异常检测方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本公开实施例公开了一种异常检测方法、装置、电子设备及计算机可读存储介质。该方法包括：采用第一样本集对初始检测网络进行训练，得到检测网络；所述第一样本集为正样本集；在所述检测网络对多张待检测图像进行异常检测过程中，基于检测出的正常图像集和异常图像集，得到第二样本集，所述第二样本集为包含正样本和负样本的增量样本集；其中，所述负样本为图像中存在异常的异常图像；采用所述第二样本集，对所述检测网络进行更新训练，得到更新后的检测网络。通过本公开，能够提高异常检测的准确性与灵活性。的准确性与灵活性。的准确性与灵活性。

【技术实现步骤摘要】
异常检测方法、装置、电子设备及计算机可读存储介质


[0001]本公开涉及机器视觉技术，尤其涉及一种异常检测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]近年来，深度学习算法在各个领域都取得了巨大的进展，也在很多工业视觉检测领域取得了落地。相关技术通过深度学习算法训练得到异常检测模型用于异常图像的检测。深度学习算法往往需要大量的、高质量的训练样本，然而，目前基于正常样本学习方式与基于异常样本学习方式所适用的模型结构以及学习策略不同，因此目前的深度学习方法对于不同类型的训练样本的兼容能力较差，导致所能使用的训练样本较为单一，这样不仅降低了异常检测的灵活性，也降低了异常检测的准确性。

