【技術實現步驟摘要】
本專利技術涉及工業視覺檢測，特別是涉及一種基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法及系統。
技術介紹
1、在工業視覺檢測領域，異常檢測技術的發展對于提高生產效率、保障產品質量具有重要意義。隨著自動化和智能制造技術的進步，對異常檢測的準確性和實時性要求日益嚴格。傳統的異常檢測技術多依賴于有監督學習，這需要大量標記好的正常和異常樣本進行訓練。然而，在實際工業應用中，由于異常類型的多樣性和不可預測性，獲取足夠多的異常樣本不僅成本高昂，而且幾乎是不可能的任務。此外，現有方法在處理復雜異常模式和精確定位異常區域方面仍存在挑戰。
2、傳統的異常檢測技術，如自編碼器、生成對抗網絡?(gan)?和單一類分類器等，主要通過重建誤差或生成模型的判別能力來識別異常。這些方法雖然在一定程度上能夠揭示數據的異常性，但在模擬異常的多樣性和復雜性方面存在不足，特別是在小樣本學習場景下，其性能難以滿足工業級應用的需求。此外，現有技術在特征表示的泛化能力和異常定位的精度上亦有待提升。單一類分類器通常依賴單一的數據增強策略，如?cutout，其雖能引入局部不規律性，但難以全面模擬真實世界中的異常類型。在知識蒸餾方面，先前的工作主要集中在模仿教師網絡的輸出層，而未能充分利用網絡中間層次的豐富特征。
3、因此，傳統的異常檢測方式存在效率較低且準確性不高的問題。
技術實現思路
1、基于此，為了解決上述技術問題，提供一種基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法及系統，可
2、一種基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，所述方法包括：
3、獲取正常檢測圖像，對所述正常檢測圖像進行切割和隨機粘貼，生成模擬的異常圖像樣本；
4、將所述異常圖像樣本輸入至深度卷積神經網絡中，通過所述深度卷積神經網絡利用多分辨率知識蒸餾技術提取所述異常圖像樣本在不同層次上的特征表示；
5、基于所述異常圖像樣本獲取對應的圖像梯度信息，并根據所述圖像梯度信息定位異常區域；
6、對不同層次上的各個所述特征表示進行特征融合，得到融合后的特征；根據所述融合后的特征構建異常評分系統；
7、通過所述異常評分系統對所述異常區域進行評分，計算出所述異常區域的異常程度。
8、在其中一個實施例中，獲取正常檢測圖像，對所述正常檢測圖像進行切割和隨機粘貼，生成模擬的異常圖像樣本，包括：
9、獲取正常檢測圖像，從所述正常檢測圖像中隨機選擇目標區域，并對所述目標區域進行切割，得到切割后的區域圖像；
10、將所述切割后的區域圖像隨機粘貼到所述正常檢測圖像中的任意位置，生成模擬的異常圖像樣本。
11、在其中一個實施例中，將所述切割后的區域圖像隨機粘貼到所述正常檢測圖像中的任意位置，包括：
12、將所述切割后的區域圖像進行變換處理，將變換處理后的區域圖像隨機粘貼到所述正常檢測圖像中的任意位置；
13、其中，所述變換處理包括旋轉、縮放和顏色抖動。
14、在其中一個實施例中，所述方法還包括：
15、對所述異常圖像樣本進行標記，將標記后的異常圖像樣本、所述正常檢測圖像輸入至圖像檢測模型中；
16、通過所述圖像檢測模型輸出圖像區分檢測結果，并根據所述圖像區分檢測結果調整所述圖像檢測模型中的參數，完成對所述圖像檢測模型的訓練優化；
17、其中，所述圖像檢測模型用于區分異常圖像樣本和正常檢測圖像。
18、在其中一個實施例中，通過所述深度卷積神經網絡利用多分辨率知識蒸餾技術提取所述異常圖像樣本在不同層次上的特征表示，包括：
19、獲取預先訓練好的深度卷積神經網絡，通過所述深度卷積神經網絡中的第一網絡層捕捉所述異常圖像樣本中的局部和紋理信息；通過所述深度卷積神經網絡中的第二網絡層捕捉所述異常圖像樣本中的語義信息；
20、根據所述局部和紋理信息、語義信息構建多分辨率信息的特征表示，作為多分辨率特征；
21、利用多分辨率知識蒸餾技術對所述多分辨率特征進行傳遞，提取出不同層次上的特征表示。
22、在其中一個實施例中，基于所述異常圖像樣本獲取對應的圖像梯度信息，并根據所述圖像梯度信息定位異常區域，包括：
23、基于所述異常圖像樣本計算圖像梯度信息，并對所述圖像梯度信息的大小和分布進行分析，得到分析結果；
24、根據所述分析結果確定異常區域的位置信息，并根據所述位置信息以及所述圖像梯度信息上采樣到空間分辨率中生成異常映射，突出異常區域。
