CN113344875A - 一种基于自监督学习的异常图像检测方法 - Google Patents

一种基于自监督学习的异常图像检测方法 Download PDF

Info

Publication number
CN113344875A
CN113344875A CN202110631682.6A CN202110631682A CN113344875A CN 113344875 A CN113344875 A CN 113344875A CN 202110631682 A CN202110631682 A CN 202110631682A CN 113344875 A CN113344875 A CN 113344875A
Authority
CN
China
Prior art keywords
image
abnormal
acquiring
self
detection method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110631682.6A
Other languages
English (en)
Inventor
简伟明
刘亦铭
赵成
孙科
朱祥将
程轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Xiangdian Technology Co ltd
Original Assignee
Wuhan Xiangdian Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Xiangdian Technology Co ltd filed Critical Wuhan Xiangdian Technology Co ltd
Priority to CN202110631682.6A priority Critical patent/CN113344875A/zh
Publication of CN113344875A publication Critical patent/CN113344875A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

本发明涉及工业自动化技术领域，尤其为一种基于自监督学习的异常图像检测方法，其具体步骤如下：S1，获取待检图像；S2，将待检测图像输入模型，并获取异常分数；S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像，本发明通过设计基于自监督学习的异常图像检测方法，设置更为合理的代理任务，借助基于特征层面的余弦距离损失函数进行训练，使模型能够适应不同尺度的异常，捕获更加鲁棒的图像深层表征，获取在真实异常图像上更强的泛化能力，从而实现更加精确的异常检测。

