CN116862893A - 一种基于动态特征中心的工业零件异常检测方法及系统 - Google Patents

一种基于动态特征中心的工业零件异常检测方法及系统 Download PDF

Info

Publication number
CN116862893A
CN116862893A CN202310919640.1A CN202310919640A CN116862893A CN 116862893 A CN116862893 A CN 116862893A CN 202310919640 A CN202310919640 A CN 202310919640A CN 116862893 A CN116862893 A CN 116862893A
Authority
CN
China
Prior art keywords
feature
center
feature center
model
state
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
Application number
CN202310919640.1A
Other languages
English (en)
Inventor
郭春生
张亚琼
应娜
杨萌
陈华华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202310919640.1A priority Critical patent/CN116862893A/zh
Publication of CN116862893A publication Critical patent/CN116862893A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • G06T7/277Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于动态特征中心的工业零件异常检测方法及系统,方法包括以下步骤:S1.获取并整理划分工业零件数据集,制作包含大量正常样本和少量异常样本的数据集;S2.对数据集进行预处理;S3.将数据集输入到特征提取网络,进行特征提取;S4.根据初始化得到的特征中心,利用卡尔曼滤波动态移动特征中心;S5.重复上述步骤S1‑S4,最小化损失,更新迭代训练,直到模型达到收敛,迭代结束,保存模型;S6.将待检测的工业零件图片输入到训练好的模型并执行S1‑S3的处理步骤;S7.计算测试图像的特征向量与特征中心的之间距离,输出异常分数;S8.通过比较异常分数与设定的阈值的大小,得到异常检测结果。本发明缓解了模型过拟合的问题,提高了检测效率和准确率。

