云边协同场景下基于记忆机制的卷包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云边协同场景下基于记忆机制的卷包异常检测方法及装置。本发明专利技术将获取的待检测卷烟外包装图像输入至基于云边协同场景下训练获得的异常检测模型进行重构，并依据重构误差判断是否异常。其中基于云边协同场景下训练获得的异常检测模型训练时主要是基于边端数量，构建对应的多个异常检测模型，每个模型中通过边端构建的子训练数据集进行训练，在每一轮训练完成后将模型上传至云端进行融合，再返回各个边端对应的异常检测模型训练，不断迭代更新，可以应对不同边端数据分布不一致、边端数据不共享等问题，在边端和云端的不断交互中实现模型参数的更新，以获得最终的全局模型，从而实现在各个边端异常检测效果的全局最优。的全局最优。的全局最优。

【技术实现步骤摘要】
云边协同场景下基于记忆机制的卷包异常检测方法及装置


[0001]本专利技术涉及卷烟外包装的异常检测算法，特别是一种云边协同场景下，针对卷包(卷烟外包装)的，基于记忆机制的无监督异常检测方法及装置。

技术介绍

[0002]在高速流水线生产卷烟的过程当中，会不可避免地产生残次品，卷烟外包装会出现商标破损，透明纸折叠等异常。及时地剔除有缺陷的产品、避免该缺陷产品流入市场可以避免更大的经济损失。传统的检测方案大多是基于人工检测，但是这样的检测方法十分浪费人力物力，且判断的方法十分主观，效率低，难以适应现今流水线上的高速生产方式。随着深度学习的兴起，基于机器视觉的异常检测方案代替了人工检测。
[0003]基于深度学习的异常检测技术在工业缺陷检测领域有着广泛的应用，然而大多数基于二分类的方法需要大量的正常和异常样本来训练异常检测模型。在工业场景下的异常检测任务当中，由于产品的异常样本难以获得，并且异常的种类多且复杂，难以应用这类基于分类的检测方法，因此现在往往采用的是基于无监督学习的异常检测方案。训练阶段只采用正常样本，模型对于正常样本的数据分布进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云边协同场景下基于记忆机制的卷包异常检测方法，其特征在于，具体为：将获取的待检测卷烟外包装图像x输入至基于云边协同场景下训练获得的异常检测模型进行重构，获得重构图像基于待检测卷烟外包装图像x与重构图像的重构误差判断所述待检测卷烟外包装图像x是否异常；其中，所述基于云边协同场景下训练获得的异常检测模型的训练方法如下：构建训练数据集，所述训练数据集包括多个子训练数据集，每个子训练数据集对应卷烟厂一个边端，包含对应边端收集的多张正常的卷烟外包装图像；构建与子训练数据集一一对应的多个异常检测模型，每个异常检测模型结构相同，包括编码器和解码器，其中编码器对输入图像进行编码获得特征向量，解码器对特征向量进行解码获得输入图像的重构图像；将子训练数据集的样本输入至对应的异常检测模型进行迭代训练，其中，每训练完一轮，每个异常检测模型以最小化损失函数为目标更新模型参数并上传至云端进行融合得到全局模型参数，将融合后的全局模型参数发回各个异常检测模型后继续下一轮训练，直至达到设定的最大迭代次数，获得训练好的异常检测模型；融合方法如下：其中k代表边端编号，α
k
代表第k个边端的权重，代表t轮迭代训练后第k个边端的更新的模型参数，θ
t+1
代表t+1轮迭代后全局模型参数。2.根据权利要求1所述的方法，其特征在于，所述基于待检测卷烟外包装图像x与重构图像的重构误差判断所述待检测卷烟外包装图像x是否异常具体为：若待检测卷烟外包装图像x与重构图像的重构误差大于阈值，则判定为待检测卷烟外包装图像x异常，否则为无异常。3.根据权利要求1所述的方法，其特征在于，所述阈值表示为η＝μ+3σ，其中，μ和σ分别是云边协同场景下训练获得的异常检测模型对训练数据集中每个样本进行重构后的重构误差的均值、...

【专利技术属性】
技术研发人员：赵春晖，李盈萱，许啸振，朱立明，章强，李钰靚，
申请(专利权)人：浙江大学，
类型：发明
国别省市：