【技术实现步骤摘要】
本专利技术涉及物理领域，尤其涉及计算机视觉检测技术，特别是一种异常检测方法、系统、介质、电子设备及异常检测模型。
技术介绍
1、工业品表面缺陷检测在如今的大规模制造场景中越来越重要，然而，在真实的工业场景下，由于现实异常数据的稀缺，通过依赖正常样本的数据分布来检测未知的异常数据的无监督异常检测逐步占据了重要的地位。
2、现阶段，基于知识蒸馏的异常检测方法展现出卓越的准确率，通过让模型使用正常数据训练，利用学生和教师对于异常特征提取能力的差异，达到异常检测的目的，反蒸馏方法的提出减少了学生对于异常区域的泛化能力，提高了异常检测的性能；然而，由于学生接受单一信息流，无法平衡语义与细节信息，目前的反蒸馏异常检测无法对大缺陷和语义结构缺陷做到很好的检测。
技术实现思路
1、本专利技术的目的在于提供一种异常检测方法、系统、介质、电子设备及异常检测模型，用于解决上述
技术介绍
中指出的问题。
2、第一方面，本专利技术提供一种异常检测模型，所述异常检测模型用于基于输入的待测图像的教师特征图实现对所述待测图像的异常检测，所述异常检测模型包括：异常过滤器、全局语义嵌入块、多尺度通道自编码器及学生特征还原网络；其中，所述异常过滤器用于过滤所述教师特征图中的异常信息，获取处理特征图；所述全局语义嵌入块与所述异常过滤器连接，所述全局语义嵌入块用于接收所述处理特征图，及用于对所述处理特征图进行语义信息增强，获取深层语义信息流；所述多尺度通道自编码器用于提取所述教师特征图中的正常细节信息流
3、本专利技术中，提供了一种异常检测模型，通过使用深层语义信息流和正常细节信息流的双信息流进行异常检测，帮助了学生特征还原网络同时重建语义与细节特征，有效解决了针对于大缺陷和语义结构缺陷的检测问题。
4、在第一方面的一种实现方式中，所述异常过滤器包括：特征融合层、特征嵌入层及卷积与自注意力块；其中，所述特征融合层用于对所述教师特征图进行处理，获取至少一第一特征图，及用于对所述教师特征图和所述至少一第一特征图进行特征融合，获取融合特征图；所述特征嵌入层与所述特征融合层连接，所述特征嵌入层用于接收所述融合特征图，及用于对所述融合特征图进行特征嵌入，获取第二特征图；所述卷积与自注意力块与所述特征嵌入层连接，所述卷积与自注意力块用于接收所述第二特征图，及用于对所述第二特征图进行特征重组，获取第三特征图，和用于对所述第二特征图进行自注意力的特征选择，获取第四特征图，最后拼接所述第三特征图和所述第四特征图，获取所述处理特征图。
5、在第一方面的一种实现方式中，所述全局语义嵌入块包括：全局平均池化模块、第一特征拼接模块、特征相乘模块、至少一分辨率降低模块及至少一通道注意力模块；其中，所述分辨率降低模块与所述通道注意力模块一一对应连接，所述分辨率降低模块用于接收所述处理特征图，及降低所述处理特征图的分辨率，获取第五特征图；在所述分辨率降低模块的个数至少为两个时，经至少两个分辨率降低模块处理后获取的第五特征图的分辨率各不相同；所述通道注意力模块用于接收所述第五特征图，及用于对所述第五特征图进行局部跨通道交互，获取第六特征图；所述全局平均池化模块用于接收所述处理特征图，及对所述处理特征图进行全局平均池化处理，获取第七特征图；在所述分辨率降低模块的个数至少为两个时，所述全局语义嵌入块还包括：第二特征拼接模块；所述第二特征拼接模块与所述通道注意力模块连接，用于接收所述第六特征图，并对至少两个第六特征图进行特征拼接，获取第八特征图；所述特征相乘模块与所述第二特征拼接模块和所述异常过滤器连接，用于分别接收所述第八特征图和所述处理特征图，及用于将所述第八特征图和所述处理特征图进行逐像素相乘，获取第九特征图；所述第一特征拼接模块与所述全局平均池化模块和所述特征相乘模块连接，用于分别接收所述第七特征图和所述第九特征图，及用于对所述第七特征图和所述第九特征图进行特征拼接，获取所述深层语义信息流；在所述分辨率降低模块的个数为一时，所述特征相乘模块与所述通道注意力模块和所述异常过滤器连接，用于分别接收所述第六特征图和所述处理特征图，及用于将所述第六特征图和所述处理特征图进行逐像素相乘，获取第十特征图；所述第一特征拼接模块与所述全局平均池化模块和所述特征相乘模块连接，用于分别接收所述第七特征图和所述第十特征图，及用于对所述第七特征图和所述第十特征图进行特征拼接，获取所述深层语义信息流。