Description

一种基于自监督学习的异常图像检测方法
技术领域
本发明涉及工业自动化技术领域，具体为一种基于自监督学习的异常图像检测方法。
背景技术
像异常检测是工业自动化领域的一个重要问题。考虑异常样本难以获取，仅使用正常样本训练并构建模型的方法具有较强的实际应用价值。自监督学习(self-supervisedlearning，SSL)能够通过设置代理任务，从无标签的数据中挖掘自身的监督信息，从而获取对下游异常检测任务有效的图像深层表征。如何合理地设置代理任务(proxy task)是自监督学习的关键问题。现有的基于自监督学习的异常检测方法CutPaste(Self-SupervisedLearning for Anomaly Detection and Localization)的代理任务设置方法如下：1.从正常的训练图像中随机选择一个可变大小和长宽比的矩形区域；2.对选择的区域进行随机旋转或增强(jitter)；3.将变换后的区域随机粘贴在原图像的任意区域。4.以变换后的图像模拟真实异常图像，通过模型对真实图像和模拟的异常图像进行识别来获取图像的深层表征。然而，该代理任务的设置存在三个明显问题：1.粘贴前未对选择的图像区域进行缩放，因而生成的异常的尺度与原始图像一致，然而真实的异常往往是多尺度的；2.生成的图像异常仅有一处，而真实的图像中可能存在多处异常；3.粘贴方法为将变换后的区域直接替换原图像中的区域，导致粘贴区域与图像的原始部分具有明显边界，而真实情况下，图像的异常有多种呈现方式，其并不一定与原始图像有明显边界或者不连续。因此，上述代理任务中生成的图像与真实异常具有较大的差异，这使得模型很容易寻找到捷径(shortcut)来识别代理任务中构建的虚假异常图像，导致其在自监督学习阶段无法获取图像的有效深层表征，从而降低该模型在真实的异常图像上的泛化性能。此外，CutPaste方法使用的损失函数为基于类别标签的交叉熵损失，该损失函数能够提供的监督信息非常有限，不利于模型的深层次特征提取。
综上所述，本发明通过设计一种基于自监督学习的异常图像检测方法来解决存在的问题。
发明内容
本发明的目的在于提供一种基于自监督学习的异常图像检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于自监督学习的异常图像检测方法，其具体步骤如下：
S1，获取待检图像；
S2，将待检测图像输入模型，并获取异常分数；
S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像。
作为本发明优选的方案，所述S2中模型为SSLAnomaly的结构，并且SSLAnomaly的结构包含特征提取器F(·)和映射头G(·)，其中特征提取器采用卷积神经网络，如VGG、ResNet或者DenseNet其中的一种，映射头包含三个MLP模块，并且MLP的具体结构依次包含全连接层、BN层、ReLU层及全连接层。
作为本发明优选的方案，所述S2中模型的训练流程，包括以下步骤：
S21，设置代理任务，获取模拟的异常图像I′；
S22，将原始图像I及模拟的异常图像I′同时输入到SSLAnomaly中，获取其对应的特征嵌入EI及EI′：
EI＝G(F(I))
EI′＝G(F(I′))
S23，计算损失并更新模型参数；
模型使用的损失函数为余弦距离损失，其定义为：
Figure BDA0003103798890000031
其中，X代表正常样本的分布。
SSLAnomaly通过L的反向传播更新参数，并完成训练。
作为本发明优选的方案，所述S21中设置代理任务，获取模拟的异常图像I′的具体步骤如下：
(a)获取输入图像I的边长n；
(b)在图像I中随机放置一个圆形(直径为0.05n)或正方形(边长为0.05n)候选框，并获取其对应的图像块IP；
(c)分别在水平和垂直方向上对(b)中获取的图像块IP进行缩放，缩放比例介于0.3～3；
(d)对(c)中图像块进行随机旋转、水平翻转和垂直翻转；
(e)对(d)中图像块进行图像增强，并获取增强后的图像I′P，增强的具体方法包括随机强度(最大强度<0.1)的亮度、对比度、饱和度及色相变化；
(f)在图像I随机放置一个大小同I′P的候选框，并获取其对应的图像块IC；
(g)计算I′P与IC融合后的图像块I″P，计算公式为：I″P＝λI′P+(1-λ)IC，其中λ∈[0,1]，用于控制融合后的I′P比例；
(h)使用I″P替换掉IC；
(i)重复操作(b)-(h)n次，其中n为介于1～3的随机整数，获取模拟的异常图像I′。
作为本发明优选的方案，所述S2中异常分数的计算方法，具体包括以下步骤：
(1)获取图像特征：
考虑到多个MLP获取的特征嵌入容易在模拟的异常图像上产生过拟合，使用第一个MLP的输出作为输入图像的特征x，其计算方法如下：
x＝g1(F(I))
其中，g1为第一个MLP。
(2)计算异常分数P(x)：
Figure BDA0003103798890000041
Figure BDA0003103798890000042
Figure BDA0003103798890000043
其中，m为训练样本数，x(i)为第i个训练样本的特征，n为特征x的长度。
与现有技术相比，本发明的有益效果是：
本发明中，通过设计基于自监督学习的异常图像检测方法，设置更为合理的代理任务，借助基于特征层面的余弦距离损失函数进行训练，使模型能够适应不同尺度的异常，捕获更加鲁棒的图像深层表征，获取在真实异常图像上更强的泛化能力，从而实现更加精确的异常检测。
