CN116385807A - 一种异常图像样本生成方法及装置 - Google Patents
一种异常图像样本生成方法及装置 Download PDFInfo
- Publication number
- CN116385807A CN116385807A CN202310621436.1A CN202310621436A CN116385807A CN 116385807 A CN116385807 A CN 116385807A CN 202310621436 A CN202310621436 A CN 202310621436A CN 116385807 A CN116385807 A CN 116385807A
- Authority
- CN
- China
- Prior art keywords
- color
- image
- size
- pixels
- standardized
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 239000003086 colorant Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 244000300477 Gardenia carinata Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种异常图像样本生成方法及装置,步骤1:获取标准化图像;步骤2:进行像素点采样;步骤3:进行分类确定标准化图像的颜色分布情况;步骤4:生成区域的位置以及生成异常的大小;步骤5:随机选取对应所述所需区域大小的区域,确定随机区域,接着确定随机区域的位置,并在此位置根据所述生成异常的大小生成方框;步骤6:为生成的方框随机添加颜色滤镜、增大、旋转、填充、变色中的一种操作;步骤7:在操作后的方框对应位置处随机选择一个方向,重复步骤4和步骤5若干次,扩展生成多个方框,将包括所有方框的标准化图像作为最终的模拟异常图像。优点:保证了模拟出的异常能够拟合实际中的异常情况,更好的完成异常检测任务。
Description
技术领域
本发明涉及一种异常图像样本生成方法及装置,属于图像处理技术领域。
背景技术
图像异常检测是计算机视觉领域的一个热门研究课题, 在工业外观缺陷检测、医学图像分析、高光谱图像处理等领域有较高的研究意义和应用价值。其中,工业图像包含了较多的待检测物品种类,在异常检测任务中极具代表性,对其进行异常检测的准确度是衡量一个算法好坏的关键因素。然而,在许多应用场景下,很难收集到足够数量的样本,例如,在表面缺陷检测任务当中,实际收集到的图像大部分属于正常的无缺陷样本,仅有少部分属于缺陷样本,而需要检测的缺陷类型又十分多样,往往难以全部捕捉,这就使得可供训练的缺陷样本的数量十分有限。在此基础上,研究人员提出了许多数据增强方法,用于模拟现实工业产品的异常,并将这些生成的异常图像作为真实异常样本的补充用于异常检测模型的训练。
目前,用于模拟异常的主要数据增强方法有CutOut,CutMix,CutPaste等。CutOut是在正常样本中随机选择一个方形区域,采用全0填充,将区域内信息删除。然而由于直接将区域内信息删除会丢失一部分图像信息,导致异常检测模型性能下降。因此,在CutOut基础上研究人员提出了CutMix与CutPaste。CutMix在正常样本上选择一个方形区域后,在其余正常样本的随机位置选取相同大小的区域进行填充,Cut Paste则是在同一样本下,随机选取相同大小的区域进行填充。在实验中,证明了这些方法的有效性,表明使用数据增强方式生成模拟异常图像,对异常检测任务的模型训练是有帮助的
然而,目前这些方法存在一些缺陷:
在正常样本中选取的区域位置具有随机性,当图像内待检测物体较小,可能会选到物体以外的无效区域。
不同待检测物体大小及形状不同,而选取的方形区域大小并无变化,难以准确的模拟细小或不规则的异常。
由于实际问题中异常的不确定性,仅使用已有正常样本内区域进行填充,不会出现样本内未出现的颜色,缺乏颜色的多样性。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种异常图像样本生成方法。
为解决上述技术问题,本发明提供一种异常图像样本生成方法,包括:
步骤1:读取输入图像,将所述输入图像的大小变换为预先设置的标准化尺寸大小,得到标准化图像;
步骤2:将所述标准化图像输入到RGB颜色判别器,进行像素点采样;
步骤3:将采样的结果进行分类,得到所述标准化图像的颜色分布情况;
步骤4:根据所述颜色分布情况确定背景色及所需异常生成区域的位置以及生成异常的大小;
