【技术实现步骤摘要】
一种基于嵌入特征向量的产品图像异常检测方法及装置
[0001]本专利技术涉及异常检测
，尤其涉及一种基于嵌入特征向量的产品图像异常检测方法及装置。
技术介绍
[0002]产品的表面异常检测是近年来制造业中格外关注的一项技术问题，机器视觉技术是目前工业生产中最常用的自动检测技术之一，检测算法的关键在于从图像中提取出能够辨识异常的特征，再依据特征进行异常检测。
[0003]异常检测是正常类和异常类之间的一种二元分类。由于经常缺少异常的例子，或者异常可能表现为各种不同的模式，如果采用有监督的训练模型来完成这项分类任务，前期需要花费大量的人力资源来进行异常标注。因此，采用基于无监督学习的算法来进行异常检测与定位是很有必要的。
[0004]异常检测和定位方法可以分为基于重建的方法和基于嵌入相似度的方法。基于重建的方法训练自动编码器、变分自动编码器或生成对抗网络这样的神经网络体系结构，只重建正常的训练图像，因此，异常图像可以被发现，因为它们没有得到很好的重建，为了定位异常，基于重建的方法通常将像素级的重构误差作为异...
【技术保护点】
【技术特征摘要】
1.一种基于嵌入特征向量的产品图像异常检测方法，其特征在于，包括以下步骤：步骤1、采集工业产品的表面图像数据，包括正常图像和异常图像，并对数据做预处理操作；步骤2、利用正常图像数据，训练基于嵌入向量相似性的无监督异常检测模型；步骤3、采用训练好的无监督异常检测模型，针对异常图像数据进行推断，计算异常得分图；步骤4、对异常得分图进行特征提取，得到异常检测图并与标注的mask图比较，有监督地训练基于编解码的后处理模型，优化其损失函数；步骤5、采用上述训练得到的模型，对待检产品图像进行异常的检测与定位。2.如权利要求1所述的一种基于嵌入特征向量的产品图像异常检测方法，其特征在于，所述步骤1中产品图像数据采集的方法：采集正常产品图像，用于训练无监督模型；采集异常产品图像，并对其进行异常标注，制作相应的分割掩码mask，用于训练基于编解码的后处理模型；所述步骤1中数据预处理的方法，包括图像清洗、图像切割、图像分块、数据增强。3.如权利要求1所述的一种基于嵌入特征向量的产品图像异常检测方法，其特征在于，所述步骤2中基于嵌入向量相似性的无监督异常检测方法：利用预先训练好的卷积神经网络CNN进行图像特征提取，然后提取CNN不同语义层次的信息得到patch嵌入向量，分块嵌入，最后使用多元高斯分布来描述每个patch位置；所述步骤2中预训练的CNN模型，包括ResNet18模型和Wide ResNet50模型。4.如权利要求1所述的一种基于嵌入特征向量的产品图像异常检测方法，其特征在于，所述步骤3中无监督异常检测模型计算异常得分图的方法：使用马氏距离M(x
ij
)给测试图像(i，j)位置处的patch一个异常分数，组合得到马氏距离矩阵，从而计算出异常得分图；所述步骤3中减小异常得分图背景噪声的方法，包括高斯滤波。5.如权利要求1所述的一种基于嵌入特征向量的产品图像异常检测方法，其特征在于，所述步骤4中基于编解码的有监督图像处理模型，包括U
‑
Net模型，Transformer模型；所述步骤4中计算损失函数的方法，包括L2距离，图像结构相似度SSIM。6.如权利要求1所述的一种基于嵌入特征向量的产品图像异常检测方法，其特征在于，所述步骤5中异常检测的方法：采用训练好的模型，计算得到待检产品图像的异常检测图，设定分割阈值，如果异常检测图中存在大于分割阈值的像素点，判定为异常图像，否则为正常图像；所述步骤5中异常定位的方法：根据分割阈值对异常检测图进行分割，大于分割阈值的像素点置255或较大值，小于分割阈值的像素点置0或较小值，得到定位图像，图像中的亮点即为异常点；所述步骤5中评估模型定位性能的指标，包括图像级别的查全率、查准率，像素级别的AUC、IOU。7.如权利要求3所述的一种基于嵌入特征向量的产品图像异常检测方法，其特征在于，所述步骤2具体步骤如下：B
‑
1、输入N张正常图像，使用预训练的CNN模型提取图像特征；B
‑
2、将输入图像均匀划分成H
×
W块，可以得到(i，j)位置对应的每个图像patch，在训
练阶段，正常图像的每个patch与预训练的CNN激活图中空间对应的激活向量相关联，将来自不同层的激活向量连接起来，可以得到包含不同层和不同分辨率信息的嵌...
【专利技术属性】
技术研发人员：郑敏娥，胡亮，陶原野，展华益，
申请(专利权)人：四川启睿克科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。