附图说明
图1为本发明SSLAnomaly网络结构示意图；
图2为本发明SSLAnomaly训练流程结构示意图；
图3为本发明获取异常图像结构示意图；
图4为本发明异常分数计算流程结构示意图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述,给出了本发明的若干实施例,但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例,相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件,当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件,本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同,本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明,本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1-4，本发明提供一种技术方案：
一种基于自监督学习的异常图像检测方法，其具体步骤如下：
S1，获取待检图像；
S2，将待检测图像输入模型，并获取异常分数；
S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像。
作为本发明进一步优选的方案，所述S2中模型为SSLAnomaly的结构，并且SSLAnomaly的结构包含特征提取器F(·)和映射头G(·)，其中特征提取器采用卷积神经网络，如VGG、ResNet或者DenseNet其中的一种，映射头包含三个MLP模块，并且MLP的具体结构依次包含全连接层、BN层、ReLU层及全连接层。
作为本发明进一步优选的方案，所述S2中模型的训练流程，包括以下步骤：
S21，设置代理任务，获取模拟的异常图像I′；
S22，将原始图像I及模拟的异常图像I′同时输入到SSLAnomaly中，获取其对应的特征嵌入EI及EI′：
EI＝G(F(I))
EI′＝G(F(I′))
S23，计算损失并更新模型参数；
模型使用的损失函数为余弦距离损失，其定义为：
Figure BDA0003103798890000061
其中，X代表正常样本的分布。
SSLAnomaly通过L的反向传播更新参数，并完成训练。
作为本发明进一步优选的方案，所述S21中设置代理任务，获取模拟的异常图像I′的具体步骤如下：
(a)获取输入图像I的边长n；
(b)在图像I中随机放置一个圆形(直径为0.05n)或正方形(边长为0.05n)候选框，并获取其对应的图像块IP；
(c)分别在水平和垂直方向上对(b)中获取的图像块IP进行缩放，缩放比例介于0.3～3；
(d)对(c)中图像块进行随机旋转、水平翻转和垂直翻转；
(e)对(d)中图像块进行图像增强，并获取增强后的图像I′P，增强的具体方法包括随机强度(最大强度<0.1)的亮度、对比度、饱和度及色相变化；
(f)在图像I随机放置一个大小同I′P的候选框，并获取其对应的图像块IC；
(g)计算I′P与IC融合后的图像块I″P，计算公式为：I″P＝λI′P+(1-λ)IC，其中λ∈[0,1]，用于控制融合后的I′P比例；
(h)使用I″P替换掉IC；
(i)重复操作(b)-(h)n次，其中n为介于1～3的随机整数，获取模拟的异常图像I′。
作为本发明进一步的优选的方案，所述S2中异常分数的计算方法，具体包括以下步骤：
(1)获取图像特征：
考虑到多个MLP获取的特征嵌入容易在模拟的异常图像上产生过拟合，使用第一个MLP的输出作为输入图像的特征x，其计算方法如下：
x＝g1(F(I))
其中，g1为第一个MLP。
(2)计算异常分数P(x)：
Figure BDA0003103798890000081
Figure BDA0003103798890000082
Figure BDA0003103798890000083
其中，m为训练样本数，x(i)为第i个训练样本的特征，n为特征x的长度。
具体实施案例：
一种基于自监督学习的异常图像检测方法，其具体步骤如下：
S1，获取待检图像；
S2，将待检测图像输入模型，并获取异常分数；
S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像。
所述S2中模型为SSLAnomaly的结构如图1(a)所示，并且SSLAnomaly的结构包含包含特征提取器F(·)和映射头G(·)，其中特征提取器采用卷积神经网络，如VGG、ResNet或者DenseNet其中的一种，映射头包含三个MLP模块，并且MLP的具体结构如图1(b)依次包含全连接层、BN层、ReLU层及全连接层。
所述S2中模型的训练流程如图2，包括以下步骤：
S21，设置代理任务，获取模拟的异常图像I′:
(a)获取输入图像I的边长n；
(b)在图像I中随机放置一个圆形(直径为0.05n)或正方形(边长为0.05n)候选框，并获取其对应的图像块IP；
(c)分别在水平和垂直方向上对(b)中获取的图像块IP进行缩放，缩放比例介于0.3～3；
(d)对(c)中图像块进行随机旋转、水平翻转和垂直翻转；
(e)对(d)中图像块进行图像增强，并获取增强后的图像I′P，增强的具体方法包括随机强度(最大强度<0.1)的亮度、对比度、饱和度及色相变化；
