一种基于深度特征重建的复杂场景中螺栓异常检测方法技术

本发明专利技术涉及一种基于深度特征重建的复杂场景中螺栓异常检测方法，包括：1)获取原始图像输入卷积下采样网络，得到不同分辨率的深度特征图；2)将不同分辨率的深度特征图进行融合并输入到卷积插值上采样网络中，生成预测矩阵以及原始蒙版图；3)在卷积下采样网络得到的不同分辨率的特征图中清除螺栓位置附近的特征，并重建该螺栓区域在正常状态时的特征，得到重建蒙版图；4)对比原始蒙版图和重建蒙版图，完成异常螺栓的判定并生成最终的异常螺栓复原图。与现有技术相比，本发明专利技术能够排除生产设备在图片中的位置、室外光线情况、生产设备所处背景及设备本身工作状态对螺栓异常检测任务的干扰，具有较高的鲁棒性、适用性和实用性。适用性和实用性。适用性和实用性。

【技术实现步骤摘要】
一种基于深度特征重建的复杂场景中螺栓异常检测方法


[0001]本专利技术涉及机器视觉检测领域，尤其是涉及一种基于深度特征重建的复杂场景中螺栓异常检测方法。

技术介绍

[0002]异常检测任务是计算机视觉领域的热门任务，其被广泛应用到工业生产领域以解放人力，提高生产力和生产效率，具有较高的使用价值，其具体的应用场景包括产品质量检测，生产场景监督等。由于应用场景广泛，其所使用方法对于场景的理解能力要求较高，同时，由于异常的不可预知性，也无法预知所有可能会发生的异常以及异常样本数量较少，因此其只能使用无异常的样本进行先验知识的提取，即半监督或无监督方法，这为异常检测任务带来了很大难度，同时，这也是异常检测任务区别于缺陷检测任务的主要特点。
[0003]现有异常检测技术主要有以下几种：
[0004]第一类是基于深度特征的方法：该类方法使用深度神经网络提取出无异常样本的深度特征，将这些无异常样本的深度特征可以直接作为无异常的先验知识存储为数据库，或者提取出无异常样本的深度特征的分布规律，当进行异常检测时，使用同一深度网络进行特征提取，与无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度特征重建的复杂场景中螺栓异常检测方法，其特征在于，该方法包括以下步骤：1)获取复杂场景中机械设备的原始图像，输入卷积下采样网络，得到不同分辨率的深度特征图，以保留机械设备的结构信息以及螺栓的视觉信息；2)将不同分辨率的深度特征图进行融合并输入到卷积插值上采样网络中，对深度特征进行解码并将输入的特征图恢复到原始图像大小，生成预测包含图片中每个像素点预测其到螺栓的单位向量的矩阵以及正常螺栓的蒙版图，即原始蒙版图，通过预测包含图片中每个像素点预测其到螺栓的单位向量的矩阵结合各像素本身的位置得到各个螺栓的位置；3)根据得到的螺栓位置，在卷积下采样网络得到的不同分辨率的特征图中清除螺栓位置附近的特征，并重建该螺栓区域在正常状态时的特征，从而对特征图进行补全，并对重建后特征图进行螺栓检测，得到该机械设备所有螺栓处于正常状态下的蒙版图，即重建蒙版图；4)对比原始蒙版图和重建蒙版图，完成异常螺栓的判定并生成最终的异常螺栓复原图。2.根据权利要求1所述的一种基于深度特征重建的复杂场景中螺栓异常检测方法，其特征在于，所述的步骤1)中，卷积下采样网络设有四层，其中后三层均采用深度残差卷积网络，并且在每层卷积后经过批正则化和ReLU激活函数。3.根据权利要求2所述的一种基于深度特征重建的复杂场景中螺栓异常检测方法，其特征在于，所述的步骤2)中，通过卷积下采样网络得到不同分辨率的深度特征图通过跳跃连接的方式进行特征拼接融合后输入卷积插值上采样网络中，其中，卷积下采样网络中最后一层提取的深度特征图直接作为卷积插值上采样网络的输入，卷积下采样网络中的前三层提取的特征图在卷积上采样的过程中通过拼接进行添加，用以为卷积插值上采样网络提供不同层级的特征信息。4.根据权利要求3所述的一种基于深度特征重建的复杂场景中螺栓异常检测方法，其特征在于，所述的特征拼接融合方式具体为：将两个特征在通道维度进行组合，从而得到更厚的特征。5.根据权利要求3所述的...

【专利技术属性】
技术研发人员：陈启军，刘创伟，刘成菊，彭云，颜熠，
申请(专利权)人：同济大学，
类型：发明
国别省市：