CN114429441A - 一种异常检测方法及装置、设备、存储介质 - Google Patents
一种异常检测方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN114429441A CN114429441A CN202011101232.8A CN202011101232A CN114429441A CN 114429441 A CN114429441 A CN 114429441A CN 202011101232 A CN202011101232 A CN 202011101232A CN 114429441 A CN114429441 A CN 114429441A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- sample
- normal
- image
- training
- 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
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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种异常检测方法,所述方法包括:获取待检测图像;根据所述待检测图像和异常检测模型,确定所述待检测图像的检测结果,其中,所述异常检测模型根据包括样本权重参数的第一损失函数训练得到,所述样本权重参数表示用于训练的正常样本或异常样本对模型训练的重要性。本申请实施例的异常检测方法通过利用包括样本权重参数的第一损失函数训练得到的异常检测模型预测待检测图像的异常,有效解决了训练样本数据不均衡带来的问题,使得检测结果更加精准。
Description
技术领域
本申请涉及人工智能(artificial intelligence,AI)技术领域,尤其涉及一种异常检测方法及装置、设备、存储介质。
背景技术
对异常情况进行检测,在工业制造、系统例行检查、监控视频分析等诸多领域具有非常重要的意义。例如,在铁路货运场景中,为了保证列车的安全运行,需要对列车采集大量的图像,并通过人工的方式对图片进行分析,检测其中的异常情况;输电线路巡检场景中,为了保证输电线路正常工作,需要使用无人机等设备采集线路图像,并通过人工的方式对线路及相关部件进行检测;工业制造场景中,在产品出厂前进行表面质量检测,能够保障出厂产品的质量,减少客户投诉。
然而,通过人工进行异常检测一方面需要消耗大量的人力,增加了相关企业、部门的工作成本。另一方面,由于工作内容枯燥,工人在进行异常检测时容易产生疲劳,从而导致漏检、误检等情况。近年来,随着深度学习的兴起,人工智能技术在日常生活和生产实践中有了广泛的应用。使用人工智能技术替代人工进行异常检测,一方面节省人力,从而降低相关企业和部门的工作成本;另一方面由于机器算法不会产生疲劳,在检测效果上会更加稳定。
实际生产实践中,由于采集到的正常样本和异常样本往往数量不均衡(往往是正常样本数量多,异常样本数量少),因此用于训练机器算法模型的训练样本数据不均衡。采用现有的机器学习算法模型训练出的异常检测模型由于训练样本数据不均衡,往往存在着模型训练过程不稳定,模型训练难度极大,训练得到的模型的异常检测性能难以符合要求的问题。
申请内容
本申请的实施例提供一种异常检测方法及装置,解决了异常检测模型由于训练样本数据不均衡,而导致的模型训练过程不稳定,模型训练难度极大,训练得到的模型的异常检测性能难以符合要求的问题。
第一方面,本申请提供了一种异常检测方法,包括首先获取待检测图像;然后根据所述待检测图像和异常检测模型,确定所述待检测图像的检测结果,其中,所述异常检测模型根据包括样本权重参数的第一损失函数训练得到,所述样本权重参数表示用于训练的正常样本或异常样本对模型训练的重要性。
本申请实施例的异常检测方法通过利用包括样本权重参数的第一损失函数训练得到的异常检测模型预测待检测图像的异常,有效解决了训练样本数据不均衡带来的问题,可得到更加精准的检测结果。
在一个可能的实现中,为了方便用户进行后续步骤的对模型检测结果的复核,还包括:根据上述检测结果,生成检测结果分布图,其中,所述检测结果分布图包括检测结果为正常、异常或者存疑的图像的分布;向用户呈现所述检测结果分布图。
在一个可能的实现中,所述检测结果分布图还包括置信区域和存疑区域;向用户提供分布在所述存疑区域内的图像,以供所述用户对所述存疑的图像进行人工核验,防止检测模型的误检,进一步保障检测结果的准确性。
在另一个可能的实现中,考虑到异常检测模型在后续训练优化过程中的检测结果的准确性的提升和人工核验的工作量,所述检测结果分布图中的存疑区域的范围,设置为可基于所述用户的指令调整,即用户可根据使用过程中的实际情况缩小存疑区域的范围,以减小人工核验工作量,或者增大存疑区域的范围以增加检测结果的准确性。
在另一个可能的实现中,所述样本权重参数根据训练样本数据中的正常样本集和异常样本集的聚类分析结果确定,即异常检测模型可自动根据训练样本数据中的正常样本或异常样本的增加/减少而动态调整,无需算法专家的参与,提高异常检测模型更新效率。
在另一个可能的实现中,所述异常检测模型还基于第二损失函数训练得到,所述第二损失函数用于对所述异常检测模型的特征空间的结构进行约束,使得在特征空间中,缩短正常样本的特征之间距离,拉远异常样本的特征与正常样本的特征之间的距离,增加异常检测模型输出检测结果的准确性,以及为有利于检测结果分布图的生成。
在另一个可能的实现中,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:首先获取多个正常样本和至少一个异常样本;然后比对所述正常样本和所述异常样本,基于比对结果确定所述异常样本的异常区域;再分别提取所述正常样本的特征和所述异常样本的特征,得到表征所述正常样本的第一特征图和表征所述异常样本的第二特征图;将所述第一特征图中所述异常区域对应区域的特征替换为所述第二特征图中所述异常区域的特征,得到第一融合特征图;基于所述第一融合特征图和图像生成模型,得到增广的异常样本,丰富异常样本数据的种类,增加异常样本数量以平衡异常样本数量与正常样本数量。
在另一个可能的实现中,上述增广方法还可以为:获取多个正常样本、至少一个异常样本和至少一个异常特征;比对所述正常样本和所述异常样本,基于比对结果确定所述正常样本中的可替换区域;基于用户指令在所述可替换区域内确定替换区域;提取正常样本的特征,得到表征正常样本的第三特征图;将所述正常样本中替换区域的特征替换为所述异常特征,得到第二融合特征图;基于所述第二融合特征图和图像生成模型,得到增广的异常样本。
在另一个可能的实现中,上述异常检测方法还包括:选择所述人工核验结果和/或异常检测模型输出的检测结果为异常的图像作为用于优化训练的异常样本,利用选择的异常样本对所述异常检测模型进行优化训练,持续提升异常检测模型的检测精度和扩大异常检测模型可以覆盖到的异常样本类型数量。
第二方面,本申请还提供了一种异常检测装置,包括:
获取模块,用于获取待检测图像;
检测模块,用于根据所述待检测图像和异常检测模型,确定所述待检测图像的检测结果,其中,所述异常检测模型根据包括样本权重参数的第一损失函数训练得到,所述样本权重参数表示用于训练的正常样本或异常样本对模型训练的重要性。
在另一个可能的实现中,所述装置还包括:
可视化模块,用于根据所述检测结果,生成检测结果分布图,其中,所述检测结果分布图包括检测结果为正常、异常或者存疑的图像的分布;
向用户呈现所述检测结果分布图。
在另一个可能的实现中,所述检测结果分布图还包括置信区域和存疑区域;
所述可视化模块,还用于向用户提供分布在所述存疑区域内的图像,以供所述用户对所述存疑的图像进行人工核验。
在另一个可能的实现中,所述装置还包括:
调整模块,用于基于所述用户的指令调整所述检测结果分布图中的存疑区域的范围。
在另一个可能的实现中,所述样本权重参数根据训练样本数据中的正常样本集和异常样本集的聚类分析结果确定。
在另一个可能的实现中,所述异常检测模型还基于第二损失函数训练得到,所述第二损失函数用于对所述异常检测模型的特征空间的结构进行约束,使得在特征空间中,缩短正常样本的特征之间距离,拉远异常样本的特征与正常样本的特征之间的距离。
在另一个可能的实现中,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:
获取多个正常样本和至少一个异常样本;
比对所述正常样本和所述异常样本,基于比对结果确定所述异常样本的异常区域;
分别提取所述正常样本的特征和所述异常样本的特征,得到表征所述正常样本的第一特征图和表征所述异常样本的第二特征图;
将所述第一特征图中所述异常区域对应区域的特征替换为所述第二特征图中所述异常区域的特征,得到第一融合特征图;
基于所述第一融合特征图和图像生成模型,得到增广的异常样本。
在另一个可能的实现中,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:
获取多个正常样本、至少一个异常样本和至少一个异常特征;
比对所述正常样本和所述异常样本,基于比对结果确定所述正常样本中的可替换区域;
基于用户指令在所述可替换区域内确定替换区域;
提取正常样本的特征,得到表征正常样本的第三特征图;
将所述正常样本中替换区域的特征替换为所述异常特征,得到第二融合特征图;
基于所述第二融合特征图和图像生成模型,得到增广的异常样本。
在另一个可能的实现中,所述装置还包括:
优化模块,用于选择所述人工核验结果为异常的图像作为用于优化训练的异常样本,利用选择的异常样本对所述异常检测模型进行优化训练。
第三方面,本申请还提供了一种异常检测设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码,实现上述第一方面或第一方面任一种可能实现方式中所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述第一方面或第一方面任一种可能实现方式中所述的方法。
第五方面,本申请还提供了一种计算机程序或计算机程序产品,其特征在于,所述计算机程序或计算机程序产品包括指令,当所述指令执行时,实现上述第一方面或第一方面任一种可能实现方式中所述的方法。
本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
附图说明
图1为本申请实施例提供的异常检测装置的架构图及训练流程和推理流程示意图;
图2为本实施例提供的异常样本增广模块的架构示意图;
图3为本申请实施例提供的申请实施例提供的一种异常样本增广方法流程图;
图4为本申请实施例提供的申请实施例提供的另一种异常样本增广方法流程图;
图5为本申请实施例提供的异常检测模型的构建过程示意图;
图6为本申请实施例提供的异常检测模型的构建方法流程图;
图7为本申请实施例提供的铁路货运异常检测场景中待检测图像的部件定位示意图;
图8为本申请实施例提供的铁路货运异常检测场景中待检测图像的检测结果可视化图;
图9为本申请实施例提供的铁路货运异常检测场景中待检测图像的检测结果包括存疑结果时可视化图;
图10为本申请实施例提供的电子设备装配检测场景中部件检测模型推理示意图;
图11为本申请实施例提供异常检测装置的结构示意图;
图12为本申请实施例提供异常检测设备的结构示意图。
具体实施方式
本申请提供了一种异常检测方法和装置,该方法和装置能够在异常样本数量有限的条件下,通过弱监督的数据生成技术产生更多逼真的异常样本来丰富训练数据。在此基础上,设计了数据自适应异常检测方法,能够尽可能减少算法模型训练和更新过程中的人工参与,提高自动化程度,降低成本。在实际使用过程中,通过人机配合,在减少人工参与的同时提升异常检测精度,并持续对模型进行迭代更新,不断强化该方法和装置的优势。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
可以理解,本申请提供的异常检测方法能够应用于任意具有图像处理能力的处理设备。该处理设备可以是具有中央处理器(Central Processing Unit,CPU)和/或图形处理器(Graphics Processing Unit,GPU)的终端,其中,终端包括但不限于个人计算机(Personal Computer,PC)、工作站等。该处理设备也可以是具有CPU和/或GPU的服务器,服务器可以是独立的,也可以是服务器集群。在有些情况下,终端和服务器也可以协同实现上述异常检测方法。
图1为本申请实施例提供的一种异常检测装置的架构图。如图1所示,异常检测装置至少包括异常样本增广模块11、异常检测模块13。其中,异常样本增广模块11用于根据采集到的大量正常样本和少量异常样本得到大量增广的异常样本,丰富异常样本的种类,使异常样本数量和正常样本数量初步得到均衡,大量正常样本、少量异常样本和大量增广的异常样本构成训练样本数据,训练样本数据训练深度学习网络模型得到符合要求异常检测模型。异常检测模块13用于检测输入的待检测图像是否异常,并将检测结果为异常的图像反馈至训练样本数据以训练更新异常检测模型,以持续提升异常检测模型的检测精度和扩大异常检测模型可以覆盖到的异常样本类型数量。
在一些实施例中,异常检测装置还包括人工筛查模块12。人工筛查模块12用于根据用户指令从大量增广的异常样本中确定可用的异常样本,防止增广的异常样本中的低质量样本影响训练效果。
可以理解的是,正常样本为实际拍摄得到的正常状态下的待检测对象的图像(例如无故障的列车或正常装配的工件),异常样本为实际拍摄得到的异常状态下的待检测对象图像(例如故障的列车或错误装配的工件);可用的异常样本为行业专家或普通人根据先验知识从大量增广的异常样本中挑选出的画面清晰度高、异常区域形状和颜色等特征变化丰富的图像,下面为了方便描述将正常样本、异常样本和增广的异常样本分别称为正常样本图像、异常样本图像和增广的异常样本图像。
在另一些实施例中,异常检测装置还包括交互式样本可视化模块14和人工复核模块15。交互式样本可视化模块14将检测结果作可视化处理以将检测结果显示方便用户查看复核,然后人工复核模块15根据接收到的指令输出最终检测结果和确定漏检和误检的异常样本图像反馈给异常样本增广模块11,异常样本增广模块继续根据反馈的异常样本图像和正常样本图像生成更多的增广的异常样本图像,人工筛查模块12再从增广的异常样本图像中筛查得到可用的异常样本图像,筛选出的可用的异常样本图像补充到训练样本数据中继续训练更新异常检测模型,如此往复迭代持续提升异常检测模型的检测精度和扩大异常检测模型可以覆盖到的异常样本类型数量。
下面介绍异常样本增广模块的工作原理和具体构成。
图2为异常样本增广模块的架构示意图。如图2所示,异常样本增广模块至少包括图像特征提取单元111、图像特征融合单元112、图像生成单元113和图像真实度判别单元114。
图像样本增广模块首先确定异常样本图像的异常区域,然后图像特征提取单元111分别提取正常样本图像的特征和异常样本图像的特征,然后将提取的特征发送给图像特征融合单元112,图像特征融合单元112将异常样本图像中的异常区域的图像特征替换正常样本图像中的对应区域的图像特征得到融合后的图像特征;将融合后的图像特征输入图像生成单元113,图像生成单元113利用其中的图像生成模型输出生成的异常样本的图像。
接下来结合附图3对异常样本增广模块的工作流程进行详细说明。
图3为本申请实施例提供的一种异常样本增广方法流程图。
在步骤S301中异常样本增广模块获取多个正常样本图像和至少一个异常样本图像。容易理解的,正常样本图像为摄像终端(例如摄像机)通过拍摄正常状态下的待检测对象得到的图像,异常样本图像为摄像终端通过拍摄异常状态下的待检测对象得到的图像。异常样本增广模块可以从拍摄终端获得正常样本图像和异常样本图像,或者从存储有正常样本图像和异常样本图像的终端获得。
需要解释的是,这里的多个正常样本图像和异常样本图像均包括同一待检测对象的图像,但是多个正常样本图像的拍摄角度、拍摄环境等可能与异常样本图像不同。
通过步骤S302,确定异常样本图像的异常区域。
具体为,比对异常样本图像和正常样本图像,根据比对结果确定异常样本的异常区域。即比对得出异常样本图像与正常样本图像的像素值或图像特征有差异的区域。比对的方法有多种,例如,采用配准算法(比如,SIFT+RANSAC、ECC等算法)配准正常样本图像和异常样本图像,然后比对正常样本图像和异常样本图像对应区域获得像素值差异或图像特征差异的区域,该差异的区域即为异常区域。
步骤S303、获取表征正常样本图像的第一特征图和表征异常样本图像的第二特征图。
图像特征提取单元111分别提取正常样本图像的特征和异常样本图像的特征以得到表征正常样本图像的第一特征图和表征异常样本图像的第二特征图。图像特征提取单元111可以采用任意方式实现正常样本图像的特征和异常样本图像的特征的提取。例如,利用卷积神经网络的特征提取层实现对正常样本的图像的特征和异常样本的图像的特征进行提取得到第一特征图和第二特征图。
此外需要解释的是,这里的第一特征图和第二特征图并不局限于特定的特征图,例如可以是颜色特征图、纹理特征图、深度学习模型提取的中间层特征图或者图像的边缘特征图等特征图。
步骤S304、根据第一特征图、第二特征图和异常区域确定第一融合特征图。
图像特征融合单元112根据上述步骤得到的表征正常样本图像的第一特征图、表征异常样本图像的第二特征图和异常区域,将第一特征图中异常区域对应区域的特征替换为第二特征图中异常区域的特征,得到第一融合特征图。
需要解释的是,这一步中图像特征融合单元112可以将第二特征图中的异常区域的特征直接替换第一特征图中的异常区域对应的区域的特征得到第一融合特征图;也可以将第二特征图中的异常区域的特征进行处理后(例如,边缘提取、亮度调整、边缘平滑、扭曲变形等处理)再替换第一特征图中的异常区域对应的区域的特征得到第一融合特征图。
最后,图像特征融合单元112执行步骤S305将第一融合特征图输入图像生成模型得到增广的异常样本的图像,实现异常样本数据的增广。
这里的图像生成模型可以为通过对一个深度学习模型进行训练后获得。例如,该深度学习模型可以为变分自编码器(variationalautoencoder,VAE),训练样本对为表征真实图像的特征图和真实的图像,例如可以利用训练样本数据中的正常样本图像和/或异常样本图像。具体为,提取获取正常样本图像和/或异常样本图像的特征图,表征正常样本图像的特征图和正常样本图像、和/或者表征异常样本图像的特征图和异常样本图像构成训练样本对训练变分自编码器得到图像生成模型。
将训练样本对中的表征真实图像的特征图输入变分自编码器,变分自编码器可以对输入的表征真实图像的特征图表征的真实图像进行预测,根据预测的真实图像和训练样本对中的真实图像计算损失,然后基于该损失更新变分自编码器的参数,从而实现模型训练。当损失满足训练结束条件,如损失趋于收敛时,可以停止训练,训练好的变分自编码器可以作为图像生成模型实现根据输入的融合后的特征图输出生成的异常样本的图像。
又例如,该深度学习模型还可以为GAN,(generative adversarial network,生成对抗网络),GAN由两部分组成,一部分为图像生成器,另一部分为图像真实度判别器。通过图像生成器与图像真实度判别器之间的博弈、对抗达到GAN的理想效果。例如,训练初期的一代的图像生成器可以根据输入的融合的特征图生成一些效果很差的异常样本图像,一代的图像真实度判别器可以准确的把增广的异常样本图像进行分类。简而言之,图像真实度判别器就是一个二分类器,对增广的异常样本图像输出0,对真实的图像输出1。然后,开始训练二代的图像生成器,二代的图像生成器可以生成稍好一点的异常样本图像,能够让一代的图像真实度判别器认为这些增广的异常样本图像是真实的图像。接着会训练出一个二代的图像真实度判别器,它能准确的识别出真实的图像和二代的图像生成器生成的异常样本图像。以此类推,会有三代、四代、〃·〃,更多代的图像生成器和图像真实度判别器,最后的图像真实度判别器无法分辨增广的异常样本图像和真实的图像,至此,GAN就拟合了,图像生成器就可以根据融合后的特征图输出满足要求的增广的异常样本图像。
异常样本增广模块利用训练完成的图像生成模型得到大量增广的异常样本图像,大量增广的异常样本图像输入人工筛查模块12根据用户选择指令选择出画面清晰度高、异常区域形状和颜色等特征变化丰富、异常区域位置和形状等特点符合相关行业专家和普通人的先验知识的生成的异常样本图像加入训练样本数据中继续训练更新异常检测模型。
可以理解的是,为了便于增广的异常样本图像用于异常检测模型的训练,图像生成模型在输出增广的异常样本图像时自动为其增加标签(即表示其为异常样本图像的标签),降低人工标注工作量。
在另一种实施例中,还提供另一种异常样本增广方法。下面结合图4详细介绍该增广方法。
如图4所示,该增广方法包括以下步骤:
S401、获取多个正常样本图像、至少一个异常样本图像和至少一个异常特征。
这里的多个正常样本图像和至少一个异常样本图像的获取方法与上述步骤S301获取方法类似,可参见步骤S301,此处不再赘述。可以理解的,异常特征为待检测对象上可能出现异常的特征,例如,若检测物体为列车时,列车可能出现的异常为裂缝,则异常特征为裂缝图像的图像特征。
S402、根据正常样本图像和异常样本图像确定可替换区域。
配准正常样本图像和异常样本图像以确定正常样本图像中待检测对象的图像区域,将该区域确定为可替换区域,避免异常特征添加到背景区域,造成增广的异常样本图像无效。
然后通过S403基于用户指令在可替换区域内确定替换区域。区别于上一中增广方法,这里采用人工指定的方案,异常特征添加更加灵活,使增广的异常样本图像更加丰富多样。
步骤S404至步骤S406中的获取表征正常样本图像的第三特征图、将第三特征图替换区域的特征替换为异常特征得到第二融合特征图和图像生成模型的实现方式与上一种增广方法中的获取表征正常样本图像的第一特征图、第一特征图的异常区域对应区域的特征的替换和图像生成模型的实现方式类似,可参见上文,此处不再赘述。
下面结合附图5详细介绍异常检测模型的构建方法。
如图5所示,异常检测模型至少根据训练样本数据和包括样本权重参数的第一损失函数训练得到。如此训练出的异常检测模型可解决训练样本数据中正常样本图像和异常样本图像数量不均衡带来的问题,可得到更加精准的检测结果。
下面结合附图6详细介绍异常检测模型的构建过程。
首先通过步骤S601获取多个正常样本数据和多个异常样本数据。需要解释的是,多个异常样本数据包括增广样本增广模块增广得到异常样本图像,和采集获得的异常样本图像。当然正常样本数据和异常样本数据均为带标注的样本图像。
然后,在步骤S602中分别对多个正常样本数据和多个异常样本数据作聚类分析,得到聚类分析结果。具体的,首先提取正常样本数据和异常样本数据的图像特征,然后对提取的图像特征作聚类分析,得到聚类分析结果。本申请实施例中可采用任何聚类方式对正常样本的图像特征和异常样本的图像特征进行聚类分析,本申请并不进行限定。例如可以是K-means+自动类别选择、谱聚类等传统聚类方法,也可以是任何新的聚类方法。
步骤S603、根据聚类分析结果确定第一损失函数的样本权重参数。
聚类分析结果包括正常样本的簇数量和各正常样本簇中的样本数量,异常样本的簇数量和异常样本簇中的样本数量。具体参见下述公式:
wp=Cn/(np(Cp+Cn))
wn=Cp/(nn(Cp+Cn))
式中:wp为一个特定正常样本的权重;wn为一个特定异常样本的权重;Cp和Cn分别表示正常样本和异常样本的簇数量,即样本的变化模式数量;;np表示特定正常样本所在簇中的样本数量;nn表示特定异常样本所在簇中的样本数量。
通过这种方式,有越多的样本和当前样本的变化模式越少(np或nn越大),样本的权重越低;另一类样本的变化模式越丰富(Cn或Cp越高),为了起到平衡的作用,这一类的权重也要越高,避免另一类过于丰富的变化模式淹没掉这一类的样本。
对于一个特定样本(即某个待检测对象的样本),损失函数定义为:
L=-wn·y·log(p)-wp(1-y)log(1-p)
其中wp和wn是S603中计算的样本权重,y是样本标签(1表示异常样本,0表示正常样本),p是模型预测的样本异常的概率,log是对数函数。
第一损失函数为上述多个特定样本的损失函数相加得到,第一损失函数即为对应图5中的自适应权重分类损失函数。
最后在步骤S604,根据多个正常样本数据和多个异常样本数据、第一损失函数训练网络模型得到异常检测模型。这里的网络模型可以为卷积神经网络模型,则上述聚类分析过程中对样本图像特征的提取可以卷积神经网络模型的卷积层提取得到。具体为,分批向卷积神经网络模型输入正常样本数据和异常样本数据,卷积神经网络模型的特征提取层提取得到正常样本的图像特征和异常样本的图像特征。
上述异常检测模型的构建方法,异常检测模型可自动根据训练样本数据中的正常样本或异常样本的增加/减少而动态调整样本权重参数,减少异常检测模型训练初始和训练过程中模型更新中的人工参与度,降低使用过程中算法专家的参与度,降低维护成本。
在另一个实施例中,异常检测模型还基于第二损失函数(即对应图5中的辅助识别损失函数)训练得到,辅助损失函数基于度量学习的思想,对卷积神经网络特征空间施加结构化约束,通过要求正常样本的特征之间距离较近,异常样本的特征远离正常样本的特征,从而保证学习到的特征空间中,正常样本和异常样本的分布满足一定的结构约束,使后续的交互式样本可视化模块14对样本进行可视化时,可以高效、准确地区分正常样本和异常样本。
具体的,对于一对样本,该损失定义为:
其中xi和xj为训练数据中第i张图像和第j张图像的特征;yi和yj表示图像的标签,与上一节中的定义相同;α为一个可以调整的超参数;||〃||表示向量的范数(模)。
训练完成的异常检测模型可以判别输入的待检测图像是否异常,异常检测模型将判别结果输出至交互式样本分布可视化模块14,由于在异常检测模型训练过程中采用了第二损失函数对特征空间结构的显式约束,正常样本和异常样本的分布具备了一定的规律性,因此可以通过可视化的方式,协助工作人员快速区分正常样本和异常样本,从而快速地完成审核。
通过将异常检测模型训练过程中正常样本的特征和异常样本的特征作降维处理(降维处理方法可以采用:PCA、t-SNE、自编码器等)得到二维特征点,根据特征点在同一坐标系中绘制得到特征点分布,得到检测结果为正常、异常或者存疑的图像的分布,以便于向用户呈现所述检测结果分布图。检测结果分布图包括置信区域和存疑区域,交互式样本分布可视化模块14可将待检测样本的特征点落入存疑区域的样本图像提供呈现给用户,以供用户对存疑的图像进行人工核验。
上述检测结果分布图可以根据统计训练过程中正常样本的特征点和异常样本的特征点的分布获得,例如可以得到分割正常样本的特征点和异常样本的特征点的预测分类框,使正常样本的特征点分布在预测分类框框选区域内,异常样本的特征点分布在预测分类框框选区域外。
为了防止异常检测模型的误检,还可根据用户指令将预测分类框保持中心不变按一定比例缩小,得到置信框,置信框选的区域为置信区域,置信框和预测分类框之间的区域为存疑区域。若待检测图像的特征点落入置信区域则直接输出检测结果为正常,若待检测图像的特征点落入预测分类框外面区域则直接输出检测结果为异常,若待检测图像的特征点落入存疑区域则将该图像呈现给用户核验确认是否为异常。因此,用户只需复核位于存疑区域的特征点对应的图像即可,达到减少复核工作量、提升复核效率的目的。
人工复核模块15根据用户指令确定存疑的待检测图像是否异常,并最终输出检测结果,并且将复核结果为异常的图像作为优化训练的异常样本,对异常检测模型进行优化训练。
具体的,异常检测装置将复核结果为异常样本图像反馈给异常样本增广模块,使异常样本增广模块继续根据接收到的异常样本图像增广得到更多的异常样本图像进,优化更新异常检测模型。
在另一种实施例中,异常检测装置还将异常检测模型检测结果为异常的图像也作为优化训练的异常样本,对异常检测模型进行优化训练。
在一种实施例中,上述异常检测装置可应用于铁路货运异常检测场景。
具体为:通过摄像终端获取货运列车的正常样本图像和异常样本图像,然后分析该图像对应的异常类型,例如一种异常类型为特点部件上的异常(如弹簧折断、轴承漏油等),另一种异常类型为位置不固定的异常(如异物等),根据异常类型采取不同的标注策略对图像进行标注,例如图像为特定部件上的异常类型,需要标注部件在图中的位置(例如正常部件的位置和异常部件的位置),图像为位置不固定的异常类型,需要标注异常出现的位置。
然后根据不同的异常类型采用不同的检测方案进行检测。对于特定部件上的异常类型,首先训练部件检测模型,定位图中的部件(参见图7)。在此基础上,使用上述异常检测装置检测每个部件,其中,异常样本增广模块增广每种部件的异常样本图像的数量。之后异常检测模块针对每个部件训练一个异常检测模型以判别部件的异常状态。
对于位置不固定的异常类型可直接采用上述异常检测装置进行检测,其中,异常样本增广模块增广异常样本图像的数量直至异常样本图像的数量与正常样本图像的数量相等,然后利用异常样本图像和正常样本图像训练得到异常检测模型以判别待检测的图像的异常状态。
上述两种异常类型的检测方案中的异常检测装置均可通过将检测结果输出显示(参见图8)。
交互式样本分布可视化模块可筛选出需要人工复核的样本的图像(参见图9,高亮的图像为筛选出需要人工复核的样本的图像),由工作人员对需要复核的样本的图像进行复核后,将识别错误(漏检、误检)的样本的图像反馈给异常样本增广模块,然后异常样本增广模块根据反馈的图像继续生成新的异常样本图像,将新的异常样本图像补充至训练样本数据中继续训练异常检测模型,以达到提升异常检测模型性能的目的。
在另一个实施例中,上述异常检测装置可应用于电子设备装配检测场景。
具体为:通过摄像终端获取电子设备装配过程的图像,然后在对该图像标注装配正确的部件(例如使用标注框的形式进行标注),然后根据标注的图像作为训练样本训练部件检测模型,部件检测模型的检测框与标注框重合,则判断相应的部件为正常将其加入正常样本库,否则判断相应的部件为异常并将其加入异常样本库(参见图10)。
然后采用上述的异常检测装置检测正常样本库中的样本图像,从而实现滤除模型误检的样本。
人工复核异常检测装置检测结果为异常结果的图像即可,通过统计图像中检测到的正常部件的数量,并与图像中应该出现的正常部件的数量进行对比,判断图像是否存在异常。将异常的图像反馈给异常样本增广模块,然后异常样本增广模块根据反馈的图像继续生成新的异常样本图像,将新的异常样本图像补充至训练样本数据中继续训练异常检测模型,以达到提升异常检测模型性能的目的。
本申请还提供一种异常检测装置2,图11为该异常检测装置2的结构示意图,如图11所示,该装置至少包括:
获取模块21,用于获取待检测图像;
检测模块22,用于根据所述待检测图像和异常检测模型,确定所述待检测图像的检测结果,其中,所述异常检测模型根据包括样本权重参数的第一损失函数训练得到,所述样本权重参数表示用于训练的正常样本或异常样本对模型训练的重要性。
在另一个可能的实现中,所述装置还包括:
可视化模块23,用于根据所述检测结果,生成检测结果分布图,其中,所述检测结果分布图包括检测结果为正常、异常或者存疑的图像的分布;
向用户呈现所述检测结果分布图。
在另一个可能的实现中,所述检测结果分布图还包括置信区域和存疑区域;
所述可视化模块23,还用于向用户提供分布在所述存疑区域内的图像,以供所述用户对所述存疑的图像进行人工核验。
在另一个可能的实现中,所述装置还包括:
调整模块24,用于基于所述用户的指令调整所述检测结果分布图中的存疑区域的范围。
在另一个可能的实现中,所述样本权重参数根据训练样本数据中的正常样本集和异常样本集的聚类分析结果确定。
在另一个可能的实现中,所述异常检测模型还基于第二损失函数训练得到,所述第二损失函数用于对所述异常检测模型的特征空间的结构进行约束,使得在特征空间中,缩短正常样本的特征之间距离,拉远异常样本的特征与正常样本的特征之间的距离。
在另一个可能的实现中,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:
获取多个正常样本和至少一个异常样本;
比对所述正常样本和所述异常样本,基于比对结果确定所述异常样本的异常区域;
分别提取所述正常样本的特征和所述异常样本的特征,得到表征所述正常样本的第一特征图和表征所述异常样本的第二特征图;
将所述第一特征图中所述异常区域对应区域的特征替换为所述第二特征图中所述异常区域的特征,得到第一融合特征图;
基于所述第一融合特征图和图像生成模型,得到增广的异常样本。
在另一个可能的实现中,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:
获取多个正常样本、至少一个异常样本和至少一个异常特征;
比对所述正常样本和所述异常样本,基于比对结果确定所述正常样本中的可替换区域;
基于用户指令在所述可替换区域内确定替换区域;
提取正常样本的特征,得到表征正常样本的第三特征图;
将所述正常样本中替换区域的特征替换为所述异常特征,得到第二融合特征图;
基于所述第二融合特征图和图像生成模型,得到增广的异常样本。
在另一个可能的实现中,所述装置还包括:
优化模块25,用于选择所述人工核验结果为异常的图像作为用于优化训练的异常样本,利用选择的异常样本对所述异常检测模型进行优化训练。
根据本申请实施例的异常检测装置2可对应于执行本申请实施例中描述的方法,并且异常检测装置2中的各个模块的上述和其它操作和/或功能分别为了实现图3、图4、图6中的各个方法的相应流程,为了简洁,在此不再赘述。
另外需说明的是,以上所描述的实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述任一项方法。
本申请还提供一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括指令,当该指令执行时,令计算机执行上述任一项方法。
图12为本申请提供的异常检测设备的结构示意图。
如12图所示,所述异常检测设备100包括处理器101、存储器102、通信接口103和总线104。其中,处理器101、存储器102、通信接口103通过总线104进行通信,也可以通过无线传输等其他手段实现通信。该存储器102存储可执行程序代码,且处理器101可以调用存储器102中存储的程序代码执行前述方法实施例中的异常检测方法。
应理解,在本申请实施例中,该处理器101可以是中央处理单元CPU,该处理器101还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(fieldprogrammable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
该存储器102可以包括只读存储器和随机存取存储器,并向处理器101提供指令和数据。存储器102还可以包括非易失性随机存取存储器。例如,存储器102还可以存储训练数据集。
该存储器102可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
该总线104除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线104。
应理解,根据本申请实施例的异常检测设备100可对应于本申请实施例中的异常检测装置,并可以对应于执行根据本申请实施例中图3、图4、图6所示方法中的相应主体,并且对象计数设备100中的各个器件的上述和其它操作和/或功能分别为了实现图3、图4、图6的各个方法的相应流程,为了简洁,在此不再赘述。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道,取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (21)
1.一种异常检测方法,其特征在于,所述方法包括:
获取待检测图像;
根据所述待检测图像和异常检测模型,确定所述待检测图像的检测结果,其中,所述异常检测模型根据包括样本权重参数的第一损失函数训练得到,所述样本权重参数表示用于训练的正常样本或异常样本对模型训练的重要性。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:根据所述检测结果,生成检测结果分布图,其中,所述检测结果分布图包括检测结果为正常、异常或者存疑的图像的分布;
向用户呈现所述检测结果分布图。
3.根据权利要求2所述的方法,其特征在于,所述检测结果分布图还包括置信区域和存疑区域;
向用户提供分布在所述存疑区域内的图像,以供所述用户对所述存疑的图像进行人工核验。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
基于所述用户的指令调整所述检测结果分布图中的存疑区域的范围。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述样本权重参数根据训练样本数据中的正常样本集和异常样本集的聚类分析结果确定。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述异常检测模型还基于第二损失函数训练得到,所述第二损失函数用于对所述异常检测模型的特征空间的结构进行约束,使得在特征空间中,缩短正常样本的特征之间距离,拉远异常样本的特征与正常样本的特征之间的距离。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:
获取多个正常样本和至少一个异常样本;
比对所述正常样本和所述异常样本,基于比对结果确定所述异常样本的异常区域;
分别提取所述正常样本的特征和所述异常样本的特征,得到表征所述正常样本的第一特征图和表征所述异常样本的第二特征图;
将所述第一特征图中所述异常区域对应区域的特征替换为所述第二特征图中所述异常区域的特征,得到第一融合特征图;
基于所述第一融合特征图和图像生成模型,得到增广的异常样本。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:
获取多个正常样本、至少一个异常样本和至少一个异常特征;
比对所述正常样本和所述异常样本,基于比对结果确定所述正常样本中的可替换区域;
基于用户指令在所述可替换区域内确定替换区域;
提取正常样本的特征,得到表征正常样本的第三特征图;
将所述正常样本中替换区域的特征替换为所述异常特征,得到第二融合特征图;
基于所述第二融合特征图和图像生成模型,得到增广的异常样本。
9.根据权利要求3-8任一项所述的方法,其特征在于,所述方法还包括:选择所述人工核验结果为异常的图像作为用于优化训练的异常样本,利用选择的异常样本对所述异常检测模型进行优化训练。
10.一种异常检测装置,其特征在于,包括:
获取模块,用于获取待检测图像;
检测模块,用于根据所述待检测图像和异常检测模型,确定所述待检测图像的检测结果,其中,所述异常检测模型根据包括样本权重参数的第一损失函数训练得到,所述样本权重参数表示用于训练的正常样本或异常样本对模型训练的重要性。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
可视化模块,用于根据所述检测结果,生成检测结果分布图,其中,所述检测结果分布图包括检测结果为正常、异常或者存疑的图像的分布;
向用户呈现所述检测结果分布图。
12.根据权利要求11所述的装置,其特征在于,所述检测结果分布图还包括置信区域和存疑区域;
所述可视化模块,还用于向用户提供分布在所述存疑区域内的图像,以供所述用户对所述存疑的图像进行人工核验。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括:
调整模块,用于基于所述用户的指令调整所述检测结果分布图中的存疑区域的范围。
14.根据权利要求10-13任一项所述的装置,其特征在于,所述样本权重参数根据训练样本数据中的正常样本集和异常样本集的聚类分析结果确定。
15.根据权利要求10-14任一项所述的装置,其特征在于,所述异常检测模型还基于第二损失函数训练得到,所述第二损失函数用于对所述异常检测模型的特征空间的结构进行约束,使得在特征空间中,缩短正常样本的特征之间距离,拉远异常样本的特征与正常样本的特征之间的距离。
16.根据权利要求10-15任一项所述的装置,其特征在于,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:
获取多个正常样本和至少一个异常样本;
比对所述正常样本和所述异常样本,基于比对结果确定所述异常样本的异常区域;
分别提取所述正常样本的特征和所述异常样本的特征,得到表征所述正常样本的第一特征图和表征所述异常样本的第二特征图;
将所述第一特征图中所述异常区域对应区域的特征替换为所述第二特征图中所述异常区域的特征,得到第一融合特征图;
基于所述第一融合特征图和图像生成模型,得到增广的异常样本。
17.根据权利要求10-16任一项所述的装置,其特征在于,所述异常检测模型的训练样本数据中包括通过增广得到的异常样本,所述增广方法包括:
获取多个正常样本、至少一个异常样本和至少一个异常特征;
比对所述正常样本和所述异常样本,基于比对结果确定所述正常样本中的可替换区域;
基于用户指令在所述可替换区域内确定替换区域;
提取正常样本的特征,得到表征正常样本的第三特征图;
将所述正常样本中替换区域的特征替换为所述异常特征,得到第二融合特征图;
基于所述第二融合特征图和图像生成模型,得到增广的异常样本。
18.根据权利要求12-17任一项所述的装置,其特征在于,所述装置还包括:
优化模块,用于选择所述人工核验结果为异常的图像作为用于优化训练的异常样本,利用选择的异常样本对所述异常检测模型进行优化训练。
19.一种异常检测设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码,实现权利要求1-9任一项所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-9任一项所述的方法。
21.一种计算机程序或计算机程序产品,其特征在于,所述计算机程序或计算机程序产品包括指令,当所述指令被执行时,实现权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101232.8A CN114429441A (zh) | 2020-10-15 | 2020-10-15 | 一种异常检测方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101232.8A CN114429441A (zh) | 2020-10-15 | 2020-10-15 | 一种异常检测方法及装置、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429441A true CN114429441A (zh) | 2022-05-03 |
Family
ID=81309190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011101232.8A Pending CN114429441A (zh) | 2020-10-15 | 2020-10-15 | 一种异常检测方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429441A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115934484A (zh) * | 2022-11-29 | 2023-04-07 | 广东技术师范大学 | 基于扩散模型数据增强的异常检测方法、存储介质及设备 |
CN117808816A (zh) * | 2024-03-01 | 2024-04-02 | 腾讯科技(深圳)有限公司 | 图像异常检测方法、装置及电子设备 |
-
2020
- 2020-10-15 CN CN202011101232.8A patent/CN114429441A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115934484A (zh) * | 2022-11-29 | 2023-04-07 | 广东技术师范大学 | 基于扩散模型数据增强的异常检测方法、存储介质及设备 |
CN115934484B (zh) * | 2022-11-29 | 2024-02-09 | 广东技术师范大学 | 基于扩散模型数据增强的异常检测方法、存储介质及设备 |
CN117808816A (zh) * | 2024-03-01 | 2024-04-02 | 腾讯科技(深圳)有限公司 | 图像异常检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3502966B1 (en) | Data generation apparatus, data generation method, and data generation program | |
US10885618B2 (en) | Inspection apparatus, data generation apparatus, data generation method, and data generation program | |
WO2019117065A1 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
US10621717B2 (en) | System and method for image-based target object inspection | |
US20200349466A1 (en) | Providing performance views associated with performance of a machine learning system | |
JP2019091249A (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
KR20200004825A (ko) | 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체 | |
KR20190063839A (ko) | 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템 | |
CN109727229B (zh) | 虚焊检测方法及装置 | |
KR20190075707A (ko) | 딥러닝을 이용한 양품 선별 방법 | |
US10636133B2 (en) | Automated optical inspection (AOI) image classification method, system and computer-readable media | |
US11881015B2 (en) | High-precision identification method and system for substations | |
CN114429441A (zh) | 一种异常检测方法及装置、设备、存储介质 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
JP2021119341A (ja) | 生産ラインスマート監視システム及び監視方法 | |
CN111900694A (zh) | 一种基于自动识别的继电保护设备信息采集方法及系统 | |
JP2009068946A (ja) | 欠陥分類装置および方法並びにプログラム | |
CN117115147A (zh) | 一种基于机器视觉的纺织品检测方法及系统 | |
CN114185807A (zh) | 测试数据管理方法、装置、计算机设备及存储介质 | |
Kim et al. | CECvT: Initial Diagnosis of Anomalies in Thermal Images | |
JP7345006B1 (ja) | 学習モデル生成方法及び検査装置 | |
CN112730427B (zh) | 一种基于机器视觉的产品表面缺陷检测方法及系统 | |
US20220189005A1 (en) | Automatic inspection using artificial intelligence models | |
US11797646B2 (en) | Method, electronic device, and computer program product for standardizing image annotation | |
US20240020822A1 (en) | Teacher data preparation method and preparation device |
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 |