一种基于自监督学习的异常图像检测方法技术

本发明专利技术涉及工业自动化技术领域，尤其为一种基于自监督学习的异常图像检测方法，其具体步骤如下：S1，获取待检图像；S2，将待检测图像输入模型，并获取异常分数；S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像，本发明专利技术通过设计基于自监督学习的异常图像检测方法，设置更为合理的代理任务，借助基于特征层面的余弦距离损失函数进行训练，使模型能够适应不同尺度的异常，捕获更加鲁棒的图像深层表征，获取在真实异常图像上更强的泛化能力，从而实现更加精确的异常检测。现更加精确的异常检测。现更加精确的异常检测。

【技术实现步骤摘要】
一种基于自监督学习的异常图像检测方法


[0001]本专利技术涉及工业自动化
，具体为一种基于自监督学习的异常图像检测方法。

技术介绍

[0002]像异常检测是工业自动化领域的一个重要问题。考虑异常样本难以获取，仅使用正常样本训练并构建模型的方法具有较强的实际应用价值。自监督学习(self
‑
supervised learning，SSL)能够通过设置代理任务，从无标签的数据中挖掘自身的监督信息，从而获取对下游异常检测任务有效的图像深层表征。如何合理地设置代理任务(proxy task)是自监督学习的关键问题。现有的基于自监督学习的异常检测方法CutPaste(Self
‑
Supervised Learning for Anomaly Detection and Localization)的代理任务设置方法如下：1.从正常的训练图像中随机选择一个可变大小和长宽比的矩形区域；2.对选择的区域进行随机旋转或增强(jitter)；3.将变换后的区域随机粘贴在原图像的任意区域。4.以变换后的图像模拟真实异常图像，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督学习的异常图像检测方法，其具体步骤如下：S1，获取待检图像；S2，将待检测图像输入模型，并获取异常分数；S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像。2.根据权利要求1所述的一种基于自监督学习的异常图像检测方法，其特征在于：所述S2中模型为SSLAnomaly的结构，并且SSLAnomaly的结构包含特征提取器F(
·
)和映射头G(
·
)，其中特征提取器采用卷积神经网络，如VGG、ResNet或者DenseNet其中的一种，映射头包含三个MLP模块，并且MLP的具体结构依次包含全连接层、BN层、ReLU层及全连接层。3.根据权利要求1所述的一种基于自监督学习的异常图像检测方法，其特征在于：所述S2中模型的训练流程，包括以下步骤：S21，设置代理任务，获取模拟的异常图像I
′
；S22，将原始图像I及模拟的异常图像I
′
同时输入到SSLAnomaly中，获取其对应的特征嵌入E
I
及E
I
′
：E
I
＝G(F(I))E
I
′
＝G(F(I
′
))S23，计算损失并更新模型参数；模型使用的损失函数为余弦距离损失，其定义为：其中，X代表正常样本的分布。SSLAnomaly通过L的反向传播更新参数，并完成训练。4.根据权利要求3所述的一种基于自监督学习的异常图像检测方法，其特征在于：所述S21中设置代理任务，获取模拟的异常图像I
′
的具体步骤如下：(a)获取输入图像I的边长n；(b)在图像I中随机放置一个圆形(直径为0.05n)或正方形(边长为0.05n)候选框，并获取其对应的图像块I
P
；(c)分别在水...

【专利技术属性】
技术研发人员：简伟明，刘亦铭，赵成，孙科，朱祥将，程轩，
申请(专利权)人：武汉象点科技有限公司，
类型：发明
国别省市：