一种基于两阶段学习的工业产品外观异常检测方法及系统技术方案

本发明专利技术涉及深度学习与人工智能技术领域，解决了异常产品漏检率较高的技术问题，尤其涉及一种基于两阶段学习的工业产品外观异常检测方法，包括以下步骤：获取测试数据集和训练数据集及ImageNet图像数据集；根据训练数据集训练预设的卷积神经网络以获得第一阶段异常检测模型；将测试数据集输入第一阶段异常检测模型，获得第一异常检测结果；根据ImageNet图像数据集训练预设的卷积神经网络以获得第二阶段异常检测模型；将测试数据集子集输入第二阶段异常检测模型，获得第二异常检测结果。本发明专利技术通过两阶段学习框架的设计，在待检测样本被任意一阶段判断为异常时，最终都将被检测为缺陷样本，提高了异常检测的准确性。提高了异常检测的准确性。提高了异常检测的准确性。

【技术实现步骤摘要】
一种基于两阶段学习的工业产品外观异常检测方法及系统


[0001]本专利技术涉及深度学习与人工智能
，尤其涉及一种基于两阶段学习的工业产品外观异常检测方法及系统。

技术介绍

[0002]工业产品外观异常检测，是指通过数据挖掘的方法检测出与正常实例不同的、异常的或有缺陷的实例，是对正常类别和异常类别的二元分类，也是深度学习、计算机视觉和人工智能领域最重要、最常见的任务之一。但与监督分类问题不同的是，在工业场景中异常数据罕见，致使获取的成本高、难度大且工业产品缺陷情况复杂，因而异常检测模型只能使用正常样本进行学习和训练。此外，在检测过程中与正常产品不同的被归为异常并召回，这一过程也被称为工业冷启动。
[0003]目前，市面上现有的工业产品外观异常检测主要采用Auto
‑
Encoder (AE)、Generative Adversarial Network (GAN)等相关网络结构，或其他非基于重构误差的方法，其中，AE和GAN具有良好的可解释性，但在实际检测过程中，由于工业产品在工业场景中的图像背景比较单一，且产品的缺陷通常表现在局部而非整个工件，使得上述方法对异常图像也有很好的重构效果，这会使得难以区分重构前后的图像，从而导致异常产品的漏检率较高。
[0004]此外，其他基于非重构的方法对于中心对齐或整个图像对齐的数据有较好的效果，但对于实际工业制造中采集到的存在位置偏移、重影失真等图像有一定的性能下降，更重要的是，在生产中遗漏异常产品的成本要比将正常样品误判为异常的成本大得多，而上述现有的方法并没有考虑到行业的实际需求，从而无法满足现代化企业的使用要求。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种基于两阶段学习的工业产品外观异常检测方法及系统，解决了异常产品漏检率较高的技术问题，达到了大大减少缺陷样品的漏检，从而满足了实际工业应用中对缺陷样品高召回率的严格要求的目的。
[0006]为解决上述技术问题，本专利技术提供了如下技术方案：一种基于两阶段学习的工业产品外观异常检测方法，包括以下步骤：获取测试数据集和训练数据集及ImageNet图像数据集；根据所述训练数据集训练预设的卷积神经网络以获得第一阶段异常检测模型；将所述测试数据集输入所述第一阶段异常检测模型，获得第一异常检测结果；根据所述ImageNet图像数据集训练预设的卷积神经网络以获得第二阶段异常检测模型；将测试数据集子集输入所述第二阶段异常检测模型，获得第二异常检测结果，其中，所述测试数据集子集为从测试数据集中剔除第一异常检测结果后剩余的测试数据；生成召回指令将所述第一异常检测结果和第二异常检测结果对应的异常产品进
行召回。
[0007]进一步地，所述训练数据集包括伪异常样本和含有点位信息的正常样本，其中，所述伪异常样本为根据CutCover方法和Outlier Exposure方法构造的区别于正常样本的图像。
[0008]进一步地，所述将测试数据集子集输入所述第二阶段异常检测模型，获得第二异常检测结果，包括：获取所述训练数据集中正常样本的占比；根据所述正常样本和所述训练数据集中正常样本的占比，计算所述测试数据集子集的异常分数和检测阈值；判断所述测试数据集子集的异常分数是否小于检测阈值，如果所述测试数据集子集的异常分数小于检测阈值，则判定为正常产品；否则，判定为异常产品。
[0009]进一步地，所述训练数据集中正常样本的占比小于预设值时，计算所述测试数据集子集的异常分数和检测阈值，包括：将所述正常样本输入第二阶段异常检测模型以提取不同层级的第一特征向量；将第一特征向量沿通道维度进行拼接以获得来自不同语义层次和分辨率的第二特征向量，并将第二特征向量拟合为多元高斯分布；将测试数据集子集与上述多元高斯分布之间的Mahalanobis距离的平方作为异常分数，并根据理论分位数给出检测阈值。
[0010]进一步地，所述训练数据集中正常样本的占比大于或等于预设值时，计算所述测试数据集子集的异常分数和检测阈值，包括：从正常样本中抽取一批作为已知标签的测试样本，将剩余的正常样本输入第二阶段异常检测模型以提取不同层级的第一特征向量；将第一特征向量沿通道维度进行拼接以获得来自不同语义层次和分辨率的第二特征向量，并将第二特征向量拟合为多元高斯分布；将测试数据集子集与上述多元高斯分布之间的Mahalanobis距离的平方作为异常分数；将从正常样本中抽取的已知标签的测试样本输入到上述多元高斯分布中得到已知标签的测试样本的异常分数，则取已知标签的测试样本的异常分数的概率分布的经验分位数作为检测阈值。