Description

一种基于动态特征中心的工业零件异常检测方法及系统
技术领域
本发明属于工业零件异常检测技术领域,具体涉及一种基于动态特征中心的工业零件异常检测方法及系统。
背景技术
异常检测技术是一种通过分析历史数据,识别不匹配预期模式或数据集中其他的项目、事件或观测值的技术,其目的是帮助检测系统中不正常的活动,并采取行动,以便尽早发现和预防可能的损失。在现代社会中,数据量不断增加,异常情况也越来越多,如果不及时发现和处理异常情况,可能会导致严重的后果。
工业零件异常检测是指利用技术手段对工业生产中的零件进行检测,以发现其中存在的异常情况。这项技术在工业生产中具有重要的意义,可以帮助企业提高生产效率、降低生产成本,并确保产品质量。工业零件异常检测在实际应用中有很多重要的用途。首先,它可以帮助生产线上的工人快速发现和解决零件生产过程中的问题,提高生产效率和质量。其次,它可以帮助企业降低不良产品的数量,减少生产成本和资源浪费。此外,工业零件异常检测还可以提高产品的可靠性和安全性,确保最终产品符合质量标准和客户需求。通过使用先进的图像处理和机器学习技术,工业零件异常检测可以实现自动化和高效率的检测过程,为企业带来巨大的经济和竞争优势。由此体现了基于深度学习的异常检测算法带来的重要意义,通过训练,使得模型能够理解图像中的内容,继而能识别出不期望的异常事件。
由于其独特的性质,现有的工业零件异常检测方法在实际场景中呈现出与大多数分析和学习问题和任务截然不同的问题复杂性和挑战。观察发现:首先,存在过拟合问题,这是一个普遍存在的挑战,即模型在训练的工业零件的数据集上表现良好,但在未见过的数据上表现较差的现象;其次,异常的多样性,需要收集大量正常和异常的样本。异常往往存在多种情况,例如在工业零件各种各样的表面缺陷问题。以上问题都将会导致网络模型对异常样本的识别变得更加困难。
发明内容
本发明提供了一种基于动态特征中心的工业零件异常检测方法及系统,本发明解决了当前基于超球分类面构建的异常检测方法给定一个固定的特征中心而导致模型存在过拟合的技术问题。
为了实现上述目的,本发明采用以下技术方案:
一种基于动态特征中心的工业零件异常检测方法,其包括如下步骤:
S1.获取并整理划分工业零件数据集,制作包含大量正常样本和少量异常样本的数据集;
S2.对数据集进行预处理;
S3.将数据集输入到特征提取网络,进行特征提取;
S4.根据初始化得到的特征中心,利用卡尔曼滤波动态移动特征中心;
S5.重复上述步骤S1-S4,最小化损失,进行更新迭代训练,直到模型达到收敛,迭代结束,保存模型;
S6.将待检测的工业零件图片输入到步骤S5训练好的模型,并执行步骤S1-S3的处理步骤得到测试图像的特征向量;
S7.计算测试图像的特征向量与步骤S4得到的特征中心之间的距离,输出异常分数;
S8.比较异常分数与设定阈值的大小,若异常分数超过阈值,判定为异常,否则判定为正常,从而得到异常检测结果。
进一步的,所述步骤S1中,获取图像数据集D,并根据比例将其划分为训练数据集Dtrain和测试数据集Dtest
进一步的,所述步骤S2中,对数据集进行预处理,包括裁剪、缩放、归一化操作。
进一步的,所述步骤S3中,构造的特征提取网络中的参数包括网络输入图像尺寸C×H×W,其中C表示图像样本的通道数,W和H分别表示图像样本的宽度和高度,批次大小为B,特征映射函数为φ(·;w),w表示模型参数,批次特征向量Z={Z1,Z2,...ZB}。
进一步的,所述步骤S4具体包括:
通过对特征中心的运动规律进行建模。可以构建模型的状态向量和观测向量。假设在模型训练迭代的过程中,特征中心以恒定速度变化。在恒速模型下,考虑特征中心的变化速度,如下式所示,使用状态向量X描述特征中心的位置和速度,观测向量Z描述特征中心的位置。
X=(p1,p2,...,pn,v1,v2,...,vn)T
Z=(p1,p2,...,pn)T
其中,pi表示特征中心的位置,vi分别表示特征中心位置的变化速度。
