一种基于快速傅里叶卷积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快速傅里叶卷积(FFC)的工业图像异常检测方法，所述方法包括获取异常图片；将所述异常图片输入预先训练过的基于快速傅里叶卷积搭建的图像异常检测模型中，获取重建图片；使用L2函数计算所述异常图片与重建图片的差值；将所述差值与预先设置的阈值进行比较，获取最终检测结果。所述图像异常检测模型的训练方法，包括：获取正常样本图片，将正常样本图片经过随机掩码变成异常图片；将异常图片输入预先构建的图像异常检测模型中进行训练，其中，图像异常检测模型包括高频注意力模块和编码器

【技术实现步骤摘要】
一种基于快速傅里叶卷积的工业图像异常检测方法


[0001]本专利技术涉及一种基于快速傅里叶卷积的工业图像异常检测方法，属于计算机视觉


技术介绍

[0002]计算机视觉领域中异常检测和定位的目的是识别异常图像并定位异常区域，广泛应用于工业缺陷检测、医学图像检测和安全检查等领域。然而，由于异常的概率密度较低，正常和异常数据通常表现出严重的长尾分布，甚至在某些情况下，没有异常样本可用。因此，在实践中很难收集和注释大量异常数据用于监督学习。为了解决这一问题，人们提出了无监督异常检测，它也被称为一分类检测或分布外检测。具体来说就是在训练过程中只使用含有正常样本的数据集进行网络训练，在测试过程中检测出与正常样本差别较大的样本，即为异常样本。
[0003]深度学习中尤其是卷积神经网络(CNN)和残差网络(Resnet)，为在多个层次上自动构建综合表示提供了一个强大的替代方案，它们通过搜索特征空间来逼近二元分类问题的决策边界，在特征空间中正态数据的分布被精确建模。事实证明，这种深层特征在捕捉正常数据流形的内在特征方面非常有效。尽管这些方法在各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于快速傅里叶卷积的工业图像异常检测方法，其特征在于，包括：获取异常图片；将所述异常图片输入预先训练过的基于快速傅里叶卷积搭建的图像异常检测模型中，获取重建图片；使用L2函数计算所述异常图片与重建图片的差值；将所述差值与预先设置的阈值进行比较，获取最终检测结果。2.根据权利要求1所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述图像异常检测模型的训练方法，包括：获取正常样本图片，将正常样本图片经过随机掩码变成异常图片；将异常图片输入预先构建的图像异常检测模型中进行训练，其中，高频注意力模块和编码器
‑
解码器模块。3.根据权利要求2所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述将异常图片输入预先构建的图像异常检测模型中进行训练，包括：将异常图片送入高频注意力模块提取正常样本出现次数较高的图像细节信息，得到包含高频注意力的特征图；将所述包含高频注意力的特征图送入类U型结构的编码器
‑
解码器中，获取复原重建的无异常图片；计算所述正常样本图片和所述复原重建的无异常图片之间的L2差值损失，通过随机梯度下降方法优化L2差值损失，获取最优的图像异常检测模型。4.根据权利要求3所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述将所述包含高频注意力的特征图送入类U型结构的编码器
‑
解码器中，获取复原重建的无异常图片，包括：通过编码器对输入的特征图执行编码操作，提取特征图的深层语义信息；通过解码器操作，对提取到的深层语义信息进行特征重建，使得特征图重塑为和输入特征图尺寸相同，且将异常区域的信息重塑为正常信息，获取复原重建的无异常图片。5.根据权利要求3所述的基于快速傅里叶卷积的工业图像异常检...

【专利技术属性】
技术研发人员：朱加乐，郭浩然，江结林，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：