【技术实现步骤摘要】
使用多个机器学习程序检测图像中的异常的方法和系统
[0001]本专利技术总体上涉及机器视觉系统,并且更具体地涉及对由成像传感器观察到的场景中的异常的检测。
技术介绍
[0002]图像数据中的异常的检测和定位在许多机器视觉应用中是重要的任务。常用方法是使用机器学习,通过用人监督在图像上训练机器学习来创建称为模型的预测程序,该预测程序以图像中的异常的标签或注释的形式提供。然而,异常图像在模型创建期间通常不可用,并且难以确定在实践中可能发生的所有可能类型的异常。因此,期望不需要在训练图像中注释或呈现异常的异常检测方法。例如,在制造行业中,光学检查任务经常缺乏可以用于训练异常检测模型的缺陷样本的详尽集合。这是由于现代制造机器的低错误率以及在生产过程中可能出现的缺陷的高多样性。本文描述了用于检测图像中的异常的方法。所述方法不需要在用于模型创建的训练图像中注释或呈现异常。
[0003]用于检测图像中的异常的方法的场景是多样的并且已经引入许多方法来解决该问题。埃雷特(Ehret)等人(EHRET,T.等人,图像异常:检测方法的综述和合成(A Review and Synthesis of Detection Methods)。数学成像与视觉杂志(Journal of Mathematical Imaging and Vision),2019年第61卷,第5期,第710
–
743页)给出了现有工作的全面综述。许多方法由于神经网络的学习描述图像中的复杂模式的辨别性表示(称为特征)的能力而使用神经网络。以下段落 ...
【技术保护点】
【技术特征摘要】
1.一种计算机实现的方法,用于使用至少一个机器学习程序检测数字图像中的异常,所述方法包括以下步骤:(a)获取一个或更多个训练图像;(b)通过执行至少一次训练迭代来在所述训练图像上训练所述方法,每次训练迭代包括以下步骤:(b1)从所述训练图像中选择一个或更多个图像;(b2)计算每个选择的训练图像的多个性能分数,包括以下步骤:(b21)获得所述选择的训练图像的目标表示;(b22)指示编码器程序,以通过将所述编码器程序应用于所述选择的训练图像来计算比所述选择的训练图像低维度的中间训练表示;(b23)指示解码器程序,以通过将所述解码器程序应用于所述中间训练表示来计算比所述中间训练表示高维度的训练解码输出;(b24)基于所述训练解码输出和所述选择的训练图像的所述目标表示来计算一个或更多个解码性能分数;(b25)指示回归程序,以通过将所述回归程序应用于所述选择的训练图像来计算训练回归输出;(b26)基于所述选择的训练图像的所述训练回归输出和所述训练解码输出来计算一个或更多个回归性能分数;(b3)调整所述机器学习程序的参数以提高所述选择的训练图像的所述性能分数;(c)获取一个或更多个搜索图像;(d)检测所述搜索图像中的异常,对于每个搜索图像包括以下步骤:(d1)指示所述编码器程序,以通过将所述编码器程序应用于所述搜索图像来计算比所述搜索图像低维度的中间搜索表示;(d2)指示所述解码器程序,以通过将所述解码器程序应用于所述中间搜索表示来计算比所述中间搜索表示高维度的搜索解码输出;(d3)指示所述回归程序,以通过将所述回归程序应用于所述搜索图像来计算搜索回归输出;(d4)对所述搜索图像的所述搜索回归输出和所述搜索解码输出应用搜索相似度度量以计算一个或更多个搜索相似度值;(d5)基于所述搜索相似度值计算所述搜索图像的一个或更多个异常分数。2.根据权利要求1所述的方法,其中将在步骤(d5)中计算的所述异常分数与由至少一个第二异常检测程序计算的一个或更多个第二异常分数组合,并且基于在步骤(d5)中计算的所述异常分数的值中的一些或全部和所述第二异常分数的值中的一些或全部来确定异常的存在。3.根据权利要求1或2所述的方法,其中由第一异常检测程序单独地计算或与由至少一个第二异常检测程序计算的一个或更多个第二异常分数组合的所述计算的异常分数中的一些或全部被空间地布置,从而形成用于所述搜索图像中的一些或全部的一个或更多个异常图。4.根据权利要求2和3所述的方法,其中所述异常图中的一些或全部与由至少一个第二
异常检测程序计算的一个或更多个异常图组合,所述方法包括以下步骤:(e1)在步骤(d5)中获...
【专利技术属性】
技术研发人员:P,
申请(专利权)人:MV科技软件有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。