一种基于边缘世界生成网络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边缘世界生成网络的图像异常检测方法，用于无监督的图像异常检测和定位，包括：1使用特征膨胀器来使特征向量所张成的特征维度空间足够饱满完整，2通过特征蒸馏生成器，在正常样本的特征向量所张成的特征维度空间边界，生成伪异常的边缘特征空间，从而在此边缘特征维度空间内，产生大量的伪异常特征向量

【技术实现步骤摘要】
一种基于边缘世界生成网络的图像异常检测方法


[0001]本专利技术涉及图像异常检测
，本专利技术提出了一种专注在边缘特征空间内进行优化的边缘世界生成网络，用于无监督的图像异常检测和定位
。

技术介绍

[0002]图像异常检测算法在智能制造业
、
工业互联网
、
医学图像分析等领域，都有着广泛的应用
。
但是，图像异常的出现情况却存在着很多不确定性，在形式上呈现出未知性
、
多样性
、
稀少性，从而在图像异常检测中，对异常样本数据的获取代价极高，异常样本数据也没有稳定的统计规律
。
由于无法对可能出现的异常情况进行完整采样，在训练过程中正负样本的数量也就极不平衡，使得基于传统监督学习算法训练出来的模型，很难有效泛化到未经训练的数据集
。
在图像异常检测领域中都希望能在这种不确定性的异常因素中，寻找到能够确定的支撑点
。
[0003]在生成对抗训练中，分类模型能够很好的正确区分原始图像，但是将原图进行对人类而言毫无变化的细微改变，却会被分类模型以很高的置信度给错误归类
。
这样的细微改变，在视觉图像上确实差异不大，但是经过模型的特征提取后，在特征空间上的差异性，则十分的显著
。
[0004]国内外对于图像异常检测的研究，主要有三个方向
。
[0005]基于重建模型方法，通常只包含正常数据来训练编码器和解码器，测试时正常数据可以通过一组基函数精准地重建，而异常数据的重构误差往往会显著地大于正常数据的重构误差，因此可以通过重构误差的大小来判定数据是否存在异常
。
[0006]基于合成模型方法，通过在无异常图像上生成伪异常来进行训练，以此来估计正常和异常之间的决策边界，从而将正常数据与异常数据区域区分开
。
[0007]基于密度模型方法，首先学习和建模正常数据或特征的概率分布，然后在测试时利用学习到的概率分布估计测试数据的似然概率来判定异常，通常正常数据似然概率高，异常数据似然概率低
。

技术实现思路

[0008]本专利技术为了解决上述现有技术存在的不足之处，提出一种基于边缘世界生成网络的图像异常检测方法，以期在图像异常检测领域中，面对异常情况的未知性
、
无法对所有异常数据进行统计分布建模的问题时，能够在高纬度的特征空间中，更准确的刻画出正常样本的特征空间边界，从而能高效精确的完成无监督图像异常检测和定位
。
[0009]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0010]本专利技术一种基于边缘世界生成网络的图像异常检测方法的特点在于，是按以下步骤进行：
[0011]步骤
1、
获取训练图像数据集
A
，并构造随机空间向量集合
Z
：
[0012]步骤
1.1、
获取真实的正常图像数据集，记为
A
＝
{a1,a2,
…
,a
i
,
…
,a
N
}
，其中，
a
i
表示
第
i
张正常图像，
i
＝
1,2,
…
,N
，
N
为正常图像的总数；
[0013]步骤
1.2、
在
[
‑
1,1]范围内的均匀分布上进行随机高斯采样后，得到随机空间向量集合
Z
＝
{z1,z2,
…
,z
j
,
…
,z
M
}
，
z
j
表示第
j
个随机空间向量；
M
表示随机空间向量的总数；
[0014]步骤
2、
构造特征提取网络
F
，并对正常图像数据集
A
进行处理，得到正常特征向量集合
ν
true
；
[0015]步骤
3、
构造特征膨胀网络
E
，并对正常特征向量集合
ν
true
进行处理，得到正常特征向量集合
ν
true
在特征空间
V
上映射的膨胀特征向量集合
ν
E
：
[0016]步骤
4、
构造特征蒸馏生成网络
G
，并对随机空间向量集合
Z
进行处理，得到随机空间向量集合
Z
＝
{z1,z2,
…
,z
j
,
…
,z
M
}
在特征空间
V
上映射的伪异常特征向量集合
ν
fake
：
[0017]步骤
5、
通过边缘特征判别网络
D1和异常分类网络
D2构造共享参数：
[0018]步骤
5.1、
构造边缘特征判别网络
D1，并以伪异常特征向量集合
ν
fake
作为所述边缘特征判别网络
D1的输入数据，得到第
j
个伪异常特征向量
ν
fake,j
在所述边缘特征判别网络
D1上第
K
D1
层隐含层的第
j
个输出
d1(K
D1
)(
ν
fake,j
)
；
[0019]根据式
(4)
得到所述边缘特征判别网络
D1对第
j
个伪异常特征向量
ν
fake,j
的异常分数
[0020][0021]式
(5)
中，
e
为自然对数的底数，
r、
λ
为韦伯变换函数中的超参数；
[0022]步骤
5.2、
构造异常分类网络
D2，并以膨胀特征向量集合
ν
E
和所述伪异常特征向量集合
ν
fake
构成正
、
异常特征向量集合
I
＝
{
ν
E
,
ν
fake
}
，并作为所述异常分类网络
D2的输入数据，从而得到第
k
个特征向量在所述异常分类网络
D2的第
K
D2
层隐含层的输出
[0023]根据式
(7)
得到所述异常分类网络
D2对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于边缘世界生成网络的图像异常检测方法，其特征在于，是按以下步骤进行：步骤
1、
获取训练图像数据集
A
，并构造随机空间向量集合
Z
：步骤
1.1、
获取真实的正常图像数据集，记为
A
＝
{a1,a2,
…
,a
i
,
…
,a
N
}
，其中，
a
i
表示第
i
张正常图像，
i
＝
1,2,
…
,N
，
N
为正常图像的总数；步骤
1.2、
在
[
‑
1,1]
范围内的均匀分布上进行随机高斯采样后，得到随机空间向量集合
Z
＝
{z1,z2,
…
,z
j
,
…
,z
M
}
，
z
j
表示第
j
个随机空间向量；
M
表示随机空间向量的总数；步骤
2、
构造特征提取网络
F
，并对正常图像数据集
A
进行处理，得到正常特征向量集合
ν
true
；步骤
3、
构造特征膨胀网络
E
，并对正常特征向量集合
ν
true
进行处理，得到正常特征向量集合
ν
true
在特征空间
V
上映射的膨胀特征向量集合
ν
E
：步骤
4、
构造特征蒸馏生成网络
G
，并对随机空间向量集合
Z
进行处理，得到随机空间向量集合
Z
＝
{z1,z2,
…
,z
j
,
…
,z
M
}
在特征空间
V
上映射的伪异常特征向量集合
ν
fake
：步骤
5、
通过边缘特征判别网络
D1和异常分类网络
D2构造共享参数：步骤
5.1、
构造边缘特征判别网络
D1，并以伪异常特征向量集合
ν
fake
作为所述边缘特征判别网络
D1的输入数据，得到第
j
个伪异常特征向量
ν
fake,j
在所述边缘特征判别网络
D1上第
K
D1
层隐含层的第
j
个输出
d1(K
D1
)(
ν
fake,j
)
；根据式
(4)
得到所述边缘特征判别网络
D1对第
j
个伪异常特征向量
ν
fake,j
的异常分数的异常分数式
(5)
中，
e
为自然对数的底数，
r、
λ
为韦伯变换函数中的超参数；步骤
5.2、
构造异常分类网络
D2，并以膨胀特征向量集合
ν
E
和所述伪异常特征向量集合
ν
fake
构成正
、
异常特征向量集合
I
＝
{
ν
E
,
ν
fake
}
，并作为所述异常分类网络
D2的输入数据，从而得到第
k
个特征向量在所述异常分类网络
D2的第
K
D2
层隐含层的输出根据式
(7)
得到所述异常分类网络
D2对第
k
个特征向量的异常分数的异常分数步骤
5.3、
构造共享参数：利用式
(8)
和式
(9)
构造所述边缘特征判别网络
D1和异常分类网络
D2隐含层的共享参数；
W
d2
(h
D2
)
＝
W
d1
(h
D1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)b
d2
(h
D2
)
＝
b
d1
(h
D1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
步骤
6、
由所述特征提取网络
F、
特征膨胀网络
E、
特征蒸馏生成网络
G、
边缘特征判别网络
D1
和异常分类网络
D2
构成边缘世界生成网络并进行对抗训练：步骤
6.1、
利用式
(10)
建立对抗损失函数
l
weibull
：
式
(10)
中，
eps
为一个扰动值，
E
表示期望，
a
～
p(A)
表示从训练图像数据集
A
的分布
p(A)
中取出一个批次的正常图像组
a
，
z
～
p(Z)
表示从随机空间向量集合
Z
的分布
p(Z)
中取出一个批次的随机空间向量组
z
，
G(z)
表示从随机空间向量集合
Z
的分布
p(Z)
中取出该批次的随机空间向量组
z
在所述特征蒸馏生成网络
G
生成的伪异常特征向量；
D2(G(z))
表示所述异常分类网络
D2对所述特征蒸馏生成网络
G
生成的伪异常特征向量
G(z)
属于的异常分数
F(a)
表示从训练图像数据集
A
的分布
p(A)
中取出该批次的正常图像组
a
在所述特征提取网络
F
上提取的正常特征向量；
E(F(a))
表示正常特征向量
F(a)
在所述特征膨胀网络
E
上映射所得到的膨胀特征向量；
D2(E(F(a)))
表示所述异常分类网络
D2对所述特征膨胀网络
E
上的膨胀特征向量
E(F(a))
属于的异常分数；为合页损失函数，并有：式
(11)
中，当输入
ξ
为膨胀特征向量的异常分数时，则令标签为
+1
，当输入
ξ
为伪异常特征向量的异常分数时，则标签为
‑1；步骤
6.2、
利用式
(12)
建立膨胀损失函数
l
expand
：式
(12)
中，
a
′
与
a
″
表示对正常图像组
a
进行不同随机变换后，得到两组类似图像；
log|
Σ
nm
(
；
)|
表示所构建的协方差矩阵行列式损失函数，并有：式
(13)
中，
ν
α
，
ν
β
表示两个输入，分别表示
ν
α
，
ν
β
的均值，
T
表示转置；步骤
6.3、
建立生成边缘特征损失函数
l
gan
：步骤
6.3.1、
利用式
(14)
建立韦伯边缘特征向量
ν
weibull
：
ν
weibull
＝
E
a
～
p(A)
[E(F(a))]+
ω
[N(
ζ
；
μ
,
σ
)
；
r,
λ
]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
式
(14)
中，
N(
ζ
；
μ
,
σ
)
表示高斯分布，
ζ
为高斯分布的随机输入值，
μ
,
σ
为高斯分布的均值参数和方差参数；
ω
表示韦伯变换函数，并有：式
(15)
中，
θ
表示韦伯变换函数的输入；步骤
6.3.2、
利用式
(16)
建立边缘偏离损失函数
ω
_rim(G(z)||
ν
weibull
)
：
ω
_rim(G(z)||
ν
weibull
)
＝
Grad(G(z),
ν
weibull
)+l1(G(z),
ν
weibull
)+SSIM(G(z),
ν
weibull
)
ꢀꢀ
(16)
式
(16)
中，
l1表示平均绝对误差损失函数，并由式
(17)
得到；
Grad
表示矩阵梯度损失函数，并由式
(18)
得到，
SSIM
表示结构相似性指数损失函数，并由式
(19)
得到，
式
(18)
中，与分别表示
ν
weibull
在第一维度方向和第二维度方向上的差分，
Δ
G(z)
dim1
与
Δ
G(z)
dim2
分别表示
G(z)
在第一维度方向和第二维度方向上的差分；式
(19)
中，
μ
G(z)
、
σ
G(z)
分别表示
G(z)
的均值和方差，
μ
weibull
、
σ
weibull
分别表示
ν
weibull
的均值和方差，
σ
G(z)_weibull
表示
G(z)
与
ν
weibull
的协方差，
c1、c2为常数；步骤
6.3.3、
利用式
(20)
建立生成边缘特征损失函数
l
gan
：
l
gan
＝
E
z
～
p(Z)
max[0,1
‑
D1(G(z))]+E
z
～
p(Z)
{
ω
_rim[G(z)||
ν
weibull
]}
ꢀꢀꢀ
(20)
式
(20)
中，
D1(G(z))
表示所述边缘特征判别网络
D1对所述特征蒸馏生成网络
G
生成的伪异常特征向量
G(z)
属于的异常分数；步骤
6.4、
通过随机梯度下降法分别对式
(20)、
式
(12)、
式
(10)
进行优化求解，使得
l
gan
值
、l
expand
值和
l
weibull
值在相互对抗中均收敛到最优；当生成边缘特征损失函数
l
gan
到达最优时，所述特征蒸馏生成网络
G
达到最优；当膨胀损失函数
l
expand
到达最优时，特征膨胀网络
E
达到最优；当对抗损失函数
l
weibull
到达最优时，异常分类网络
D2
达到最优；并利用训练后的边缘世界生成网络对输入图像进行异常检测，输出图像的像素级异常分数图，完成图像异常检测与定位
。2.
根据权利要求1所述的基于边缘世界生成网络的图像异常检测方法，其特征在于，所述步骤2包括：步骤
2.1、
设定所述特征提取网络
F
的隐含层总层数为
K
F
；令当前的隐含层为
h
F
层；步骤
2.2、
随机初始化
h
F
＝1；步骤
2.3、
根据式
(1)
计算正常图像数据集
A
中第
i
张正常图像
a
i
在第
h
F
层隐含层的输出
f(h
F
)(a
i
)
，从而得到正常图像数据集
A
中所有正常图像在第
h
F
层隐含层的输出：
f(h
F
)(a
i
)
＝
BN...

【专利技术属性】
技术研发人员：唐俊，过新林，王科，朱明，张艳，
申请(专利权)人：安徽大学，
类型：发明
国别省市：