【技术实现步骤摘要】
本专利技术涉及工业视觉，尤其涉及一种基于师生网络架构的多模态工业异常检测方法及系统。
技术介绍
1、对于目前的工业异常检测算法面临的主要问题包括标签不平衡，即正常样本远多于异常样本，泛化性能有待提升，只专注于单一类型的输入数据，模型无法及时适应概念漂移，标签会受到噪声影响，标签昂贵或者难以获取等，工业异常检测通常会采用师生网络模型，而对于目前应用于工业异常检测的师生网络模型而言，当输入的数据不属于训练分布时，往往会推断出和教师网络类似的输出从而给出低异常分数，也就是说，如果师生网络结构类似时，学生网络对这一类数据的检测容易出错，把异常数据预测为无缺陷的数据，从而导致异常检测出现严重误差，此外，单模态的神经网络只能处理单一类型的输入数据，因此在部分任务中可能会丢失其他模态包含的重要信息，并且在面对涉及多种信息源的任务中其表现可能受到限制。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于师生网络架构的多模态工业异常检测方法及系统，在各复杂的工业应用场景中，提...
【技术保护点】
1.一种基于师生网络架构的多模态工业异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于师生网络架构的多模态工业异常检测方法，其特征在于，所述对所述工业多模态数据进行预处理，获得预处理后的工业多模态数据，包括：
3.根据权利要求1所述的基于师生网络架构的多模态工业异常检测方法，其特征在于，所述将初始RGB图像和初始深度图像进行多模态信息融合处理，包括：
4.根据权利要求1所述的基于师生网络架构的多模态工业异常检测方法，其特征在于，所述具有师生网络架构的深度神经网络模型的训练过程，包括：
5.根据权利要求...
【技术特征摘要】
1.一种基于师生网络架构的多模态工业异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于师生网络架构的多模态工业异常检测方法，其特征在于，所述对所述工业多模态数据进行预处理，获得预处理后的工业多模态数据，包括：
3.根据权利要求1所述的基于师生网络架构的多模态工业异常检测方法，其特征在于，所述将初始rgb图像和初始深度图像进行多模态信息融合处理，包括：
4.根据权利要求1所述的基于师生网络架构的多模态工业异常检测方法，其特征在于，所述具有师生网络架构的深度神经网络模型的训练过程，包括：
5.根据权利要求4所述的基于师生网络架构的多模态工业异常检测方法，其特征在于，所述深度卷积神经网络模型包含若干个模态分支，每个模态分支用于处理多模态数据集中对应的一个模态数据，其中，每个模态分支基于权值共享机制...
【专利技术属性】
技术研发人员：吴宗泽，周游，董嘉豪，周磊，于崇，
申请(专利权)人：人工智能与数字经济广东省实验室深圳，
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。