一种基于深度学习自编码器的图像异常检测方法技术

本发明专利技术公开了一种基于深度学习自编码器的图像异常检测方法，对输入的正常样本进行预处理，利用编码器得到编码特征，然后将编码特征输入到记忆模块中记忆正常样本的潜层特征，将得到的潜层特征通过解码器解码得到重构图像。另外，将潜层特征利用Deep SVDD映射到一个超球体中，同时计算重构图像与初始图像的重构误差和潜层特征到球心的距离误差，将重构误差和潜层特征到超球体的距离误差联合作为异常评分，最终实现异常检测。本发明专利技术采用了记忆模块对编码特征进行更新记忆，并添加了对潜层特征采用Deep SVDD的超球映射，能更加有效的扩大正常和异常样本之间的异常分数，从而提高异常检测的效果。常检测的效果。常检测的效果。

【技术实现步骤摘要】
一种基于深度学习自编码器的图像异常检测方法


[0001]本申请属于图像异常检测
，尤其涉及一种基于深度学习自编码器的图像异常检测方法。

技术介绍

[0002]图像异常现象在工业质检、医疗影像分析及视频监控等应用场合频繁出现，发现它的规律并预测是本领域研究的热点。传统的图像异常检测方法往往需要手工提取特征或设计复杂的算法，这些方法存在较大的局限性。
[0003]而基于自编码器的图像异常检测方法可以避免这些问题，因为它可以自动从数据中学习到最显著的特征，并且不需要依赖任何先验知识。目前，研究发现最常用无监督学习方法是自编码器，它是一类神经网络，它可以将输入数据进行压缩，并生成一种新的表征形式。这个新的表征形式称为编码(或隐藏状态)，它可以用于重构原始输入数据或执行其他任务，例如降维、特征提取和异常检测等。基于自编码器的图像异常检测方法已经在许多领域得到广泛应用，如工业质检、医疗影像分析、视频监控等。
[0004]尽管基于自编码器的图像异常检测已经取得了很大进展，但仍然存在一些挑战和难点，例如如何设计更有效的自编码器结构、如何处理过拟合问题和如何解决受限于正常样本问题等。