25、在其中一個實施例中，對不同層次上的各個所述特征表示進行特征融合，得到融合后的特征，包括：
26、分別確定不同層次上各個所述特征表示對應的特征權重；
27、將不同層次上各個所述特征表示按照對應的所述特征權重進行加權求和，得到融合后的特征。
28、在其中一個實施例中，所述方法還包括：
29、確定異常檢測決策閾值；
30、將所述融合后的特征輸入至所述異常評分系統中，通過所述異常評分系統基于所述異常檢測決策閾值將所述融合后的特征轉換為異常分數。
31、一種基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測系統，所述系統包括：
32、圖像處理模塊，用于獲取正常檢測圖像，對所述正常檢測圖像進行切割和隨機粘貼，生成模擬的異常圖像樣本；
33、多分辨率特征提取模塊，用于將所述異常圖像樣本輸入至深度卷積神經網絡中，通過所述深度卷積神經網絡利用多分辨率知識蒸餾技術提取所述異常圖像樣本在不同層次上的特征表示；
34、異常檢測與定位模塊，用于基于所述異常圖像樣本獲取對應的圖像梯度信息，并根據所述圖像梯度信息定位異常區域；
35、特征融合模塊，用于對不同層次上的各個所述特征表示進行特征融合，得到融合后的特征；根據所述融合后的特征構建異常評分系統；
36、異常評分模塊，用于通過所述異常評分系統對所述異常區域進行評分，計算出所述異常區域的異常程度。
37、上述基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法及系統，通過對正常檢測圖像進行切割和粘貼，可以豐富數據的多樣性；采用多分辨率知識蒸餾技術提取不同層次的特征表示，為異常檢測提供了更加豐富的特征空間；基于梯度信息可以精確定位異常區域，根據融合后的特征構建異常評分系統能夠評估出異常程度，為異常檢測提供決策支持，提高異常檢測的準確性和實時性。
本文檔來自技高網...【技術保護點】
1.一種基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，獲取正常檢測圖像，對所述正常檢測圖像進行切割和隨機粘貼，生成模擬的異常圖像樣本，包括：
3.根據權利要求2所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，將所述切割后的區域圖像隨機粘貼到所述正常檢測圖像中的任意位置，包括：
4.根據權利要求1所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，所述方法還包括：
5.根據權利要求1所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，通過所述深度卷積神經網絡利用多分辨率知識蒸餾技術提取所述異常圖像樣本在不同層次上的特征表示，包括：
6.根據權利要求1所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，基于所述異常圖像樣本獲取對應的圖像梯度信息，并根據所述圖像梯度信息定位異常區域，包括：
...【技術特征摘要】
1.一種基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，獲取正常檢測圖像，對所述正常檢測圖像進行切割和隨機粘貼，生成模擬的異常圖像樣本，包括：
3.根據權利要求2所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，將所述切割后的區域圖像隨機粘貼到所述正常檢測圖像中的任意位置，包括：
4.根據權利要求1所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，所述方法還包括：
5.根據權利要求1所述的基于自監督數據增強與多分辨率知識蒸餾的無監督異常檢測方法，其特征在于，通過所述深度卷積神經網絡利用多分辨率知識蒸餾技術提取所述異常圖像樣本在不同層次上的特征表示，包括：
6.根據權利要求1所述的基于自監督數據增強與多分辨率...
【專利技術屬性】
技術研發人員：孫伯依杭，黃彬，吳濤，王兆臣，張立飛，郭帥，鄒韋，李波，
申請(專利權)人：上海模呈信息技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。