在高维空间中,特征中心的每个位置都代表一个特定的属性。在这个空间中,任一维度的位置都是由上一时刻对应维度的位置加上一个恒定的速度。将该速度看作是一个常量,它的大小和方向都是恒定不变的。因此,如下式所示,特征中心中的每个维度都会按照同样的速度进行移动,而这个速度将一直保持不变。
p′=p+v
v′=v
其中,p,v分别表示当前时刻的位置和速度,p′,v′分别表示下一时刻的位置和速度。
卡尔曼滤波作为一种状态估计方法,可以在系统含有高斯白噪声的情况下,对系统状态进行准确的估计和预测。基于上述的恒速模型,使用卡尔曼滤波的状态空间方程来表示系统的状态:
其中,k,k-1分别表示第k,k-1次迭代,A,H分别表示状态转移矩阵和观测矩阵。状态转移矩阵描述了系统状态随时间如何演化,观测矩阵将状态空间映射到观测空间,Wk,Vk分别表示系统的过程噪声和测量噪声。
卡尔曼滤波的操作可以分为两部分:预测阶段和更新阶段。在特征中心的预测阶段,控制项是用来描述外部控制对系统状态的影响的。由于设定特征中心以恒速进行移动,故在计算预测状态值时,没有控制项,状态变化率为常数。基于k-1次迭代对k次迭代的系统的预测状态值和预测误差通过以下公式进行计算:
Xk=AXk-1
Pk=APk-1AT+Q
式中,Xk表示观测k处的真实的状态向量,Q∈R2n×2n,R∈R2n×2n,P∈R2n×2n,Q,R,P分别表示过程协方差,测量协方差和预测协方差。需要初始化估计方差,最重要的是需要处理过程协方差。A是状态转移矩阵,表示k-1次迭代下每个状态向量对k次迭代状态向量的影响。v表示超参数,用于控制特征中心移动的速度;
状态向量为特征中心的位置和速度,则状态转移矩阵表示为:
在特征中心的更新阶段,计算出卡尔曼增益,用于调整预测值和观测值的权重,以提高估计的准确性。最后,使用卡尔曼增益来更新状态估计值和协方差估计值,以得到最终的状态估计结果,如下式所示:
Kk=PkHT(HPkHT+R)-1
Pk=(I-KkH)Pk
其中,Kk表示卡尔曼增益。Zk表示观测向量,H表示观测矩阵,R表示测量协方差。为了简单起见,将P0,Q,R视为常数超参数,并对所有的维度使用相同的超参数值来限制超参数的数量。综上所述,有三个超参数P0,Q,R其中P0=p0I,Q=qI,R=rI。I表示单位向量。
特征中心将在模型训练的过程中以恒定的速度不断重复上述预测和更新步骤,根据特征中心前一时刻的状态和协方差矩阵,以及当前时刻的观测值进行修正调整。将模型训练结束时输出的更新值作为网络模型测试时的特征中心。
进一步的,所述步骤S5中,对于正常样本使其靠近特征中心,并控制异常样本使其约束到设定距离。
进一步的,所述步骤S6中,将待检测的工业零件图片输入到训练好的模型并执行S1-S3的处理步骤。
进一步的,所述步骤S7中,计算图像特征向量与特征中心之间的距离,得到异常分数。异常分数计算公式如下:
其中zi,zcenter分别表示测试数据的特征向量和训练得到的特征中心向量。
进一步的,所述步骤S8中,通过比较异常分数与设定的阈值的大小,其中设定的阈值根据经验值获取,从而得到异常检测结果。异常检测判断的公式如下式所示,基于训练数据的异常分数选取阈值,当测试数据的异常分数小于阈值时,认为是正常数据;当测试数据的异常分数大于阈值时,认为是异常数据,
本发明还公开了一种基于动态特征中心的工业零件异常检测系统,其包括如下模块:
数据集制作模块:收集工业零件数据图像并对数据集进行预处理;
特征提取网络模块:将训练集数据输入特征提取网络中,对工业零件图像数据进行特征提取;
卡尔曼滤波器模块:构建批次特征向量的特征中心的移动问题,输出该问题的特征中心向量;
超球空间模块:建立一个空间超球用于描述正常样本和异常样本;
训练模块:根据模型总的损失函数,对网络模型进行端到端的训练;
训练权重保留模块:进行测试并保留训练权重;
异常检测模块:比较根据测试图像与特征中心的距离计算得到的异常分数与设定阈值的大小,得到异常检测结果。
