CN114187292B - 棉纺纸筒的异常检测方法、装置、设备及存储介质 - Google Patents
棉纺纸筒的异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114187292B CN114187292B CN202210131429.9A CN202210131429A CN114187292B CN 114187292 B CN114187292 B CN 114187292B CN 202210131429 A CN202210131429 A CN 202210131429A CN 114187292 B CN114187292 B CN 114187292B
- Authority
- CN
- China
- Prior art keywords
- image
- paper tube
- normal
- cotton spinning
- encoder
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明属于深度学习技术领域,公开了一种棉纺纸筒的异常检测方法、装置、设备及存储介质。该方法包括:获取正常棉纺纸筒图像以及异常棉纺纸筒图像;将异常棉纺纸筒图像划分至测试集,并将正常棉纺纸筒图像划分至训练集和测试集;根据训练集训练自编码器,得到训练后的自编码器;根据测试集测试训练后的自编码器,得到目标自编码器;获取待测棉纺纸筒图像,并将待测棉纺纸筒图像输入至目标自编码器中,判断待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。通过上述方式,基于正常图像对自监督学习的自编码器进行训练得到目标自编码器,最后利用目标自编码器对待测棉纺纸筒图像进行检测,从而准确检测异常的棉纺纸筒。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种棉纺纸筒的异常检测方法、装置、设备及存储介质。
背景技术
在产品的生产加工过程中,异常型号是影响着产品良品率的关键因素。如何剔除异常型号的产品,是一个困扰企业的重大难题。然而,当前异常型号的剔除方法主要依赖人海战术,进行拉网式排查。这类方法一方面人力消耗巨大,导致生产成本加大;另一方面不同质检员衡量异常的标准存在些许差异,容易造成查漏。
现如今,利用人工智能技术助力企业生产逐渐成为主流。这其中,尤其以异常型号的自动筛查为代表,可以有效防止传统人眼筛查由于海量数据导致的视觉疲劳以及遗漏的问题,极大提升产品的市场竞争力,为企业生产和发展助力。
识别和剔除异常型号本质上是一个异常检测的问题,又被称为单分类问题或新颖检测问题。随着人工智能技术的快速发展,一些技术人员利用人工智能技术在智能制造领域进行探索实践,例如根据时间序列信号诊断加工器件的健康状态。但棉纺纸筒异常型号的筛查与其他应用不同,有自身独特的特点,例如正常型号图片数量多、异常型号数量少,正、异常型号之间的颜色和图案是重要区别特征等。如何根据棉纺纸筒的自身特点,将人工智能技术合理、有效地应用到异常型号的筛查工作中,提高产品的良品率,还有待研究。
在棉纺纸筒的异常检测任务中,常见的算法是直接利用二分类模型,即同时收集正常型号和异常型号的样本,然后使用二分类方法模型进行拟合,学出正、异常之间的决策边界。这种方式依赖于大量的、完备的异常样本,才能保证模型在上线运行中给出的筛查结果是可靠的。然而实际的情况是,异常型号的棉纺纸筒是罕见的,并且异常的种类多种多样。所以,收集的数据集中往往正常样本数量远远多于异常样本数量,并且无法穷尽所有可能的异常型号样本,导致二分类模型失效。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种棉纺纸筒的异常检测方法、装置、设备及存储介质,旨在解决现有技术如何准确筛查出异常棉纺纸筒的技术问题。
为实现上述目的,本发明提供了一种棉纺纸筒的异常检测方法,所述方法包括以下步骤:
获取正常棉纺纸筒图像以及异常棉纺纸筒图像;
将所述异常棉纺纸筒图像划分至测试集;
将所述正常棉纺纸筒图像分为多个正常图像对;
确定各正常图像对中两正常图像的相似性分数;
根据所述相似性分数从各正常图像对中选择目标正常图像;
将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集;
根据所述训练集训练自编码器,得到训练后的自编码器;
根据所述测试集测试所述训练后的自编码器,得到目标自编码器;
获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
可选地,所述根据所述训练集训练自编码器,得到训练后的自编码器,包括:
通过所述自编码器对所述训练集中的训练样本进行编码,得到多通道隐向量;
通过所述自编码器对所述多通道隐向量进行解码,得到重构图像;
确定所述训练样本与所述重构图像的相似性误差;
根据所述相似性误差得到训练后的自编码器。
可选地,所述根据所述测试集测试所述训练后的自编码器,得到目标自编码器,包括:
