CN115935229A

CN115935229A - 产品异常检测方法、装置、设备及存储介质

Info

Publication number: CN115935229A
Application number: CN202211470506.XA
Authority: CN
Inventors: 邸顺然; 张一凡; 王学强; 崔美华
Original assignee: Goertek Inc
Current assignee: Goertek Inc
Priority date: 2022-11-22
Filing date: 2022-11-22
Publication date: 2023-04-07

Abstract

本发明公开了一种产品异常检测方法、装置、设备及存储介质，该方法包括：将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别；获取预设分类模型的输入层根据产品数据输出的产品特征矩阵；根据产品特征矩阵确定未知异常指标，并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。本发明根据预设分类模型中输入层输出的产品特征矩阵确定待检测产品的未知异常指标，根据未知异常指标和产品类别确定待检测产品是否存在未知异常，解决了现有技术中使用分类模型进行产品异常检测的过程中，分类模型无法准确检测训练数据集中不存在的不良品类型的技术问题，提高了产品异常检测的准确率。

Description

产品异常检测方法、装置、设备及存储介质

技术领域

本发明涉及智能制造技术领域，尤其涉及一种产品异常检测方法、装置、设备及存储介质。

背景技术

随着深度学习技术的发展，人工智能在工业质检领域的应用越来越普遍，其中，分类模型由于标注相对简单、性能较为稳定，使用得较为广泛，但是在工业大数据场景下，由于实际生产情况复杂，使用分类模型进行异常检测的过程中，可能出现训练数据集中不存在的不良品类型，而分类模型无法检测出这类不良品类型，导致分类模型的异常检测准确度低。

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了一种产品异常检测方法、装置、设备及存储介质，旨在解决现有技术中工业大数据场景下分类模型的产品异常检测准确度低技术问题。

