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

本公开提供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；方法包括：利用特征提取网络，对待检测图像进行不同尺度的特征处理，得到多尺度特征序列；通过重构网络，基于多尺度特征序列进行重构，得到重构特征序列；其中，重构网络是使用正样本训练得到的；根据重构特征序列与多尺度特征序列，确定每个像素位置上的特征差异；基于特征差异，确定每个像素位置上的异常评分；基于异常评分，绘制待检测图像对应的异常检测图像。通过本公开，能够提高异常检测的准确性。够提高异常检测的准确性。够提高异常检测的准确性。

【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]本公开涉及人工智能
，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。但是，深度学习算法往往需要大量的、高质量的标注数据，而在需要使用实际产线中积累的样本来训练工业视觉检测模型的场景中，异常样本往往是极度稀缺的，使用常规的正样本深度学习方法所训练得到的异常检测模型对于异常样本的识别能力较差，从而降低了异常检测的准确性。并且，目前的异常检测模型通常基于深度卷积网络提取的图像特征进行检测处理的，缺乏对图像中语义信息的深度理解，从而进一步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。
[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：
[0006]利用特征提取网络，对待检本文档来自技高网...

【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：利用特征提取网络，对待检测图像进行不同尺度的特征处理，得到多尺度特征序列；通过重构网络，基于所述多尺度特征序列进行重构，得到重构特征序列；其中，所述重构网络是使用正样本训练得到的；根据所述重构特征序列与所述多尺度特征序列，确定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；基于所述异常评分，绘制所述待检测图像对应的异常检测图像。2.根据权利要求1所述的方法，其特征在于，所述对待检测图像进行不同尺度的特征处理，得到多尺度特征序列，包括：对所述待检测图像进行不同尺度的特征提取，得到多个不同尺度的特征；将所述多个不同尺度的特征进行融合，得到多尺度特征；对所述多尺度特征进行形状变换，得到所述多尺度特征序列。3.根据权利要求1或2所述的方法，其特征在于，所述重构网络包括：编码网络和解码网络；所述通过重构网络，基于所述多尺度特征序列进行重构，得到重构特征序列，包括：基于所述编码网络，对所述多尺度特征序列进行编码，得到编码序列；通过所述解码网络，基于所述编码序列进行解码重构，得到所述重构特征序列。4.根据权利要求1或2所述的方法，其特征在于，所述根据所述重构特征序列与所述多尺度特征序列，确定每个像素位置上的特征差异，包括：计算所述重构特征序列与所述多尺度特征序列中每个对应的序列位置上的特征差异，得到所述每个像素位置上的特征差异。5.根据权利要求1所述的方法，其特征在于，所述基于所述特征差异，确定所述每个像素位置上的异常评分，包括：对每个像素位置上的所述特征差异进行通道平均，得到所述每个像素位置上的异常评分。6.根据权利要求1或5所述的方法，其特征在于，所述基于所述异常评分，绘制所述待检测图像对应的异常检测图像，包括：在每个像素位置上的异常评分小于或者等于评分阈值的情况下，将该像素位置对应的像素值绘制为第一值；在每个像素位置上的异常评分大于评分阈值的情况下，将该像素位置对应的像素值绘制为第二值；直至将所述待检测图像的像素位置绘制完成时，得到所述异常检测图像。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，所述基于重构网络，对所述多尺度特征序列和预设的问询词序列进行重构，得到重构特征序列之前，所述方法还包括：获取正样本与预设的初始问询词序列；基于所述正样本与所述初始问询词序列，结合预设的...

【专利技术属性】
技术研发人员：尤志远，杨凯，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：