(G(xa))和样本xb的局部特征矩阵f(xb),并以此构建局部特征一致性损失Lcon;
第二步,构建重构图真实性损失,将重构图片G(xa)输入生成对抗判别器,得到判别值D(G(xa)),从而得到重构图真实性损失Lrec;
第三步,构建对抗损失,将样本xb输入生成对抗判别器,得到判别值D(xb),从而得到对抗损失Ladv;
第四步,构建综合损失,根据局部特征一致性损失Lcon、重构图真实性损失Lrec以及对抗损失...
【专利技术属性】
技术研发人员:牛通之,李斌,牛拴龙,邱园红,李言洲,李威风,闫福强,彭亚茹,李贝,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北;42
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。