为实现上述目的，本发明提供了一种产品异常检测方法，该方法包括以下步骤：

将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别；

获取预设分类模型的输入层根据产品数据输出的产品特征矩阵；

根据产品特征矩阵确定未知异常指标，并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。

可选地，未知异常指标包括第一空间向量距离；

根据产品特征矩阵确定未知异常指标，并根据未知异常指标和产品类别确定待检测产品是否存在未知异常，包括：

将产品特征矩阵经预设分类模型的特征提取网络处理后输出至预设分类模型的全连接层；

获取全连接层输出的产品特征向量，并根据产品特征向量和第一预设良品聚类中心确定第一空间向量距离；

根据第一空间向量距离和产品类别确定待检测产品是否存在未知异常。

可选地，所述未知异常指标包括预设编码器的损失值；

根据产品特征矩阵确定未知异常指标，并根据未知异常指标和所述产品类别确定待检测产品是否存在未知异常，包括：

将产品特征矩阵输入至预设分类模型的特征提取网络，并获取特征提取网络输出的提取特征向量；

将提取特征向量输入至预设编码器的特征向量层，并获取预设编码器的输出层输出的解码特征向量；

根据提取特征向量、解码特征向量和预设损失系数确定预设编码器的损失值；

根据产品类别和损失值确定所述待检测产品是否存在未知异常。

可选地，将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别之前，还包括：

通过训练数据对初始神经网络进行预训练，获得预训练分类模型；

根据预训练分类模型确定各产品类别对应的第一产品类别聚类中心；

根据预训练分类模型中全连接层输出的特征向量、各产品类别对应的第一产品类别聚类中心和预设空间向量距离更新预训练分类模型的损失函数；

通过训练数据对更新损失函数后的预训练分类模型进行训练；

在更新损失函数后的预训练分类模型符合预设条件时，获得预设分类模型。

可选地，根据提取特征向量、解码特征向量和预设损失系数确定预设编码器的损失值之后，还包括：

根据提取特征向量和第二预设良品聚类中心确定第二空间向量距离；

根据产品类别、损失值和所述第二空间向量距离确定待检测产品是否存在未知异常。

可选地，将所述产品特征矩阵输入至预设分类模型的特征提取网络，并获取特征提取网络输出的提取特征向量之前，还包括：

将训练数据输入至初始编码器和初始神经网络，并获取初始编码器中特征向量层输出的第二初始特征向量集；

根据所述第二初始特征向量集确定各产品类别对应的第二产品类别聚类中心；

根据特征向量层输出的特征向量、各产品类别对应的第二产品类别聚类中心、预设空间向量距离和初始神经网络输出的产品类别概率更新初始编码器的损失函数；

通过训练数据对初始神经网络和更新损失函数后的初始编码器进行训练；

在满足预设条件时，获得预设编码器和预设分类模型。

可选地，根据所述产品类别、损失值和第二空间向量距离确定待检测产品是否存在未知异常，包括：

在产品类别为良品时，判断损失值是否大于预设损失阈值和/或所述第二空间向量距离是否大于预设距离阈值；

若是，则判定所述待检测产品存在未知异常。

此外，为实现上述目的，本发明还提出一种产品异常检测装置，所述装置包括：

输入模块，用于将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别；

获取模块，用于获取预设分类模型的输入层根据产品数据输出的产品特征矩阵；

确定模块，用于根据所述产品特征矩阵确定未知异常指标，并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。

此外，为实现上述目的，本发明还提出一种产品异常检测设备，设备包括：存储器、处理器及存储在所述存储器上并可在处理器上运行的产品异常检测程序，产品异常检测程序配置为实现如上文的产品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，存储介质上存储有产品异常检测程序，产品异常检测程序被处理器执行时实现如上文的产品异常检测方法的步骤。

本发明将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别；获取预设分类模型的输入层根据产品数据输出的产品特征矩阵；根据产品特征矩阵确定未知异常指标，并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。本发明根据预设分类模型中输入层输出的产品特征矩阵确定待检测产品的未知异常指标，根据未知异常指标和产品类别确定待检测产品是否存在未知异常，解决了现有技术中使用分类模型进行产品异常检测的过程中，分类模型无法准确检测训练数据集中不存在的不良品类型的技术问题，提高了产品异常检测的准确率。

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产品异常检测设备的结构示意图；

图2为本发明产品异常检测方法第一实施例的流程示意图；

图3为本发明产品异常检测方法第二实施例的流程示意图；

图4为本发明产品异常检测方法一实施例的模型结构示意图；

图5为本发明产品异常检测方法第三实施例的流程示意图；

图6为本发明产品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产品异常检测设备结构示意图。

如图1所示，该产品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)，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产品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、用户接口模块以及产品异常检测程序。

在图1所示的产品异常检测设备中，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；本发明产品异常检测设备中的处理器1001、存储器1005可以设置在产品异常检测设备中，所述产品异常检测设备通过处理器1001调用存储器1005中存储的产品异常检测程序，并执行本发明实施例提供的产品异常检测方法。

本发明实施例提供了一种产品异常检测方法，参照图2，图2为本发明产品异常检测方法第一实施例的流程示意图。

本实施例中，所述产品异常检测方法包括以下步骤：

步骤S10：将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别。

需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的电子设备、产品异常检测设备等。以下以产品异常检测设备(简称检测设备)为例，对本实施例及下述各实施例进行举例说明。

可以理解的是，待检测产品可以是需要进行异常检测的产品，产品数据可以是通过采集设备采集的用于进行产品异常检测的数据，例如产品数据包括产品图片数据、产品音频数据等；预设分类模型可以是经过训练获得的用于进行产品异常检测的分类模型；预设分类模型包括输入层、特征提取网络、全连接层和输出层；产品类别包括良品和不良品，不良品又可分为多种类别，例如缺角、划痕色差等，不良品的类别是根据具体检测场景确定的，并不限于上述类型。

步骤S20：获取预设分类模型的输入层根据产品数据输出的产品特征矩阵；

步骤S30：根据产品特征矩阵确定未知异常指标，并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。

在具体实施中，将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的产品类别，获取预设分类模型的输入层根据产品数据输出的产品特征矩阵，根据产品特征矩阵确定未知异常指标，根据未知异常指标、预设指标阈值和产品类别确定待检测产品是否存在未知异常，例如预设分类模型输出的产品类别为良品，未知异常指标大于预设指标阈值，此时判定待检测产品存在未知异常。

进一步地，为了提高产品异常检测的准确度，未知异常指标包括第一空间向量距离，步骤S30，包括：将产品特征矩阵经预设分类模型的特征提取网络处理后输出至预设分类模型的全连接层；获取全连接层输出的产品特征向量，并根据产品特征向量和第一预设良品聚类中心确定第一空间向量距离；根据第一空间向量距离和产品类别确定待检测产品是否存在未知异常。

可以理解的是，产品特征向量可以是全连接层基于特征提取网络提取的特征向量输出的向量；第一预设良品聚类中心可以是良品在全连接层的聚类中心；第一空间向量距离可以是产品特征向量与第一预设良品聚类中心之间的距离。

可以理解的是，未知异常可以是分类模型无法准确检测的产品异常，例如产品本身存在异常，但是分类模型输出的类别为良品，此时产品存在的异常可称为未知异常。

在具体实施中，例如待检测产品的产品数据为图像数据，通过采集相机采集待检测产品的图像数据，将该图像数据输入预设分类模型，图像数据经特征提取网络、全连接层和输出层后输出产品类别，获取全连接层输出的产品特征向量，计算产品特征向量与第一预设良品聚类中心之间的第一空间向量距离，若产品类别为良品，则继续判断第一空间向量距离是否大于预设距离阈值，若否，则判定待检测产品的产品类别为良品，若是，则判定待检测产品存在未知异常，并发出待检测产品存在未知异常预警信息。

进一步地，为了提高产品异常检测的准确率，将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别之前，还包括：通过训练数据对初始神经网络进行预训练，获得预训练分类模型；根据预训练分类模型确定各产品类别对应的第一产品类别聚类中心；根据预训练分类模型中全连接层输出的特征向量、各产品类别对应的第一产品类别聚类中心和预设空间向量距离更新预训练分类模型的损失函数；通过训练数据对更新损失函数后的预训练分类模型进行训练；在更新损失函数后的预训练分类模型符合预设条件时，获得预设分类模型。

在本实施例中，通过训练数据对初始神经网络进行预训练，并在初始神经网络的第一损失函数小于预设损失阈值时，获得预训练分类模型；根据预训练分类模型确定训练数据中各产品类别对应的第一初始特征向量集，并根据各产品类别对应的第一初始特征向量集确定各产品类别对应的第一产品类别聚类中心；根据预训练分类模型中全连接层输出的特征向量、各产品类别对应的第一产品类别聚类中心和预设空间向量距离确定第二损失函数；根据第二损失函数更新预训练分类模型的第一损失函数，并通过训练数据对更新损失函数后的预训练分类模型进行训练；在更新损失函数后的预训练分类模型符合预设条件时，获得预设分类模型。

可以理解的是，训练数据可以是对初始神经网络进行训练的产品数据；第一损失函数可以是预先设定的初始神经网络的损失函数，该损失函数可以采用常见的分类损失函数，在第一损失函数的损失值小于预设损失阈值时，判定完成对初始神经网络的预训练，获得预训练分类模型；第一初始特征向量集可以是预训练分类模型中全连接层输出的各产品类别的训练数据对应的初始特征向量的集合，假设有h类产品，相应的有h个第一初始特征向量集，第一初始特征向量集中初始特征向量的数量与同一产品类别的训练数据的数量相等，例如产品类别P的训练数据有Q个，则P对应的第一初始特征向量集中初始特征向量的数量为Q个。

应该理解的是，根据所述预训练分类模型确定所述训练数据中各产品类别对应的第一初始特征向量集可以是将各产品类别的训练数据输入预训练分类模型，获取预训练分类模型中全连接层输出的特征向量，同产品类别的训练数据对应的特征向量组成该产品类别对应的第一初始特征向量集；根据所述各产品类别对应的第一初始特征向量集确定各产品类别对应的第一产品类别聚类中心可以是根据各产品类别对应的第一初始特征向量集中包含的各初始特征向量确定产品类别对应的第一产品类别聚类中心；第一产品聚类中心的数量与产品类别的数量对应，例如有h个产品类别，则对应有h个第一产品聚类中心。

在本实施例中，将基于空间向量空间的异常检测方法加入预训练分类模型的全连接层，并根据全连接层输出的特征向量、第一产品类别聚类中心和预设空间向量距离确定第二损失函数，假设0表示的产品类别为良品，则第二损失函数可用公式1表示：

式中，k为常数，可根据具体应用场景设定，例如可将k设置为0.5、0.2或其他大于0小于1的数值；δ()表示当括号内条件满足时，取值为1，反之取值为0；x_i表示全连接层输出的特征向量，c_j表示x_i对应产品类别的第一产品聚类中心，a_j表示输出层输出的产品类别；n表示特征向量的数量；c₀表示第一预设良品聚类中心；m表示预设空间向量距离，可根据具体场景设定。

可以理解的是，根据所述第二损失函数更新所述预训练分类模型的第一损失函数可以是在预训练分类模型的第一损失函数的基础上，加上第二损失函数，并将相加后的损失函数作为预训练分类模型的损失函数。

进一步地，为了确定各产品类别对应的第一产品类别聚类中心，所述根据所述各产品类别对应的第一初始特征向量集确定各产品类别对应的第一产品类别聚类中心，包括：对所述各产品类别对应的第一初始特征向量集求初始特征向量平均值，获得各产品类别对应的第一产品类别聚类中心。

在具体实施中，例如：定义i为当前训练数据在数据集Dataset0中的序号，j表示当前训练数据所属的产品类别，c_j为将第j类别所有的训练数据输入初始神经网络后，初始神经网络的全连接层输出的特征向量x_i的均值，该均值即为第j个产品类别在全连接层的第一产品类别聚类中心c_j，第一产品聚类中心中的良品聚类中心可记为c₀，通过训练数据对初始神经网络进行训练，在初始神经网络的第一损失函数的损失值小于预设损失阈值时，结束预训练，获得预训练分类模型，在对初始神经网络进行预训练的过程中仅维护计算各产品类别的聚类中心c_j，不进行额外操作；在获得预训练分类模型后，根据预训练分类模型中全连接层输出的特征向量x_i、第一产品类别聚类中心c_j、第一产品聚类中心的良品聚类中心c₀和预设空间向量距离m确定第二损失函数，第二损失函数可用公式1表示，δ(a_j≠0)表示当输出层输出的产品类别不属于0类时，取值为1，反之取值为0；第二损失函数Loss_center1的前半项

表示，让特征向量x_i距离其对应的j类别的聚类中心的距离缩小；第二损失函数Loss_center1的后半项δ(a_j≠0)max(0,m-||x_i-c₀||²)表示，当训练数据对应的产品类别不属于0类时，让x_i的距离0类的聚类中心c₀放大；m是一个阈值参数，当不属于0类的特征向量x_i距离0类聚类中心的距离大于m的时候，损失为0，将第二损失函数加入到预训练分类模型的第一损失函数当中，进行优化，此时，预训练分类模型的损失函数最终可表示为：Loss＝Loss_lable+Loss_center1，Loss_lable表示第一损失函数，Loss_lable可以采用常见的分类损失函数，继续通过训练数据对更新损失函数后的预训练模型进行训练，并在预训练模型符合预设训练终止条件时，获得预设分类模型，将待检测产品的产品数据输入预设分类模型，获取预设分类模型的全连接层输出的产品特征向量和输出层输出的产品类别，假设输出层输出的产品类别为0类，但是产品特征向量与0类的聚类中心c₀的距离大于预设距离阈值，此时判定待测产品存在未知异常，其中预设训练终止条件可以是模型的准确率大于预设准确率、模型的训练次数大于预设次数和损失函数的损失值小于预设值等；预设距离阈值可以表示为α*m，其中α可以设置为0.5至1之间的数值。

本实施例将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别；获取预设分类模型的输入层根据产品数据输出的产品特征矩阵；根据产品特征矩阵确定未知异常指标，并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。本实施例根据预设分类模型中输入层输出的产品特征矩阵确定待检测产品的未知异常指标，根据未知异常指标和产品类别确定待检测产品是否存在未知异常，解决了现有技术中使用分类模型进行产品异常检测的过程中，分类模型无法准确检测训练数据集中不存在的不良品类型的技术问题，提高了产品异常检测的准确率。

参考图3，图3为本发明产品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，在本实施例中，未知异常指标包括预设编码器的损失值，步骤S30，还包括：

步骤S301：将产品特征矩阵输入至预设分类模型的特征提取网络，获取特征提取网络输出的提取特征向量。

可以理解的是，特征提取向量可以是特征提取网络对输入的数据进行特征提取后输出的向量。

步骤S302：将提取特征向量输入至预设编码器的特征向量层，并获取预设编码器的输出层输出的解码特征向量。

在本实施例中，参照图4，图4为模型结构示意图，图4中虚线框内的结构可以去除，预设编码器可包括特征向量层、解码层和输出层，可将预设分类模型中特征提取网络输出的特征向量作为预设编码器中特征向量层的输入，并获取预设编码器的输出层输出的解码特征向量，即可将预设编码器的输入层、高斯变换层和编码器去除，用预设分类模型中特征提取网络输出的提取特征向量作为编码器的输出，输入至特征向量层。

步骤S303：根据提取特征向量、解码特征向量和损失系数确定预设编码器的损失值。

可以理解的是，预设分类模型的输出层输出的产品类别的类别概率会输入至预设编码器的特征向量层。

步骤S304：根据产品类别和损失值确定待检测产品是否存在未知异常。

应该理解的是，根据产品类别和损失值确定待检测产品是否存在未知异常可以是在产品类别为良品时，判断损失值是否大于预设损失阈值，若是，则判定待检测产品存在未知异常。

在另一种实现方式中，继续参照图4，预设编码器还可包括输入层、高斯变换层、特征提取层、解码层和输出层，可将产品数据同时输入预设分类模型的输入层和预设编码器的输入层，预设分类模型和预设编码器可共用一个输入层，预设分类模型包括特征提取网络、全连接层和输出层，将待检测产品的产品数据输从输入层输入，预设分类模型的输出层输出产品类别的类别概率，并将类别概率传输至预设编码器的特征向量层，预设编码器的高斯变换层对产品数据进行高斯变换后得到输入至编码器的特征向量，并获取输出层输出的解码特征向量，根据类别概率、输入至编码层的特征向量和解码特征向量通过预设编码器的损失函数计算损失值，在预设编码器输出的产品类别为良品时，判断损失值是否大于预设损失阈值，若是，则判定待检测产品存在未知异常。

在具体实施中，继续参照图4，例如：将产品数据从输入层中输入，经过预设分类模型的特征提取网络、全连接层和输出层1，输出层1输出的产品类别的类别概率记为pred_i，softmax_pred_i为pred_i的归一化版；经过预设编码器的高斯变换层、编码层、特征向量层、解码层和输出层2，输出层2输出的解码特征向量记为

经过高斯变换后输入至编码层的特征向量记为

则预设编码器的损失值可通过公式2计算：

式中，W为预设损失系数，可将预设损失系数W设置为恒定值；在通过训练数据对初始编码器进行训练的过程中，为了防止编码器过拟合，可通过分类模型的损失帮助优化编码器以提高编码器的性能，在此过程中W可通过公式3确定：

式中

式中N表示训练样本的总量，lable_i表示第i个样本的样本标签，

的含义是当前模型的准确率，W相当于是用分类模型对样本的预测与样本实际标签混合，防止编码器过拟合。

进一步地，为了提高产品异常检测的准确度，步骤S303，之后，还包括：根据提取特征向量和第二预设良品聚类中心确定第二空间向量距离；根据产品类别、损失值和第二空间向量距离确定待检测产品是否存在未知异常。

可以理解的是，第二空间向量距离可以是提取特征向量与第二预设良品聚类中心之间的距离。

进一步地，为了提高产品异常检测的准确度，根据产品类别、损失值和第二空间向量距离确定待检测产品是否存在未知异常，包括：在产品类别为良品时，判断损失值是否大于预设损失阈值和/或第二空间向量距离是否大于预设距离阈值；若是，则判定待检测产品存在未知异常。

本实施例将产品特征矩阵输入至预设分类模型的特征提取网络，获取特征提取网络输出的提取特征向量；将提取特征向量输入至预设编码器的特征向量层，并获取预设编码器的输出层输出的解码特征向量；根据提取特征向量、解码特征向量和损失系数确定预设编码器的损失值；根据产品类别和损失值确定待检测产品是否存在未知异常。本实施例根据预设分类模型输出的产品类别和预设编码器的损失值确定待检测产品是否存在未知异常，在预设分类模型的基础上，引入预设编码器，通过预设编码器的损失值衡量编码后的输出与编码前的差异，通过预设分类模型输出的产品类别和该差异综合判断待检测产品是否存在未知异常，提高了产品未知异常检测的准确度。

参考图5，图5为本发明产品异常检测方法第三实施例的流程示意图。

基于上述各实施例，在本实施例中，步骤S301之前，还包括：

步骤S01：将训练数据输入至初始编码器和初始神经网络，并获取初始编码器中特征向量层输出的第二初始特征向量集。

可以理解的是，第二初始特征向量集可以是各产品类别对应的初始特征向量集，假设有h类产品，相应的有h个第二初始特征向量集。

步骤S02：将训练数据输入至初始编码器和初始神经网络，并获取初始编码器中特征向量层输出的第二初始特征向量集。

在本实施例中，对各产品类别对应的第二初始特征向量中的各初始特征向量求平均值，得到各产品类别对应的第二产品类别聚类中心，第二产品类别聚类中心的数量与产品类别的数量对应。

步骤S03：根据特征向量层输出的特征向量、各产品类别对应的第二产品类别聚类中心、预设空间向量距离和初始神经网络输出的产品类别概率更新初始编码器的损失函数。

在本实施例中，根据特征向量层输出的特征向量、各产品类别对应的第二产品类别聚类中心、预设空间向量距离和初始神经网络输出的产品类别概率确定第三损失函数，根据第三损失函数更新初始编码器的损失函数；

步骤S04：通过所述训练数据对所述初始神经网络和更新损失函数后的初始编码器进行训练；

步骤S05：在满足预设条件时，获得预设编码器和预设分类模型。

在具体实施中，例如：定义i为当前训练数据在总数据集中的序号，j表示当前训练数据所属的产品类别，c_j为第j个产品类别所有训练数据在编码器的特征向量层输出的特征向量x_i的均值，c_j的含义为第j个产品类别在特征向量层的第二产品类别聚类中心，将特征向量层输出的特征向量x_i提取出来，根据该特征向量、各产品类别对应的第二产品类别聚类中心、预设空间向量距离和预设分类模型输出的类别概率确定第三损失函数，第三损失函数如公式4所示：

式中，δ()表示当产品类别为0类时，取值为1，反之取值为0；公式4的前半项：

表示，在模型训练的过程中让x_i距离其对应的第j个产品类别的聚类中心c_j的距离，按照初始神经网络输出的产品类别概率pred_i与训练数据中训练样本的样本标签lable_i的指导下缩小；j用于表示括号内向量的第j项，T为常数，可以根据具体场景设定，例如可将T设置为大于1的常数；β可以根据实际场景设置为[0,1]之间的数值，也可以与α设置为相等的数值；公式4的后半项：δ(b_j≠0)max(0,m-||x_i-c₀||²)表示，在模型训练的过程中当训练样本的产品类别不属于0类时，计算x_i距离0类产品类别的聚类中心c₀的距离与m的差值，该差值与0之间取最大值，从而实现了让x_i距离0类产品类别的聚类中心c₀的距离放大的效果，m为预设空间向量距离，当不属于0类的训练样本距离0类聚类中心c₀的距离大于m的时候，损失为0，b_j表示分类模型输出的产品类别；将上述损失函数加入至初始编码器的损失中，以更新初始编码器的损失函数，初始神经网络的的损失函数可以使用Loss、Loss_lable或Loss_center1，通过训练数据对更新损失函数后的初始编码器和初始神经网络组成的模型进行训练，并在模型满足预设条件时，获得预设编码器和预设分类模型，其中预设条件包括模型准确率大于预设准确率、模型的损失函数小于预设损失值和训练次数达到预设训练次数，在通过训练完成的模型进行产品异常检测时，将待检测产品的产品数据输入模型的输入层，预设编码器和预设分类模型共用一个输入层，获取预设分类模型输出的产品类别和预设编码器的特征向量层输出的产品特征向量，根据产品特征向量和第二预设良品聚类中心确定第二空间向量距离，在产品类别为0类时，判断第二空间向量距离是否大于预设距离阈值α*m，若大于，则判定待检测产品存在未知异常；还可在预设分类模型输出的产品类别为0类时，判断第二空间向量距离是否大于预设距离阈值和/或预设编码器的损失值是否大于预设损失值，若是，则判定待检测产品存在未知异常。

本实施例在模型训练的过程中，将初始神经网络输出的产品类别引入初始编码器的损失函数，用于指导预设编码器的训练，使得训练得到的模型能够更加准确地检出产品存在的未知异常，提高了产品异常检测的准确度。

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产品异常检测程序，所述产品异常检测程序被处理器执行时实现如上文所述的产品异常检测方法的步骤。

参照图6，图6为本发明产品异常检测装置第一实施例的结构框图。

如图6所示，本发明实施例提出的产品异常检测装置包括：

输入模块10，用于将待检测产品的产品数据输入至预设分类模型，并获取预设分类模型输出的待检测产品的产品类别；

获取模块20，用于获取预设分类模型的输入层根据产品数据输出的产品特征矩阵；

确定模块30，用于根据产品特征矩阵确定未知异常指标，并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。

基于本发明上述产品异常检测装置第一实施例，提出本发明产品异常检测装置的第二实施例。

在本实施例中，确定模块30，还用于将产品特征矩阵经预设分类模型的特征提取网络处理后输出至预设分类模型的全连接层；获取全连接层输出的产品特征向量，并根据产品特征向量和第一预设良品聚类中心确定第一空间向量距离；根据第一空间向量距离和产品类别确定待检测产品是否存在未知异常，未知异常指标包括第一空间向量距离。

确定模块30，还用于将产品特征矩阵输入至预设分类模型的特征提取网络，并获取特征提取网络输出的提取特征向量；将提取特征向量输入至预设编码器的特征向量层，并获取预设编码器的输出层输出的解码特征向量；根据提取特征向量、解码特征向量和预设损失系数确定预设编码器的损失值；根据产品类别和损失值确定待检测产品是否存在未知异常，所述未知异常指标包括预设编码器的损失值。

输入模块10，还用于通过训练数据对初始神经网络进行预训练，获得预训练分类模型；根据预训练分类模型确定各产品类别对应的第一产品类别聚类中心；根据预训练分类模型中全连接层输出的特征向量、各产品类别对应的第一产品类别聚类中心和预设空间向量距离更新预训练分类模型的损失函数；通过训练数据对更新损失函数后的预训练分类模型进行训练；在更新损失函数后的预训练分类模型符合预设条件时，获得预设分类模型。

确定模块30，还用于根据提取特征向量和第二预设良品聚类中心确定第二空间向量距离；根据产品类别、损失值和所述第二空间向量距离确定待检测产品是否存在未知异常。

确定模块30，还用于将训练数据输入至初始编码器和初始神经网络，并获取初始编码器中特征向量层输出的第二初始特征向量集；根据第二初始特征向量集确定各产品类别对应的第二产品类别聚类中心；根据特征向量层输出的特征向量、各产品类别对应的第二产品类别聚类中心、预设空间向量距离和初始神经网络输出的产品类别概率更新初始编码器的损失函数；通过训练数据对初始神经网络和更新损失函数后的初始编码器进行训练；在满足预设条件时，获得预设编码器和预设分类模型。

确定模块30，还用于在产品类别为良品时，判断损失值是否大于预设损失阈值和/或第二空间向量距离是否大于预设距离阈值；若是，则判定待检测产品存在未知异常。

本发明产品异常检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

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/随机存取存储器、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，空调器，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

1.一种产品异常检测方法，其特征在于，所述方法包括：

将待检测产品的产品数据输入至预设分类模型，并获取所述预设分类模型输出的所述待检测产品的产品类别；

获取所述预设分类模型的输入层根据所述产品数据输出的产品特征矩阵；

根据所述产品特征矩阵确定未知异常指标，并根据所述未知异常指标和所述产品类别确定所述待检测产品是否存在未知异常。

2.如权利要求1所述的方法，其特征在于，所述未知异常指标包括第一空间向量距离；

所述根据所述产品特征矩阵确定未知异常指标，并根据所述未知异常指标和所述产品类别确定所述待检测产品是否存在未知异常，包括：

将所述产品特征矩阵经所述预设分类模型的特征提取网络处理后输出至所述预设分类模型的全连接层；

获取所述全连接层输出的产品特征向量，并根据所述产品特征向量和第一预设良品聚类中心确定第一空间向量距离；

根据所述第一空间向量距离和所述产品类别确定所述待检测产品是否存在未知异常。

3.如权利要求1所述的方法，其特征在于，所述未知异常指标包括预设编码器的损失值；

根据所述产品特征矩阵确定未知异常指标，并根据所述未知异常指标和所述产品类别确定所述待检测产品是否存在未知异常，包括：

将所述产品特征矩阵输入至所述预设分类模型的特征提取网络，并获取所述特征提取网络输出的提取特征向量；

将所述提取特征向量输入至预设编码器的特征向量层，并获取所述预设编码器的输出层输出的解码特征向量；

根据所述提取特征向量、所述解码特征向量和预设损失系数确定所述预设编码器的损失值；

根据所述产品类别和所述损失值确定所述待检测产品是否存在未知异常。

4.如权利要求1-3任一项所述的方法，其特征在于，所述将待检测产品的产品数据输入至预设分类模型，并获取所述预设分类模型输出的所述待检测产品的产品类别之前，还包括：

根据所述预训练分类模型确定各产品类别对应的第一产品类别聚类中心；

根据所述预训练分类模型中全连接层输出的特征向量、所述各产品类别对应的第一产品类别聚类中心和预设空间向量距离更新所述预训练分类模型的损失函数；

通过所述训练数据对更新损失函数后的预训练分类模型进行训练；

在所述更新损失函数后的预训练分类模型符合预设条件时，获得预设分类模型。

5.如权利要求3所述的方法，其特征在于，所述根据所述提取特征向量、所述解码特征向量和预设损失系数确定所述预设编码器的损失值之后，还包括：

根据所述提取特征向量和第二预设良品聚类中心确定第二空间向量距离；

根据所述产品类别、所述损失值和所述第二空间向量距离确定待检测产品是否存在未知异常。

6.如权利要求3所述的方法，其特征在于，所述将所述产品特征矩阵输入至所述预设分类模型的特征提取网络，并获取所述特征提取网络输出的提取特征向量之前，还包括：

将训练数据输入至初始编码器和初始神经网络，并获取所述初始编码器中特征向量层输出的第二初始特征向量集；

根据所述特征向量层输出的特征向量、所述各产品类别对应的第二产品类别聚类中心、预设空间向量距离和所述初始神经网络输出的产品类别概率更新所述初始编码器的损失函数；

通过所述训练数据对所述初始神经网络和更新损失函数后的初始编码器进行训练；

在满足预设条件时，获得预设编码器和预设分类模型。

7.如权利要求5所述的方法，其特征在于，所述根据所述产品类别、所述损失值和所述第二空间向量距离确定待检测产品是否存在未知异常，包括：

在所述产品类别为良品时，判断所述损失值是否大于预设损失阈值和/或所述第二空间向量距离是否大于预设距离阈值；

若是，则判定所述待检测产品存在未知异常。

8.一种产品异常检测装置，其特征在于，所述装置包括：

输入模块，用于将待检测产品的产品数据输入至预设分类模型，并获取所述预设分类模型输出的所述待检测产品的产品类别；

获取模块，用于获取所述预设分类模型的输入层根据所述产品数据输出的产品特征矩阵；

确定模块，用于根据所述产品特征矩阵确定未知异常指标，并根据所述未知异常指标和所述产品类别确定所述待检测产品是否存在未知异常。

9.一种产品异常检测设备，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产品异常检测程序，所述产品异常检测程序配置为实现如权利要求1至7中任一项所述的产品异常检测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有产品异常检测程序，所述产品异常检测程序被处理器执行时实现如权利要求1至7任一项所述的产品异常检测方法的步骤。