【技术实现步骤摘要】
本专利技术涉及一种基于距离信息驱动的复杂工业图像异常检测方法及装置，属于图像异常检测。
技术介绍
1、图像异常检测是在图像数据中识别和定位不符合预期或异常的像素或区域的过程，在许多实际问题中发挥着至关重要的作用。其中在工业场景下，以最普遍的流水线为例：流水线每时每刻都会流过大量的生产物件，小概率的漏检会导致大量的瑕疵待检测物件混入良好的物件中，使得再无法分辨，因此，及时检测流水线上的瑕疵产品对提高产品合格率至关重要。随着深度学习技术的不断发展，图像异常检测技术在工业领域取得了迅速的进展。
2、然而，现有方法主要针对简单的单一物体进行训练和检测，通常对目标物体的呈现方式有一定的要求，例如出现在图像中心，数量通常仅为一个，并且摆放方向较为统一。这些方法未考虑到检测复杂图像时的情况，即待检测图像内存在多个需要检测的物体，这些物体呈现多种摆放方向、处于不同位置。在实际的工业应用中，特别是对于小型工业物件，物体周围很少有单独出现的情景。因此，如何结合实际场景，对同一张图片上的多个待检测物体进行准确检测成为需要解决的问题。
3、目前的异常检测方法主要可分为基于特征表示和基于重建的两类。基于特征表示的方法通过学习异常特征的表现形式，在检测时发现类似所学过的异常特征则判定当前图像为异常图像。然而，这类方法通常缺乏对异常位置准确定位的能力。另一方面，基于重建的方法通过学习正常图像的特征分布，能够将输入图像内可能存在的异常部位重建为正常的形式。然后，通过比较输入图像与重建图像进行异常定位。然而，这类方法对重建效果有较高要求，
4、综上，现有异常检测算法存在一些未解决的问题：
5、（1）现有方法对与复杂图像（存在多个需检测的物体且摆放方向不同、位置不同）情况未做出针对性措施，缺乏应对；
6、（2）现有方法没有考虑到利用图像内的距离信息进行异常检测，使得这些方法存在一些局限性。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，针对当前图像异常检测算法难以有效的对复杂情景下的图像（待检测物体存在多个，且摆放方向、位置皆不相同）进行异常检测，同时未能有效的利用距离信息进行异常的判定，导致异常检测和定位的准确度差强人意，提供一种基于距离信息驱动的复杂工业图像异常检测方法，能够对复杂情景下的图像进行准确的异常检测，同时在上下文信息的基础上，利用距离信息，得到了更高的异常检测准确度和定位精度。同时，为了摆脱对大模型的依赖，本方法还内置了小型的分割模块，使得本方法能够利用较低的成本同时检测出待检测物体的所处位置及物体上存在异常的位置。
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、第一方面，本专利技术提供了一种基于距离信息驱动的复杂工业图像异常检测方法，该方法包括：
4、获取待检测图像；
5、将所述待检测图像输入训练好的图像异常检测模型，获得异常定位图；
6、其中，所述图像异常检测模型包括待检测物体分割器、距离表示图像生成模块、距离特征映射模块和异常分割器，数据处理过程包括：
7、提取待检测图像的特征，将待检测图像的特征输入待检测物体分割器，得到预测待检测物体分割图像；
8、将预测待检测物体分割图像输入距离表示图像生成模块，得到彩色距离表示图像；
9、提取彩色距离表示图像的特征，将彩色距离表示图像的特征与待检测图像的特征分别输入距离特征映射模块，得到融合后的特征；
10、将融合后的特征输入异常分割器，得到预测异常分割图像，即为所求异常定位图。
11、进一步的，所述图像异常检测模型是利用人工合成的伪异常图像进行训练的。
12、进一步的，所述伪异常图像的合成方法包括：
13、将无异常图像输入sam模型，得到单通道的真实待检测物体分割图像；
14、计算真实待检测物体分割图像中的白色区域大小及范围，得到每一个待检测物体的大小；
15、根据每一个待检测物体的大小确定生成的伪异常图像的长度 length；
16、复制无异常图像，得到图像；
17、随机在图像上选择一个坐标，构成一个正方形区域 box：；
18、在图像上再次随机选择一个坐标，生成区域：，将 box区域内的内容粘贴在区域上，得到第一阶段的伪异常图像；
19、保持 length不变，采用上述方法再次构建新的 box1和区域；
20、在图像上，将 box1区域内的内容粘贴在区域上，得到伪异常图像。
21、进一步的，在合成伪异常图像的过程中，同步生成真实异常分割图像，包括：
22、生成一张与图像大小相同的全黑色图片记作；
23、将上与的区域对应的位置区域变为白色，得到第一阶段的真实异常分割图；
24、将第一阶段的真实异常分割图上与的区域对应的位置区域变为白色，得到真实异常分割图像。
25、进一步的，所述图像异常检测模型的训练方法包括：
26、将真实的彩色距离表示图像的提取特征和伪异常图像的提取特征卷积后通过距离特征映射模块处理，得到若干组特征向量；
27、将若干组特征向量通过异常分割器处理，得到预测异常分割器图；
28、将预测异常分割器图与真实异常分割图像进行比对，计算损失 loss1；
29、将伪异常图像的提取特征通过待检测物体分割器处理，得到预测待检测物体分割图；
30、将预测待检测物体分割图与真实待检测物体分割图像进行比对，计算损失 loss2；
31、利用 loss1对距离特征映射模块以及异常分割器进行训练， loss2对待检测物体分割器进行训练，训练若干轮后，选择 loss1与 loss2加和最小的模型作为最终的图像异常检测模型。
32、进一步的，所述待检测物体分割器为三层，de_lay3，de_lay2，de_lay1，每层结构相同，包括：
33、 {1. dropout2d层；
34、2.卷积层(conv2d)，卷积核大小3，步长3；
35、3.卷积层(conv2d)，卷积核大小3，步长1；...
【技术保护点】
1.一种基于距离信息驱动的复杂工业图像异常检测方法，其特征是，该方法包括：
2.根据权利要求1所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述图像异常检测模型是利用人工合成的伪异常图像进行训练的。
3.根据权利要求2所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述伪异常图像的合成方法包括：
4.根据权利要求3所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，在合成伪异常图像的过程中，同步生成真实异常分割图像，包括：
5.根据权利要求4所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述图像异常检测模型的训练方法包括：
6.根据权利要求1所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述待检测物体分割器为三层，de_lay3，de_lay2，de_lay1，每层结构相同，包括：
7.根据权利要求1所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述将预测待检测物体分割图像输入距离表示图像生成模块，得到彩色距离表示图像，包括：
...【技术特征摘要】
1.一种基于距离信息驱动的复杂工业图像异常检测方法，其特征是，该方法包括：
2.根据权利要求1所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述图像异常检测模型是利用人工合成的伪异常图像进行训练的。
3.根据权利要求2所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述伪异常图像的合成方法包括：
4.根据权利要求3所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，在合成伪异常图像的过程中，同步生成真实异常分割图像，包括：
5.根据权利要求4所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述图像异常检测模型的训练方法包括：
6.根据权利要求1所述的基于距离信息驱动的复杂工业图像异常检测方法，其特征是，所述待检测物体分割器...
【专利技术属性】
技术研发人员：江结林，刘西应，陈亚当，魏顺，许小龙，
申请(专利权)人：南京信息工程大学，
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。