【技术实现步骤摘要】
本专利技术属于基于深度学习的异常检测，具体涉及一种基于受控特征生成器的图像异常检测方法及系统。
技术介绍
1、图像异常检测旨在从输入图像中识别异常图像，这一领域的应用非常广泛，尤其在工业场景中具有重要意义。例如，它可以用于检测产品缺陷，以确保产品质量的一致性。随着深度学习方法的兴起和发展，其在图像异常检测中也受到了广泛的关注和研究。深度学习技术的应用使得图像异常检测能够更准确、更自动化，并能够适应不断变化的检测场景，为工业领域提供了更可靠的质量控制工具。
2、目前无监督异常检测研究的三个主要趋势：基于重构的方法、基于合成的方法、基于单类分类的方法。其中，单类分类的方法成为了备受关注的方法之一，这种方法通过学习正常样本的特征来构建一个围绕正常样本的判别超平面或超球面，以有效地识别异常或罕见情况。但是这种方法存在如下缺陷：
3、这种方法的批次训练数据是通过随机采样获得的，因此每一批次中的异常数量是随机变化的，这增加判决边界划分的难度，使得特征空间中形成一个正常、异常难以区分的模糊区域，致使模型难以从众多正常数据中识别出异常数据。
4、因此，设计一种能够更好地将不确定的图像数据进行区分，缓解因批次异常数量不稳定导致特征空间中出现一个特征不确定的模糊区域，致使模型无法构建一个清楚的分类边界的问题，提高图像异常检测的检测精度和鲁棒性的基于受控特征生成器的图像异常检测方法及系统，就显的尤为重要。
技术实现思路
1、本专利技术针对现有技术存在的批次异常数量不确
2、为了达到上述专利技术目的，本专利技术采用以下技术方案：
3、基于受控特征生成器的图像异常检测方法，其按照如下步骤：
4、s1、获取图像异常检测数据集；
5、s2、对图像异常检测数据集进行预处理；
6、s3、利用步骤s2中预处理好的数据，构建深度学习模型，将预训练权重加载到特征提取器中；
7、s4、生成伪标签，定义不确定特征和模糊域；
8、s5、伪标签控制特征生成器中生成异常的数量；
9、s6、伪标签控制特征生成器中添加对抗扰动的幅度；
10、s7、受控特征迭代生成；
11、s8、定义模型损失函数，对经过生成的特征进行约束；
12、s9、对受控特征生成器进行参数设置；
13、s10、迭代深度学习模型中的参数，保存迭代训练好的深度学习模型；
14、s11、导入步骤s10保存的模型训练参数，将待检测的图像数据输入模型进行异常检测。
15、作为优选，步骤s1中，所述的图像异常检测数据集中，按照一定比例将异常数据混入正常数据中，模拟现实数据分布。
16、作为优选，步骤s2中，所述图像数据预处理包括对图像进行裁剪、翻转以及归一化操作。
17、作为优选，步骤s4包括如下步骤：
18、s41，在特征空间中构造一个球心为m、半径为r的支持向量数据描述超球，构造目标函数，使得超球内部尽可能多的包含正常样本，尽可能少的包含异常样本。引入松弛变量ξi可以对加噪的正常样本增加一定的容错性，允许部分样本不在超球中，并引入惩罚因子c对松弛变量ξi进行限制，其目标函数表示为：
19、
20、其中，f＝[f1,f2,…,fb]表示批次特征；b表示批次样本的数量。
21、s42，通过拉格朗日对偶变换，得到所述目标函数优化问题的对偶问题，具体表示为：
22、
23、
24、其中，a＝[a1,a2,…,ab]是待求解的对偶变量，b表示样本批次数量，因此ab表示第b个样本的对偶变量的值；fi、fj表示第i，j个特征，ai、aj表示样本fi、fj对应的对偶变量；表示fi的转置；s.t.∑i ai＝1表示批次样本对应的对偶变量解的和需满足等于1。
25、s43，利用对偶解，对批次特征进行划分，定义不确定特征和模糊区域。当ai＝0时，即样特征点fi位于超球内，此时对应的样本为确定的正常样本；当ai＝c时，即特征点fi位于超球外，对应的样本为确定的异常样本；当0<ai<c时，即样本点fi位于超球面上，对应的特征为不确定特征，即存在正常、异常混杂的情况，样本所处空间区域称为模糊域。
26、作为优选，步骤s5包括如下步骤：
27、s51，利用伪标签将向异常生成的不确定特征进行筛选。选取不确定特征中最大的k个ai对应的特征，向异常方向生成，而剩下的特征则添加对抗扰动使其向正常方向生成。生成特征的选择表示为：
28、
29、其中，fselect表示选取的向异常方向生成的特征，funselect表示不确定特征中剩余的向正常方向生成的特征，0<ai<c表示步骤s4中所述的模糊域，ak表示模糊域中的最大的k个ai。
30、s52，设定动态的向异常生成特征的数量，确保生成后的批次特征异常数量的一致性。对于k的值，将其设定为动态的值，即：
31、
32、其中，表示批次中异常数量将要被调节到的预设水平，nan表示原来批次样本中的随机异常数量。通过这样的设定k的值，可以使生成的批次异常的数量恒定。
33、作为优选，步骤s6包括如下步骤：
34、s61，计算不确定特征对抗梯度。本专利技术计算鉴别器输出对于特征输入在该方向上的前向导数，作为对抗梯度信息。其反映了样本不同区域对异常概率输出的影响程度，指明了应该扰动哪些特征区域，以最有效地影响网络输出的期望变化，从而实现对目标特征的高效生成。异常对抗梯度可表示为:
35、
36、其中，表示计算函数的偏导数，fij表示第i行、第j列的特征区域，鉴别器d(·)的理想正常特征的输出为0，理想异常特征输出为1。
37、s62，生成不确定特征对抗扰动。根据对抗梯度，选择在指定生成方向上受添加扰动影响最大的n个区域作为对抗区域：
38、aadv＝maxn(m)
39、其中，aadv表示对指定方向(正常或是异常方向)影响最大的对抗区域，maxn(·)表示最大的n个区域。
40、在识别出输入特征的对抗区域之后，需要对这些区域添加对抗扰动，以实现将样本特征向指定方向生成，对抗扰动是通过高斯噪声和对抗区域相乘得到：
41、noiseadv＝noise·aadv
42、s63，受控对抗扰动迭代添加。本文档来自技高网...
【技术保护点】
1.基于受控特征生成器的图像异常检测方法，其特征在于，包括如下步骤；
2.根据权利要求1所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤S1中，所述的图像异常检测数据集中，按照设定比例将异常数据混入正常数据中，模拟现实数据分布。
3.根据权利要求1所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤S2中，所述的图像预处理包括对图像的裁剪、翻转以及归一化操作。
4.根据权利要求1-3任一项所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤S4包括如下步骤：
5.根据权利要求4所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤S5包括如下步骤：
6.根据权利要求5所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤S6包括如下步骤：
7.根据权利要求6所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤S7包括如下步骤：
8.根据权利要求7所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤S8包括如下步骤：
9.根据权利要
10.基于受控特征生成器的图像异常检测系统，用于实现权利要求1-9任一项所述基于受控特征生成器的图像异常检测方法，其特征在于，所述系统包括如下模块：
...【技术特征摘要】
1.基于受控特征生成器的图像异常检测方法，其特征在于，包括如下步骤；
2.根据权利要求1所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤s1中，所述的图像异常检测数据集中，按照设定比例将异常数据混入正常数据中，模拟现实数据分布。
3.根据权利要求1所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤s2中，所述的图像预处理包括对图像的裁剪、翻转以及归一化操作。
4.根据权利要求1-3任一项所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤s4包括如下步骤：
5.根据权利要求4所述的基于受控特征生成器的图像异常检测方法，其特征在于，步骤s...
【专利技术属性】
技术研发人员：郭礼豪，郭春生，应娜，陈华华，叶学义，
申请(专利权)人：杭州电子科技大学平湖数字技术创新研究院有限公司，
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。