【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其是涉及一种异常检测方法、装置、计算机设备及存储介质。
技术介绍
1、在工业生产和质量控制领域，异常检测是确保产品质量和生产效率的重要任务。传统的监督学习方法通常要求使用像素级的手动标注标签数据进行训练。然而，在实际的工业场景中，目前面临着两个挑战：一是缺陷样本的稀缺性，二是缺乏有关缺陷的先验知识。这些问题可能导致基于监督学习的方法失效，并且大量数据标注会带来高昂的成本。传统的图像异常检测方法可以分为以下几种：
2、基于统计的方法：这种方法假设正常图像的像素值服从某种统计分布，通过计算像素值与该分布之间的差异来确定异常区域。常见的方法包括均值与标准差的比较、像素值的直方图分析等。
3、基于阈值的方法：这种方法将图像像素值与事先设定的阈值进行比较，像素值超过阈值的部分被认为是异常区域。阈值可以通过手动选择或者自适应地确定。
4、基于滤波的方法：这种方法通过应用滤波器来平滑图像并保留图像中的结构信息，然后计算滤波前后的差异来检测异常区域。常见的滤波方法包括均值滤波、中值滤波等。
5、基本文档来自技高网...
【技术保护点】
1.一种异常检测方法，其特征在于，包括：
2.根据权利要求1所述的异常检测方法，其特征在于，所述步骤S100中，在ImageNet数据库上预训练的深度残差神经网络对训练样本进行特征提取，然后使用核心集下采样方法筛选出关键图像特征到特征库中，形成一个只含有正常样本特征的核心集特征库。
3.根据权利要求1所述的异常检测方法，其特征在于，所述步骤S200包括对空间领域信息建模，将邻域条件概率分布表示为：
4.根据权利要求1所述的异常检测方法，其特征在于，步骤S200中使用非参数估计方法中的核密度估计算法，对空间以及邻域分布进行建模，得到平...
【技术特征摘要】
1.一种异常检测方法，其特征在于，包括：
2.根据权利要求1所述的异常检测方法，其特征在于，所述步骤s100中，在imagenet数据库上预训练的深度残差神经网络对训练样本进行特征提取，然后使用核心集下采样方法筛选出关键图像特征到特征库中，形成一个只含有正常样本特征的核心集特征库。
3.根据权利要求1所述的异常检测方法，其特征在于，所述步骤s200包括对空间领域信息建模，将邻域条件概率分布表示为：
4.根据权利要求1所述的异常检测方法，其特征在于，步骤s200中使用非参数估计方法中的核密度估计算法，对空间以及邻域分布进行建模，得到平滑的概率密度分布曲线，表示为：
5.根据权利要求1所述的异常检测方法，其特征在于，...
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。