根据所述训练后的自编码器以及所述测试集中的测试样本确定目标阈值;
根据所述训练后的自编码器、所述目标阈值以及所述测试集中的测试样本确定过筛率以及漏筛率;
根据所述目标阈值、所述过筛率以及所述漏筛率确定目标自编码器。
可选地,所述根据所述训练后的自编码器以及所述测试集中的测试样本确定目标阈值,包括:
将所述测试样本中的异常样本传输至所述训练后的自编码器,得到异常样本重构图像;
确定所述异常样本与所述异常样本重构图像的异常相似性误差;
根据所述异常相似性误差确定目标阈值。
可选地,所述根据所述训练后的自编码器、所述目标阈值以及所述测试集中的测试样本确定过筛率以及漏筛率,包括:
将所述测试样本输入至所述训练后的自编码器,并基于所述目标阈值得到所述测试样本的判断结果;
根据所述判断结果确定所述测试样本中正常样本误判数以及异常样本误判数;
根据所述测试样本中的正常样本总数以及所述正常样本误判数确定过筛率;
根据所述测试样本中的异常样本总数以及所述异常样本误判数确定漏筛率。
可选地,所述将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒,包括:
将所述待测棉纺纸筒图像输入至所述目标自编码器中,得到待测相似性误差;
将所述待测相似性误差与目标阈值进行比较,得到比较结果;
根据所述比较结果判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
此外,为实现上述目的,本发明还提出一种棉纺纸筒的异常检测装置,所述棉纺纸筒的异常检测装置包括:
图像获取模块,用于获取正常棉纺纸筒图像以及异常棉纺纸筒图像;
测试集划分模块,用于将所述异常棉纺纸筒图像划分至测试集;
图像对划分模块,用于将所述正常棉纺纸筒图像分为多个正常图像对;
分数确定模块,用于确定各正常图像对中两正常图像的相似性分数;
图像选择模块,用于根据所述相似性分数从各正常图像对中选择目标正常图像;
所述测试集划分模块,还用于将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集;
训练模块,用于根据所述训练集训练自编码器,得到训练后的自编码器;
测试模块,用于根据所述测试集测试所述训练后的自编码器,得到目标自编码器;
判断模块,用于获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
此外,为实现上述目的,本发明还提出一种棉纺纸筒的异常检测设备,所述棉纺纸筒的异常检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的棉纺纸筒的异常检测程序,所述棉纺纸筒的异常检测程序配置为实现如上文所述的棉纺纸筒的异常检测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有棉纺纸筒的异常检测程序,所述棉纺纸筒的异常检测程序被处理器执行时实现如上文所述的棉纺纸筒的异常检测方法的步骤。
本发明通过获取正常棉纺纸筒图像以及异常棉纺纸筒图像;将所述异常棉纺纸筒图像划分至测试集;将所述正常棉纺纸筒图像分为多个正常图像对;确定各正常图像对中两正常图像的相似性分数;根据所述相似性分数从各正常图像对中选择目标正常图像;将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集;根据所述训练集训练自编码器,得到训练后的自编码器;根据所述测试集测试所述训练后的自编码器,得到目标自编码器;获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。通过上述方式,基于正常图像和异常棉纺纸筒图像对自监督学习的自编码器进行训练得到目标自编码器,最后利用目标自编码器对待测棉纺纸筒图像进行检测,从而准确检测异常的棉纺纸筒。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的棉纺纸筒的异常检测设备的结构示意图;
图2为本发明棉纺纸筒的异常检测方法第一实施例的流程示意图;
图3为本发明棉纺纸筒的异常检测方法任一实施例的自编码器示意图;
图4为本发明棉纺纸筒的异常检测方法第二实施例在步骤S80的流程示意图;
图5为本发明棉纺纸筒的异常检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的棉纺纸筒的异常检测设备结构示意图。
如图1所示,该棉纺纸筒的异常检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对棉纺纸筒的异常检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及棉纺纸筒的异常检测程序。
在图1所示的棉纺纸筒的异常检测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明棉纺纸筒的异常检测设备中的处理器1001、存储器1005可以设置在棉纺纸筒的异常检测设备中,所述棉纺纸筒的异常检测设备通过处理器1001调用存储器1005中存储的棉纺纸筒的异常检测程序,并执行本发明实施例提供的棉纺纸筒的异常检测方法。
