一种基于自监督流模型的工业图像异常检测方法技术

本发明专利技术属于工业图像处理技术领域，具体为一种基于自监督流模型的工业图像异常检测方法。本发明专利技术包括：将训练图像依次输入到特征提取模块和特征预处理模块中，输出包含正常特征和伪异常特征的三个不同尺度下的特征图；使用归一化流分布映射模块将特征映射到多元标准高斯分布中；通过自监督损失函数优化模型参数；对待检测图像进行异常得分计算，生成图像级和像素级检测结果。本发明专利技术通过引入自监督范式加强模型对正异常特征的区分能力，并设计了具有动态特征选择的两阶段归一化流分布映射模块加强模型对复杂多尺度特征的建模能力，有效提升了工业图像异常检测性能，适用于工业产品表面缺陷检测等场景。

【技术实现步骤摘要】

本专利技术属于工业图像处理，具体涉及一种基于自监督流模型的工业图像异常检测方法。

技术介绍

1、工业图像异常检测是智能制造中的关键技术，其目标是通过计算机视觉技术自动识别工业产品的外观缺陷或结构异常。根据训练样本中是否包含异常样本，异常检测可以分为有监督设置和无监督设置下的模型，有监督设置下的模型需要大量精准标注的异常图像进行训练，但在实际工业场景中，异常样本稀缺且标注成本高昂，因此无监督异常检测方法逐渐成为主流。其中，基于归一化流(normalizing flow,nf)的模型通过将正常特征映射至多元标准高斯分布，并以映射结果的似然大小检测异常，展现出较高的检测效率与精度。

2、然而，现有基于归一化流的工业异常检测方法存在以下缺陷：

3、(1)对异常特征分布的映射结果可区分度低：无监督训练中，模型仅学习正常特征的分布映射，缺乏对异常特征的显式建模，导致异常特征的映射结果与正常特征重叠，降低模型对未知异常的区分能力。

4、(2)复杂多尺度特征分布建模能力不足：工业产品结构复杂，缺陷尺度差异显著(如微小划痕与大面积错位)。本文档来自技高网...

【技术保护点】

1.一种基于自监督流模型的工业图像异常检测方法，其特征在于，包括构建具有特征动态选择的自监督流模型(D3SFlow)，该模型包括特征提取模块、特征预处理模块、归一化流(NF)分布映射模块，然后进行模型训练和工业图像异常检测；具体步骤如下：

2.根据权利要求1所述的工业图像异常检测方法，其特征在于，步骤S1中：

3.根据权利要求2所述的工业图像异常检测方法，其特征在于，步骤S2中：

4.根据权利要求3所述的工业图像异常检测方法，其特征在于，步骤S2中：

5.根据权利要求4所述的工业图像异常检测方法，其特征在于，步骤S3中：

6.根...

【技术特征摘要】

1.一种基于自监督流模型的工业图像异常检测方法，其特征在于，包括构建具有特征动态选择的自监督流模型(d3sflow)，该模型包括特征提取模块、特征预处理模块、归一化流(nf)分布映射模块，然后进行模型训练和工业图像异常检测；具体步骤如下：

2.根据权利要求1所述的工业图像异常检测方法，其特征在于，步骤s1中：

3.根据权利要求...

【专利技术属性】
技术研发人员：李敏波，王丽薇，陈军萌，
申请(专利权)人：复旦大学，
类型：发明
国别省市：