System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及工业异常检测,尤其是指一种基于特征存储的小样本异常检测方法、装置及计算机可读存储介质。
技术介绍
1、无监督异常检测是计算机视觉领域重要的研究课题之一。无监督异常检测任务通过在只有正常样本的训练集上训练模型,要求模型在测试时能够区分出正常样本和异常样本。这项技术可以广泛应用于制造业领域,检测带有污损、划痕等缺陷的工业品,减少次品率。
2、现有的研究探索了一种特殊实用的无监督异常检测,即小样本异常检测,在训练时,每个类别只提供有限数量的正常样本。目前的小样本异常检测主要有基于归一化流的方法、基于孪生网络的方法和基于特征存储的方法。基于归一化流的方法在训练时使用卷积神经网络提取图像的特征,并使用归一化流估计正常样本的分布,测试时计算待测图像的特征与该分布的距离作为异常分数。基于孪生网络的方法使用成对正常图像样本进行训练,训练孪生网络的目标是最大程度地减小正样本对的表示空间距离,训练完成后,使用孪生网络进行测试,以确定输入样本与正常样本的相似性。基于特征存储的方法在训练时采用一个预训练好的cnn(卷积神经网络)提取图像的特征映射,存储所有的特征映射构成一个多维高斯分布,测试时计算待测图像的特征与该高斯分布的距离作为异常分数。
3、与其他两种方法相比,基于特征存储的方法简单,无需进行训练即可得到较好的效果。但是现有的基于特征存储的方法主要面向正常设置下的异常检测,在小样本的情况下,随着存储样本减少,检测准确率会严重下降。
技术实现思路
1、为此,本专利
2、为解决上述技术问题,本专利技术提供了一种基于特征存储的小样本异常检测方法,包括:
3、s1、获取小样本无监督异常检测数据集,将数据集分为训练集和测试集;
4、s2、将训练集中所有样本图像的每个补丁分别输入特征提取器,得到训练集中所有样本图像每个补丁的输出特征集,存入特征存储库;
5、s3、对训练集中的所有样本图像进行数据增强,将数据增强后的图像的每个补丁分别输入特征提取器,得到数据增强后的图像每个补丁的输出特征集,分别计算每个补丁输出特征集中每个输出特征与特征存储库中所有特征的距离,在所述距离中选择最小值构建该补丁的最近距离集合;
6、s4、创建特征变换网络,将每个补丁的最近距离集合中最小值对应的特征存储库中的特征输入特征变换网络,得到每个补丁的映射特征,计算每个补丁的映射特征与该补丁最近距离集合中最小值对应的数据增强后的图像的输出特征的损失函数值;根据所述损失函数值优化特征变换网络的参数,使得损失函数值最小;
7、s5、使用特征提取器提取测试集中样本图像的每个补丁的特征,在特征存储库中寻找与测试集中样本图像的每个补丁的输出特征距离最近的特征,输入优化后的特征变换网络,得到该样本图像每个补丁的映射特征;计算每个补丁的映射特征与该补丁的输出特征的损失函数值,构成异常热点图,并选择异常热点图中最大的损失函数值作为该样本图像的异常分数;比较测试集中正常图像和异常图像的异常分数,设置正常图像和异常图像的分割阈值;
8、s6、计算待检测图像的异常分数;若异常分数大于分割阈值,则待检测图像为异常图像,若异常分数小于等于分割阈值,则待检测图像为正常图像。
9、在本专利技术的一个实施例中,s1中,所述训练集中仅包含正常图像,所述测试集中包含正常图像和异常图像。
10、在本专利技术的一个实施例中,s2中,所述将训练集中所有样本图像的每个补丁分别输入特征提取器,得到训练集中所有样本图像每个补丁的输出特征集,包括:
11、使用特征提取器提取样本图像b的补丁的输出特征公式为:
12、
13、其中,b为训练集中样本图像的总个数,h为样本图像的高,w为样本图像的宽;φ表示特征提取器;
14、得到补丁pj的输出特征集
15、在本专利技术的一个实施例中,s3中,分别计算每个补丁输出特征集中每个输出特征与特征存储库中所有特征的距离,在所述距离中选择最小值构建该补丁的最近距离集合,包括:
16、计算补丁pj的输出特征集中每个输出特征与特征存储库m中所有特征的距离,在所述距离中选择最小值构建该补丁的最近距离集合公式为:
17、
18、其中,m为特征存储库,为特征存储库中的特征,n为数据增强后的图像的总个数。
19、在本专利技术的一个实施例中,s4中,所述特征变换网络包括两个线性层和一个激活层。
20、在本专利技术的一个实施例中,所述特征变换网络的损失函数为:
21、
22、其中,f表示特征变换网络,为最近距离集合dj中最小值对应的特征存储库中的特征,为最近距离集合dj中最小值对应的样本图像输出。
23、在本专利技术的一个实施例中,异常热点图p的表达式为:
24、p=|qi-f(mi)|2,i∈rh*w
25、其中,f表示特征变换网络,qi为测试集样本图像r补丁pi的输出特征,mi为特征存储库中与qi距离最近的特征。
26、在本专利技术的一个实施例中,s5中,构建异常热点图后,对异常热点图进行高斯滤波平滑,并选择平滑后的异常热点图中最大的损失函数值作为该样本图像的异常分数。
27、本专利技术还提供了一种基于特征存储的小样本异常检测装置,包括:
28、采样模块,用于获取小样本无监督异常检测数据集,将数据集分为训练集和测试集;
29、特征存储库构建模块,用于将训练集中所有样本图像的每个补丁分别输入特征提取器,得到训练集中所有样本图像每个补丁的输出特征集,存入特征存储库;
30、特征网络构建模块,用于对训练集中的所有样本图像进行数据增强,将数据增强后的图像的每个补丁分别输入特征提取器,得到数据增强后的图像每个补丁的输出特征集,分别计算每个补丁输出特征集中每个输出特征与特征存储库中所有特征的距离,在所述距离中选择最小值构建该补丁的最近距离集合;创建特征变换网络,将每个补丁的最近距离集合中最小值对应的特征存储库中的特征输入特征变换网络,得到每个补丁的映射特征,计算每个补丁的映射特征与该补丁最近距离集合中最小值对应的数据增强后的图像的输出特征的损失函数值;根据所述损失函数值优化特征变换网络的参数,使得损失函数值最小;
31、阈值设置模块,用于使用特征提取器提取测试集中样本图像的每个补丁的特征,在特征存储库中寻找与测试集中样本图像的每个补丁的特征距离最近的特征输入优化后的特征变换网络,得到该样本图像每个补丁的映射特征;计算每个补丁的映射特征与该补丁的输出特征的损失函数值,构成异常热点图,并选择异常热点图中最大的损失函数值作为该样本图像的异常分数;比较测试集中正常图像和异常图像的异常分数,设置正常图像和异常图像的分割阈值;
32、检测模块,用于计算待本文档来自技高网...
【技术保护点】
1.一种基于特征存储的小样本异常检测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于特征存储的小样本异常检测方法,其特征在于,S1中,所述训练集中仅包含正常图像,所述测试集中包含正常图像和异常图像。
3.根据权利要求1所述的一种基于特征存储的小样本异常检测方法,其特征在于,S2中,所述将训练集中所有样本图像的每个补丁分别输入特征提取器,得到训练集中所有样本图像每个补丁的输出特征集,包括:
4.根据权利要求3所述的一种基于特征存储的小样本异常检测方法,其特征在于,S3中,分别计算每个补丁输出特征集中每个输出特征与特征存储库中所有特征的距离,在所述距离中选择最小值构建该补丁的最近距离集合,包括:
5.根据权利要求4所述的一种基于特征存储的小样本异常检测方法,其特征在于,S4中,所述特征变换网络包括两个线性层和一个激活层。
6.根据权利要求5所述的一种基于特征存储的小样本异常检测方法,其特征在于,所述特征变换网络的损失函数为:
7.根据权利要求6所述的一种基于特征存储的小样本异常检测方法,其特征在于,S5
8.根据权利要求7所述的一种基于特征存储的小样本异常检测方法,其特征在于,S5中,构建异常热点图后,对异常热点图进行高斯滤波平滑,并选择平滑后的异常热点图中最大的损失函数值作为该样本图像的异常分数。
9.一种基于特征存储的小样本异常检测装置,其特征在于,包括:
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述基于特征存储的小样本异常检测方法的步骤。
...【技术特征摘要】
1.一种基于特征存储的小样本异常检测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于特征存储的小样本异常检测方法,其特征在于,s1中,所述训练集中仅包含正常图像,所述测试集中包含正常图像和异常图像。
3.根据权利要求1所述的一种基于特征存储的小样本异常检测方法,其特征在于,s2中,所述将训练集中所有样本图像的每个补丁分别输入特征提取器,得到训练集中所有样本图像每个补丁的输出特征集,包括:
4.根据权利要求3所述的一种基于特征存储的小样本异常检测方法,其特征在于,s3中,分别计算每个补丁输出特征集中每个输出特征与特征存储库中所有特征的距离,在所述距离中选择最小值构建该补丁的最近距离集合,包括:
5.根据权利要求4所述的一种基于特征存储的小样本异常检测方法,其特征在于,s4中,所述特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。