(f)在图像I随机放置一个大小同I′P的候选框，并获取其对应的图像块IC；
(g)计算I′P与IC融合后的图像块I″P，计算公式为：I″P＝λI′P+(1-λ)IC，其中λ∈[0,1]，用于控制融合后的I′P比例；
(h)使用I″P替换掉IC；
(i)重复操作(b)-(h)n次，其中n为介于1～3的随机整数，获取模拟的异常图像I′，如图3；
S22，将原始图像I及模拟的异常图像I′同时输入到SSLAnomaly中，获取其对应的特征嵌入EI及EI′：
EI＝G(F(I))
EI′＝G(F(I′))
S23，计算损失并更新模型参数；
模型使用的损失函数为余弦距离损失，其定义为：
Figure BDA0003103798890000101
其中，X代表正常样本的分布。
SSLAnomaly通过L的反向传播更新参数，并完成训练。
所述S2中异常分数的计算方法如图4，具体包括以下步骤：
(1)获取图像特征：
考虑到多个MLP获取的特征嵌入容易在模拟的异常图像上产生过拟合，使用第一个MLP的输出作为输入图像的特征x，其计算方法如下：
x＝g1(F(I))
其中，g1为第一个MLP。
(2)计算异常分数P(x)：
Figure BDA0003103798890000102
Figure BDA0003103798890000103
Figure BDA0003103798890000104
其中，m为训练样本数，x(i)为第i个训练样本的特征，n为特征x的长度。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于自监督学习的异常图像检测方法，其具体步骤如下：
S1，获取待检图像；
S2，将待检测图像输入模型，并获取异常分数；
S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像。
2.根据权利要求1所述的一种基于自监督学习的异常图像检测方法，其特征在于：所述S2中模型为SSLAnomaly的结构，并且SSLAnomaly的结构包含特征提取器F(·)和映射头G(·)，其中特征提取器采用卷积神经网络，如VGG、ResNet或者DenseNet其中的一种，映射头包含三个MLP模块，并且MLP的具体结构依次包含全连接层、BN层、ReLU层及全连接层。
3.根据权利要求1所述的一种基于自监督学习的异常图像检测方法，其特征在于：所述S2中模型的训练流程，包括以下步骤：
S21，设置代理任务，获取模拟的异常图像I′；
S22，将原始图像I及模拟的异常图像I′同时输入到SSLAnomaly中，获取其对应的特征嵌入EI及EI′：
EI＝G(F(I))
EI′＝G(F(I′))
S23，计算损失并更新模型参数；
模型使用的损失函数为余弦距离损失，其定义为：
Figure FDA0003103798880000011
其中，X代表正常样本的分布。
SSLAnomaly通过L的反向传播更新参数，并完成训练。
4.根据权利要求3所述的一种基于自监督学习的异常图像检测方法，其特征在于：所述S21中设置代理任务，获取模拟的异常图像I′的具体步骤如下：
(a)获取输入图像I的边长n；
(b)在图像I中随机放置一个圆形(直径为0.05n)或正方形(边长为0.05n)候选框，并获取其对应的图像块IP；
(c)分别在水平和垂直方向上对(b)中获取的图像块IP进行缩放，缩放比例介于0.3～3；
(d)对(c)中图像块进行随机旋转、水平翻转和垂直翻转；
(e)对(d)中图像块进行图像增强，并获取增强后的图像I′P，增强的具体方法包括随机强度(最大强度<0.1)的亮度、对比度、饱和度及色相变化；
(f)在图像I随机放置一个大小同I′P的候选框，并获取其对应的图像块IC；
(g)计算I′P与IC融合后的图像块I″P，计算公式为：I″P＝λI′P+(1-λ)IC，其中λ∈[0,1]，用于控制融合后的I′P比例；
(h)使用I″P替换掉IC；
(i)重复操作(b)-(h)n次，其中n为介于1～3的随机整数，获取模拟的异常图像I′。
5.根据权利要求1所述的一种基于自监督学习的异常图像检测方法，其特征在于：所述S2中异常分数的计算方法，具体包括以下步骤：
(1)获取图像特征：
考虑到多个MLP获取的特征嵌入容易在模拟的异常图像上产生过拟合，使用第一个MLP的输出作为输入图像的特征x，其计算方法如下：
x＝g1(F(I))
其中，g1为第一个MLP。
(2)计算异常分数P(x)：
Figure FDA0003103798880000031
Figure FDA0003103798880000032
Figure FDA0003103798880000033
其中，m为训练样本数，x(i)为第i个训练样本的特征，n为特征x的长度。
CN202110631682.6A 2021-06-07 2021-06-07 一种基于自监督学习的异常图像检测方法 Pending CN113344875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110631682.6A CN113344875A (zh) 2021-06-07 2021-06-07 一种基于自监督学习的异常图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110631682.6A CN113344875A (zh) 2021-06-07 2021-06-07 一种基于自监督学习的异常图像检测方法