本发明实施例提供了一种棉纺纸筒的异常检测方法,参照图2,图2为本发明一种棉纺纸筒的异常检测方法第一实施例的流程示意图。
本实施例中,所述棉纺纸筒的异常检测方法包括以下步骤:
步骤S10:获取正常棉纺纸筒图像以及异常棉纺纸筒图像。
在本实施例中,执行主体可以为终端设备,例如具备运算能力的计算机。计算机与工业相机连接,并且,计算机还与生成棉纺纸筒的生产线进行连接,当计算机确定生产线上存在异常的棉纺纸筒时,则控制生产线上的机械臂将异常棉纺剔除。
需要说明的是,棉纺纸筒是用于缠绕棉线的纸筒,棉纺纸筒通常呈现上窄下宽的形态,也会存在上下同宽的形态,但是在生产制作棉纺纸筒时,生产机器无法达到百分之百的良品率,因此部分棉纺纸筒会出现异常,从而无法使用,因此需要将异常棉纺纸筒剔除,从而保证所有的棉纺纸筒均为正常的棉纺纸筒。
在具体实现中,在棉纺纸筒的生产流水线上,使用工业相机收集位置、姿态相对固定的图像数据,这些图像数据中包括正常棉纺纸筒图像以及异常棉纺纸筒图像,正常棉纺纸筒图像以及异常棉纺纸筒图像的数量需要满足一定数量。
可以理解的是,由于使用工业相机采集棉纺纸筒的图像时,没有对其进行异常型号或正常型号的区分,因此需要对棉纺纸筒图像进行分类标记,从而区分出正常棉纺纸筒图像以及异常棉纺纸筒图像。棉纺纸筒数据的正常、异常型号之间的重要区别之一就是颜色的区别,但由于光照原因和相机拍摄原因,获取的图片可能较暗,单纯地使用原图可能会加大异常检测的难度,所以此时需要将图片亮度调整至预设值,以突显正常、异常型号之间的独特特征,并以此特征作为标注的主要依据。
在本实施例中,将特征明显的图片分成正常型号或异常型号,去掉那些无法辨识的无效图片,然后统一至预设尺寸。例如,预设尺寸可以为分辨率500*500。以上仅为举例说明,本实施例不加以限制。
步骤S20:将所述异常棉纺纸筒图像划分至测试集。
步骤S30:将所述正常棉纺纸筒图像分为多个正常图像对。
在具体实现中,异常棉纺纸筒图像全部划分至测试集中,而正常棉纺图像则需要一部分划分至测试集中,另一部分划分至训练集中。在对正常棉纺图像进行划分时,将所有正常棉纺纸筒图像两两分为一个正常图像对,假设正常棉纺纸筒图像有M张,则可以得到M(M-1)/2个正常图像对。
步骤S40:确定各正常图像对中两正常图像的相似性分数。
可以理解的是,一个正常图像对中有两张正常棉纺纸筒图像,即两张正常图像,分别计算正常图像对中两正常图像之间的欧式距离,并通过欧式距离确定量正常图像之间的相似性分数,计算公式如下:
在公式1中,scoreij是指正常图像对中两正常图像的相似性分数,mse()均方误差函数,M为正常棉纺纸筒图像总数量,xi为第i个正常棉纺纸筒图像,xj为第j个正常棉纺纸筒图像。
步骤S50:根据所述相似性分数从各正常图像对中选择目标正常图像。
在本实施例中,在得到每一个正常图像对的相似性分数后,则可以得到一个三元组,三元组为(scoreij,xi,xj)。scoreij越高,则两正常图像越相似,scoreij为1时,则说明两张正常图像完全一样,scoreij越低,则两正常图像区别越大。
步骤S60:将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集。
可以理解的是,在得到每一正常图像对的三元组后,将这些三元组按分数scoreij进行降序排列,并按分数从高至低的顺序从每个三元组内随机选择一张(即目标正常图像)则放入测试集,另一张图片放入训练集,直到测试集中存在预设数量张不重复的图片为止。例如:正常棉纺纸筒图像共有M张,其中M1张划分至了训练集中,M2张划分至测试集中,M1+M2=M,异常棉纺纸筒图像共有N张,则最终获取的训练集、测试集如下表1所示:
表1
步骤S70:根据所述训练集训练自编码器,得到训练后的自编码器。
需要说明的是,自编码器是一种能够通过无监督学习,学到输入数据高效表示的人工神经网络。输入数据的这一高效表示称为编码(codings),其维度一般远小于输入数据,使得自编码器可用于降维。更重要的是,自编码器可作为强大的特征检测器(featuredetectors),应用于深度神经网络的预训练。此外,自编码器还可以随机生成与训练数据类似的数据,这被称作生成模型(generative model)。本实施例通过训练集中的样本对自编码器进行训练。
进一步地,所述根据所述训练集训练自编码器,得到训练后的自编码器,包括:通过所述自编码器对所述训练集中的训练样本进行编码,得到多通道隐向量;通过所述自编码器对所述多通道隐向量进行解码,得到重构图像;确定所述训练样本与所述重构图像的相似性误差;根据所述相似性误差得到训练后的自编码器。
在具体实现中,自编码器中包括编码模块以及解码模块。通过编码模块,训练集中的训练样本将被压缩至低维空间的隐向量,这些隐向量代表了原始图像的最有效信息,去除了无效信息;再经过解码模块,隐向量又被还原成一幅与原图极为相似的重构图像。再将重构图像和原训练样本进行对比,使重构图像充分拟合原训练样本。如图3棉纺纸筒的异常检测方法任一实施例的自编码器示意图所示:
