【技术实现步骤摘要】
本专利技术涉及计算机视觉中的工业图像异常检测，尤其涉及一种基于多尺度特征引导与融合的工业异常检测方法及系统。
技术介绍
1、在工业制造和生产过程中，产品表面缺陷检测的识别和定位是至关重要的。随着计算机视觉技术的不断发展，工业图像异常检测成为一个备受关注的领域。然而，传统的异常检测方法在处理复杂多变的工业场景中存在一些挑战，特别是对于多尺度、多样性和复杂性的异常情况的准确检测和定位。
2、现有的基于知识蒸馏的工业异常检测方法采用一个固定的预训练卷积网络作为教师网络，以及一个与教师网络结构相同但随机初始化的学生网络。在训练过程中，使用正常数据作为教师和学生网络的输入，通过优化学生网络，使其生成尽可能与教师网络相似的特征表示。在推断时，由于学生网络仅在正常数据上进行训练，其在异常数据上可能产生与教师网络差异较大的特征表示，从而实现异常检测。然而，这种方法存在一些不足之处。首先，该方法核心的假设条件缺乏理论保障，因为神经网络可能具有过度泛化的特性。其次，由于卷积网络各层的感受野差异，该方法对多层特征同时进行优化，而在推断时汇总各层特征距离的方法是经验性的，未能有效利用和融合多个尺度的信息，可能导致次优的结果。再次，先前的方法无法自适应地强调重要的特征通道，这在某些任务中，特别是小目标检测中，可能限制了性能并导致空间信息的丧失。最后，在训练过程中，由于数据不平衡和缺乏真实的异常数据，模型的泛化性能可能受到限制。
3、综上所述，如何在工业异常检测过程中深度挖掘多尺度特征的信息并进行充分融合利用以提高检测精度，成为现有
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的是提供一种基于多尺度特征引导与融合的工业异常检测方法及系统，能够提高对工业图像异常的敏感性和准确性，实现对产品表面缺陷更为可靠的检测识别和定位。
2、为了实现上述目的，本专利技术是通过如下的技术方案来实现：
3、本专利技术第一方面提供了一种基于多尺度特征引导与融合的工业异常检测方法，包括以下步骤：
4、获取工业产品表面缺陷图像并进行预处理，得到训练集和测试集；
5、建立由模拟异常网络、多尺度特征提取网络、多尺度特征加权融合网络和像素级异常评分网络依次连接的初步异常检测模型，其中，模拟异常网络用于生成模拟异常图像，多尺度特征提取网络用于提取模拟异常图像以及训练集图像中 的多尺度特征并进行特征引导，多尺度特征加权融合网络用于将提取的多尺度特征进行加权融合，像素级异常评分网络用于对异常区域识别和定位的准确度进行评分；
6、利用训练集对初步异常检测模型进行训练，并利用测试集对训练好的异常检测模型进行效果验证；
7、利用训练好的异常检测模型对待检测的工业图像进行异常检测。
8、进一步的，对工业产品表面缺陷图像进行预处理的具体步骤为：
9、对工业产品表面缺陷图像进行分类；
10、按照不同类别对工业产品表面缺陷图像进行数据增强处理；
11、在处理后的图像中选取无异常的图像作为训练集，选取有异常的图像与其对应的异常掩码图作为测试集。
12、进一步的，模拟异常网络通过对无异常图像进行加噪，并引入多层次的非线性处理和噪声变换生成模拟异常图像。
13、进一步的，多尺度特征提取网络由一个预训练后固定的源网络、一个可训练的用于去除异常的目标网络以及源网络和目标网络之间的用于引导目标网络训练的特征引导模块构成。
14、更进一步的，源网络由单卷积模块、三个不同尺度的瓶颈特征提取模块、全局平均池化层和全连接层组成，目标网络由与源网络相同的两部分结构对称拼接而成，特征引导模块由瓶颈特征提取模块和关键像素强调模块组成。
15、更进一步的，提取模拟异常图像以及训练集中的多尺度特征并进行特征引导的具体步骤为：
16、源网络接收来自训练集的正常图像并利用不同尺度的瓶颈特征提取模块进行特征提取，得到不同尺度的源网络特征图，源网络特征图通过特征引导模块中的瓶颈特征提取模块得到引导特征图；
17、随后通过特征引导模块中的关键像素强调模块，将引导特征图融合到一个通道中，形成重点图；
18、目标网络接收来自模拟异常网络的异常图像并利用瓶颈特征提取模块进行特征提取，得到不同尺度的目标网络特征图，将重点图与目标网络特征图相乘，并赋给对应的目标网络特征图，得到最终的目标网络特征图。
19、更进一步的，将提取的多尺度特征进行加权融合的具体步骤为：
20、将特征提取网络中源网络和目标网络的特征图按照相似度进行归一化后得到多个不同尺度的初步融合特征图；
21、对不同尺度的初步融合特征图进行上采样至相同大小，并为每个上采样后的初步融合特征图添加权重系数；
22、将带有权重系数的上采样后的初步融合特征图进行拼接，得到最终的融合特征图。
23、进一步的，像素级异常评分网络由通道感知空洞空间金字塔池以及评分头组成，其中，通道感知空洞空间金字塔池用于自适应地关注重要的特征通道，评分头用于生成异常检测的评分图。
24、进一步的，利用训练集对初步异常检测模型进行训练过程中，利用针对于距离和方向的多尺度混合训练策略对特征提取网络进行训练；利用超焦点损失和权衡平方损失对像素级异常评分网络进行训练。
25、本专利技术第二方面提供了一种基于多尺度特征引导与融合的工业异常检测系统，包括：
