一种异常检测方法技术

本发明专利技术涉及一种工业品部件异常检测方法，尤其涉及一种基于自适应特征集构建的工业品小部件的异常检测方法。本发明专利技术的第一个方面结合图像背景信息使用了关键点定位方法，可以实现不管目标部件外观和拍摄角度如何变化，都可以很好的找到部件位置，解决了目标检测方法存在的受到部件外观变化影响导致不能准确定位待检测的部件问题。本发明专利技术的第二个方面提出一种动态更新支持特征向量集的方法，该方法可以根据新出现的正常样本的特征向量对支持向量集中的向量进行动态调整，从而可以很好的适应新的正常样本，免去了重新训练模型的步骤。最后，本发明专利技术还通过对异常值进行非线性拉伸，提升了模型的鲁棒性，减小了误判的概率。减小了误判的概率。减小了误判的概率。

【技术实现步骤摘要】
一种异常检测方法


[0001]本专利技术涉及一种工业品部件异常检测方法，尤其涉及一种基于自适应特征集构建的工业品小部件的异常检测方法。

技术介绍

[0002]在工业场景中经常需要检查流水线上的产品是否符合生产标准或者有异常现象产生。如果只依靠人力去检查所有产品是不现实的，常用做法是在产品流水线上架设摄像头，利用计算机视觉的方法去自动识别产品的异常情况。
[0003]近年来，以深度神经网络为代表的人工智能技术飞速发展，很快应用到了各种领域。在工业场景中也可以利用摄像头获取的视频图像作为输入，通过神经网络和机器学习算法解决实际生产中遇到的一些问题，其中流水线上产品的异常检测就是一个典型应用。
[0004]异常检测是计算机视觉领域的一个热门话题。在工厂流水线上存在大量类似的正常样本，同时缺乏不正常的样本。现实中可能出现各种各样的异常样本，并且事先是难以对这些异常样本进行收集。本专利技术用科学的方法归纳总结这些正常样本，当流水线上存在不正常的产品时，算法可以及时发现并发出报警。
[0005]CN112465784A号中国专利申请描述了一种地铁夹钳外观异常检测的方法，首先利用架设在列车两侧的高速相机采集夹钳图像，通过目标检测算法对杆件部分先定位然后对杆件部分进行判别，判断杆件是否出现异常。利用目标检测算法对夹钳整图中的弹簧部分进行定位并截取，如果没有截取到弹簧部件，可判断为弹簧丢失，否则将截取获得的弹簧图像与对应的正常弹簧图像进行高度对比，判断弹簧是否部分缺失；如果弹簧不存在部分缺失异常，将弹簧图像送入裂纹判断网络，判断是否存在裂纹。
[0006]该现有技术中，对于工厂流水线上架设的摄像头，需要从拍摄的图像当中检查产品某些部件是否出现异常（形变、异物、破损等）。输入一幅图像，直接检查部件是否异常是比较困难的。为了排除背景干扰，现有方案往往采用目标检测的方法，先检测到需要检查部件的包围框，再对该包围框中的图像区域进行异常检测。算法的目的是判断待检测部件是否异常，然而用目标检测的方案寻找待检测部件往往受到部件外观变化的影响（如部件零件丢失、外观破损、形变较大等），这样一来可能造成部件检测位置不准甚至丢失。不仅如此，一幅图像中往往存在很多相同的部件，这些部件外观基本一致，在实际应用中我们可能只需要检测其中某些部件，这样一来就无法区分哪些是需要做异常检测的部件。
[0007]CN104809732A号中国专利申请公开了一种基于图像比对的电力设备外观异常检测方法:首先对当前巡检拍摄图像进行归一化处理，然后与同一位置同一角度的历史巡检拍摄图像进行配准，接下来对配准后的两个图像分别继续区域分割，提取每一区域图像的若干特征，将若干特征进行融合，最后计算两幅图像对应特征的差异度，将差异度与设定阈值进行比较，判断当前巡检拍摄图像是否为异常图像。该现有技术是利用当前拍摄的图像和历史拍摄的一幅图像对比来进行异常检测。但是，对于该现有技术，由于历史拍摄的那一张图像很难代表整个部件所有的正常情况，当前拍摄的图像有时会与历史拍摄的图像有一
定区别，但也属于正常样本的范围，这样通过算法计算很有可能造成误判。
[0008]CN111260626A号专利申请涉及一种基于深度学习的工件磨损检测方法：首先获取样本工件在各类磨损状态下的样本图像；接着标注所述样本图像的表面缺陷类型和缺陷区域，生成样本工件的图像训练集；将所述图像训练集输入到图像分割神经网络进行训练，生成工件磨损检测模型；通过将待检测工件的图像输入所述模型进行异常检测。
[0009]该现有技术需要事先收集各种异常样本，然后训练异常检测模型对新来的样本进行检测。然而，工业场景下的异物检测，往往会获得大量正常样本，而异常样本的收集是十分困难的，有的算法会人工构建各种异常样本连同大量正常样本训练网络模型（神经网络分类模型需要大量正常样本和异常样本训练，从而区分待检测的样本是否异常）。另外，现有算法一旦收集完正负样本，异常检测模型一旦训练好之后，确定训练集进行模型训练后神经网络的参数就固定了，对于新出现的正常样本，算法模型不能很好的实时兼容，也可能会判定为异常。最后，对于异常判断的分值定义也比较固定，没有很好考虑到新出现的正常样本的情况。