步骤5:在所述标准化图像内随机选取对应所述所需区域大小的区域,得到随机区域,将所述随机区域输入RGB颜色判别器,根据RGB颜色判别器的输出结果确定所述随机区域的位置,并在此位置根据所述生成异常的大小生成方框;
步骤6:为生成的方框随机添加颜色滤镜、增大、旋转、填充、变色中的一种操作;
步骤7:在所述操作后的方框对应位置处随机选择一个方向,重复步骤4和步骤5若干次,扩展生成多个方框,将包括所有方框的标准化图像作为最终的模拟异常图像。
进一步的,所述标准化尺寸大小为256×256像素大小。
进一步的,所述步骤2,包括:
将标准化图像输入RGB颜色判别器,从图像坐标为(0,0)的起始像素点开始,每隔16个像素点读取当前采样像素点RGB值,每个采样像素点的RGB值包括三个数值,分别记为R,G,B,采样后进行保存;所采样像素点在标准化图像上坐标为:(x,y) i ,x和y分别表示横坐标和纵坐标,i表示像素点序号,i∈[0,255];
共计采样256个像素点的RGB值,记为N i ,N i 包括R、G、B三个数;
选取图像边缘像素点(x´,y´) i´,图像边缘像素点(x´,y´) i´
表示为:
其中,i´∈[0,63],将64个图像边缘像素点的RGB值记为n i´,n i´包括r,g,b三个数,||表示逻辑或。
进一步的,所述步骤3,包括:
步骤3.1,将N 1中的R、G、B与N 2中的R、G、B按下列公式进行计算N 1与N 2的欧式距离k:
如果k<1,则代表N 1与N 2为同一种颜色,将N 2中的R、G、B值和对应颜色的像素点数量C 2清空,将N 1代表的对应颜色的像素点数量C 1初始化为1;
如果k≥1,则代表N 1与N 2为非同一种颜色,同时保留N 1与N 2对应颜色的像素点数量C 1与C 2,C 1与C 2分别初始化为1;
步骤3.2,依次读取N 3,N 4,……,N 255中的R、G、B值,记第i1个读取的像素点为N i1,i1∈[3,255];
对每一个N i1,依次与N 1,N 2,……,N i1-1按如下公式计算k值:
其中,N j 是当前N i1下,与N i1作比较的第j个像素点,j∈[1,i-1];
对于当前N i1:
如果与任意一个N j 所计算出的k<1,则代表N i1与N j 为同一种颜色,清空N i1中的R、G、B值和对应颜色的像素点数量C i1,N j 代表的颜色的像素点数量C j 加1,并开始计算下一个N i1;
如果与所有的N j 所计算出的k≥1,则代表N i1是一种先前未出现过的颜色,保留N i1,N i1代表的颜色的像素点数量C i1初始化为1;
步骤3.3,当步骤3.2中所有的N i1都计算完毕后,剔除所有被清空的项,整理得到新的N z 以及对应颜色的像素点数量C z ,其中z代表图片中包含的颜色数,N z 中包含第z种颜色的R、G、B值;
步骤3.4,按步骤3.1至步骤3.3的过程处理边缘像素点n i ,得到新的n z 以及对应颜色的像素点数量c z ;
每种颜色在图片中的区域大小S z 为:
S z =256×(C z /256)
S z =L×W×(C z /PointN)
其中,L与W分别对应当前图片的长和宽,PointN代表总像素点数量。
进一步的,所述步骤4,包括:
计算第z种颜色的得分Score z ,得分Score z 的公式为:
其中,π为圆周率;
得分最高的为背景色,记背景色颜色所占图片区域大小为S zmax ;
设其所占全图颜色比例为p=(1-S zmax )/256×100%,则对应图像中异常方框边长c为:
其中,rand为随机函数。
一种异常图像样本生成装置,包括:
读取模块,用于读取输入图像,将所述输入图像的大小变换为预先设置的标准化尺寸大小,得到标准化图像;
采用模块,用于将所述标准化图像输入到RGB颜色判别器,进行像素点采样;
分类模块,用于将采样的结果进行分类,得到所述标准化图像的颜色分布情况;
生成模块,用于根据所述颜色分布情况确定背景色及所需异常生成区域的位置以及生成异常的大小;
确定模块,用于在所述标准化图像内随机选取对应所述所需区域大小的区域,得到随机区域,将所述随机区域输入RGB颜色判别器,根据RGB颜色判别器的输出结果确定所述随机区域的位置,并在此位置根据所述生成异常的大小生成方框;
随机添加模块,用于为生成的方框随机添加颜色滤镜、增大、旋转、填充、变色中的一种操作;
扩展模块,用于在所述操作后的方框对应位置处随机选择一个方向,依次重复生成模块和确定模块若干次,扩展生成多个方框,将包括所有方框的标准化图像作为最终的模拟异常图像。
本发明所达到的有益效果:
