【技术实现步骤摘要】
本申请涉及视觉异常检测，特别涉及一种基于特征乱序重排的表面缺陷检测方法和装置。
技术介绍
1、视觉异常检测是一种二元分类任务，旨在确定给定图像是否偏离正常模式，这是工业产品质量控制的关键组成部分。视觉异常检测的方法包括传统方法和基于深度学习的方法，传统方法通过手动提取特征来进行异常检测，然而其泛化性较差；基于深度学习的方法通过大量数据的训练，实现了对特征的自动抽取，从而具备更强的泛化性能。
2、基于深度学习的方法包括基于有监督学习和基于无监督学习两种类型，在真实工业环境中，异常样本的数量显著少于正常样本的数量，所以在真实工业环境中采集大量标记为异常的样本以进行有监督学习是不切实际的；而无监督学习只需要使用正常样本进行训练，因而在工业场景中更具可行性。
3、在真实的工业环境中，由于正常样本的数量可能会不断变化，导致异常检测任务的设置也需要相应地调整。但现有的异常检测算法并未考虑到算法的通用性，只在工业环境下的某一固定的设置下实现较好的检测性能，当设置发生变化时，异常检测性能急剧下降，没有通用性。因此，如何在不同设置...
【技术保护点】
1.一种基于特征乱序重排的表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于特征乱序重排的表面缺陷检测方法，其特征在于，根据所述多层次融合特征图与所述重构特征图之间的差异，得到异常检测结果，包括：
3.根据权利要求1所述的一种基于特征乱序重排的表面缺陷检测方法，其特征在于，所述特征重构网络包括：第一线性层、第二线性层和特征修复网络，所述特征重构网络是按照以下步骤训练得到的：
4.根据权利要求3所述的一种基于特征乱序重排的表面缺陷检测方法，其特征在于，根据打乱率对所述多个非重叠特征块进行随机重排操作，得到样本重排特
【技术特征摘要】
1.一种基于特征乱序重排的表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于特征乱序重排的表面缺陷检测方法，其特征在于，根据所述多层次融合特征图与所述重构特征图之间的差异，得到异常检测结果，包括：
3.根据权利要求1所述的一种基于特征乱序重排的表面缺陷检测方法，其特征在于，所述特征重构网络包括：第一线性层、第二线性层和特征修复网络，所述特征重构网络是按照以下步骤训练得到的：
4.根据权利要求3所述的一种基于特征乱序重排的表面缺陷检测方法，其特征在于，根据打乱率对所述多个非重叠特征块进行随机重排操作，得到样本重排特征序列，包括：
5.根据权利要求3所述的一种基于特征乱序重排的表面缺陷检测方法，其特征在于，根据所述正常样本多层次融合特征图和所述样本重构特征图之间的全局误差和局部误差，确定联合损失值，包括：
6.根据权利要求1所述的一种基于特征乱序重排的表面缺陷检测方法，其特征在于，获取待检测图像的多层次融合特征图，包括：
7.根据权利要求3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。