与现有技术相比,本发明基于动态特征中心的工业零件异常检测方法及系统,能够更新现有的工业零件异常检测技术,它采用了一种新的技术来检测工业零件的异常情况,有效地解决了现有技术中模型鲁棒性差等问题。同时,通过使用动态移动的特征中心,改善了模型过拟合的问题,高效且准确地实现了对工业零件的异常检测。
附图说明
图1为本发明优选实施例基于动态特征中心的工业零件异常检测方法流程图。
图2为动态特征中心模型结构框图。
图3为本发明优选实施例基于动态特征中心的工业零件异常检测系统框图。
具体实施方式
下面结合具体实施例对本发明进行进一步的详细阐述,但本发明的实施方式不限于此。
如图1-2所示,本实施例公开了一种基于动态特征中心的工业零件异常检测方法,其具体步骤如下:
S11.获取并整理划分工业零件数据集,制作包含大量正常样本和少量异常样本的工业零件图片数据;
S12.对工业零件数据集进行预处理;
S13.将数据集输入到特征提取网络,进行特征提取;
S14.根据初始化得到的特征中心,利用卡尔曼滤波动态移动特征中心;
S15.重复上述步骤S1-S4,最小化损失,进行更新迭代训练,直到模型达到收敛,迭代结束,保存模型;
S16.将待检测的工业零件图片输入到步骤S15训练好的模型,并执行步骤S1-S3的处理步骤得到测试图像的特征向量;
S17.计算测试图像的特征向量与步骤S14得到的特征中心之间的距离,输出异常分数;
S18.比较异常分数与设定阈值的大小,若异常分数超过阈值,判定为异常,否则判定为正常,从而得到异常检测结果。
本实施例各步骤具体介绍如下:
在步骤S11中,收集并整理原始的工业零件数据集,并将其划分为为训练数据集Dtrain与测试数据集Dtest,分别用于网络的训练阶段和测试阶段。
在步骤S12中,异常检测图像数据集的图像是经过缩放、裁剪、归一化后得到的图像。
在步骤S13中,输入到构造的特征提取网络,网络的参数包括网络输入图像尺寸C×H×W,其中C表示图像样本的通道数,W和H分别表示图像样本的宽度和高度,批次大小为B,特征映射函数为φ(·;w),w表示模型参数。将批次图像样本映射至特征空间,输出批次特征向量。
在步骤S14中,构建根据基于特征中心的恒速模型,利用卡尔曼滤波将特征中心按照一定规律进行动态移动。测试时计算图像特征向量与特征中心的距离。具体包括:通过对特征中心的运动规律进行建模。构建模型的状态向量和观测向量。假设在模型训练迭代的过程中,特征中心以恒定速度变化。在恒速模型下,考虑特征中心的变化速度,如下式所示,使用状态向量X描述特征中心的位置和速度,观测向量Z描述特征中心的位置。
X=(p1,p2,...,pn,v1,v2,...,vn)T
Z=(p1,p2,...,pn)T
其中,pi表示特征中心的位置,vi分别表示特征中心位置的变化速度;
在高维空间中,特征中心的每个位置都代表一个特定的属性。在这个空间中,任一维度的位置都是由上一时刻对应维度的位置加上一个恒定的速度。将该速度看作是一个常量,它的大小和方向都是恒定不变的,因此,如下式所示,特征中心中的每个维度都会按照同样的速度进行移动,而这个速度将一直保持不变。
p′=p+v
v′=v
其中,p,v分别表示当前时刻的位置和速度,p′,v′分别表示下一时刻的位置和速度。
卡尔曼滤波作为一种常用的状态估计方法,可以在系统含有高斯白噪声的情况下,对系统状态进行准确的估计和预测。基于上述恒速模型,使用卡尔曼滤波的状态空间方程来表示系统的状态:
其中,k,k-1分别表示第k,k-1次迭代,A,H分别表示状态转移矩阵和观测矩阵。状态转移矩阵描述了系统状态随时间如何演化,观测矩阵将状态空间映射到观测空间,Wk,Vk分别表示系统的过程噪声和测量噪声。
特征中心的移动过程利用卡尔曼滤波的操作可以分为两部分:预测阶段和更新阶段。
在特征中心的预测阶段,控制项用来描述外部控制对系统状态的影响。由于设定特征中心以恒速进行移动,故在计算预测状态值时,没有控制项,状态变化率为常数。基于k-1次迭代对k次迭代的系统的预测状态值和预测误差通过以下公式进行计算:
Xk=AXk-1