26、图像获取模块，被配置为获取工业产品表面缺陷图像并进行预处理，得到训练集和测试集；
27、模型建立模块，被配置为建立由模拟异常网络、多尺度特征提取网络、多尺度特征加权融合网络和像素级异常评分网络依次连接的初步异常检测模型，其中，模拟异常网络用于生成模拟异常图像，多尺度特征提取网络用于提取模拟异常图像以及训练集中的多尺度特征并进行特征引导，多尺度特征加权融合网络用于将提取的多尺度特征进行加权融合，像素级异常评分网络用于对异常区域识别和定位的准确度进行评分；
28、模型训练模块，被配置为利用训练集对初步异常检测模型进行训练，并利用测试集对训练好的异常检测模型进行效果验证；
29、异常检测模块，被配置为利用训练好的异常检测模型对待检测的工业图像进行异常检测。
30、以上一个或多个技术方案存在以下有益效果：
31、本专利技术公开了一种基于多尺度特征引导与融合的工业异常检测方法及系统，通过引入一种基于多尺度特征引导与融合的知识蒸馏方法，提高了工业图像异常检测和定位的准确性和鲁棒性。该方法通过多阶段的非线性处理和噪声变换生成模拟异常图像，以扩充训练数据。在多尺度特征提取阶段，引入源网络和目标网络，通过特征传播模块实现多尺度特征的引导。在特征加权融合阶段，通过归一化和等式计算获取多尺度源网络和目标网络的特征图相似度，然后通过可学习的权重系数进行融合。最终，通过像素级异常评分网络进行异常本文档来自技高网...
【技术保护点】
1.一种基于多尺度特征引导与融合的工业异常检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，对工业产品表面缺陷图像进行预处理的具体步骤为：
3.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，模拟异常网络通过对无异常图像进行加噪，并引入多层次的非线性处理和噪声变换生成模拟异常图像。
4.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，多尺度特征提取网络由一个预训练后固定的源网络、一个可训练的用于去除异常的目标网络以及源网络和目标网络之间的用于引导目标网络训练的特征引导模块构成。
5.如权利要求4所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，源网络由单卷积模块、三个不同尺度的瓶颈特征提取模块、全局平均池化层和全连接层组成，目标网络由与源网络相同的两部分结构对称拼接而成，特征引导模块由瓶颈特征提取模块和关键像素强调模块组成。
6.如权利要求5所述的基于多尺度特征引导与融合的工业异常检测方法，其
7.如权利要求6所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，将提取的多尺度特征进行加权融合的具体步骤为：
8.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，像素级异常评分网络由通道感知空洞空间金字塔池以及评分头组成，其中，通道感知空洞空间金字塔池用于自适应地关注重要的特征通道，评分头用于生成异常检测的评分图。
9.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，利用训练集对初步异常检测模型进行训练过程中，利用针对于距离和方向的多尺度混合训练策略对特征提取网络进行训练；利用超焦点损失和权衡平方损失对像素级异常评分网络进行训练。
10.一种基于多尺度特征引导与融合的工业异常检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于多尺度特征引导与融合的工业异常检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，对工业产品表面缺陷图像进行预处理的具体步骤为：
3.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，模拟异常网络通过对无异常图像进行加噪，并引入多层次的非线性处理和噪声变换生成模拟异常图像。
4.如权利要求1所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，多尺度特征提取网络由一个预训练后固定的源网络、一个可训练的用于去除异常的目标网络以及源网络和目标网络之间的用于引导目标网络训练的特征引导模块构成。
5.如权利要求4所述的基于多尺度特征引导与融合的工业异常检测方法，其特征在于，源网络由单卷积模块、三个不同尺度的瓶颈特征提取模块、全局平均池化层和全连接层组成，目标网络由与源网络相同的两部分结构对称拼接而成，特征引导模块由瓶颈特征提取模块和关键像素强...
【专利技术属性】
技术研发人员：李敏，陈天娇，李刚，周鸣乐，韩德隆，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：
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。