1、用自编码器的编码模块Encoder将训练样本进行编码,得到一个低维空间的隐向量。该编码网络由7个卷积层和一个全连接层(FC_En)构成,每个卷积层之后都使用一个Relu激活函数。为使训练样本的重构图像尽可能精细,卷积层都使用尺寸较小的卷积核,而全连接层则适配恰当的尺寸,使特征被映射为低维空间的向量,以提取最有效的图像信息。
2、用自编码器的解码模块Decoder将多通道隐向量还原为一张与原训练样本尺寸相同的图片。编码网络使用卷积操作,所以解码网络必须使用反卷积操作,才能达到理想的还原效果,即7个反卷积,每个反卷积之后也都搭配Relu激活函数。此外,必须保证每个反卷积层与卷积层的参数设置呈对称状态,并设置尺寸较小的卷积核和反卷积核,才能实现精准恢复,得到重构图像。
3、拟合重构图像与原训练样本。由于棉纺纸筒的正常型号、异常型号之间的区别主要是色彩和纹理的区别,因此,此处专门采用图像对比函数1-ssim计算重构图像与原训练样本之间的相似性误差,相似性误差计算公式如下:
在公式2中,y1为输入图像,y2为y1的重构图像,μ1和μ2分别为输入图像和重构图像的均值,σ1和σ2分别为输入图像和重构图像的标准差,σ12为输入图像和重构图像的协方差,C1、C2、C3均为常数,用于避免分母为0而维持稳定。
可以理解的是,公式2由三部分组成:色彩对比函数、对比度对比函数和纹理对比函数,充分涵盖了棉纺纸筒的数据特征,可以很好地描述正常、异常型号的主要区分特征。最后,需要设定合适的学习率,并进行反向传播,修改自编码器的权重,达到重构误差在训练集上逐渐下降的目的。
经过上述3个步骤,从而得到训练后的自编码器。
步骤S80:根据所述测试集测试所述训练后的自编码器,得到目标自编码器。
在具体实现中,使用测试集对训练后的自编码器进行测试,可以得到准确率、精确率、召回率等指标,当所有指标均满足要求时,则表示训练后的自编码器符合要求,将训练后的自编码器作为目标自编码器,作为后续用于实际筛查的自编码器。
步骤S90:获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
需要说明的是,待测棉纺纸筒图像是指未知正常或异常的棉纺纸筒图像,将待测棉纺纸筒图像输入至目标自编码器中后,目标自编码器对其进行分析判断,从而确定待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
本实施例通过获取正常棉纺纸筒图像以及异常棉纺纸筒图像;将所述异常棉纺纸筒图像划分至测试集;将所述正常棉纺纸筒图像分为多个正常图像对;确定各正常图像对中两正常图像的相似性分数;根据所述相似性分数从各正常图像对中选择目标正常图像;将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集;根据所述训练集训练自编码器,得到训练后的自编码器;根据所述测试集测试所述训练后的自编码器,得到目标自编码器;获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。通过上述方式,基于正常图像和异常棉纺纸筒图像对自监督学习的自编码器进行训练得到目标自编码器,最后利用目标自编码器对待测棉纺纸筒图像进行检测,从而准确检测异常的棉纺纸筒。
参考图4,图4为本发明一种棉纺纸筒的异常检测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例棉纺纸筒的异常检测方法在所述步骤S80,包括:
步骤S81:根据所述训练后的自编码器以及所述测试集中的测试样本确定目标阈值。
进一步地,所述根据所述训练后的自编码器以及所述测试集中的测试样本确定目标阈值,包括:将所述测试样本中的异常样本传输至所述训练后的自编码器,得到异常样本重构图像;确定所述异常样本与所述异常样本重构图像的异常相似性误差;根据所述异常相似性误差确定目标阈值。
在具体实现中,测试集中的测试样本包括正常棉纺纸筒图像以及异常棉纺纸筒图像,异常棉纺纸筒图像即为异常样本,将测试集中所有的异常样本传入训练后的自编码器中,获得对应的重构图像(即异常样本重构图像),并计算异常样本与所述异常样本重构图像的相似性误差(即异常相似性误差),并从所有异常相似性误差中选取最小值,将此最小值做且目标阈值。
步骤S82:根据所述训练后的自编码器、所述目标阈值以及所述测试集中的测试样本确定过筛率以及漏筛率。
进一步地,所述根据所述训练后的自编码器、所述目标阈值以及所述测试集中的测试样本确定过筛率以及漏筛率,包括:
将所述测试样本输入至所述训练后的自编码器,并基于所述目标阈值得到所述测试样本的判断结果;根据所述判断结果确定所述测试样本中正常样本误判数以及异常样本误判数;根据所述测试样本中的正常样本总数以及所述正常样本误判数确定过筛率;根据所述测试样本中的异常样本总数以及所述异常样本误判数确定漏筛率。