Pk=APk-1AT+Q
式中,Xk表示观测k处的真实的状态向量,Q∈R2n×2n,R∈R2n×2n,P∈R2n×2n,Q,R,P分别表示过程协方差,测量协方差和预测协方差。需要初始化估计方差,最重要的是需要处理过程协方差。A是状态转移矩阵,表示k-1次迭代下每个状态向量对k次迭代状态向量的影响。v表示超参数,用于控制特征中心移动的速度。系统的状态向量为特征中心的位置和速度,则状态转移矩阵可以表示为:
在特征中心的更新阶段,计算出卡尔曼增益,用于调整预测值和观测值的权重,以提高估计的准确性。最后,使用卡尔曼增益来更新状态估计值和协方差估计值,以得到最终的状态估计结果,如下式所示:
Kk=PkHT(HPkHT+R)-1
Pk=(I-KkH)Pk
由于在每次迭代时只需观测特征中心的位置信息,则观测矩阵可以表示为:
其中,Kk表示卡尔曼增益。Zk表示观测向量,H表示观测矩阵,R表示测量协方差。为了简单起见,将P0,Q,R视为常数超参数,并对所有的维度使用相同的超参数值来限制超参数的数量。综上所述,有三个超参数P0,Q,R其中P0=p0I,Q=qI,R=rI。I表示单位向量。
特征中心将在模型训练的过程中以恒定的速度不断重复上述预测和更新步骤,根据特征中心前一时刻的状态和协方差矩阵,以及当前时刻的观测值进行修正调整。将模型训练结束时输出的更新值作为网络模型测试时的特征中心。
在步骤S15中,对于正常样本使其靠近特征中心,并控制异常样本使其约束到设定距离,约束条件如下式所示:
其中,rmax表示最大距离,rset表示设定距离,rave表示正常样本特征的平均距离,B表示批量样本序号集,n表示批量样本序号集中异常样本序号,m,k分别表示正常样本和异常样本的个数。c表示超球空间的特征中心。λ123表示各部分损失函数的加权系数。
在步骤S16中,将待检测的工业零件图片输入到训练好的模型。
在步骤S17中,在测试阶段中将工业零件测试数据输入到异常检测器,计算异常分数。
在步骤S18中,异常检测判断的公式如下式所示,基于训练数据的异常分数选取阈值,当测试数据的异常分数小于阈值时,则说明该数据与正常数据在特征空间的欧式距离较近,落在超球体之内,认为是正常数据;当测试数据的异常分数大于阈值时,则说明该数据与正常数据在特征空间中的欧式距离较远,落在超球体之外,认为是异常数据。
在训练过程中,持续迭代训练,直到基于动态特征中心的关于工业零件的异常检测的能力达到预期的目标为止,保存模型权重即可。训练权重保留模块中,将完整的模型网络结果构建完成之后,使用动量为0.9的SGD优化器,初始学习率设置为0.01,训练时余弦退火策略调整学习率,并选择图像异常检测评价指标进行评测。
如图3所示,本实施例基于上述方法实施例,公开了一种基于动态特征中心的工业零件异常检测系统,其包括如下模块:
数据集制作模块:收集工业零件数据图像并对数据集进行预处理;
特征提取网络模块:将训练集数据输入特征提取网络中,对工业零件图像数据进行特征提取;
卡尔曼滤波器模块:构建批次特征向量的特征中心的移动问题,输出该问题的特征中心向量;
超球空间模块:建立一个空间超球用于描述正常样本和异常样本;
训练模块:根据模型总的损失函数,对网络模型进行端到端的训练;
训练权重保留模块:进行测试并保留训练权重;
异常检测模块:比较根据测试图像与特征中心的距离计算得到的异常分数与设定阈值的大小,得到异常检测结果。
本实施例其他内容可参考上述方法实施例。
与现有技术相比,本发明一种基于动态特征中心的工业零件异常检测方法及系统,有效解决了当前工业零件的异常检测模型中存在的技术问题,诸如模型鲁棒性较差及模型存在过拟合的问题等,本发明通过构建基于特征中心的恒速模型,以及引进卡尔曼滤波,以得到动态移动的特征中心,并根据异常分数得到最终的异常检测判决结果。本发明采用模块化设计,最大程度地保证了模型的易用性与灵活性。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (10)