Publications (1)

Publication Number Publication Date
CN113344875A true CN113344875A (zh) 2021-09-03

Family

ID=77474945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110631682.6A Pending CN113344875A (zh) 2021-06-07 2021-06-07 一种基于自监督学习的异常图像检测方法

Country Status (1)

Country Link
CN (1) CN113344875A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240968A (zh) * 2021-12-17 2022-03-25 联通(上海)产业互联网有限公司 一种分割图像中异常区域的自监督深度学习算法
CN114550098A (zh) * 2022-02-28 2022-05-27 山东大学 基于对比学习的考场监控视频异常行为检测方法及系统
CN115239638A (zh) * 2022-06-28 2022-10-25 厦门微图软件科技有限公司 一种工业缺陷检测方法、装置、设备及可读存储介质
CN116246114A (zh) * 2023-03-14 2023-06-09 哈尔滨市科佳通用机电股份有限公司 自监督脱轨自动装置拉环脱落图像异常检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN109584221A (zh) * 2018-11-16 2019-04-05 聚时科技(上海)有限公司 一种基于监督式生成对抗网络的异常图像检测方法
CN110008842A (zh) * 2019-03-09 2019-07-12 同济大学 一种基于深度多损失融合模型的行人重识别方法
CN110610129A (zh) * 2019-08-05 2019-12-24 华中科技大学 一种基于自注意力机制的深度学习人脸识别系统及方法
CN112149795A (zh) * 2019-06-26 2020-12-29 辉达公司 用于自监督事件学习与异常检测的神经架构
CN112435221A (zh) * 2020-11-10 2021-03-02 东南大学 一种基于生成式对抗网络模型的图像异常检测方法
CN112587155A (zh) * 2020-12-12 2021-04-02 中山大学 一种基于自监督学习的脑电波图异常检测的方法及装置
CN112862799A (zh) * 2021-02-24 2021-05-28 上海交通大学 基于图像属性恢复的图像异常检测方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN109584221A (zh) * 2018-11-16 2019-04-05 聚时科技(上海)有限公司 一种基于监督式生成对抗网络的异常图像检测方法
CN110008842A (zh) * 2019-03-09 2019-07-12 同济大学 一种基于深度多损失融合模型的行人重识别方法
US20200285896A1 (en) * 2019-03-09 2020-09-10 Tongji University Method for person re-identification based on deep model with multi-loss fusion training strategy
CN112149795A (zh) * 2019-06-26 2020-12-29 辉达公司 用于自监督事件学习与异常检测的神经架构
CN110610129A (zh) * 2019-08-05 2019-12-24 华中科技大学 一种基于自注意力机制的深度学习人脸识别系统及方法
CN112435221A (zh) * 2020-11-10 2021-03-02 东南大学 一种基于生成式对抗网络模型的图像异常检测方法
CN112587155A (zh) * 2020-12-12 2021-04-02 中山大学 一种基于自监督学习的脑电波图异常检测的方法及装置
CN112862799A (zh) * 2021-02-24 2021-05-28 上海交通大学 基于图像属性恢复的图像异常检测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱松豪等: "基于半监督生成式对抗网络的异常行为检测", 《南京邮电大学学报(自然科学版)》, vol. 40, no. 4, pages 50 - 56 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240968A (zh) * 2021-12-17 2022-03-25 联通(上海)产业互联网有限公司 一种分割图像中异常区域的自监督深度学习算法
CN114550098A (zh) * 2022-02-28 2022-05-27 山东大学 基于对比学习的考场监控视频异常行为检测方法及系统
CN115239638A (zh) * 2022-06-28 2022-10-25 厦门微图软件科技有限公司 一种工业缺陷检测方法、装置、设备及可读存储介质
CN116246114A (zh) * 2023-03-14 2023-06-09 哈尔滨市科佳通用机电股份有限公司 自监督脱轨自动装置拉环脱落图像异常检测方法及装置
CN116246114B (zh) * 2023-03-14 2023-10-10 哈尔滨市科佳通用机电股份有限公司 自监督脱轨自动装置拉环脱落图像异常检测方法及装置

Similar Documents

Publication Publication Date Title
CN113344875A (zh) 一种基于自监督学习的异常图像检测方法
Mi et al. Wheat stripe rust grading by deep learning with attention mechanism and images from mobile devices
Mohanty et al. Using deep learning for image-based plant disease detection
Turker et al. Building‐based damage detection due to earthquake using the watershed segmentation of the post‐event aerial images
Hallau et al. Automated identification of sugar beet diseases using smartphones
CN108682007B (zh) 基于深度随机森林的jpeg图像重采样自动检测方法
Alper Selver et al. Textural fabric defect detection using statistical texture transformations and gradient search
Li et al. Fabric defect detection algorithm using RDPSO-based optimal Gabor filter
CN107077457A (zh) 基于事件的空间变换
US20230118767A1 (en) Learning device, learning method, inference device, and storage medium
CN107547852A (zh) 一种大数据存储系统
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
Guan Fabric defect delaminating detection based on visual saliency in HSV color space
CN105005852A (zh) 一种基于图像分析的宿舍环境智能监测系统
CN114399763B (zh) 一种单样本与小样本微体古生物化石图像识别方法及系统
CN109088744A (zh) 电力通信网络异常入侵检测方法、装置、设备及存储介质
CN109255778B (zh) 图像处理方法和装置、电子设备、存储介质、程序产品
Cheng et al. Water quality monitoring method based on TLD 3D fish tracking and XGBoost
Kosarevych et al. Detection of pixels corrupted by impulse noise using random point patterns
CN113762314A (zh) 一种烟火检测方法和装置
CN106960188A (zh) 天气图像分类方法及装置
Das et al. Moment-based features of knitted cotton fabric defect classification by artificial neural networks
Li et al. Development of a single-leaf disease severity automatic grading system based on image processing
CN113255440B (zh) 一种基于机器学习的农作物叶片异常检测方法及系统
Yang et al. Sewer pipe defects diagnosis assessment using multivariate analysis on CCTV video imagery

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination