基于自监督对比学习的线缆表面异常检测方法及系统技术方案

本发明专利技术公开了基于自监督对比学习的线缆表面异常检测方法及系统，属于计算机视觉技术领域，要解决的技术问题为如何在不需要异常数据

【技术实现步骤摘要】
基于自监督对比学习的线缆表面异常检测方法及系统


[0001]本专利技术涉及计算机视觉
，具体地说是基于自监督对比学习的线缆表面异常检测方法及系统
。

技术介绍

[0002]在工业质检领域应用人工智能算法面临的最大问题是数据不足，尤其是异常数据稀少
。
在工业生产中我们容易采集到正常数据，对于异常数据需要人工模拟，但是对于一些成因复杂的缺陷则难以模拟，在实际应用中容易造成漏检和误检
。
[0003]主流方法主要基于图像分类和目标检测方法进行工业质检，这类方法需要大量异常数据，且数据标注成本较高；还有基于基于机器学习的各种改进方法，这类方法不需要异常数据，但是对数据中的异常点非常敏感容易收到异常数据干扰，模型鲁棒性较差
。
[0004]如何在不需要异常数据
、
且避免异常数据干扰的情况下进行工业质检，是需要解决的技术问题
。

技术实现思路

[0005]本专利技术的技术任务是针对以上不足，提供基于自监督对比学习的线缆表面异常检测方法及系统，来解决如何本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于自监督对比学习的线缆表面异常检测方法，其特征在于，包括如下步骤：图像处理：采集具有线缆和背景的图像作为样本图像，对于每个样本图像分别进行两路操作，一路为：通过图像掩码对样本图像中背景进行随机遮盖后，对样本图像进行数据增强处理，得到掩码增强后图像；另一路为：对样本图像进行数据增强处理，得到数据增强后图像；模型构建：构建异常检测模型，所述异常检测模型包括两路分支，分别为预测分支和对比分支，所述预测分支包括编码器
、
线性层和多层感知机结构，线性层和多层感知机结构作为编码器输出端的两路分支，编码器用于以图像为输入，预测输出多维特征向量，线性层用于以编码器输出的多维特征向量为输入，预测输出图像为正样本的概率，多层感知机结构用于以编码器输出的多维特征向量为输入，降维输出特征向量；所述对比分支包括编码器和多层感知机机构，所述编码器用于以图像为输入，预测输出多维特征向量，多层感知机结构用于以编码器输出的多维特征向量为输入，降维输出特征向量，其中，预测分支和对比分支中编码器以及多层感知机结构具有相同的模型结构
、
且初始化参数相同；模型训练：将掩码增强后图像输入所述预测分支，将数据增强后图像输入所述对比分支，基于预测分支的输出以及对比分支的输出构建损失函数，通过损失函数最小化进行模型训练，得到异常检测模型的权重参数，并得到训练后预测分支，将训练后预测分支中编码器和线性层作为最终异常检测模型；异常检测：将待检测图像输入最终异常检测模型，通过最终异常检测模型预测输出图像为正样本的概率
。2.
根据权利要求1所述的基于自监督对比学习的线缆表面异常检测方法，其特征在于，样本图像中，线芯位于图像的中心位置，背景位于线芯的两侧；通过图像掩码对样本图像中背景进行随机遮盖时，执行如下操作：设置遮挡面积占样本图像总面积的范围
s
l
和
s
h
，设置遮挡的长宽比率为从
r1到
r2,
设置遮挡背景范围为
h1和
h2；根据掩码图像的高
H
和宽
W
，计算出掩码图像的面积
S
，遮挡面积
S
e
的计算公式为：
S
e
＝
Rand(s
l
,s
h
)*S
随机获取遮挡长宽比
r
e
＝
Rand(r1,r2)
，计算遮挡部分的高
H
e
和宽
W
e
，计算公式如下：根据遮挡范围计算遮挡起始坐标点
(x
e
,y
e
)
，计算公式如下：
x
e
＝
Rand(0,W
‑
W
e
)
，
y
e
＝
Rand(a)
其中
a∈(0,h1‑
H
e
)∪(h2,H
‑
H
e
)。3.
根据权利要求1所述的基于自监督对比学习的线缆表面异常检测方法，其特征在于，对样本图像进行数据增强，包括样本图像进行图像水平与垂直翻转
、
图像缩放和
/
或图像高斯模糊处理
。4.
根据权利要求1所述的基于自监督对比学习的线缆表面异常检测方法，其特征在于，损失函数表达式如下：
其中，
N
是模型训练过程中预设的批量大小，是
y
i
是第
ii
张样本图像通过预测分支产生的特征向量，是第
ii
张样本图像通过对比分支产生的特征向量，
p
i
是预测分支中线性预测层输出的第
ii
张样本图像为正样本的概率；
λ
是用以平衡对比损失和回归损失的超参数，取值范围
(0,1)
，其中，对比损失为两路分支得到特征向量的均方误差回归损失为在模型训练过程中，设置学习率
、
批量大小以及训练迭代次数，基于
cosine
学习率衰减策略
、
通过随机梯度下降方法优化损失函数
。5.
根据权利要求1所述的基于自监督对比学习的线缆表面异常检测方法，其特征在于，在模型训练过程中，按照训练迭代轮次更新预测分支对应的权重参数，并基于预测分支的权重参数
、
通过指数移动平均方法更新对比分支的权重参数
。6.
一种基于自监督对比学习的线缆表面异常检测系统，其特征在于，用于通过如权利要求1‑5任一项所述一种基于自监督对比学习的线缆表面...

【专利技术属性】
技术研发人员：卢则兴，段京峰，刘毅，李淑圣，梁翔宇，
申请(专利权)人：浪潮软件集团有限公司，
类型：发明
国别省市：