6、第二方面，本专利技术提供一种基于上述的异常检测模型实现的异常检测方法，所述异常检测方法包括：对目标待测图像进行预处理，获取目标处理图像；将所述目标处理图像输入至教师特征提取网络，获取目标教师特征图；将所述目标教师特征图输入至所述异常检测模型，获取目标异常图，以基于所述目标异常图实现对所述目标待测图像的异常检测。
7、在第二方面的一种实现方式中，所述预处理至少包括：数据增强处理和/或归一化处理。
8、在第二方面的一种实现方式中，在所述将所述目标教师特征图输入至所述异常检测模型的步骤之前，所述异常检测方法还包括：对正常训练样本数据进行预处理，获取处理数据；所述正常训练样本数据包括：多个无异常的待测图像；将所述处理数据输入至所述教师特征提取网络，获取教师特征图；将所述教师特征图输入至所述异常检测模型，获取学生特征图；根据所述教师特征图和所述学生特征图构建所述异常检测模型的损失函数，以基于所述损失函数训练所述异常检测模型，获取训练好的异常检测模型；所述将所述目标教师特征图输入至所述异常检测模型包括：将所述目标教师特征图输入至所述训练好的异常检测模型。
9、在第二方面的一种实现方式中，所述教师特征提取网络采用预训练的深度特征提取网络。
10、第三方面，本专利技术提供一种基于上述的异常检测模型实现的异常检测系统，所述异常检测系统包括：预处理模块，用于对目标待测图像进行预处理，获取目标处理图像；特征提取模块，用于将所述目标处理图像输入至教师特征提取网络，获取目标教师特征图；异常检测模块，用于将所述目标教师特征图输入至所述异常检测模型，获取目标异常图，以基于所述目标异常图实现对所述目标待测图像的异常检测。
11、第四方面，本专利技术提供一种电子设备，所述电子设备包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的异常检测方法。
12、第五方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被电子设备执行时实现上述的异常检测方法。
13、如上所述，本专利技术所述的异常检测方法、系统、介质、电子设备及异常检测模型，具有以下有益效果：
14、(1)与现有技术相比，本专利技术通过使用双信息本文档来自技高网...
【技术保护点】
1.一种异常检测模型，其特征在于，所述异常检测模型用于基于输入的待测图像的教师特征图实现对所述待测图像的异常检测，所述异常检测模型包括：异常过滤器、全局语义嵌入块、多尺度通道自编码器及学生特征还原网络；其中，
2.根据权利要求1所述的异常检测模型，其特征在于，所述异常过滤器包括：特征融合层、特征嵌入层及卷积与自注意力块；其中，
3.根据权利要求1所述的异常检测模型，其特征在于，所述全局语义嵌入块包括：全局平均池化模块、第一特征拼接模块、特征相乘模块、至少一分辨率降低模块及至少一通道注意力模块；其中，
4.一种基于权利要求1至3中任一项所述的异常检测模型实现的异常检测方法，其特征在于，所述异常检测方法包括：
5.根据权利要求4所述的异常检测方法，其特征在于，所述预处理至少包括：数据增强处理和/或归一化处理。
6.根据权利要求4所述的异常检测方法，其特征在于，在所述将所述目标教师特征图输入至所述异常检测模型的步骤之前，所述异常检测方法还包括：
7.根据权利要求4所述的异常检测方法，其特征在于，所述教师特征提取网络
8.一种基于权利要求1至3中任一项所述的异常检测模型实现的异常检测系统，其特征在于，所述异常检测系统包括：
9.一种电子设备，其特征在于，所述电子设备包括：处理器及存储器；
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被电子设备执行时实现权利要求4至7中任一项所述的异常检测方法。
...【技术特征摘要】
1.一种异常检测模型，其特征在于，所述异常检测模型用于基于输入的待测图像的教师特征图实现对所述待测图像的异常检测，所述异常检测模型包括：异常过滤器、全局语义嵌入块、多尺度通道自编码器及学生特征还原网络；其中，
2.根据权利要求1所述的异常检测模型，其特征在于，所述异常过滤器包括：特征融合层、特征嵌入层及卷积与自注意力块；其中，
3.根据权利要求1所述的异常检测模型，其特征在于，所述全局语义嵌入块包括：全局平均池化模块、第一特征拼接模块、特征相乘模块、至少一分辨率降低模块及至少一通道注意力模块；其中，
4.一种基于权利要求1至3中任一项所述的异常检测模型实现的异常检测方法，其特征在于，所述异常检测方法包括：
5.根据权利要求4所述...
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。