一种基于生成对抗网络的工业产品异常检测方法及系统技术方案

本发明专利技术公开了一种基于生成对抗网络的工业产品异常检测方法及系统，属于人工智能技术领域。首先，设计生成器以及基于多尺度的判别器，判别器的目的就是为了尽可能的正确的辨别出真实产品和生成产品，而生成器的目的是尽可能生成贴近真实工业产品的图像。接着，设计生对抗网络结构。最后，在数据集上实验，分析对比后验证该方法在面向工业场景下的异常检测任务中的有效性。基于异常检测方法采用Transformer模型构建生成器和判别器，更擅长捕捉全局上下文信息，并优化了计算量和局部特征捕获能力，不需要对训练数据进行标注，非常适用于缺乏异常标注数据的工业场景中，在提高检测效果的同时缓解了实际应用中的硬件需求。

【技术实现步骤摘要】

本专利技术属于人工智能领域，涉及一种基于生成对抗网络的工业产品异常检测方法及系统。

技术介绍

1、面向工业场景下的产品图像异常检测任务中，为了更好的捕获全局上下文信息，一般情况是通过增加网络层的深度，通过以扩大感受野的方式，获取整个图像中的非相邻区域的关系，从而提升全局特征的提取能力，来解决因部分工业产品图像结构复杂而导致较难获取全局信息的难题。同时，随着生成对抗网络的提出，可以很好的因样本中包含无关背景而影响图像质量的问题。首先，在训练过程中不再需要带有标注的样本数据；其次，可以通过生成新的异常样本提升模型的泛化能力。但是，还存在有部分问题尚未被解决：

2、网络层数的加深会使参数量急剧提升。在传统的深度学习网络模型中，参数越多模型计算过程中所消耗的资源也会呈指数形式上升，同时，过于复杂的网络结构还会出现过拟合以及参数优化困难等情况；

3、传统深度学习模型难以获取长距离的依赖关系。通过不断扩大卷积的感受野，所提取的特征是局部空间的邻域信息，然而，相较于与当前位置距离较远的区域间的信息是不能通过卷积操作进行捕获的；

4、部本文档来自技高网...

【技术保护点】

1.一种基于生成对抗网络的工业产品异常检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于生成对抗网络的工业产品异常检测方法，其特征在于，生成器是由Transformer Block构建而成的；

3.根据权利要求2所述的基于生成对抗网络的工业产品异常检测方法，其特征在于，当图像的分辨率超过32×32，使用pixel shuffle模块对其进行上采样操作，将输入的低分辨率图像拉伸成多个不重叠的Patch，然后重新排序为一个高分辨率图像；

4.根据权利要求1所述的基于生成对抗网络的工业产品异常检测方法，其特征在于，多尺度输入的判别器是通过构建...

【技术特征摘要】

1.一种基于生成对抗网络的工业产品异常检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于生成对抗网络的工业产品异常检测方法，其特征在于，生成器是由transformer block构建而成的；

3.根据权利要求2所述的基于生成对抗网络的工业产品异常检测方法，其特征在于，当图像的分辨率超过32×32，使用pixel shuffle模块对其进行上采样操作，将输入的低分辨率图像拉伸成多个不重叠的patch，然后重新排序为一个高分辨率图像；

4.根据权利要求1所述的基于生成对抗网络的工业产品异常检测方法，其特征在于，多尺度输入的判别器是通过构建一个二分类器来完成对输入图像的判断；

5.根据权利要求1所述的基于生成对抗网络的工业产品异常检测方法，其特征在于，生成对抗网络模型的目标函数如下：

6.根据权利要求1所述的基于生成对抗网络的工业产品异常检测方法，其特征在于，对生成对抗网络模型中编码器进行训练，生成产品所对应的潜在变量z；在整个训练过程...

【专利技术属性】
技术研发人员：杜玉卓，贺凯，焦爱明，王泽广，舒兴杰，王延生，邹广仁，孙风伟，
申请(专利权)人：烟台五零零供热有限公司，
类型：发明
国别省市：