异常检测方法和装置制造方法及图纸

本发明专利技术提供了一种异常检测方法和装置，该方法包括以下步骤：获取待检测工件的目标检测图像以及良品工件的良品图像；根据目标检测图像获取第一特征图，并根据良品图像获取第二特征图；根据第一特征图和第二特征图获取余弦相似度；根据余弦相似度对待检测工件进行第一次异常检测；如果无法判断待检测工件是否存在异常，则根据目标检测图像获取第一灰度图，并根据良品图像获取第二灰度图；根据第一灰度图获取第一分割图，并根据第二灰度图获取第二分割图；根据第一分割图和第二分割图获取指标分数；根据指标分数对待检测工件进行第二次异常检测。本发明专利技术能够准确地对待检测工件进行异常检测，适用范围广，并且无需耗费大量的人力、物力以及时间成本。

【技术实现步骤摘要】
异常检测方法和装置
本专利技术涉及目标检测
，具体涉及一种异常检测方法和一种异常检测装置。
技术介绍
在工业质检领域，缺陷的异常检测是一个关键的环节。相比较于普通缺陷，异常缺陷数量较小，并且异常缺陷和普通缺陷在形态上也有较大的差距，比如：形态严重畸变，大面积缺料等。由于异常缺陷的样本数量极少，因此采用目标检测模型并无法学习到这一类缺陷。相关技术中，一般是采用OpenCV等开源库的算子，或者GAN（GenerativeAdversarialNetworks，生成式对抗网络）网络，或者深度学习算法来实现异常检测的，然而上述技术存在以下问题：（1）采用OpenCV等开源库的算子实现异常检测时，计算资源损耗大、耗时长，并且适用范围小；（2）采用GAN网络实现异常检测时，在异常检测之前，需要耗费大量时间对GAN网络进行训练，并且针对相同工件的不同面，也都需要训练不同的模型，耗时耗力；（3）采用深度学习算法实现异常检测时，需要大量的训练数据，并且准确性较低。
技术实现思路
本专利技术为解决上述技术问题，提供了一种异常检测方法，能够准确地对待检测工件进行异常检测，适用范围广，并且无需耗费大量的人力、物力以及时间成本。本专利技术采用的技术方案如下：一种异常检测方法，包括以下步骤：获取待检测工件的目标检测图像以及良品工件的良品图像；根据所述目标检测图像获取第一特征图，并根据所述良品图像获取第二特征图；根据所述第一特征图和所述第二特征图获取余弦相似度；根据所述余弦相似度对所述待检测工件进行第一次异常检测；如果无法判断所述待检测工件是否存在异常，则根据所述目标检测图像获取第一灰度图，并根据所述良品图像获取第二灰度图；根据所述第一灰度图获取第一分割图，并根据所述第二灰度图获取第二分割图；根据所述第一分割图和所述第二分割图获取指标分数；根据所述指标分数对所述待检测工件进行第二次异常检测。根据所述目标检测图像获取所述第一特征图，并根据所述良品图像获取所述第二特征图，包括：将所述目标检测图像输入卷积网络ResNet-50以获取所述第一特征图，以及将所述良品图像输入所述卷积网络ResNet-50以获取所述第二特征图。根据所述第一特征图和所述第二特征图获取所述余弦相似度，包括：将所述第一特征图进行一维向量化以获取第一向量，以及将所述第二特征图进行一维向量化以获取第二向量；根据所述第一向量和所述第二向量获取所述余弦相似度。根据所述第一灰度图获取所述第一分割图，并根据所述第二灰度图获取所述第二分割图，包括：采用K-means算法（K-均值算法）根据所述第一灰度图获取第一像素聚类图，并根据所述第二灰度图获取第二像素聚类图；将所述第一像素聚类图和所述第二像素聚类图输入MRF（MarkovRandomField，马尔科夫随机场）图像分割模型，以分别获取所述第一分割图和所述第二分割图。根据所述第一分割图和所述第二分割图获取所述指标分数，包括：采用Wasserstein距离计算所述第一分割图与所述第二分割图的像素类别的分布差异，以获取第一分数；采用JS（Jensen-Shannon）散度计算所述第一分割图与所述第二分割图的像素类别的分布差异，以获取第二分数；根据所述第一分数和所述第二分数获取所述指标分数。根据所述指标分数对所述待检测工件进行第二次异常检测，包括：判断所述指标分数是否大于分数阈值；如果所述指标分数大于分数阈值，则判断所述待检测工件异常；如果所述指标分数小于或等于所述分数阈值，则判断所述待检测工件正常。一种异常检测装置，包括：第一获取模块，所述第一获取模块用于获取待检测工件的目标检测图像以及良品工件的良品图像；第二获取模块，所述第二获取模块用于根据所述目标检测图像获取第一特征图，并根据所述良品图像获取第二特征图；第三获取模块，所述第三获取模块用于根据所述第一特征图和所述第二特征图获取余弦相似度；第一检测模块，所述第一检测模块用于根据所述余弦相似度对所述待检测工件进行第一次异常检测；第四获取模块，所述第四获取模块用于在无法判断所述待检测工件是否存在异常时，根据所述目标检测图像获取第一灰度图，并根据所述良品图像获取第二灰度图；第五获取模块，所述第五获取模块用于根据所述第一灰度图获取第一分割图，并根据所述第二灰度图获取第二分割图；第六获取模块，所述第六获取模块用于根据所述第一分割图和所述第二分割图获取指标分数；第二检测模块，所述第二检测模块用于根据所述指标分数对所述待检测工件进行第二次异常检测。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的异常检测方法。一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的异常检测方法。本专利技术的有益效果：本专利技术能够准确地对待检测工件进行异常检测，适用范围广，并且无需耗费大量的人力、物力以及时间成本。附图说明图1为本专利技术实施例的异常检测方法的流程图；图2为本专利技术一个实施例的第一次异常检测方法的逻辑示意图；图3为本专利技术一个实施例的第二次异常检测方法的逻辑示意图；图4为本专利技术实施例的异常检测装置的方框示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1是根据本专利技术实施例的异常检测方法的流程图。如图1所示，本专利技术实施例的异常检测方法可包括以下步骤：S1，获取待检测工件的目标检测图像以及良品工件的良品图像。具体而言，在对待检测工件进行异常检测时，可先采用相似度比较的方式进行第一次异常检测。具体地，如图2所示，首先，在产品流水线上，可采用拍摄装置（例如，相机等）对待检测工件进行拍照，以获取待检测工件的目标检测图像。可选取某一（或某一组）良品工件，并采用拍摄装置对其进行拍照取样，以获取良品图像。S2，根据目标检测图像获取第一特征图，并根据良品图像获取第二特征图。根据本专利技术的一个实施例，根据目标检测图像获取第一特征图，并根据良品图像获取第二特征图，包括：将目标检测图像输入卷积网络ResNet-50以获取第一特征图，以及将良品图像输入卷积网络ResNet-50以获取第二特征图。具体而言，如图2所示，在获取到良品图像和目标检测图像后，可将良品图像作为输入送进卷积网络ResNet-50（ResNet-50来自于ImageNet的预训练结果，具有相应的开源代码和权重参数）以获取第二特征图，并将目标检测图像作为输入送进卷积网络ResNet-50以获取第一特征图。其中，目标检测图像输入的卷积网络ResNet-50与良品图像输入的卷积网络ResNet-50共享参数，并具有完全相同的网络结构。S3本文档来自技高网...