技术实现思路

[0003]本公开实施例提供一种异常检测方法、装置、电子设备及计算机可读存储介质，能够提高异常检测的准确性与灵活性。
[0004]本公开实施例的技术方案是这样实现的：
[0005]本公开实施例提供一种异常检测方法，包括：采用第一样本集对初始检测网络进行训练，得到检测网络；所述第一样本集为正样本集；在所述检测网络对多张待检测图像进行异常检测过程中，基于检测出的正常图像集和异常图像集，得到第二样本集，所述第二样本集为包含正样本和负样本的增量样本集；其中，所述负样本为图像中存在异常的异常图像；采用所述第二样本集，对所述检测网络进行更新训练，得到更新后的检测网络。
[0006]上述方法中，所述采用第一正样本集对初始检测网络进行训练，得到检测网络，包括：采用所述初始检测网络对所述第一样本集中的正样本进行检测，得到所述正样本对应的第一特征差异序列；根据所述第一特征差异序列和正常损失函数，确定出所述正样本对应的训练损失；基于所述训练损失，对所述初始检测网络进行训练调整，直至得到的最终损失小于预设损失阈值时，得到所述检测网络；其中，所述正常损失函数表征所述正样本对应的重构特征序列拉近所述正样本。
[0007]上述方法中，所述基于检测出的正常图像集和异常图像集，得到第二样本集，包括：从检测出的所述正常图像集和所述异常图像集中，确定待核验图像；对所述待核验图像进行核验，得到所述第二样本集。
[0008]上述方法中，所述待核验图像中包括：至少一张异常图像和至少一张正常图像；所述对所述待核验图像进行核验，得到所述第二样本集，包括：对所述至少一张异常图像和所述至少一张正常图像分别进行核验，得到各自的核验结果；将所述核验结果表征正确的异常图像作为所述负样本，并将所述核验结果表征正确的正常图像作为所述正样本；对所述核验结果表征错误的异常图像，以及所述核验结果表征错误的正常图像进行正确标注，得到所述正样本和所述负样本；将所述负样本和所述正样本的集合，确定为所述第二样本集。
[0009]上述方法中，所述采用第一样本集对初始检测网络进行训练，得到检测网络之后，所述方法还包括：采用所述检测网络对每张待检测图像进行异常检测，得到所述每张待检测图像的每个像素位置上的异常评分；基于所述异常评分，绘制所述每张待检测图像对应的异常检测图像；根据所述异常检测图像，得到多张待检测图像中的所述正常图像集和所述异常图像集。
[0010]上述方法中，所述根据所述异常检测图像，得到多张待检测图像中的所述正常图像集和所述异常图像集，包括：在所述每张待检测图像对应的异常检测图像表征，所述每张待检测图像为异常图像的情况下，将所述每张待检测图像作为异常图像，在遍历所述多张待检测图像后，得到包含至少一张异常图像的所述异常图像集；在所述每张待检测图像对应的异常检测图像表征，所述每张待检测图像为正常图像的情况下，将所述每张待检测图像作为正常图像，在遍历所述多张待检测图像后，得到包含至少一张正常图像的所述正常图像集。
[0011]上述方法中，所述从检测出的所述正常图像集和所述异常图像集中，确定待核验图像，包括：从所述异常图像集中的每个异常图像中，确定每个像素位置上的异常评分中最大的第一最大异常评分；从所述正常图像集中的每个正常图像中，确定每个像素位置上的异常评分中最大的第二最大异常评分；在所述第一最大异常评分属于预设异常阈值的第一预设数值范围的情况下，确定所述第一最大异常评分对应的异常图像属于所述待核验图像；在所述第二最大异常评分属于所述预设异常阈值的第二预设数值范围的情况下，确定所述第二最大异常评分对应的正常图像属于所述待核验图像。
[0012]上述方法中，所述从检测出的所述正常图像集和所述异常图像集中，确定待核验图像，包括：将所述正常图像集和所述异常图像集中的全部图像，确定为所述待核验图像。
[0013]上述方法中，所述采用所述第二样本集，对所述检测网络进行更新训练，得到更新后的检测网络，包括：在采用所述第二样本集中的正样本，对所述检测网络进行训练的情况下，采用所述检测网络得到所述正样本对应的第一特征差异序列，并根据所述第一特征差异序列和正常损失函数，确定出所述正样本对应的第一训练损失；在采用所述第二样本集中的负样本，对所述检测网络进行训练的情况下，采用所述检测网络得到所述负样本对应的第二特征差异序列，并根据所述第二特征差异序列、预设的负样本的真实值和异常损失函数，确定出所述负样本对应的第二训练损失；基于所述第一训练损失和所述第二训练损失，分别对所述检测网络进行训练调整，直至得到的最终损失小于预设损失阈值时，得到所述更新后的检测网络；其中，所述正常损失函数表征所述正样本对应的重构特征序列拉近所述正样本；所述异常损失函数表征所述负样本中的异常部分对应的重构特征序列推离所述异常部分，以及所述负样本中的正常部分对应的重构特征序列拉近所述正常部分。
[0014]上述方法中，所述更新后的检测网络包括：更新后的特征提取网络和更新后的重构网络；在所述采用所述第二样本集，对所述检测网络进行更新训练，得到更新后的检测网络之后，所述方法还包括：采用所述更新后的特征提取网络，对目标图像进行不同尺度的特征处理，得到多尺度特征序列；采用所述更新后的重构网络，对所述多尺度特征序列和预设的问询词序列进行重构，得到重构特征序列；根据所述重构特征序列与所述多尺度特征序列，确定所述目标图像的每个像素位置上的特征差异；基于所述特征差异，确定所述每个像素位置上的异常评分，并基于所述异常评分，绘制所述目标图像对应的异常检测图像。
[0015]本公开实施例提供一种异常检测装置，包括：第一训练单元，用于采用第一样本集对初始检测网络进行训练，得到检测网络；所述第一样本集为正样本集；获取单元，用于在所述检测网络对多张待检测图像进行异常检测过程中，基于检测出的正常图像集和异常图像集，得到第二样本集，所述第二样本集为包含正样本和负样本的增量样本集；其中，所述负样本为图像中存在异常的异常图像；第二训练单元，用于采用所述第二样本集，对所述检测网络进行更新训练，得到更新后的检测网络。
[0016]上述装置中，所述第一训练单元，还用于采用所述初始检测网络对所述第一样本集中的正样本进行检测，得到所述正样本对应的第一特征差异序列；根据所述第一特征差异序列和正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常检测方法，其特征在于，包括：采用第一样本集对初始检测网络进行训练，得到检测网络；所述第一样本集为正样本集；在所述检测网络对多张待检测图像进行异常检测过程中，基于检测出的正常图像集和异常图像集，得到第二样本集，所述第二样本集为包含正样本和负样本的增量样本集；其中，所述负样本为图像中存在异常的异常图像；采用所述第二样本集，对所述检测网络进行更新训练，得到更新后的检测网络。2.根据权利要求1所述的方法，其特征在于，所述采用第一正样本集对初始检测网络进行训练，得到检测网络，包括：采用所述初始检测网络对所述第一样本集中的正样本进行检测，得到所述正样本对应的第一特征差异序列；根据所述第一特征差异序列和正常损失函数，确定出所述正样本对应的训练损失；基于所述训练损失，对所述初始检测网络进行训练调整，直至得到的最终损失小于预设损失阈值时，得到所述检测网络；其中，所述正常损失函数表征所述正样本对应的重构特征序列拉近所述正样本。3.根据权利要求1或2所述的方法，其特征在于，所述基于检测出的正常图像集和异常图像集，得到第二样本集，包括：从检测出的所述正常图像集和所述异常图像集中，确定待核验图像；对所述待核验图像进行核验，得到所述第二样本集。4.根据权利要求3所述的方法，其特征在于，所述待核验图像中包括：至少一张异常图像和至少一张正常图像；所述对所述待核验图像进行核验，得到所述第二样本集，包括：对所述至少一张异常图像和所述至少一张正常图像分别进行核验，得到各自的核验结果；将所述核验结果表征正确的异常图像作为所述负样本，并将所述核验结果表征正确的正常图像作为所述正样本；对所述核验结果表征错误的异常图像，以及所述核验结果表征错误的正常图像进行正确标注，得到所述正样本和所述负样本；将所述负样本和所述正样本的集合，确定为所述第二样本集。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述采用第一样本集对初始检测网络进行训练，得到检测网络之后，所述方法还包括：采用所述检测网络对每张待检测图像进行异常检测，得到所述每张待检测图像的每个像素位置上的异常评分；基于所述异常评分，绘制所述每张待检测图像对应的异常检测图像；根据所述异常检测图像，得到多张待检测图像中的所述正常图像集和所述异常图像集。6.根据权利要求5的方法，其特征在于，所述根据所述异常检测图像，得到多张待检测图像中的所述正常图像集和所述异常图像集，包括：在所述每张待检测图像对应的异常检测图像表征，所述每张待检测图像为异常图像的情况下，将所述每张待检测图像作为异常图像，在遍历所述多张待检测图像后，得到包含至
少一张异常图像的所述异常图像集；在所述每张待检测图像对应的异常检测图像表征，所述每张待检测图像为正常图像的情况下，将所述每张待检测图像作为正常图像，在遍历所述多张待检测图像后，得到包含至少一张正常图像的所述正常图像集。7.根据权利要求3所述的方法，其特征在于，所述从检测出的所述正常图像集和所述异常图像集中，确定待核验图像，包括：从所述异常图像集中的每个异常图像中，确定每个像素位置上的异常评分中最大的第一最大异常评分；从所述正常图像集中的每个正常图像中，确定每个像素位置上的异常评分中最大的...

【专利技术属性】
技术研发人员：杨凯，尤志远，崔磊，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：