1.一种基于动态特征中心的工业零件异常检测方法,其特征在于,包括如下步骤:
S1.获取工业零件数据集;
S2.对数据集进行预处理;
S3.将数据集输入到特征提取网络,进行特征提取;
S4.根据初始化得到的特征中心,利用卡尔曼滤波动态移动特征中心;
S5.重复步骤S1-S4,最小化损失,进行更新迭代训练,直到模型达到收敛,迭代结束,保存模型;
S6.将待检测的工业零件图片输入到步骤S5训练好的模型,并执行步骤S1-S3的处理步骤得到测试图像的特征向量;
S7.计算测试图像的特征向量与步骤S4得到的特征中心之间的距离,输出异常分数;
S8.比较异常分数与设定阈值的大小,若异常分数超过阈值,判定为异常,否则判定为正常,从而得到异常检测结果。
2.根据权利要求1所述的一种基于动态特征中心的工业零件异常检测方法,其特征在于,步骤S1中,获取图像数据集D,并根据比例将其划分为训练数据集Dtrain和测试数据集Dtest
3.根据权利要求2所述的一种基于动态特征中心的工业零件异常检测方法,其特征在于,步骤S2中,对数据集进行预处理包括裁剪、缩放、归一化操作。
4.根据权利要求1-3任一项所述的一种基于动态特征中心的工业零件异常检测方法,其特征在于,步骤S3中,特征提取网络中的参数包括网络输入图像尺寸C×H×W,其中C表示图像样本的通道数,W和H分别表示图像样本的宽度和高度,批次大小为B,特征映射函数为φ(·;w),w表示模型参数,批次特征向量Z={Z1,Z2,...ZB}。
5.根据权利要求4所述的一种基于动态特征中心的工业零件异常检测方法,其特征在于,步骤S4具体包括:
S41:通过对特征中心的运动规律进行建模;
S42:恒速移动特征中心。
6.根据权利要求5所述的一种基于动态特征中心的工业零件异常检测方法,其特征在于,
步骤S41具体如下:构建模型的状态向量和观测向量;假设在模型训练迭代的过程中,特征中心以恒定速度变化;在恒速模型下,考虑特征中心的变化速度,如下式所示,使用状态向量X描述特征中心的位置和速度,观测向量Z描述特征中心的位置;
X=(p1,p2,...,pn,v1,v2,...,vn)T
Z=(p1,p2,...,pn)T
其中,pi表示特征中心的位置,vi分别表示特征中心位置的变化速度;
在高维空间中,特征中心的每个位置都代表一个特定的属性;在这个空间中,任一维度的位置都是由上一时刻对应维度的位置加上一个恒定的速度;将该速度看作是一个常量,它的大小和方向都是恒定不变的,因此,如下式所示,特征中心的每个维度都会按照同样的速度进行移动,而这个速度一直保持不变;
p′=p+v
v′=v
其中,p,v分别表示当前时刻的位置和速度,p′,v′分别表示下一时刻的位置和速度;
基于上述恒速模型,使用卡尔曼滤波的状态空间方程来表示系统的状态:
其中,k,k-1分别表示第k,k-1次迭代,A,H分别表示状态转移矩阵和观测矩阵;状态转移矩阵描述了系统状态随时间如何演化,观测矩阵将状态空间映射到观测空间,Wk,Vk分别表示系统的过程噪声和测量噪声;
步骤S42具体如下:在特征中心的预测阶段,控制项用来描述外部控制对系统状态的影响;基于k-1次迭代对k次迭代的系统预测状态值和预测误差通过以下公式进行计算:
Xk=AXk-1
Pk=APk-1AT+Q
式中,Xk表示观测k处的真实状态向量,Q∈R2n×2n,R∈R2n×2n,P∈R2n×2n,Q,R,P分别表示过程协方差、测量协方差和预测协方差;A是状态转移矩阵,表示k-1次迭代下每个状态向量对k次迭代状态向量的影响;v表示超参数,用于控制特征中心移动的速度;状态向量为特征中心的位置和速度,则状态转移矩阵表示为:
在特征中心的更新阶段,根据观测矩阵、测量协方差和预测协方差,并按照以下公式计算得出卡尔曼增益,用于调整预测值和观测值的权重;使用卡尔曼增益来更新状态估计值和协方差估计值,以得到最终的状态估计结果,如下式所示:
Kk=PkHT(HPkHT+R)-1
Pk=(I-KkH)Pk
由于在每次迭代时只需观测特征中心的位置信息,则观测矩阵表示为:
其中,Kk表示卡尔曼增益;Zk表示观测向量,H表示观测矩阵,R表示测量协方差;I表示单位向量。
7.根据权利要求1-3任一项所述的一种基于动态特征中心的工业零件异常检测方法,其特征在于,步骤S5中,对于正常样本使其靠近特征中心,并控制异常样本使其约束到设定距离。
8.根据权利要求7所述的一种基于动态特征中心的工业零件异常检测方法,其特征在于,在步骤S7中,异常分数计算公式如下:
其中zi,zcenter分别表示测试数据的特征向量和训练得到的特征中心向量。
9.根据权利要求8所述的一种基于动态特征中心的工业零件异常检测方法,其特征在于,异常检测判断的公式如下式所示,基于训练数据的异常分数选取阈值,当测试数据的异常分数小于阈值时,认为是正常数据;当测试数据的异常分数大于阈值时,认为是异常数据,
10.一种基于动态特征中心的工业零件异常检测系统,其特征是包括如下模块:
数据集制作模块:收集工业零件数据图像,并对数据集进行预处理;
特征提取网络模块:将训练集数据输入特征提取网络中,进行特征提取;
卡尔曼滤波器模块:构建批次特征向量的特征中心的移动问题,输出移动问题的特征中心向量;
超球空间模块:建立空间超球,用于描述正常样本和异常样本;
训练模块:根据模型总的损失函数,对网络模型进行端到端的训练;
训练权重保留模块:进行测试并保留训练权重;
异常检测模块:比较根据测试工业零件图像与特征中心的距离计算得到的异常分数与设定阈值的大小,得到异常检测结果。
CN202310919640.1A 2023-07-25 2023-07-25 一种基于动态特征中心的工业零件异常检测方法及系统 Pending CN116862893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310919640.1A CN116862893A (zh) 2023-07-25 2023-07-25 一种基于动态特征中心的工业零件异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310919640.1A CN116862893A (zh) 2023-07-25 2023-07-25 一种基于动态特征中心的工业零件异常检测方法及系统