在本实施例中,将测试集中的所有测试样本(包括正常棉纺纸筒图像以及异常棉纺纸筒图像)输入至训练后的自编码器中,从而得到测试样本与对应重构图像的相似性误差,将相似性误差与目标阈值进行比较,从而得到判断结果,将相似性误差大于等于目标阈值的测试样本判定为异常样本,将小于目标阈值的测试样本判定为正常样本,将判断结果与测试样本的标签进行比对,从而得到异常样本被误判为正常样本的数量(即异常样本误判数)以及正常样本被误判为异常样本的数量(即正常样本误判数)。当正常样本被误判为异常样本时,称之为过筛;而当异常样本被误判为正常样本时,称之为漏筛,则过筛率和漏筛率的计算公式如下:
在公式3中,G为过筛率,g为过筛数,Ag为正常样本总数,L为漏筛率,l为漏筛数,Al为异常样本总数。
可以理解的是,过筛率和漏筛率可以用于衡量模型的异常筛查能力。过筛率越低,说明模型的误判概率越低;漏筛率越小,说明模型的异常筛查能力越强。因为目标阈值是所有异常样本的相似性误差中的最小值,所以漏筛数总是为0。这表示,在无漏筛的情况下,过筛率越小越好。
步骤S83:根据所述目标阈值、所述过筛率以及所述漏筛率确定目标自编码器。
可以理解的是,当过筛率低于过筛率阈值时,则表明训练后的自编码器已达到筛查精度,将此训练后的自编码器作为目标自编码器,并将目标阈值作为目标自编码器中用于比较相似性误差的阈值。若过筛率大于等于过筛率阈值,则表明训练后的自编码器未达到筛查精度,需要重新训练。
进一步地,所述将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒,包括:将所述待测棉纺纸筒图像输入至所述目标自编码器中,得到待测相似性误差;
将所述待测相似性误差与目标阈值进行比较,得到比较结果;根据所述比较结果判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
在具体实现中,待测棉纺纸筒图像输入至所述目标自编码器中后,获得其重构图像,然后计算重构图像与待测棉纺纸筒图像之间的相似性误差(即待测相似性误差),将此相似性误差与目标阈值进行比较,从而可以得到比较结果,当相似性误差小于目标阈值时,则待测棉纺纸筒图像对应的棉纺纸筒为正常型号,当相似性误差大于等于目标阈值时,则待测棉纺纸筒图像对应的棉纺纸筒为异常型号,确定过程如下:
得到结果后,将正常型号进行保留,异常型号进行剔除。
本实施例通过根据所述训练后的自编码器以及所述测试集中的测试样本确定目标阈值;根据所述训练后的自编码器、所述目标阈值以及所述测试集中的测试样本确定过筛率以及漏筛率;根据所述目标阈值、所述过筛率以及所述漏筛率确定目标自编码器。通过上述方式,将所述测试样本中的异常样本传输至所述训练后的自编码器,得到异常样本重构图像;确定所述异常样本与所述异常样本重构图像的异常相似性误差;根据所述异常相似性误差确定目标阈值。将所述测试样本输入至所述训练后的自编码器,并基于所述目标阈值得到所述测试样本的判断结果;根据所述判断结果确定所述测试样本中正常样本误判数以及异常样本误判数;根据所述测试样本中的正常样本总数以及所述正常样本误判数确定过筛率;根据所述测试样本中的异常样本总数以及所述异常样本误判数确定漏筛率。最终得到目标自编码器,为后续异常棉纺纸筒识别检测提供基础。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有棉纺纸筒的异常检测程序,所述棉纺纸筒的异常检测程序被处理器执行时实现如上文所述的棉纺纸筒的异常检测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
参照图5,图5为本发明棉纺纸筒的异常检测装置第一实施例的结构框图。
如图5所示,本发明实施例提出的棉纺纸筒的异常检测装置包括:
图像获取模块10,用于获取正常棉纺纸筒图像以及异常棉纺纸筒图像;
测试集划分模块20,用于将所述异常棉纺纸筒图像划分至测试集;
图像对划分模块30,用于将所述正常棉纺纸筒图像分为多个正常图像对;
分数确定模块40,用于确定各正常图像对中两正常图像的相似性分数;
图像选择模块50,用于根据所述相似性分数从各正常图像对中选择目标正常图像;
所述测试集划分模块20,还用于将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集;
训练模块60,用于根据所述训练集训练自编码器,得到训练后的自编码器;
测试模块70,用于根据所述测试集测试所述训练后的自编码器,得到目标自编码器;
判断模块80,用于获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
本实施例通过获取正常棉纺纸筒图像以及异常棉纺纸筒图像;将所述异常棉纺纸筒图像划分至测试集;将所述正常棉纺纸筒图像分为多个正常图像对;确定各正常图像对中两正常图像的相似性分数;根据所述相似性分数从各正常图像对中选择目标正常图像;将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集;根据所述训练集训练自编码器,得到训练后的自编码器;根据所述测试集测试所述训练后的自编码器,得到目标自编码器;获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。通过上述方式,基于正常图像和异常棉纺纸筒图像对自监督学习的自编码器进行训练得到目标自编码器,最后利用目标自编码器对待测棉纺纸筒图像进行检测,从而准确检测异常的棉纺纸筒。
在一实施例中,所述训练模块60,还用于通过所述自编码器对所述训练集中的训练样本进行编码,得到多通道隐向量;通过所述自编码器对所述多通道隐向量进行解码,得到重构图像;确定所述训练样本与所述重构图像的相似性误差;根据所述相似性误差得到训练后的自编码器。
在一实施例中,所述测试模块70,还用于根据所述训练后的自编码器以及所述测试集中的测试样本确定目标阈值;根据所述训练后的自编码器、所述目标阈值以及所述测试集中的测试样本确定过筛率以及漏筛率;根据所述目标阈值、所述过筛率以及所述漏筛率确定目标自编码器。
在一实施例中,所述测试模块70,还用于将所述测试样本中的异常样本传输至所述训练后的自编码器,得到异常样本重构图像;确定所述异常样本与所述异常样本重构图像的异常相似性误差;根据所述异常相似性误差确定目标阈值。
在一实施例中,所述测试模块70,还用于将所述测试样本输入至所述训练后的自编码器,并基于所述目标阈值得到所述测试样本的判断结果;根据所述判断结果确定所述测试样本中正常样本误判数以及异常样本误判数;根据所述测试样本中的正常样本总数以及所述正常样本误判数确定过筛率;根据所述测试样本中的异常样本总数以及所述异常样本误判数确定漏筛率。
在一实施例中,所述图像获取模块10,还用于将所述待测棉纺纸筒图像输入至所述目标自编码器中,得到待测相似性误差;将所述待测相似性误差与目标阈值进行比较,得到比较结果;根据所述比较结果判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
本实施例通过获取正常棉纺纸筒图像以及异常棉纺纸筒图像;将所述异常棉纺纸筒图像划分至测试集;将所述正常棉纺纸筒图像分为多个正常图像对;确定各正常图像对中两正常图像的相似性分数;根据所述相似性分数从各正常图像对中选择目标正常图像;将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集;根据所述训练集训练自编码器,得到训练后的自编码器;根据所述测试集测试所述训练后的自编码器,得到目标自编码器;获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。通过上述方式,基于正常图像和异常棉纺纸筒图像对自监督学习的自编码器进行训练得到目标自编码器,最后利用目标自编码器对待测棉纺纸筒图像进行检测,从而准确检测异常的棉纺纸筒。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的棉纺纸筒的异常检测方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种棉纺纸筒的异常检测方法,其特征在于,所述棉纺纸筒的异常检测方法包括:
获取正常棉纺纸筒图像以及异常棉纺纸筒图像;
将所述异常棉纺纸筒图像划分至测试集;
将所述正常棉纺纸筒图像分为多个正常图像对;
确定各正常图像对中两正常图像的相似性分数,所述相似性分数是通过以下公式计算得到的,具体为:
其中,scoreij是指正常图像对中两正常图像的相似性分数,mse()均方误差函数,M为正常棉纺纸筒图像总数量,xi为第i个正常棉纺纸筒图像,xj为第j个正常棉纺纸筒图像;
根据所述相似性分数从各正常图像对中选择目标正常图像,具体为:根据所述相似性分数得到三元组,该三元组为(scoreij,xi,xj),其中,scoreij越高,则两正常图像越相似,scoreij为1时,则说明两张正常图像完全一样,scoreij越低,则两正常图像区别越大,并在得到所述三元组后,将所述三元组按分数scoreij进行降序排列;
将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集,具体为:按分数从高至低的顺序从每个三元组内随机选择一张作为目标正常图像放入测试集,另一张图片作为除所述目标正常图像外的正常图像放入训练集,直到所述测试集中存在预设数量张不重复的图片为止;
根据所述训练集训练自编码器,得到训练后的自编码器;
根据所述测试集测试所述训练后的自编码器,得到目标自编码器;
获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
2.如权利要求1所述的方法,其特征在于,所述根据所述训练集训练自编码器,得到训练后的自编码器,包括:
通过所述自编码器对所述训练集中的训练样本进行编码,得到多通道隐向量;
通过所述自编码器对所述多通道隐向量进行解码,得到重构图像;
确定所述训练样本与所述重构图像的相似性误差;
根据所述相似性误差得到训练后的自编码器。
3.如权利要求1所述的方法,其特征在于,所述根据所述测试集测试所述训练后的自编码器,得到目标自编码器,包括:
根据所述训练后的自编码器以及所述测试集中的测试样本确定目标阈值;
根据所述训练后的自编码器、所述目标阈值以及所述测试集中的测试样本确定过筛率以及漏筛率;
根据所述目标阈值、所述过筛率以及所述漏筛率确定目标自编码器。
4.如权利要求3所述的方法,其特征在于,所述根据所述训练后的自编码器以及所述测试集中的测试样本确定目标阈值,包括:
将所述测试样本中的异常样本传输至所述训练后的自编码器,得到异常样本重构图像;
确定所述异常样本与所述异常样本重构图像的异常相似性误差;
根据所述异常相似性误差确定目标阈值。
5.如权利要求3所述的方法,其特征在于,所述根据所述训练后的自编码器、所述目标阈值以及所述测试集中的测试样本确定过筛率以及漏筛率,包括:
将所述测试样本输入至所述训练后的自编码器,并基于所述目标阈值得到所述测试样本的判断结果;
根据所述判断结果确定所述测试样本中正常样本误判数以及异常样本误判数;
根据所述测试样本中的正常样本总数以及所述正常样本误判数确定过筛率;
根据所述测试样本中的异常样本总数以及所述异常样本误判数确定漏筛率。
6.如权利要求1至5任一项所述的方法,其特征在于,所述将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒,包括:
将所述待测棉纺纸筒图像输入至所述目标自编码器中,得到待测相似性误差;
将所述待测相似性误差与目标阈值进行比较,得到比较结果;
根据所述比较结果判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
7.一种棉纺纸筒的异常检测装置,其特征在于,所述棉纺纸筒的异常检测装置包括:
图像获取模块,用于获取正常棉纺纸筒图像以及异常棉纺纸筒图像;
测试集划分模块,用于将所述异常棉纺纸筒图像划分至测试集;
图像对划分模块,用于将所述正常棉纺纸筒图像分为多个正常图像对;
分数确定模块,用于确定各正常图像对中两正常图像的相似性分数,所述相似性分数是通过以下公式计算得到的,具体为:
其中,scoreij是指正常图像对中两正常图像的相似性分数,mse()均方误差函数,M为正常棉纺纸筒图像总数量,xi为第i个正常棉纺纸筒图像,xj为第j个正常棉纺纸筒图像;
图像选择模块,用于根据所述相似性分数从各正常图像对中选择目标正常图像,具体为:根据所述相似性分数得到三元组,该三元组为(scoreij,xi,xj),其中,scoreij越高,则两正常图像越相似,scoreij为1时,则说明两张正常图像完全一样,scoreij越低,则两正常图像区别越大,并在得到所述三元组后,将所述三元组按分数scoreij进行降序排列;
所述测试集划分模块,还用于将所述目标正常图像划分至所述测试集,并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集,具体为:按分数从高至低的顺序从每个三元组内随机选择一张作为目标正常图像放入测试集,另一张图片作为除所述目标正常图像外的正常图像放入训练集,直到所述测试集中存在预设数量张不重复的图片为止;
训练模块,用于根据所述训练集训练自编码器,得到训练后的自编码器;
测试模块,用于根据所述测试集测试所述训练后的自编码器,得到目标自编码器;
判断模块,用于获取待测棉纺纸筒图像,并将所述待测棉纺纸筒图像输入至所述目标自编码器中,判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。
8.一种棉纺纸筒的异常检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的棉纺纸筒的异常检测程序,所述棉纺纸筒的异常检测程序配置为实现如权利要求1至6中任一项所述的棉纺纸筒的异常检测方法。
9.一种存储介质,其特征在于,所述存储介质上存储有棉纺纸筒的异常检测程序,所述棉纺纸筒的异常检测程序被处理器执行时实现如权利要求1至6任一项所述的棉纺纸筒的异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131429.9A CN114187292B (zh) | 2022-02-14 | 2022-02-14 | 棉纺纸筒的异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131429.9A CN114187292B (zh) | 2022-02-14 | 2022-02-14 | 棉纺纸筒的异常检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187292A CN114187292A (zh) | 2022-03-15 |
CN114187292B true CN114187292B (zh) | 2022-05-31 |
Family
ID=80545812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210131429.9A Active CN114187292B (zh) | 2022-02-14 | 2022-02-14 | 棉纺纸筒的异常检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187292B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170890B (zh) * | 2022-07-28 | 2023-03-14 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车连接拉杆链折断故障识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074479B2 (en) * | 2019-03-28 | 2021-07-27 | International Business Machines Corporation | Learning of detection model using loss function |
CN110992354B (zh) * | 2019-12-13 | 2022-04-12 | 华中科技大学 | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 |
CN111598881B (zh) * | 2020-05-19 | 2022-07-12 | 西安电子科技大学 | 基于变分自编码器的图像异常检测方法 |
CN113807203A (zh) * | 2021-08-27 | 2021-12-17 | 西安理工大学 | 一种基于张量分解网络的高光谱异常检测方法 |
CN113643292A (zh) * | 2021-10-14 | 2021-11-12 | 高视科技(苏州)有限公司 | 基于无监督学习的异常检测方法、装置及存储介质 |
CN113989216A (zh) * | 2021-10-25 | 2022-01-28 | 贵州大学 | 基于自注意力的对抗自编码器纹理表面缺陷检测方法 |
-
2022
- 2022-02-14 CN CN202210131429.9A patent/CN114187292B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114187292A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619618B (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
US11645744B2 (en) | Inspection device and inspection method | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN114359283B (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
JP2019035626A (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN114187292B (zh) | 棉纺纸筒的异常检测方法、装置、设备及存储介质 | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN114859022B (zh) | 一种织物品质评估方法、系统、电子设备和存储介质 | |
CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
Avola et al. | Real-time deep learning method for automated detection and localization of structural defects in manufactured products | |
CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
TW202147250A (zh) | 異常晶圓圖像分類 | |
CN112418353A (zh) | 用于电池隔膜异常检测的神经网络的训练方法 | |
CN112767331A (zh) | 基于零样本学习的图像异常检测方法 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
CN116503398A (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN116091446A (zh) | 食管内窥镜图像的异常检测方法、系统、介质及设备 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
CN113128556B (zh) | 基于变异分析的深度学习测试用例排序方法 | |
CN115587299A (zh) | 一种可迁移的多尺度旋转机械故障诊断方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |