CN114972339A - 用于推土机结构件生产异常检测的数据增强系统 - Google Patents

Abstract

本发明涉及图像处理领域，具体涉及一种用于推土机结构件生产异常检测的数据增强系统，获取推土机结构件多角度CT图像对应的每种尺寸的滤波差异图，根据滤波差异图的边缘像素点个数得到滤波差异图的微小信息滤除度，获取滤波差异图的阈值分割图，根据阈值分割图中非零像素与邻接非零像素之间的距离得到阈值分割图的分布均匀程度结合微小信息滤除度得到滤波差异图的异常信息程度，根据前后图像的字典矩阵对应的稀疏向量的差异和该尺寸的滤波差异图的异常信息程度得到每个字典向量的异常信息权重，根据异常信息权重构建损失函数训练得到异常字典向量，利用异常字典向量对结构件CT图的异常像素值增强，方法智能、精准、高效。

Description

用于推土机结构件生产异常检测的数据增强系统

技术领域

本申请涉及图像处理领域，具体涉及一种用于推土机结构件生产异常检测的数据增强系统。

背景技术

随着社会经济的发展、工业化水平的提高，基础建设随之提高。推土机作为基础建设的重要设备，其使用量随之提高。推土机的结构件作为推土机的主要受力部件其生产质量的好坏直接影响推土机的使用效果，如果存在较大质量问题时甚至还会出现安全事故。为了避免上述现象的发生，在生产过程中需要对推土机结构件进行异常检测，目前是通过CT探伤的方式来获取结构件内部图像信息，但是，由于CT图像是通过X光射线穿透推土机结构件采集到的图像信息，这样采集到的信息噪声较多，并且推土机结构件图像中的异常信息较小，利用普通的边缘检测和阈值分割算法很难识别出图像中的异常数据，因此需要提高对推土机结构件图像中的异常数据检测的精准度，并对异常数据进行增强，便于更快捷准确的识别出异常信息。

发明内容

本发明提供一种用于推土机结构件生产异常检测的数据增强系统，解决异常数据检测不够精准的问题，采用如下技术方案：

一种用于推土机结构件生产异常检测的数据增强系统，包括：

数据处理模块：获取推土机结构件多角度CT图像，使用不同尺寸的滤波核对每个角度的CT图像进行高斯滤波，得到每种角度的每个尺寸下的滤波图像，利用每种角度的CT图像与该种角度的每个尺寸下的滤波图像做差，得到每种角度的每个尺寸下的滤波差异图；

异常数据检测模块：利用数据处理模块获得的每张滤波差异图中边缘像素点个数得到滤波差异图的微小信息滤除度；

获取每张滤波差异图的阈值分割图，根据阈值分割图中非零像素与邻接非零像素之间的距离得到该滤波差异图的邻接距离分布向量，根据邻接距离分布向量得到该阈值分割图像的分布均匀程度；

根据每张滤波差异图的阈值分割图的分布均匀程度和微小信息滤除度得到该滤波差异图的异常信息程度；

利用每种角度的CT图像的字典向量和该种角度下每个尺寸的滤波图像的字典向量做差，得到每种角度下CT图像的字典向量差异序列，根据每种角度下CT图像的字典向量差异序列及该种角度下所有尺寸的滤波差异图得到异常信息程度计算每种角度的CT图像的字典向量的异常信息权重；

利用每种角度CT图像的字典向量得到的异常信息权重构建的异常数据检测网络的损失函数对异常数据检测网络进行监督训练，利用该训练完成的异常数据检测网络检测出待检测结构件的异常字典向量；

异常数据增强模块：

利用异常数据检测模块得到的待检测结构件的异常字典向量对结构件CT图中对应的像素值增强。

所述滤波差异图的微小信息滤除度的计算方法为：

式中，

为第t个角度下第k个尺寸的滤波差异图的微小信息滤除度，

为滤波差异图中的边缘连通域的像素个数。

所述邻接距离分布向量的获取方法为：

以阈值分割图中每个非零像素点为目标点，获取该目标点在各个方向上的邻接非零像素点，将该目标点与各个方向上的邻接非零像素点之间的距离，作为该非零像素点的邻接距离分布向量。

所述阈值分割图像的分布均匀程度的获取方法为：

式中，

为第t个角度下第k个尺寸的滤波差异图的阈值分割图像的分布均匀程度，

为该阈值分割图像所有邻接距离分布向量中第j个邻接距离的分布概率，N为该阈值分割图像的所有邻接距离的个数。

所述滤波差异图的异常信息程度的获取方法为：

式中，

为第t个角度下第k个尺寸的滤波差异图的异常信息程度。

所述每种角度的CT图像的字典向量的异常信息权重的获取方法为：

获取每种角度CT图像的字典矩阵中的每个字典向量对应的稀疏向量；

获取每种角度CT图像在每个尺寸滤波核滤波后得到的滤波图像的字典矩阵中每个字典向量对应的稀疏向量；

计算CT图像在不同尺寸滤波核滤波前后每个字典向量对应的稀疏向量的差值，得到每个字典向量对应的稀疏向量的差值序列；

获取不同尺寸的滤波差异图的异常信息程度构成的异常信息序列；

计算字典向量对应的稀疏向量的差值序列和异常信息序列的皮尔逊相关系数；

将所有角度CT图像中每个字典向量对应的稀疏向量的差值序列和异常信息序列的皮尔逊相关系数的均值作为该字典向量的异常信息权重。

所述损失函数的获取方法为：

获取每个字典向量的异常信息权重，按照异常信息权重从大到小进行排序；

选取前N个字典向量和后N个字典向量，N为选取的字典向量数量；

则构建损失函数为：

式中，

为损失函数，

为选取的前N个字典向量中第i个字典向量的异常信息权重，

为前N个字典向量中第i个字典向量与未选取的任意一个字典向量之间的皮尔逊相关系数，

为后N的字典向量中第i个字典向量的异常信息权重，

为异常信息权重后N个的字典向量中第i个字典向量与未选取的任意一个字典向量之间的欧式距离。

所述对异常数据检测网络进行监督训练的方法为：

将每种角度下的每个尺寸的滤波前后图像组合在一起形成图像数据集；

将图像数据集输入异常数据检测网络，输出为字典矩阵和稀疏向量；

当损失函数得到最优解后，将字典矩阵中异常程度信息最大的字典向量作为异常字典向量。

所述利用异常数据检测模块得到的待检测结构件的异常字典向量对结构件CT图中的异常像素值增强的方法为：

将异常字典向量对应的各角度滤波前的CT图像的稀疏向量的描述值置零得到异常向量对应的异常像素值的变化量；

利用各像素值的变化量得到图像增强公式，利用图像增强公式对图像中的像素点进行增强，图像增强公式为：

式中，

为像素坐标（x,y）处的灰度值，

为像素点（x,y）增强后的灰度值，

为整个图像中像素值的最小值，

为整张图像中像素值的最大值，

表示异常字典向量对应的稀疏向量置零后坐标（x,y）处的像素值变化量，

为图像中像素值变化量最大值，Q为最大限制函数。

本发明的有益效果是：基于图像处理，获取推土机结构件多角度CT图像对应的每种尺寸的滤波差异图；根据滤波差异图的边缘像素点个数得到滤波差异图的微小信息滤除度；获取滤波差异图的阈值分割图，根据阈值分割图中非零像素与邻接非零像素之间的距离得到阈值分割图像的分布均匀程度结合微小信息滤除度得到滤波差异图的异常信息程度；根据前后图像的字典矩阵对应的稀疏向量的差异和该尺寸的滤波差异图的异常信息程度得到每个字典向量的异常信息权重；根据异常信息权重构建损失函数，将每种角度的CT图像和滤波后得到的每种角度的每种尺寸CT图像作为数据集进行字典训练，当损失函数最优解时，获取异常程度信息最大的字典向量作为异常字典向量，得到异常字典向量；利用异常数据检测模块得到的待检测结构件的异常字典向量对结构件CT图中的异常像素值增强，方法智能、精准、高效。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种用于推土机结构件生产异常检测的数据增强系统结构框图。

具体实施方式

下面将结合本发明实施例中的附图，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。

本发明的一种用于推土机结构件生产异常检测的数据增强系统的实施例，如图1所示，包括：

1.数据处理模块：获取推土机结构件多角度CT图像，使用不同尺寸的滤波核对每个角度的CT图像进行高斯滤波，得到每种角度的每个尺寸下的滤波图像，利用每种角度的CT图像与该种角度的每个尺寸下的滤波图像做差，得到每种角度的每个尺寸下的滤波差异图；

该步骤的目的是获取不同角度下的推土机结构件的CT图像作为数据分析基础。

本实施例首先利用工业CT图像采集仪器采集不同角度下的推土机结构件图像件的CT图像，然后使用不同尺寸的滤波核进行滤波，分别利用2*2、3*3、4*4、…、50*50的高斯滤波核对各角度图像进行滤波处理得到滤波后图像。获取各角度的滤波前图像和滤波后图像，将所有角度的滤波前图像及滤波后图像构成图像数据集。

其中，每种角度的每个尺寸下的滤波差异图的获取方法为：

获取CT图像和每种尺寸滤波核的滤波图像的差异图像，将该差异图像作为每种尺寸的滤波差异图。因为滤波差异图，即被滤波核过滤掉的信息图像，可通过原图像与滤波后得到的滤波图像相减，得到滤波差异图。

2.异常数据检测模块：

(1)利用1数据处理模块获得的每张滤波差异图中边缘像素点个数得到滤波差异图的微小信息滤除度；

该步骤的目的是计算每个尺寸的滤波差异图的微小信息滤除度。

其中，每个尺寸的滤波差异图的微小信息滤除度的获取方法为：

a.对滤波差异图进行边缘检测，得到滤波差异图像的边缘图像，对滤波信息边缘图像中的各边缘进行连通性分析，将第t个角度图像滤波差异图像的边缘所有连通域像素点个数求均值得到该滤波差异图像的连通像素个数。

b.则每种角度的每个尺寸的滤波差异图包含微小信息滤除程度为：

式中，

表示第t个角度下第k个尺寸的滤波差异图的边缘图像中连通域的像素个数，即使用第k个滤波核处理第t个角度图像得到的滤波差异图的边缘图像中连通域的像素个数。

(2)获取每张滤波差异图的阈值分割图，根据阈值分割图中非零像素与邻接非零像素之间的距离得到该滤波差异图的邻接距离分布向量，根据邻接距离分布向量得到该阈值分割图像的分布均匀程度；

该步骤的目的是，对每种尺寸的滤波差异图进行阈值分割，获取分割后图像中的距离分布向量。

其中，阈值分割方法为：

将滤波差异图像利用阈值

进行阈值分割，将大于阈值的像素置1，将小于阈值的像素值0，进而得到滤波差异阈值图像，根据经验

。

其中，邻接距离分布向量的获取方法为：

获取滤波差异图像中每个非零像素与其各个方向上的邻接非零像素之间的距离，根据每个非零像素与其各个方向上的邻接非零像素之间的距离得到邻接距离分布向量。

其中，阈值分割图像的分布均匀程度的计算方法为：

式中，

为第t个角度下第k个尺寸的滤波差异图的阈值分割图的邻接距离分布向量中邻接距离值的分布概率，即第k个滤波核处理第t个角度图像得到滤波差异阈值图像得到的邻接距离分布向量中第j个邻接距离值对应的分布概率，N表示该滤波差异阈值图像的分布向量中所有邻接距离值的个数，

为第t个角度下第k个尺寸的滤波差异图的阈值分割图的分布均匀程度，即第k个滤波核处理第t个角度图像得到的滤波差异阈值图像的分布均匀程度，正常情况下其分布越均匀说明邻接距离分布向量的熵值越小。

需要说明的是，计算各滤波核的滤除信息的分布均匀性，由于噪声信息也一般微小信息，但是噪声信息区别与异常信息的是噪声信息分布相对均匀，而异常信息分布相对不均匀，因而可以根据信息的分布的集中程度来进一步反应各滤波和滤除掉的为噪声信息还是异常信息。

(3)根据每张滤波差异图的阈值分割图的分布均匀程度和微小信息滤除度得到该滤波差异图的异常信息程度；

该步骤的目的是，计算不同尺寸滤波核得到的滤波差异图包含异常信息的程度。

其中，每种尺寸的滤波差异图的异常信息程度的获取方法为：

式中，

为第t个角度下第k个尺寸的滤波差异图的异常信息程度，滤波信息中包含微小信息的程度越大说明该滤波核的滤波信息为异常信息的可能性较大。

表示第k个滤波核滤波信息的分布均匀程度，该值越大说明该滤波核滤波信息为噪声的可能性。

表示第k个滤波核滤波信息包含异常信息程度。

(4)利用每种角度的CT图像的字典向量和该种角度下每个尺寸的滤波图像的字典向量做差，得到每种角度下CT图像的字典向量差异序列，根据每种角度下CT图像的字典向量差异序列及该种角度下所有尺寸的滤波差异图得到异常信息程度计算每种角度的CT图像的字典向量的异常信息权重；

该步骤的目的是，通过滤波前后图像的字典向量对应的稀疏向量的变化得到每个字典向量的异常信息权重，因为同一图像在不同滤波核下的各字典向量对应的稀疏值变化情况，当该字典向量对应的稀疏值变化情况与各滤波核滤波信息包含异常信息程度相关性越大说明该字典向量的异常信息响应度越大。

其中，每个字典向量的异常信息权重的获取方法为：

a.获取CT图像在不同尺寸滤波核滤波前后的字典矩阵中每个字典向量对应的稀疏向量；

b.计算CT图像在不同尺寸滤波核滤波前后每个字典向量对应的稀疏向量的差值，得到每个字典向量对应的稀疏向量的差值序列；

为了便于分析以各稀疏向量中第i个值进行分析，第i个值对应与字典矩阵中的第i个字典向量，获取各稀疏向量组中各稀疏向量第i个描述值，获取第t个角度图像在第k个滤波核滤波处理前后图像对应的稀疏向量中第i个描述值的差值：

式中，

表示第t个角度图像滤波前图像对应的稀疏向量中第i个描述值，

表示第t个角度图像利用第k个滤波核滤波后图像对应的稀疏向量中第i个描述值。

表示第t个角度图像第k个滤波核滤波前后图像对应稀疏向量中第i个描述值得变化情况，该值反映了第k个滤波核滤波信息中部分特征信息的变动情况。类比该方式得到第t个角度图像在不同滤波核下的滤波前后图像对应的稀疏向量第i个描述值得变动程度。进而该角度图像在所有尺寸滤波核下的描述值的差值序列。

c.获取不同尺寸的滤波差异图的异常信息程度构成的异常信息序列，通过步骤二得到第t个角度图像各滤波核滤波信息包含异常信息程度，因而得到所有滤波核滤波信息包含异常信息程度序列。

d.计算字典向量对应的稀疏向量的差值序列和异常信息序列的皮尔逊相关系数；

e.将所有角度CT图像中每个字典向量对应的稀疏向量的差值序列和异常信息序列的皮尔逊相关系数的均值作为该字典向量的异常信息权重。

对第t个角度角度图像的不同滤波核滤波前后对应的稀疏向量中第i个描述值得变动值序列与不同滤波核下滤波信息包含异常信息程度序列计算相关系数

（皮尔逊相关系数），该值越大说明第t个角度图像在不同滤波核下的滤波信息中第i个字典特征信息与异常含量信息相关程度越大，因而该字典特征信息包含异常信息的概率越大。

f.将第i字典特征向量的所有角度图像的相关系数求均值得到第i个字典向量的包含异常信息的权重。

(5)根据每个字典向量的异常信息权重构建损失函数，将每种角度的CT图像和滤波后得到的每种角度的每种尺寸CT图像作为数据集进行字典训练，当损失函数最优解时，获取异常程度信息最大的字典向量作为异常字典向量，得到异常字典向量；

该步骤的目的是，构建损失函数，将每种角度的CT图像和滤波后得到的每种角度的每种尺寸CT图像作为数据集进行字典训练，当损失函数最优解时，获取异常程度信息最大的字典向量作为异常字典向量，得到异常字典向量，由于在普通的字典损失函数监督下，异常信息分布在不同的字典向量，只是有些分布的较多有些分布的较少，并且比较难于区分出字典向量中哪些字典值描述的是异常信息，所以需设计一种损失函数能够将异常信息集中的分布在单个字典向量中。

其中，损失函数获取方法为：

（1）获取每个字典向量的异常信息权重，按照异常信息权重从大到小进行排序；

（2）获取包含异常信息权重前N个字典向量以及包含异常信息权重后N的字典向量,本实施例中N=20。

（3）则构建损失函数为：

式中，

为损失函数，

为选取的前N个字典向量中第i个字典向量的异常信息权重，

为前N个字典向量中第i个字典向量与未选取的任意一个字典向量之间的皮尔逊相关系数，该值越大说明第i个字典与异常字典向量的相关性越大，

为后N的字典向量中第i个字典向量的异常信息权重，

为异常信息权重后N个的字典向量中第i个字典向量与未选取的任意一个字典向量之间的欧式距离，由于异常信息权重越大时说明该字典向量包含异常信息量越大因而训练得到异常字典向量中应尽可能与异常信息权重较大的字典向量有关，因而构建出

。同时异常信息权重越小时说明该字典向量中包含异常信息量越小，因而训练得到的异常字典向量应该与该字典向量之间的距离应该越大，所以构建出

，将构建的损失函数与K-SVD原有的损失函数加和得到综合损失函数

。

其中，利用上述损失函数进行监督完成字典训练的方法为：

（1）将各角度采集的推土机结构件的CT图像按照1数据处理模块中介绍的滤波方式进行滤波处理得到若个不同滤波核下的滤波后图像，将各角度的所有CT图像的滤波前后图像组合在一起形成图像数据集；

（2）求目标函数最小时对应的字典矩阵各稀疏向量。求解过程中所需的输入数据为上述的图像数据集，输出为字典矩阵和稀疏向量。得到最优解后，获取包含异常程度信息最大的那个字典向量该字典向量即为异常字典向量。

3.异常数据增强模块：

利用2异常数据检测模块得到的待检测结构件的异常字典向量对结构件CT图中对应的像素值增强。

该步骤的目的是增强异常信息。

其中，对异常信息增强的方法为：

（1）将异常字典向量对应的各角度无滤波图像的稀疏向量的描述值置零得到对应的像素值的变化量。

（2）结合各像素变化量得到图像增强公式，具体如下：

式中，

表示像素坐标（x,y）处的灰度值，

为（x,y）增强后的灰度值，fmin表示整个图像中像素值的最小值，fmax表示整张图像中像素值的最大值。

表示异常字典向量对应的稀疏向量置零后坐标（x,y）处的像素变化量。该值越大说明该处为异常像素的概率越大，因而该处的拉伸程度越大。

Q（）表示最大限制函数，即当

时，该值取255，当

保留原值。

需要说明的是，为了对推土机结构件异常信息进行增强，需获取推土机结构件异常信息。字典特征更能概述性的描述一些特征信息，因而可以通过分析字典特征向量来获取推土机结构件中的异常信息，而由于推土结构件中的异常信息较小，并且异常信息相对于噪声信息分布均匀程度地，因而可以通过各字典特征向量对微小信息的响应度情况以及信息分布均匀程度得到各字典向量中包含异常信息权重。而由于异常信息分布在不同的向量中，因而需要将异常信息汇聚在单个字典向量中，所以利用各字典向量包含异常信息权重构建出损失函数，利用该损失函数得到异常字典向量，对异常字典向量对应的信息进行增强处理得到推土机结构件的异常数据增强。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，包括：

数据处理模块：获取推土机结构件多角度CT图像，使用不同尺寸的滤波核对每个角度的CT图像进行高斯滤波，得到每种角度的每个尺寸下的滤波图像，利用每种角度的CT图像与该种角度的每个尺寸下的滤波图像做差，得到每种角度的每个尺寸下的滤波差异图；

异常数据检测模块：利用数据处理模块获得的每张滤波差异图中边缘像素点个数得到滤波差异图的微小信息滤除度；

获取每张滤波差异图的阈值分割图，根据阈值分割图中非零像素与邻接非零像素之间的距离得到该滤波差异图的邻接距离分布向量，根据邻接距离分布向量得到该阈值分割图像的分布均匀程度；

根据每张滤波差异图的阈值分割图的分布均匀程度和微小信息滤除度得到该滤波差异图的异常信息程度；

利用每种角度的CT图像的字典向量和该种角度下每个尺寸的滤波图像的字典向量做差，得到每种角度下CT图像的字典向量差异序列，根据每种角度下CT图像的字典向量差异序列及该种角度下所有尺寸的滤波差异图得到异常信息程度计算每种角度的CT图像的字典向量的异常信息权重；

利用每种角度CT图像的字典向量得到的异常信息权重构建的异常数据检测网络的损失函数对异常数据检测网络进行监督训练，利用该训练完成的异常数据检测网络检测出待检测结构件的异常字典向量；

异常数据增强模块：

利用异常数据检测模块得到的待检测结构件的异常字典向量对结构件CT图中对应的像素值增强。

2.根据权利要求1所述的一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，所述滤波差异图的微小信息滤除度的计算方法为：

式中，

为第t个角度下第k个尺寸的滤波差异图的微小信息滤除度，

为滤波差异图中的边缘连通域的像素个数。

3.根据权利要求2所述的一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，所述邻接距离分布向量的获取方法为：

以阈值分割图中每个非零像素点为目标点，获取该目标点在各个方向上的邻接非零像素点，将该目标点与各个方向上的邻接非零像素点之间的距离，作为该非零像素点的邻接距离分布向量。

4.根据权利要求3所述的一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，所述阈值分割图像的分布均匀程度的获取方法为：

式中，

为第t个角度下第k个尺寸的滤波差异图的阈值分割图像的分布均匀程度，

为该阈值分割图像所有邻接距离分布向量中第j个邻接距离的分布概率，N为该阈值分割图像的所有邻接距离的个数。

5.根据权利要求4所述的一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，所述滤波差异图的异常信息程度的获取方法为：

式中，

为第t个角度下第k个尺寸的滤波差异图的异常信息程度。

6.根据权利要求5所述的一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，所述每种角度的CT图像的字典向量的异常信息权重的获取方法为：

获取每种角度CT图像的字典矩阵中的每个字典向量对应的稀疏向量；

获取每种角度CT图像在每个尺寸滤波核滤波后得到的滤波图像的字典矩阵中每个字典向量对应的稀疏向量；

计算CT图像在不同尺寸滤波核滤波前后每个字典向量对应的稀疏向量的差值，得到每个字典向量对应的稀疏向量的差值序列；

获取不同尺寸的滤波差异图的异常信息程度构成的异常信息序列；

计算字典向量对应的稀疏向量的差值序列和异常信息序列的皮尔逊相关系数；

将所有角度CT图像中每个字典向量对应的稀疏向量的差值序列和异常信息序列的皮尔逊相关系数的均值作为该字典向量的异常信息权重。

7.根据权利要求6所述的一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，所述损失函数的获取方法为：

获取每个字典向量的异常信息权重，按照异常信息权重从大到小进行排序；

选取前N个字典向量和后N个字典向量，N为选取的字典向量数量；

则构建损失函数为：

式中，

为损失函数，

为选取的前N个字典向量中第i个字典向量的异常信息权重，

为前N个字典向量中第i个字典向量与未选取的任意一个字典向量之间的皮尔逊相关系数，

为后N的字典向量中第i个字典向量的异常信息权重，

为异常信息权重后N个的字典向量中第i个字典向量与未选取的任意一个字典向量之间的欧式距离。

8.根据权利要求7所述的一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，所述对异常数据检测网络进行监督训练的方法为：

将每种角度下的每个尺寸的滤波前后图像组合在一起形成图像数据集；

将图像数据集输入异常数据检测网络，输出为字典矩阵和稀疏向量；

当损失函数得到最优解后，将字典矩阵中异常程度信息最大的字典向量作为异常字典向量。

9.根据权利要求8所述的一种用于推土机结构件生产异常检测的数据增强系统，其特征在于，所述利用异常数据检测模块得到的待检测结构件的异常字典向量对结构件CT图中的异常像素值增强的方法为：

将异常字典向量对应的各角度滤波前的CT图像的稀疏向量的描述值置零得到异常向量对应的异常像素值的变化量；

利用各像素值的变化量得到图像增强公式，利用图像增强公式对图像中的像素点进行增强，图像增强公式为：

式中，

为像素坐标（x,y）处的灰度值，

为像素点（x,y）增强后的灰度值，

为整个图像中像素值的最小值，

为整张图像中像素值的最大值，

表示异常字典向量对应的稀疏向量置零后坐标（x,y）处的像素值变化量，

为图像中像素值变化量最大值，Q为最大限制函数。

Images