一种基于多层次特征融合网络的图像异常检测方法技术

本发明专利技术涉及图像异常检测技术领域，解决了针对异常检测任务异常先验较少以及现有方法提取的特征质量不高的技术问题，尤其涉及一种基于多层次特征融合网络的图像异常检测方法，包括以下步骤：S1、获取待检测的图像数据；S2、将待检测的图像数据输入至多层次特征融合网络模型中生成单一图像所对应的异常分数图；S3、采用双线性插值方法将异常分数图上采样为原图大小，得到用于图像异常定位的像素级异常分数。本发明专利技术利用伪异常生成算法，将异常检测任务转化为监督学习任务，并构建多层次特征融合网络模型获得多层次语义信息，提高了异常检测的准确率。测的准确率。测的准确率。

【技术实现步骤摘要】
一种基于多层次特征融合网络的图像异常检测方法


[0001]本专利技术涉及图像异常检测
，尤其涉及一种基于多层次特征融合网络的图像异常检测方法。

技术介绍

[0002]异常检测通常是指在异常先验知识有限甚至缺失的情况下，检测并定位出与正常模式不同的异常模式。在计算机视觉领域中，很多应用任务都涉及异常检测问题，如工业图像缺陷检测、医学图像分析和视频监控等。
[0003]与常见的监督分类问题不同，异常检测在数据和算法层面面临着更多的挑战。首先，相比较于正常模式，异常模式通常十分罕见，形式上呈现多样性，因此难以获取丰富的标注以及未标注的异常数据用于模型训练；其次，在图像异常检测与分割中，异常通常是细粒度的，它在高分辨率图像中往往占据着少量的像素，这不仅为设计高性能的缺陷检测器带来困难，还使得研究人员们难以对异常图像中的异常区域进行精准地像素级标注。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于多层次特征融合网络的图像异常检测方法，解决了针对异常检测任务异常先验较少以及现有方法提取的特征质量不高的技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层次特征融合网络的图像异常检测方法，其特征在于，包括以下步骤：S1、获取待检测的图像数据；S2、将待检测的图像数据输入至多层次特征融合网络模型中生成单一图像所对应的异常分数图；S3、采用双线性插值方法将异常分数图上采样为原图大小，得到用于图像异常定位的像素级异常分数。2.根据权利要求1所述的图像异常检测方法，其特征在于：在步骤S2中，多层次特征融合网络模型的构建方法包括以下步骤：S21、采用伪异常数据生成算法，对训练集进行异常数据扩充，将异常检测任务转化为监督学习任务；S22、搭建多层次特征融合网络模型；S23、通过分数映射网络生成异常分数，然后使用全局损失函数训练多层次特征融合网络模型，全局损失函数包括特征约束损失函数f、分数约束损失函数s和一致性约束损失函数batch_fs。3.根据权利要求2所述的图像异常检测方法，其特征在于：在步骤S21中，采用伪异常数据生成算法，对训练集进行异常数据扩充，将异常检测任务转化为监督学习任务，具体过程包括以下步骤：S211、通过复制操作对训练集中的数据进行10倍扩充，然后在扩充后图像中选取一半数量的图像用于生成伪异常数据；S212、使用五彩纸屑噪声和CutPaste两种伪异常生成算法在训练集中的图像上生成伪异常图像，并为每张伪异常图像生成相应的掩膜。4.根据权利要求2所述的图像异常检测方法，其特征在于：在步骤S22中，多层次特征融合网络模型包括主干网络、纹理特征提取网络STLNet和自校准模块三部分组成。5.根据权利要求4所述的图像异常检测方法，其特征在于：采用多尺度特征提取器ResNet作为主干网络。6.根据权利要求4所述的图像异常检测方法，其特征在于：纹理特征提取网络STLNet由纹理增强模块TEM和金字塔纹理增强模块PTFEM两个模块组成，纹理特征提取网络STLNet用于输出最终的图像底层纹理特征。7.根据权利要求4所述的图像异常检测方法，其...

【专利技术属性】
技术研发人员：唐俊，左金梅，王科，张艳，
申请(专利权)人：安徽大学，
类型：发明
国别省市：