Publications (1)

Publication Number Publication Date
CN116862893A true CN116862893A (zh) 2023-10-10

Family

ID=88224955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310919640.1A Pending CN116862893A (zh) 2023-07-25 2023-07-25 一种基于动态特征中心的工业零件异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN116862893A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592865A (zh) * 2023-12-21 2024-02-23 中国人民解放军军事科学院系统工程研究院 一种装备零备件质量状态预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592865A (zh) * 2023-12-21 2024-02-23 中国人民解放军军事科学院系统工程研究院 一种装备零备件质量状态预测方法及装置
CN117592865B (zh) * 2023-12-21 2024-04-05 中国人民解放军军事科学院系统工程研究院 一种装备零备件质量状态预测方法及装置

Similar Documents

Publication Publication Date Title
CN109190442B (zh) 一种基于深度级联卷积神经网络的快速人脸检测方法
CN112964469B (zh) 一种迁移学习的变负载下滚动轴承在线故障诊断方法
CN107103332A (zh) 一种面向大规模数据集的相关向量机分类方法
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
CN114240892A (zh) 一种基于知识蒸馏的无监督工业图像异常检测方法及系统
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN111428733A (zh) 基于语义特征空间转换的零样本目标检测方法及系统
CN116862893A (zh) 一种基于动态特征中心的工业零件异常检测方法及系统
CN109740052A (zh) 网络行为预测模型的构建方法及装置、网络行为预测方法
WO2022036520A1 (en) Method and apparatus for enhancing performance of machine learning classification task
WO2023231374A1 (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN114972735A (zh) 基于roi预测和多模块学习的抗遮挡移动目标跟踪装置及方法
CN117237902B (zh) 基于深度学习的机器人物体识别系统
CN114503131A (zh) 检索装置、检索方法、检索程序和学习模型检索系统
Netzer et al. Intelligent anomaly detection of machine tools based on mean shift clustering
CN111652268A (zh) 一种基于重采样机制的不平衡流数据分类方法
CN116894210B (zh) 包含力传感器的电子设备及数据处理方法
CN116992953A (zh) 一种模型训练方法、故障诊断方法及装置
CN113706580B (zh) 一种基于相关滤波跟踪器的目标跟踪方法、系统、设备及介质
JP2016062249A (ja) 識別辞書学習システム、認識辞書学習方法および認識辞書学習プログラム
CN113971737A (zh) 用于机器人的物体识别方法、电子设备、介质和程序产品
CN114298130A (zh) 短期风电功率预测方法及装置
CN111291624B (zh) 一种挖掘机目标识别方法及系统
CN113963022B (zh) 基于知识蒸馏的多出口全卷积网络的目标跟踪方法
CN113792610B (zh) 一种谐波减速器健康评估方法及装置

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