技术实现思路

[0005]本申请的目的是提供一种基于深度学习自编码器的图像异常检测方法，用于识别包含异常的图像数据集中的异常样本。
[0006]为了实现上述目的，本申请技术方案如下：
[0007]一种基于深度学习自编码器的图像异常检测方法，包括：
[0008]采用正常样本训练包括编码器、记忆模块和解码器的自编码器网络模型；
[0009]将待检测图像数据输入编码器中得到编码特征；
[0010]将编码特征输入到记忆模块，获得潜层特征；
[0011]将潜层特征输入到解码器，得到重构图像，并将潜层特征利用Deep SVDD映射到一个超球体中，采用重构图像与待检测图像的误差以及潜层特征到超球体球心的距离误差，计算异常评分，根据计算得到的异常评分判定输入待检测图像是否异常。
[0012]进一步的，所述记忆模块包括记忆寻址单元、硬收缩单元和内存单元，所述将编码特征输入到记忆模块，获得潜层特征，包括：
[0013]在记忆寻址单元中计算编码特征与内存单元中每个内存项的相似度度量，再进行归一化得到第一注意权重参数；
[0014]在硬收缩单元对第一注意权重参数进行硬收缩操作，对第一注意权重参数进行约束，得到第二注意权重参数；
[0015]将归一化后的第二注意权重参数与内存单元中内存项相乘并求和，得到潜层特
征。
[0016]进一步的，所述采用正常样本训练包括编码器、记忆模块和解码器的自编码器网络模型，采用如下联合损失：
[0017][0018]其中X为输入图像数据，X
′
为重构图像数据，为潜层特征，c为超球体球心，λ和κ为超参数，P为每轮训练时训练样本数量，L为编码器和解码器中神经网络的层数，W
l
为第l层神经网络的权重。
[0019]进一步的，所述采用重构图像与待检测图像的误差以及潜层特征到超球体球心的距离误差，计算异常评分，采用如下公式：
[0020][0021]其中X为输入图像数据，X
′
为重构图像数据，为潜层特征，c为超球体球心。
[0022]进一步的，所述计算编码特征与内存单元中每个内存项的相似度度量，再进行归一化得到第一注意权重参数，包括：
[0023]首先计算编码特征与内存单元中每个内存项的相似度度量：
[0024][0025]其中，z为编码特征，m
i
为内存单元中第i个内存项，cs(z,m
i
)表示编码特征z与内存项m
i
的相似度度量，‖*‖2表示L2范数；
[0026]然后，对相似度度量cs(z,m
i
)进行归一化处理：
[0027][0028]其中，S为内存单元中内存项的数量，w为第一注意权重参数，w
i
是w中的第i项，w＝(w1,
…
w
i
,
…
w
S
)。
[0029]本申请提供的一种基于深度学习自编码器的图像异常检测方法，基于深度SVDD自编码器添加了一个记忆模块，可以更好的存储训练正常样本中的编码特征，提高区分正常和异常的准确率。联合Deep SVDD将潜层特征映射到一个超球体中。通过联合重构误差和到球心的距离大小作为异常分数，提高了检测性能。
附图说明
[0030]图1为本申请基于深度学习自编码器的图像异常检测方法流程图。
[0031]图2为本申请自编码器网络模型示意图。
[0032]图3为本申请实施例记忆模块示意图。
具体实施方式
[0033]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0034]本申请提出的一种基于深度学习自编码器的图像异常检测方法，总体思路是首先对输入的正常样本进行预处理，利用编码器得到编码特征z，然后将编码特征z输入到记忆模块中记忆正常样本的潜层特征将得到的通过解码器解码得到重构图像并利用深度支持向量数据描述(Deep SVDD)映射到一个超球体中，同时计算重构图像与初始图像的MSE重构误差和潜层特征到球心的距离误差。测试将MSE重构误差和潜层特征到超球体的距离误差联合作为误差评分，利用ROC_AUC评分标准计算准确率，最终实现异常检测。
[0035]在一个实施例中，如图1所示，一种基于深度学习自编码器的图像异常检测方法，包括：
[0036]步骤S1、采用正常样本训练包括编码器、记忆模块和解码器的自编码器网络模型。
[0037]本申请构建了如图2所示的包括编码器、记忆模块和解码器的自编码器网络模型，采用正常样本对自编码器网络模型进行训练，得到训练好的自编码器网络模型。
[0038]训练时，首先进行数据预处理，进行初始全局对比度归一化(GCN)，再对数据集标签进行处理得到训练的正常样本。
[0039]具体的，对于单个数据样本，先计算所有像素的平均值和方差，将每个像素的值减去平均值，再除以方差，使得所有像素的值都处于接近0的范围内。对于整个数据集，可以使用相同的均值和方差进行标准化，从而实现全局对比度归一化(GCN)。其计算公式如下：
[0040][0041]上式中，ε是一个极小值，避免除数为0。其中，X为输入图像样本，u表示单样本的所有像素均值，M和N分别表示像素的列数和行数，σ为单样本的像素标准差。
[0042]针对于训练样本数据，它由10类样本数据组成，将一类作为训练正常样本并将其标签标记为0，其余九类作为异常样本并将其标签标记为1。训练时只采用一类正常样本数据进行训练，经过多轮训练得到训练好的自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习自编码器的图像异常检测方法，其特征在于，所述基于深度学习自编码器的图像异常检测方法，包括：采用正常样本训练包括编码器、记忆模块和解码器的自编码器网络模型；将待检测图像数据输入编码器中得到编码特征；将编码特征输入到记忆模块，获得潜层特征；将潜层特征输入到解码器，得到重构图像，并将潜层特征利用Deep SVDD映射到一个超球体中，采用重构图像与待检测图像的误差以及潜层特征到超球体球心的距离误差，计算异常评分，根据计算得到的异常评分判定输入待检测图像是否异常。2.根据权利要求1所述的基于深度学习自编码器的图像异常检测方法，其特征在于，所述记忆模块包括记忆寻址单元、硬收缩单元和内存单元，所述将编码特征输入到记忆模块，获得潜层特征，包括：在记忆寻址单元中计算编码特征与内存单元中每个内存项的相似度度量，再进行归一化得到第一注意权重参数；在硬收缩单元对第一注意权重参数进行硬收缩操作，对第一注意权重参数进行约束，得到第二注意权重参数；将归一化后的第二注意权重参数与内存单元中内存项相乘并求和，得到潜层特征。3.根据权利要求1所述的基于深度学习自编码器的图像异常检测方法，其特征在于，所述采用正常样本训练包括编码器、记忆模块和解码器的自编码器网络模型，采用如下联合损失：其中X为输入图像数据，X
′
为重构图像数据，为潜层特征，c为超球体球心...

【专利技术属性】
技术研发人员：黄伟，刘振，张冰洋，李永杰，金晓航，赵明珠，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：