一种基于高斯混合模型的无监督缺陷分割算法制造技术

本发明专利技术公开了基于高斯混合模型的无监督缺陷分割算法，包括：S1、对正常图像提取特征，得到第一特征图；S2、按照第一特征图每个通道上方差大小对其进行特征选择，筛选出方差最大的topK个维度，使用这K个维度的特征组成第一新特征图，同时保留这K个维度的K个索引；S3、通过高斯混合模型对第一新特征图上每个位置处的特征的概率分布进行建模，并计算模型参数；S4、对测试图像按照步骤S1的方式进行特征提取，得到第二特征图，再对第二特征图按步骤S2得到的K个索引进行维度筛选，获得第二新特征图；S5、基于步骤S3计算的参数，对第二新特征图上所有位置处的特征都分别计算异常分数，得到测试图像的异常图。测试图像的异常图。测试图像的异常图。

【技术实现步骤摘要】
一种基于高斯混合模型的无监督缺陷分割算法


[0001]本专利技术涉及计算机图像处理领域，具体涉及一种基于高斯混合模型的无监督缺陷分割算法。

技术介绍

[0002]缺陷分割是定位图像中异常区域的过程。在工业领域中，自动定位产品的缺陷是非常有价值的，然而训练样本的获得以及标定成本较高，而且异常的类型往往是多样化的。在这种情况下传统的监督学习方法效果不佳。近年来，无监督学习方法相继出现，这类方法只在正常样本上进行训练，即可使模型拥有识别异常样本的能力。而无监督分割算法更进一步，模型不仅能够识别异常样本，更能定位异常区域，这使得这类算法有着更大的工业应用前景。
[0003]例如，Thomas Defard等基于预训练模型和马氏距离提出的无监督分割算法PaDiM(Defard,Thomas；Setkov,Aleksandr；Loesch,Angelique；Audigier,Romaric(2020):PaDiM:a Patch Distribution Modeling Framework forAnomaly Detection and Lo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高斯混合模型的无监督缺陷分割算法，其特征在于，包括如下步骤：S1、对正常图像进行特征提取，得到第一特征图E
n
；S2、按照所述第一特征图E
n
每个通道上方差大小对其进行特征选择，筛选出方差最大的topK个维度，使用这K个维度的特征组成第一新特征图E
n
’
，同时保留这K个维度的K个索引；S3、通过高斯混合模型对所述第一新特征图E
n
’
上每个位置处的特征的概率分布进行建模，并计算模型参数；S4、对测试图像按照步骤S1的方式进行特征提取，得到第二特征图E
t
，再对所述第二特征图E
t
按步骤S2得到的K个索引进行维度筛选，获得第二新特征图E
t
’
；S5、基于步骤S3计算出的参数，对所述第二新特征图E
t
’
上所有位置处的特征都分别计算异常分数，得到测试图像的异常图。2.如权利要求1所述的基于高斯混合模型的无监督缺陷分割算法，其特征在于，步骤S1具体包括：S11、使用在ImageNet上预训练的Wide ResNet
‑
50作为特征提取器，针对N个样本中的第n个正常图像I
n
，n＝1,2,
…
,N，经过前向计算之后得到第2、3、4个block的中间特征，分别记为f2、f3、f4；S12、将中间特征f2、f3、f4放大到预设尺度，将经过放大之后的中间特征在通道维度上进行拼接，得到所述第一特征图E
n
。3.如权利要求2所述的基于高斯混合模型的无监督缺陷分割算法，其特征在于，步骤S12中将中间特征f2、f3、f4放大到预设尺度的步骤包括：以中间特征f2、f3、f4三者中最大特征图尺度作为所述预设尺度，将另外两者放大到该预设尺度。4.如权利要求1所述的基于高斯混合模型的无监督缺陷分割算法，其特征在于，步骤S2中通过如下方式求解所述第一特征图E
n
每个通道上的均值μ
c
和方差D(x
c
)：)：其中，N为正常图像样本总数，W和H分别为所述第一特征图E
n
的宽度和长度；x
ncij
代表第一特征图En的第c个通道，位置(i,j)处的值，x
c
代表所述第一特征图E
n
在通道c处的值。5.如权利要求1所述的基于高斯混合模型的无监督缺陷分割算法，其特征在于，步骤S3中所述高斯混合模型由K个高斯模型组合而成，相应的概率分布为：其中，x表示所述第一新特征图E
n
’
上位置(i,j)处的特征向量，θ代表该概率分布的参数集合，P(x|θ)表示x在θ所代表的分布下的概率密度；α
k
是观测特征属于第k个高斯模型的概率，α
k
≥0，φ(x|θ
k
)代表第k个高斯模型分布的密度函数，由θ
k
确定，
μ
k
、σ
k
分别代表第k个高斯模型的均值和协方差；步骤S3计算的所述模型参数包括α
k
和每个高斯模型的参数θ
k
，计算方法为最大期望算法进行迭代计算。6.如权利要求5所述的基于高斯混合模...

【专利技术属性】
技术研发人员：李秀，刘鸿博，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：