本发明主要解决了目前生成模拟异常图像方法中模拟的异常不够准确问题。通过图像中像素点的RGB值,得出图像的颜色分布情况,从而判断出物体大小,实现根据待检测物体的大小调整区域大小这一目标。然后不断向已有方框的上下左右方向扩展新的区域,最终由这些小的区域组成了大块掩码作为异常的模拟,达到了生成不同形状掩码的目的。在扩展每一块区域过程中,随机使用颜色滤镜、增大、旋转、填充、变色等操作,可以使生成的模拟异常具有各种各样的形态,极大保证了模拟出的异常能够拟合实际中的异常情况,更好的完成异常检测任务。
附图说明
图1是异常图像生成流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明公开了一种异常图像样本生成方法,包括:
步骤1:读入图像,将输入图像大小变换为256×256像素大小,得到标准化的图片;
步骤2:RGB值采样,包括:
2.1将标准化图片输入RGB颜色判别器,从图像坐标为(0,0)的起始像素点开始,每隔16个像素点读取当前像素点RGB值,每个像素点的RGB值包括三个数值,分别记为R,G,B,采样后进行保存。所采样像素点在标准化图片上坐标应为:(x,y) i ;
其中,x={0,15,31,47,63,79,95,111,127,144,160,175,191,207,223,239,255},
y={0,15,31,47,63,79,95,111,127,144,160,175,191,207,223,239,255},i∈[0,255];
共计采样256个像素点的RGB值,记为N i ,N i 包括R、G、B三个数。
2.2选取图像边缘即符合下列坐标的像素点:
其中,i´∈[0,63],将64个图像边缘像素点的RGB值记为n i´,n i´包括r,g,b三个数,||表示逻辑或。
步骤3:根据N i 中256个像素点的RGB值进行分类,将RGB值相似的像素点作为一类,根据该类所含像素点个数占总像素点个数比例得出该图片中包含的颜色数量以及各颜色所占区域大小情况;
3.1将N 1中的R、G、B与N 2中的R、G、B按下列公式进行计算N 1与N 2的欧式距离k:
如果k<1,则代表N 1与N 2为同一种颜色,将N 2中的R、G、B值和对应颜色的像素点数量C 2清空,将N 1代表的对应颜色的像素点数量C 1初始化为1;
如果k≥1,则代表N 1与N 2为非同一种颜色,同时保留N 1与N 2对应颜色的像素点数量C 1与C 2,C 1与C 2分别初始化为1;
3.2 依次读取N 3,N 4,……,N 255中的R、G、B值,记第i1个读取的像素点为N i1,i1∈[3,255];
对每一个N i1,依次与N 1,N 2,……,N i1-1按如下公式计算k值:
其中,N j 是当前N i1下,与N i1作比较的第j个像素点,j∈[1,i-1];
对于当前N i1:
如果与任意一个N j 所计算出的k<1,则代表N i1与N j 为同一种颜色,清空N i1中的R、G、B值和对应颜色的像素点数量C i1,N j 代表的颜色的像素点数量C j 加1,并开始计算下一个N i1;
如果与所有的N j 所计算出的k≥1,则代表N i1是一种先前未出现过的颜色,保留N i1,N i1代表的颜色的像素点数量C i1初始化为1;
步骤3.3,当步骤3.2中所有的N i1都计算完毕后,剔除所有被清空的项,整理得到新的N z 以及对应颜色的像素点数量C z ,其中z代表图片中包含的颜色数,N z 中包含第z种颜色的R、G、B值;
步骤3.4,按步骤3.1至步骤3.3的过程处理边缘像素点n i ,得到新的n z 以及对应颜色的像素点数量c z ;
每种颜色在图片中的区域大小S z 为:
S z =256×(C z /256)
S z =L×W×(C z /PointN)
其中,L与W分别对应当前图片的长和宽,PointN代表总像素点数量。
步骤4:确定背景色及生成区域大小
4.1根据颜色分布情况判断该色为背景色,得分Score公式为:
其中,z代表第z种颜色,S z 与n z 与分别代表第z种颜色的区域大小和第z种颜色边缘像素点的数量。得分最高的即为背景色,记背景色颜色所占图片区域大小为S zmax 。
4.2设其所占全图颜色比例为p=(1-S zmax )/256×100%,则对应图像中异常方框边长c为:
其中,rand为随机函数。
步骤5:在图像内随机位置选取步骤4所述大小的区域,将区域内图像送入RGB颜色判别器,如果判别器结果显示方框内图像颜色为单色,即颜色种类数i为1,则重复此步骤,直到选取的方形区域内图像颜色为两种以上。
步骤6:为选取的区域随机添加下列操作中之一:
添加颜色滤镜:取出区域内图像的RGB值,记为r,g,b,随机将三个值之一扩大十倍,就可以得到一个对应颜色的滤镜;
增大:将方形区域边长c扩大十倍;
旋转:随机将方形区域内图像旋转90°、180°或者270°;
填充:随机选择图像内其它对应大小位置复制到所选区域内;
变色:将r,g,b中其中一个变为随机数,得到一个被填充为随机色的区域;
步骤7:将方框所选的上下左右四个方向编码为0,1,2,3,随机从0-3中抽取一个数字作为下一个区域所生成的方向,之后重复步骤4和步骤5五次,最终将所有区域连接,得到最终的模拟异常图片。
相应的本发明还提供一种异常图像样本生成装置,包括:
读取模块,用于读取输入图像,将所述输入图像的大小变换为预先设置的标准化尺寸大小,得到标准化图像;
采用模块,用于将所述标准化图像输入到RGB颜色判别器,进行像素点采样;
分类模块,用于将采样的结果进行分类,得到所述标准化图像的颜色分布情况;
生成模块,用于根据所述颜色分布情况确定背景色及所需异常生成区域的位置以及生成异常的大小;
确定模块,用于在所述标准化图像内随机选取对应所述所需区域大小的区域,得到随机区域,将所述随机区域输入RGB颜色判别器,根据RGB颜色判别器的输出结果确定所述随机区域的位置,并在此位置根据所述生成异常的大小生成方框;
随机添加模块,用于为生成的方框随机添加颜色滤镜、增大、旋转、填充、变色中的一种操作;
扩展模块,用于在所述操作后的方框对应位置处随机选择一个方向,依次重复生成模块和确定模块若干次,扩展生成多个方框,将包括所有方框的标准化图像作为最终的模拟异常图像。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种异常图像样本生成方法,其特征在于,包括:
步骤1:读取输入图像,将所述输入图像的大小变换为预先设置的标准化尺寸大小,得到标准化图像;
步骤2:将所述标准化图像输入到RGB颜色判别器,进行像素点采样;
步骤3:将采样的结果进行分类,得到所述标准化图像的颜色分布情况;
步骤4:根据所述颜色分布情况确定背景色及所需异常生成区域的位置以及生成异常的大小;
步骤5:在所述标准化图像内随机选取对应所述所需区域大小的区域,得到随机区域,将所述随机区域输入RGB颜色判别器,根据RGB颜色判别器的输出结果确定所述随机区域的位置,并在此位置根据所述生成异常的大小生成方框;
步骤6:为生成的方框随机添加颜色滤镜、增大、旋转、填充、变色中的一种操作;
步骤7:在所述操作后的方框对应位置处随机选择一个方向,重复步骤4和步骤5若干次,扩展生成多个方框,将包括所有方框的标准化图像作为最终的模拟异常图像。
2.根据权利要求1所述的异常图像样本生成方法,其特征在于,所述标准化尺寸大小为256×256像素大小。
3.根据权利要求2所述的异常图像样本生成方法,其特征在于,所述步骤2,包括:
将标准化图像输入RGB颜色判别器,从图像坐标为(0,0)的起始像素点开始,每隔16个像素点读取当前采样像素点RGB值,每个采样像素点的RGB值包括三个数值,分别记为R,G,B,采样后进行保存;所采样像素点在标准化图像上坐标为:(x,y) i ,x和y分别表示横坐标和纵坐标,i表示像素点序号,i∈[0,255];
共计采样256个像素点的RGB值,记为N i ,N i 包括R、G、B三个数;
选取图像边缘像素点(x´,y´) i´,图像边缘像素点(x´,y´) i´
表示为:
其中,i´∈[0,63],将64个图像边缘像素点的RGB值记为n i´,n i´包括r,g,b三个数,||表示逻辑或。
4.根据权利要求3所述的异常图像样本生成方法,其特征在于,所述步骤3,包括:
步骤3.1,将N 1中的R、G、B与N 2中的R、G、B按下列公式进行计算N 1与N 2的欧式距离k:
如果k<1,则代表N 1与N 2为同一种颜色,将N 2中的R、G、B值和对应颜色的像素点数量C 2清空,将N 1代表的对应颜色的像素点数量C 1初始化为1;
如果k≥1,则代表N 1与N 2为非同一种颜色,同时保留N 1与N 2对应颜色的像素点数量C 1与C 2,C 1与C 2分别初始化为1;
步骤3.2,依次读取N 3,N 4,……,N 255中的R、G、B值,记第i1个读取的像素点为N i1,i1∈[3,255];
对每一个N i1,依次与N 1,N 2,……,N i1-1按如下公式计算k值:
其中,N j 是当前N i1下,与N i1作比较的第j个像素点,j∈[1,i-1];
对于当前N i1:
如果与任意一个N j 所计算出的k<1,则代表N i1与N j 为同一种颜色,清空N i1中的R、G、B值和对应颜色的像素点数量C i1,N j 代表的颜色的像素点数量C j 加1,并开始计算下一个N i1;
如果与所有的N j 所计算出的k≥1,则代表N i1是一种先前未出现过的颜色,保留N i1,N i1代表的颜色的像素点数量C i1初始化为1;
步骤3.3,当步骤3.2中所有的N i1都计算完毕后,剔除所有被清空的项,整理得到新的N z 以及对应颜色的像素点数量C z ,其中z代表图片中包含的颜色数,N z 中包含第z种颜色的R、G、B值;