【技术保护点】
1.一种异常检测方法，其特征在于，包括以下步骤：/n获取待检测工件的目标检测图像以及良品工件的良品图像；/n根据所述目标检测图像获取第一特征图，并根据所述良品图像获取第二特征图；/n根据所述第一特征图和所述第二特征图获取余弦相似度；/n根据所述余弦相似度对所述待检测工件进行第一次异常检测；/n如果无法判断所述待检测工件是否存在异常，则根据所述目标检测图像获取第一灰度图，并根据所述良品图像获取第二灰度图；/n根据所述第一灰度图获取第一分割图，并根据所述第二灰度图获取第二分割图；/n根据所述第一分割图和所述第二分割图获取指标分数；/n根据所述指标分数对所述待检测工件进行第二次异常检测。/n

【技术特征摘要】
1.一种异常检测方法，其特征在于，包括以下步骤：
获取待检测工件的目标检测图像以及良品工件的良品图像；
根据所述目标检测图像获取第一特征图，并根据所述良品图像获取第二特征图；
根据所述第一特征图和所述第二特征图获取余弦相似度；
根据所述余弦相似度对所述待检测工件进行第一次异常检测；
如果无法判断所述待检测工件是否存在异常，则根据所述目标检测图像获取第一灰度图，并根据所述良品图像获取第二灰度图；
根据所述第一灰度图获取第一分割图，并根据所述第二灰度图获取第二分割图；
根据所述第一分割图和所述第二分割图获取指标分数；
根据所述指标分数对所述待检测工件进行第二次异常检测。


2.根据权利要求1所述的异常检测方法，其特征在于，根据所述目标检测图像获取所述第一特征图，并根据所述良品图像获取所述第二特征图，包括：
将所述目标检测图像输入卷积网络ResNet-50以获取所述第一特征图，以及将所述良品图像输入所述卷积网络ResNet-50以获取所述第二特征图。


3.根据权利要求1或2所述的异常检测方法，其特征在于，根据所述第一特征图和所述第二特征图获取所述余弦相似度，包括：
将所述第一特征图进行一维向量化以获取第一向量，以及将所述第二特征图进行一维向量化以获取第二向量；
根据所述第一向量和所述第二向量获取所述余弦相似度。


4.根据权利要求1所述的异常检测方法，其特征在于，根据所述第一灰度图获取所述第一分割图，并根据所述第二灰度图获取所述第二分割图，包括：
采用K-means算法根据所述第一灰度图获取第一像素聚类图，并根据所述第二灰度图获取第二像素聚类图；
将所述第一像素聚类图和所述第二像素聚类图输入MRF图像分割模型，以分别获取所述第一分割图和所述第二分割图。


5.根据权利要求4所述的异常检测方法，其特征在于，根据所述第一分割图和所述第二分割图获取所述指标分数，包括：
采用Wasserstein距离计算所述第一分...

【专利技术属性】
技术研发人员：杭天欣，马元巍，陈红星，王克贤，潘正颐，侯大为，
申请(专利权)人：常州微亿智造科技有限公司，
类型：发明
国别省市：江苏;32