一种基于深度对偶网络特征匹配的工业图像异常检测方法技术

本发明专利技术公开了一种基于深度对偶网络特征匹配的工业图像异常检测方法，具体步骤如下：(1)给定待检测图像x，设其宽为w，高为h，通道数为c，使用预训练好的深度卷积神经网络φ获取该图像深度特征(2)将待检测图像x输入与相对网络φ具有对偶特点的卷积神经网络获取该图像深度特征(3)根据步骤(1)和(2)获得的深度表征和(4)根据步骤(4)，计算图像x的异常得分；(5)根据用户给定的分割阈值T，将步骤(4)获得异常得分A

【技术实现步骤摘要】
一种基于深度对偶网络特征匹配的工业图像异常检测方法


[0001]本专利技术涉及机器视觉领域，具体为一种基于深度对偶网络特征匹配的工业图像异常检测方法。

技术介绍

[0002]近年来，随着人工智能技术的飞速发展，传统制造业逐步迈向智能制造。基于机器视觉异常检测的智能质检技术能自动化地识别工业产品的异常或瑕疵及评估产品质量，可有效提高诸如工业零部件制造、电子消费品生产等制造业的生产质量和效率，有着非常广泛的应用场景和前景。
[0003]现有工业图像异常检测方法主要为基于统计学习模型的异常检测和识别以及基于模板匹配的图像变化检测方法。其中，基于分类的方法往往需要大量的工业图像异常样本，然而在现代工业生产过程由于工艺的不断优化升级，异常或瑕疵的工业图像样本非常稀缺，难以满足分类方法的要求。同时，工业图像异常的种类繁多且无固定的统计规律，基于人工训练好的固化的异常分类模型将难以发现生产过程中产品出现的新型异常或瑕疵。基于模板匹配的图像变化检测方法，能通过设计“标准”的图像模板，通过与模板比对发现工业图像中的异常。然而，一方面，在实际应用中，待检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度对偶网络特征匹配的工业图像异常检测方法，其特征在于：该基于深度对偶网络特征匹配的工业图像异常检测方法具体步骤如下：(1)给定待检测图像x，设其宽为w，高为h，通道数为c，使用预训练好的深度卷积神经网络φ获取该图像深度特征其中，表示该深度神经网络的第o层输出，设其宽为w
o
，高为h
o
，通道数为c
o
；(2)将待检测图像x输入与相对网络φ具有对偶特点的卷积神经网络获取该图像深度特征其中，表示该深度神经网络的第o层输出，其宽为w
o
，高为h
o
，通道数为c
o
，所谓网络与网络φ对偶，是指这两个深度网络有着相同或相似的网络结构，设θ为深度神经网络的待优化的参数，网络的具体参数通过在无异常或无故障图像样本上进行学习得到，即优化如下目标：其中，N为正常图像样本的数量，为第n个正常图像样本x经网络φ在像素位置(i，j)处的表征输出，维度为c
o
，为第n个正常图像样本x经另一网络在像素位置(i，j)处的表征输出，维度为c
o
，其中i＝1，2，...，h
o
，j＝1，2，...，w
o

【专利技术属性】
技术研发人员：齐志泉，杨洁，
申请(专利权)人：北京中科智眼科技有限公司，
类型：发明
国别省市：