一种异常检测模型的训练方法、异常检测方法及装置制造方法及图纸

本发明专利技术公开了一种异常检测模型的训练方法、异常检测方法及装置，涉及工业视觉技术领域。所述训练方法采用分阶段训练模型，第一阶段将样本图像输入异常检测模型，确定损失函数并调整模型参数。第二阶段冻结调参后的模型，将同一样本图像多次输入到冻结的模型，确定多个第二概率向量。结合第二概率向量和同一样本图像生成多个训练图像，对冻结的模型解除冻结，并将各训练图像输入到解冻模型中，得到多个第三概率向量。确定每两个第三概率向量的信息散度，基于信息散度对解冻模型调参，得到训练完成的异常检测模型。在第二阶段中引入模型生成的训练图像辅助进行模型训练，可以提升模型在小样本条件下的预测效果，增强了模型的泛化能力。化能力。化能力。

【技术实现步骤摘要】
一种异常检测模型的训练方法、异常检测方法及装置


[0001]本专利技术涉及工业视觉
，特别是涉及一种异常检测模型的训练方法、异常检测方法及装置。

技术介绍

[0002]当下，在将工业视觉技术应用到工件表面的缺陷检测的场景中，其对应的缺陷检测通常就是直接通过分类模型，输出特征向量，再通过激活函数输出每一类缺陷的得分向量，并通过损失函数来训练分类模型来识别对应的缺陷。由此，模型通常只学习到了当前样本与目标缺陷种类的映射，难以对当前样本以外的数据进行预测，泛化能力低。

技术实现思路

[0003]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的异常检测模型的训练方法、异常检测方法及装置。
[0004]依据本专利技术的第一方面，提供了一种异常检测模型的训练方法，所述方法包括：
[0005]将样本图像输入异常检测模型，确定所述样本图像对应的第一概率向量，所述第一概率向量表示各异常类型的概率分布；
[0006]依据所述第一概率向量，确定所述异常检测模型的损失函数，并基于所述损失函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常检测模型的训练方法，其特征在于，所述方法包括：将样本图像输入异常检测模型，确定所述样本图像对应的第一概率向量，所述第一概率向量表示各异常类型的概率分布；依据所述第一概率向量，确定所述异常检测模型的损失函数，并基于所述损失函数调整所述异常检测模型的参数；对调整参数后的异常检测模型进行冻结，并将同一个样本图像多次输入到冻结的异常检测模型中，确定对应的多个第二概率向量；确定各个第二概率向量对应的训练图像；对所述冻结的异常检测模型解除冻结，将各个训练图像分别输入到解冻的异常检测模型中，确定每个所述训练图像对应的第三概率向量；确定每两个第三概率向量之间的信息散度，并基于各个信息散度对所述解冻的异常检测模型进行参数调整，得到训练完成的异常检测模型。2.根据权利要求1所述的异常检测模型的训练方法，其特征在于，所述确定各个第二概率向量对应的训练图像，包括：确定各个第二概率向量对应的梯度图像；将每个梯度图像分别与同一个样本图像进行掩码操作，得到多个训练图像。3.根据权利要求2所述的异常检测模型的训练方法，其特征在于，所述将每个梯度图像分别与同一个样本图像进行掩码操作，得到多个训练图像，包括：将各个梯度图像作为掩码图像，并分别与同一个样本图像进行乘法运算，得到多个训练图像。4.根据权利要求2所述的异常检测模型的训练方法，其特征在于，所述确定各个第二概率向量对应的梯度图像，包括：依据各个第二概率向量，确定出同一个样本图像的真实类型所对应的目标特征向量；分别通过各目标特征对同一个样本图像进行求导，得到多个求导图像；将各个求导图像分别进行归一化，得到每个第二概率向量对应的梯度图像。5.根据权利要求1所述的异常检测模型的训练方法，其特征在于，所述基于各个信息散度对所述解冻的异常检测模型进行参数调整，得到训练完成的异常检测模型，包括：依据各个信息散度，通过梯度下降法对所述解冻的异常检测模型进行参数调整，直到所述信息散度符合第一预设条件，得到训练完成的异常检测模型。6.一种异常检测方法，其特征在于，所述方法包括：获取待检测图像；将所述待检测图像输入异常检测模型中，确定所述待检测图像对应的目标异常类型，所述异常检测模型经过第一阶段和第二阶段训练得到，在第一阶段中，根据样本图像得到的损失函数调整所述异常检测模型的参数，在第二阶段中冻结调整参...

【专利技术属性】
技术研发人员：邓嘉新，
申请(专利权)人：南京中科创达软件科技有限公司，
类型：发明
国别省市：