【技术实现步骤摘要】
本专利技术属于数字图像处理和计算机视觉领域，尤其涉及基于多场景任务下的少样本工业产品异常检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、执行工业异常检测任务，也就是在识别出存在数据样本中异常样本的任务，其往往依赖于大量的训练样本，在日常工业场景中，异常样本的种类相对多样，同一类异常情况的产品又很罕见，这使得收集大量异常工业产品具有挑战性。
3、当前，大多数异常检测主要采用单类别训练单模型的方法，也就是说针对具体某一类别的工业产品去训练学习出一种检测模型框架，但是在工业领域中，面临多场景任务的差异化以及工业产品的多样化，目前的检测方法已不适用现有的工业场景，同时若要对不同场景进行检测时，需要对各类样本进行转换，增加了转换成本。
技术实现思路
1、为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供基于多尺度特征融合的少样本工业异常检测方法及系统，其利用深度对比学习方法构建了一种双孪生网络框架，只需少量目标类的正常产品样本通过该网络框架即可完成对测试类正常产品的分布模型的建立，将测试图像与正常产品的分布模型进行对比，从而达到在工业产品样本量少，样本种类繁杂的情况下完成对工业产品多场景检测的任务。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一方面提供基于多场景任务下的少样本工业产品异常检测方法，包括如下步骤：
4、获取多场景下多
5、将多场景下多种类别的工业产品图像数据集划分为训练集和测试集，所述训练集只包含正常产品图片，将测试集分为支持集和查询集，其中，支持集仅包含正常产品图片，查询集包括各类异常产品图片和对应的正常图片；
6、利用深度对比学习方法构建双孪生网络框架，通过双孪生网络框架构建训练集对应的多场景任务下正常产品的特征分布的目标检测模型；
7、基于训练后的多场景任务下正常产品的特征的目标检测模型建立支持集的特征分布，并通过查询集进行工业产品异常检测得到异常检测结果。
8、进一步地，所述通过双孪生网络框架构建训练集对应的多场景任务下正常产品的特征分布的目标检测模型，包括：
9、通过多个卷积残差模块提取多个分辨率不同的第一特征、第二特征和第三特征，其中第一特征分辨率＞第二特征分辨率＞第三特征分辨率；
10、将多个分辨率不同的特征进行融合，在融合多尺度特征时，将第一特征和第二特征分别经过一个深度可分离卷积进行下采样得到的两个特征和第三特征聚合，得到融合后的第四特征；将第四特征经过细粒度特征对比后得到第五特征。
11、进一步地，相邻卷积残差模块之间嵌入图像校准模块，最后的卷积残差模块之前嵌入特征空间路由模块，通过图像校准模块进行空间坐标的变换从而对齐到一个相同的位置，便于图像的对比学习；通过特征空间路由模块对特征图在x维和y维上进行平均池化操作以及填充操作得到校准后的特征图。
12、进一步地，目标检测模型训练时，所有网络架构参数更新的总损失函数包括在进入特征对比网络之前粗对齐的辅助损失函数和特征对比网络中的细致对齐损失函数，同时结果在网路框架中训练学习的平衡参数计算得到。
13、进一步地，在目标检测模型训练时，采用余弦退火学习率调整方法搜索模型的参数空间。
14、进一步地，所述基于训练后的多场景任务下正常产品的特征的目标检测模型建立支持集的特征分布为：
15、，
16、其中，为支持集样本经过数据增强器后的个数，的作用是为了使样本协方差矩阵满秩并且可逆，为所有支持集的特征向量，。
17、进一步地，在通过查询集进行工业产品异常检测之前，将测试类别的支持集经过特征增强器，经过旋转小角度、平移、水平翻转、转成灰度图像以及旋转90度这五种增强操作，从而增加测试支持集样本的多样性。
18、进一步地，通过查询集进行工业产品异常检测得到异常检测结果，通过计算查询集图像中的每个像素位置与正态分布之间的马氏距离进而计算异常分数，异常分数越大表明异常的情况越严重，使用最大异常得分图来表示整幅图像的异常得分。
19、进一步地，将测试集中的支持集转换成向量并以pytorch模型文件进行图片的保存。
20、本专利技术的第二方面提供基于多场景任务下的少样本工业产品异常检测系统，包括：
21、数据集获取模块，其用于获取多场景下多种类别的工业产品图像数据集；
22、数据集处理模块，其用于将多场景下多种类别的工业产品图像数据集划分为训练集和测试集，所述训练集只包含正常产品图片，将测试集分为支持集和查询集，其中，支持集仅包含正常产品图片，查询集包括各类异常产品图片和对应的正常图片；
23、异常检测模块，其用于利用深度对比学习方法构建双孪生网络框架，通过双孪生网络框架构建训练集对应的多场景任务下正常产品的特征分布的目标检测模型；基于训练后的多场景任务下正常产品的特征的目标检测模型建立支持集的特征分布，并通过查询集进行工业产品异常检测得到异常检测结果。