步骤3.4,按步骤3.1至步骤3.3的过程处理边缘像素点n i ,得到新的n z 以及对应颜色的像素点数量c z ;
每种颜色在图片中的区域大小S z 为:
S z =256×(C z /256)
S z =L×W×(C z /PointN)
其中,L与W分别对应当前图片的长和宽,PointN代表总像素点数量。
6.一种异常图像样本生成装置,其特征在于,包括:
读取模块,用于读取输入图像,将所述输入图像的大小变换为预先设置的标准化尺寸大小,得到标准化图像;
采用模块,用于将所述标准化图像输入到RGB颜色判别器,进行像素点采样;
分类模块,用于将采样的结果进行分类,得到所述标准化图像的颜色分布情况;
生成模块,用于根据所述颜色分布情况确定背景色及所需异常生成区域的位置以及生成异常的大小;
确定模块,用于在所述标准化图像内随机选取对应所述所需区域大小的区域,得到随机区域,将所述随机区域输入RGB颜色判别器,根据RGB颜色判别器的输出结果确定所述随机区域的位置,并在此位置根据所述生成异常的大小生成方框;
随机添加模块,用于为生成的方框随机添加颜色滤镜、增大、旋转、填充、变色中的一种操作;
扩展模块,用于在所述操作后的方框对应位置处随机选择一个方向,依次重复生成模块和确定模块若干次,扩展生成多个方框,将包括所有方框的标准化图像作为最终的模拟异常图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310621436.1A CN116385807B (zh) | 2023-05-30 | 2023-05-30 | 一种异常图像样本生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310621436.1A CN116385807B (zh) | 2023-05-30 | 2023-05-30 | 一种异常图像样本生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385807A true CN116385807A (zh) | 2023-07-04 |
CN116385807B CN116385807B (zh) | 2023-09-12 |
Family
ID=86969744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310621436.1A Active CN116385807B (zh) | 2023-05-30 | 2023-05-30 | 一种异常图像样本生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385807B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080310735A1 (en) * | 2007-06-15 | 2008-12-18 | Los Alamos National Security Llc | Anomalous change detection in imagery |
CN107844770A (zh) * | 2017-11-03 | 2018-03-27 | 东北大学 | 一种基于视频的电熔镁炉异常工况自动识别系统 |
CN109376781A (zh) * | 2018-10-24 | 2019-02-22 | 深圳市腾讯网络信息技术有限公司 | 一种图像识别模型的训练方法、图像识别方法和相关装置 |
CN110321905A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 基于语义分割的异常区域检测方法、系统及相关组件 |
CN111401387A (zh) * | 2020-03-10 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 异常样本构建方法、装置、计算机设备和存储介质 |
CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
CN112565763A (zh) * | 2020-11-30 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 异常图像样本生成方法及装置、图像检测方法及装置 |
CN113095446A (zh) * | 2021-06-09 | 2021-07-09 | 中南大学 | 异常行为样本生成方法及系统 |
CN113962274A (zh) * | 2021-11-18 | 2022-01-21 | 腾讯科技(深圳)有限公司 | 一种异常识别方法、装置、电子设备及存储介质 |
CN114820417A (zh) * | 2021-01-29 | 2022-07-29 | 深圳市万普拉斯科技有限公司 | 图像异常检测方法、装置、终端设备和可读存储介质 |
CN115035058A (zh) * | 2022-06-02 | 2022-09-09 | 中国人民解放军国防科技大学 | 一种自编码网络医学图像异常检测方法 |
CN115690730A (zh) * | 2022-09-22 | 2023-02-03 | 浙江大学 | 基于单分类和异常生成的高铁接触网异物检测方法及系统 |
US20230090743A1 (en) * | 2020-03-26 | 2023-03-23 | Another Brain | Anomaly detection based on an autoencoder and clustering |
CN116091987A (zh) * | 2023-01-10 | 2023-05-09 | 北京工业大学 | 一种面向工业场景的多策略图像异常样本生成方法 |
-
2023
- 2023-05-30 CN CN202310621436.1A patent/CN116385807B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080310735A1 (en) * | 2007-06-15 | 2008-12-18 | Los Alamos National Security Llc | Anomalous change detection in imagery |
CN107844770A (zh) * | 2017-11-03 | 2018-03-27 | 东北大学 | 一种基于视频的电熔镁炉异常工况自动识别系统 |
CN109376781A (zh) * | 2018-10-24 | 2019-02-22 | 深圳市腾讯网络信息技术有限公司 | 一种图像识别模型的训练方法、图像识别方法和相关装置 |
CN110321905A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 基于语义分割的异常区域检测方法、系统及相关组件 |
CN111401387A (zh) * | 2020-03-10 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 异常样本构建方法、装置、计算机设备和存储介质 |
US20230090743A1 (en) * | 2020-03-26 | 2023-03-23 | Another Brain | Anomaly detection based on an autoencoder and clustering |
CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
CN112565763A (zh) * | 2020-11-30 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 异常图像样本生成方法及装置、图像检测方法及装置 |
CN114820417A (zh) * | 2021-01-29 | 2022-07-29 | 深圳市万普拉斯科技有限公司 | 图像异常检测方法、装置、终端设备和可读存储介质 |
CN113095446A (zh) * | 2021-06-09 | 2021-07-09 | 中南大学 | 异常行为样本生成方法及系统 |
CN113962274A (zh) * | 2021-11-18 | 2022-01-21 | 腾讯科技(深圳)有限公司 | 一种异常识别方法、装置、电子设备及存储介质 |
CN115035058A (zh) * | 2022-06-02 | 2022-09-09 | 中国人民解放军国防科技大学 | 一种自编码网络医学图像异常检测方法 |
CN115690730A (zh) * | 2022-09-22 | 2023-02-03 | 浙江大学 | 基于单分类和异常生成的高铁接触网异物检测方法及系统 |
CN116091987A (zh) * | 2023-01-10 | 2023-05-09 | 北京工业大学 | 一种面向工业场景的多策略图像异常样本生成方法 |
Non-Patent Citations (5)
Title |
---|
CHUN-LIANG LI 等: "CutPaste: Self-Supervised Learning for Anomaly Detection and Localization", 《ARXIV:2104.04015》, pages 1 - 28 * |
JIELIN JIANG 等: "Masked Swin Transformer Unet for Industrial Anomaly Detection", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, pages 2200 - 2209 * |
JINGTAO LI 等: "Anomaly Segmentation for High-Resolution Remote Sensing Images Based on Pixel Descriptors", 《ARXIV:2301.13422》, pages 1 - 9 * |
孙亚新: "基于生成对抗网络的两阶段图像异常检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 2669 * |
董建: "HRTEM晶体图像异常检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, pages 020 - 868 * |
Also Published As
Publication number | Publication date |
---|---|
CN116385807B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
EP1267309B1 (en) | 3D Computer Modelling Apparatus | |
US20040155877A1 (en) | Image processing apparatus | |
CN111681162B (zh) | 一种缺陷样本生成方法、装置、电子设备及存储介质 | |
CN111462120A (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN116843999B (zh) | 一种基于深度学习的动火作业中气瓶检测方法 | |
WO2022148109A1 (zh) | 产品缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN114119607B (zh) | 基于深度神经网络的酒瓶缺陷样本生成方法及系统 | |
CN112132196A (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
WO2021188104A1 (en) | Object pose estimation and defect detection | |
JPH08508128A (ja) | 分布マップを用いる画像の分類方法及び装置 | |
CN114913148A (zh) | 基于无监督学习的丝印疵点检测方法、装置及存储介质 | |
CN114359269A (zh) | 基于神经网络的虚拟食品盒缺陷生成方法及系统 | |
CN116385807B (zh) | 一种异常图像样本生成方法及装置 | |
CN112200766A (zh) | 基于区域关联神经网络的工业产品表面缺陷检测方法 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
CN114529689B (zh) | 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统 | |
CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及系统 | |
CN116778269A (zh) | 一种基于自编码器重构产品表面缺陷检测模型构建方法 | |
dos Passos et al. | Sample-based synthesis of illustrative patterns | |
CN117523087B (zh) | 基于内容识别的三维模型优化方法 | |
CN115690090B (zh) | 缺陷样本图像生成方法、装置、设备及存储介质 | |
CN117333740B (zh) | 基于稳定扩散模型的缺陷图像样本生成方法和装置 | |
CN117292067B (zh) | 基于扫描实物获得的虚拟3d模型方法及系统 | |
CN117788444A (zh) | Smt贴片偏移检测方法、装置及视觉检测系统 |
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 |