技术实现思路

[0010]为了解决现有技术存在的上述技术问题，本专利技术提供一种基于自适应特征集构建的工业品部件异常检测方法，尤其是小部件的异常检测方法。
[0011]第一方面，本专利技术结合图像背景信息使用了关键点定位方法，利用待检测目标间的相对位置关系，可以找到待判别部件的坐标点，关键点定位方法可以实现不管目标部件外观和拍摄角度如何变化，都可以很好的找到部件位置，解决了目标检测的方法存在的受到部件外观变化的影响导致的不能准确定位需要做异常检测的部件问题。
[0012]第二方面，本专利技术结合ResNet第二层（图像的低级特征信息）和第三层（图像的高级语义信息）这两层信息构建正常样本的特征集可以兼顾大的外形变化以及小的局部异常。
[0013]第三方面，本专利技术提出一种动态更新支持特征向量集的方法，该方法可以根据新出现的正常样本（与原正常样本有一些区别）的特征向量对支持向量集中的向量进行动态调整，从算法模型可以自适应更新评价模型中的参数以及判断阈值，然后逐渐兼容它们，从而可以很好的适应新的正常样本，免去了重新训练模型的步骤。
[0014]第四方面，本专利技术提出结合支持向量集中特征间的最小距离，对异常值进行非线性拉伸，可以提升模型的鲁棒性，减小误判的概率。
附图说明
[0015]图1A和图1B示出了构建支持向量集和支持向量集动态更新算法流程示意图。
[0016]图2示出了异常检测算法流程图。
[0017]图3示出了贪心算法效果示意图，图中圆和三角都代表向量，三角代表采用贪心算法后保留下来的向量，即为支持向量。
[0018]图4示出了关键点定位示意图。
[0019]图5示出了通过关键点定位部件坐标后得到的部件图样例。
[0020]图6示出了十八层的ResNet（残差网络）结构。
具体实施方式
[0021]下面结合附图详细说明本专利技术在工业领域的具体实施方式。应当将本专利技术理解成并不局限于以下描述的这种实施方式，并且本专利技术的技术理念可以与其他公知技术或功能与那些公知技术相同的其他技术组合实施。图1A、图1B、图2是本专利技术的算法流程示例图。具体步骤详述如下：步骤一：关键点定位方法确定部件位置。在大量现存的正常样本中，确定视频图像中需要检测的部件，以该部件中心位置设定关键点，标注待检测部件关键点位置，构建关键点检测训练集。用训练集对关键点检测模型进行训练。训练好之后在检测样本上便可得到待检测部件关键点的坐标，由此得出部件的位置(参考附图4)。附图4所示产品为关键点定位示意图，其中，point1
‑
point6分别为各个部件的关键点，以所示各部件关键点位置point1
‑
point6为中心可以得出该部件所在的图像块（参考图5），可在本文档来自技高网...

【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，所述方法包括如下步骤：步骤一：在大量正常样本图像上收集待检测部件的图像块；步骤二：使用特征提取器对步骤一所得的待检测部件正常样本的图像块进行特征提取，收集N个正常样本特征向量构成正常样本初始特征向量集；步骤三：使用贪心算法对正常样本初始特征向量集进行降采样，将N个初始特征向量缩减为L个支持特征向量，构成支持特征向量集；步骤四：判断待检测图像是否异常：首先，收集待检测部件的图像块，使用特征提取器对待测图像进行特征提取，得到不同图像块的特征；然后，计算每个图像块的特征与支持向量集中所有特征的最小距离；接着找到所有图像块当中与支持向量集最小距离最大的那个图像块，该图像块与支持向量集的最小距离即为整张图像的异常值，异常值超过某一阈值Y1则判定为异常。2.一种如权利要求1所述的异常检测方法，其特征在于，所述收集待检测部件的图像块的步骤使用的是关键点定位方法，所述关键点定位方法步骤如下：首先，在大量正常样本中标注目标部件的关键点位置，构建关键点检测训练集；其次，用关键点检测训练集训练关键点检测模型；最后，用训练好的关键点检测模型定位待检测部件关键点的坐标。3.一种如权利要求2所述的异常检测方法，其特征在于，所述关键点定位方法以待检测部件的中心位置设定关键点。4.一种如权利要求1所述的异常检测方法，其特征在于，该方法进一步包括对所述支持向量集进行动态更新的步骤，所述支持向量集动态更新的步骤具体如下：首先，对于新进来的正常样本的特征向量，计算其与当前所有支持向量的最小距离d是否大于某一阈值Z，如是，则将新的特征向量加入支持向量集，如否，则新特征向量不加入支持向量集，不断更新此过程，直到支持向量集中的支持向量个数达到M0个，执行贪心算法进行降采样，把支持向量的个数缩减为L个，其中M0大于L。5.一种如权利要求4所述的异常检测方法，其特征在于，所述阈值Z为1/4D
‑
1/3D范围内的任一值，D为当前支持特征向量集中所有支持向量之间的最小距离。6.一种如权利要求5所述的异常检测方法，其特征在于，所述阈值Z为 1/4D，D为当前支持特征向量集中所有支持向量之间的最小距离。7.一种如权利要求1或2或4所述的异常检测方法，其特征在于，所述降采样具体过程如下：步骤一：随机选取正常样本初始特征向量集中的一个特征向量作为第1个支持向量加入支持向量集；步骤二计算其他特征向量与第1个支持向量的距离，选择距离第一个支持向量最远的一个特征向量作为第二个支持向量加入支持向量集；步骤三：剩下的特征向量，计算每一个特征向量与当前支持向量集中每个支持向量的最小距离，选择最小距离最大的那个特征向量作为支持向量加入支...

【专利技术属性】
技术研发人员：孙涛，叶松，刘海峰，王子磊，
申请(专利权)人：合肥中科类脑智能技术有限公司，
类型：发明
国别省市：