24、本专利技术的第三方面提供一种计算机可读存储介质。
25、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于多场景任务下的少样本工业产品异常检测方法中的步骤。
26、本专利技术的第四方面提供一种计算机设备。
27、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的基于多场景任务下的少样本工业产品异常检测方法中的步骤。
28、与现有技术相比，本专利技术的有益效果是：
29、本专利技术利用深度对比学习方法构建了一种双孪生网络框架，只需少量目标类的正常产品样本通过该网络框架即可完成对测试类正常产品的分布模型的建立，最后，将测试图像与正常产品的分布模型进行对比，从而达到在工业产品样本量少，样本种类繁杂的情况下完成对工业产品多场景检测的任务，可有效地解决实际工业多场景变换下存在的各种问题。
本文档来自技高网...【技术保护点】
1.基于多场景任务下的少样本工业产品异常检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，所述通过双孪生网络框架构建训练集对应的多场景任务下正常产品的特征分布的目标检测模型，包括：
3.如权利要求2所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，相邻卷积残差模块之间嵌入图像校准模块，最后的卷积残差模块之前嵌入特征空间路由模块，通过图像校准模块进行空间坐标的变换从而对齐到一个相同的位置，便于图像的对比学习；通过特征空间路由模块对特征图在x维和y维上进行平均池化操作以及填充操作得到校准后的特征图。
4.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，目标检测模型训练时，所有网络架构参数更新的总损失函数包括在进入特征对比网络之前粗对齐的辅助损失函数和特征对比网络中的细致对齐损失函数，同时结果在网路框架中训练学习的平衡参数计算得到。
5.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，在目标检测模型训练
6.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，所述基于训练后的多场景任务下正常产品的特征的目标检测模型建立支持集的特征分布为：
7.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，在通过查询集进行工业产品异常检测之前，将测试类别的支持集经过特征增强器，经过旋转小角度、平移、水平翻转、转成灰度图像以及旋转90度这五种增强操作，从而增加测试支持集样本的多样性。
8.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，通过查询集进行工业产品异常检测得到异常检测结果，通过计算查询集图像中的每个像素位置与正态分布之间的马氏距离进而计算异常分数，异常分数越大表明异常的情况越严重，使用最大异常得分图来表示整幅图像的异常得分。
9.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，将测试集中的支持集转换成向量并以PyTorch模型文件进行图片的保存。
10.基于多场景任务下的少样本工业产品异常检测系统，其特征在于，包括：
...【技术特征摘要】
1.基于多场景任务下的少样本工业产品异常检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，所述通过双孪生网络框架构建训练集对应的多场景任务下正常产品的特征分布的目标检测模型，包括：
3.如权利要求2所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，相邻卷积残差模块之间嵌入图像校准模块，最后的卷积残差模块之前嵌入特征空间路由模块，通过图像校准模块进行空间坐标的变换从而对齐到一个相同的位置，便于图像的对比学习；通过特征空间路由模块对特征图在x维和y维上进行平均池化操作以及填充操作得到校准后的特征图。
4.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，目标检测模型训练时，所有网络架构参数更新的总损失函数包括在进入特征对比网络之前粗对齐的辅助损失函数和特征对比网络中的细致对齐损失函数，同时结果在网路框架中训练学习的平衡参数计算得到。
5.如权利要求1所述的基于多场景任务下的少样本工业产品异常检测方法，其特征在于，在目标检测模型训练时，采用余弦退火学习率调...
【专利技术属性】
技术研发人员：李敏，许络，韩德隆，周鸣乐，李刚，
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。