基于图像的异常检测方法、装置和模型训练方法、装置制造方法及图纸

本申请实施例提供一种基于图像的异常检测方法、装置和模型训练方法、装置。基于图像进行异常检测的模型的训练方法，包括：通过特征提取网络提取一组样本图像中各样本图像的第一特征图；对第一特征图分别进行全局特征操作和局部特征操作，以获得全局特征向量和局部特征向量；根据局部特征向量和全局特征向量，采用第一损失函数，对特征提取网络进行训练；使用分类网络对全局特征向量进行分类，并使用激活函数进行激活处理，得到分类结果；以及根据分类结果，采用第二损失函数，对分类网络和/或特征提取网络进行训练。本申请能降低漏检和误检，并降低模型对样本数量的依赖，且无需设定量化标准。量化标准。量化标准。

【技术实现步骤摘要】
基于图像的异常检测方法、装置和模型训练方法、装置


[0001]本申请实施例涉及图像处理


技术介绍

[0002]在工业场景中，经常需要利用图像进行异常检测。
[0003]例如，在对印刷线路板(PCB)安装元器件的过程中，需要利用人工智能(AI)技术对安装好的元器件进行外观检测，以确保元器件外观上不存在任何异常，这些异常例如是：异物、焊锡屑、焊锡球、翻身、竖立、翘起、毛刺、引脚翘起、引脚浮起或弯曲、焊锡过多、焊锡过少等情况。
[0004]作为AI技术的重要组成部分，计算机视觉技术在整个AI外观检测流程中举足轻重。
[0005]应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述，不能仅仅因为这些方案在本申请的
技术介绍
部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

技术实现思路

[0006]目前的异常检测技术大体上可分为两种路线：基于对抗生成网络的差分方法和基于二重孪生网络的分类方法。
[0007]本申请的专利技术人发现，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像进行异常检测的模型的训练方法，包括：通过特征提取网络提取一组样本图像中各样本图像的第一特征图；对所述第一特征图分别进行全局特征操作和局部特征操作，以获得全局特征向量和局部特征向量；根据所述局部特征向量和全局特征向量，采用第一损失函数，对所述特征提取网络进行训练；使用分类网络对所述全局特征向量进行分类，并使用激活函数进行激活处理，得到分类结果；以及根据所述分类结果，采用第二损失函数，对所述分类网络和/或所述特征提取网络进行训练。2.如权利要求1所述的方法，其中，根据局部特征向量和全局特征向量，采用第一损失函数，对所述特征提取网络进行训练，包括：基于三重孪生结构的卷积网络，采用难样本三元组(Hard
‑
mining Triplet Loss)作为第一损失函数，根据组别内局部特征向量和局部特征向量的差异、全局特征向量和全局特征向量的差异，对所述特征提取网络进行训练。3.如权利要求1所述的方法，其中，第二损失函数是二元交叉熵损失(Binary Cross Entropy Loss)函数。4.如权利要求1所述的方法，其中，所述方法还包括：对所述样本图像进行图像增强处理，该图像增强处理包括下述处理中的至少一者：明暗变化(random
‑
brightness)、对比度变化(random
‑
contrast)、色彩变化、随机旋转(random
‑
rotation)。5.如权利要求1所述的方法，其中，对所述第一特征图进行全局特征操作包括：利用卷积核(kernel)对所述第一特征图进行二维(2D)平均池化，输出第二特征图；压缩第二特征图的维度；进行丢弃(dropout)操作；以及进行一维批归一化(Batch Normalization 1D)处理和/或L2正则处理。6.如权利要求1所述的方法，其中，对所述第一特征图进行局部特征操作包括：在所述第一特征图的第二个维度上进行求平均值...

【专利技术属性】
技术研发人员：陆嘉轻驰，曹旸，
申请(专利权)人：欧姆龙中国有限公司，
类型：发明
国别省市：