[0011]进一步地，所述训练数据集中还包括真实异常样本图像。
[0012]进一步地，所述测试数据集是由图像采集设备所采集的多个工业产品外观图像本专利技术还提供了一种技术方案：一种基于两阶段学习的工业产品外观异常检测系统，包括：数据集获取单元，所述数据集获取单元用于获取训练数据集和测试数据集及ImageNet图像数据集；第一阶段异常检测模型构建单元，所述第一阶段异常检测模型构建单元用于根据所述训练数据集训练预设的卷积神经网络以获得第一阶段异常检测模型；第一检测单元，所述第一检测单元用于将所述测试数据集输入所述第一阶段异常检测模型，获得第一异常检测结果；
第二阶段异常检测模型构建单元，所述第二阶段异常检测模型构建单元用于根据所述ImageNet图像数据集训练预设的卷积神经网络以获得第二阶段异常检测模型；第二检测单元，所述第二检测单元用于将测试数据集子集输入所述第二阶段异常检测模型，获得第二异常检测结果，其中，所述测试数据集子集为从测试数据集中剔除第一异常检测结果后剩余的测试数据；召回指令生成单元，所述召回指令生成单元用于生成召回指令将所述第一异常检测结果和第二异常检测结果对应的异常产品进行召回。
[0013]进一步地，所述第二检测单元包括：占比获取模块，所述占比获取单元用于获取所述训练数据集中正常样本的占比；计算模块，所述计算单元用于根据所述正常样本和所述训练数据集中正常样本的占比，计算所述测试数据集子集的异常分数和检测阈值；异常判断模块，所述异常判断单元用于判断所述测试数据集子集的异常分数是否小于检测阈值，如果所述测试数据集子集的异常分数小于检测阈值，则判定为正常产品；否则，判定为异常产品。
[0014]借由上述技术方案，本专利技术提供了一种基于两阶段学习的工业产品外观异常检测方法及系统，至少具备以下有益效果：1、本专利技术第一阶段通过正常样本和根据CutCover和Outlier Exposure方法构造显著区别于正常样本的伪异常样本对卷积神经网络进行训练，获得第一阶段异常检测模型，从而可将图像采集设备所采集的测试数据集中具有重影和特征模糊的低质量图像以及一些具有明显缺陷的异常图像进行初步筛选，进而降低了异常产品漏检率。
[0015]2、本专利技术第二阶段通过ImageNet图像数据集训练卷积神经网络获得第二阶段异常检测模型，并根据训练数据集中正常样本的占比和正常样本，计算测试数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于两阶段学习的工业产品外观异常检测方法，其特征在于，包括以下步骤：获取测试数据集和训练数据集及ImageNet图像数据集；根据所述训练数据集训练预设的卷积神经网络以获得第一阶段异常检测模型；将所述测试数据集输入所述第一阶段异常检测模型，获得第一异常检测结果；根据所述ImageNet图像数据集训练预设的卷积神经网络以获得第二阶段异常检测模型；将测试数据集子集输入所述第二阶段异常检测模型，获得第二异常检测结果，其中，所述测试数据集子集为从测试数据集中剔除第一异常检测结果后剩余的测试数据；生成召回指令将所述第一异常检测结果和第二异常检测结果对应的异常产品进行召回。2.根据权利要求1所述的一种基于两阶段学习的工业产品外观异常检测方法，其特征在于，所述训练数据集包括伪异常样本和含有点位信息的正常样本，其中，所述伪异常样本为根据CutCover方法和Outlier Exposure方法构造的区别于正常样本的图像。3.根据权利要求2所述的一种基于两阶段学习的工业产品外观异常检测方法，其特征在于，所述将测试数据集子集输入所述第二阶段异常检测模型，获得第二异常检测结果，包括：获取所述训练数据集中正常样本的占比；根据所述正常样本和所述训练数据集中正常样本的占比，计算所述测试数据集子集的异常分数和检测阈值；判断所述测试数据集子集的异常分数是否小于检测阈值，如果所述测试数据集子集的异常分数小于检测阈值，则判定为正常产品；否则，判定为异常产品。4.根据权利要求3所述的一种基于两阶段学习的工业产品外观异常检测方法，其特征在于，所述训练数据集中正常样本的占比小于预设值时，计算所述测试数据集子集的异常分数和检测阈值，包括：将所述正常样本输入第二阶段异常检测模型以提取不同层级的第一特征向量；将第一特征向量沿通道维度进行拼接以获得来自不同语义层次和分辨率的第二特征向量，并将第二特征向量拟合为多元高斯分布；将测试数据集子集与上述多元高斯分布之间的Mahalanobis距离的平方作为异常分数，并根据理论分位数给出检测阈值。5.根据权利要求3所述的一种基于两阶段学习的工业产品外观异常检测方法，其特征在于，所述训练数据集中正常样本的占比大于或等于预设值时，计算所述测试数据集子集的异常分数和检测阈值，包括：从正常样本中抽取一批作为已知标签的测试样本，将剩余的正常样本输入第二阶段异常检测模型以提取不同层级的第一特征向量；将第一特征向量沿通道维度进行拼接以获得来自不同语义层次和分辨率的第二...

【专利技术属性】
技术研发人员：宋艳枝，刘建宇，
申请(专利权)人：合肥高斯智能科技有限公司，
类型：发明
国别省市：