CN117746160A - 异常检测方法、装置、计算机设备及存储介质 - Google Patents
异常检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117746160A CN117746160A CN202410014017.6A CN202410014017A CN117746160A CN 117746160 A CN117746160 A CN 117746160A CN 202410014017 A CN202410014017 A CN 202410014017A CN 117746160 A CN117746160 A CN 117746160A
- Authority
- CN
- China
- Prior art keywords
- features
- anomaly
- score
- vector
- detection method
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 title claims description 44
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 230000002547 anomalous effect Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域,尤其是涉及一种异常检测方法、装置、计算机设备及存储介质。包括构建核心集特征库;对正常样本分布进行核密度估计建模,得到概率密度函数曲线;将待测试图像提取特征,进行核密度估计,得到概率密度异常得分;测试特征使用特征库的多近邻进行稀疏表达重构,并进行求解,计算其欧氏距离,得到重构误差得分;将概率密度异常得分与重构误差得分进行指数加权,得到最终的异常评分,从而判定输入待测试图像是否异常。本发明能够敏感捕获到空间结构中的异常信息,同时能够对多距离度量进行重新表达,得到更合理的比对特征进行比对,多层级的稀疏表达对于纹理性异常数据有很强的感知能力。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其是涉及一种异常检测方法、装置、计算机设备及存储介质。
背景技术
在工业生产和质量控制领域,异常检测是确保产品质量和生产效率的重要任务。传统的监督学习方法通常要求使用像素级的手动标注标签数据进行训练。然而,在实际的工业场景中,目前面临着两个挑战:一是缺陷样本的稀缺性,二是缺乏有关缺陷的先验知识。这些问题可能导致基于监督学习的方法失效,并且大量数据标注会带来高昂的成本。传统的图像异常检测方法可以分为以下几种:
基于统计的方法:这种方法假设正常图像的像素值服从某种统计分布,通过计算像素值与该分布之间的差异来确定异常区域。常见的方法包括均值与标准差的比较、像素值的直方图分析等。
基于阈值的方法:这种方法将图像像素值与事先设定的阈值进行比较,像素值超过阈值的部分被认为是异常区域。阈值可以通过手动选择或者自适应地确定。
基于滤波的方法:这种方法通过应用滤波器来平滑图像并保留图像中的结构信息,然后计算滤波前后的差异来检测异常区域。常见的滤波方法包括均值滤波、中值滤波等。
基于纹理分析的方法:这种方法通过分析图像的纹理特征来检测异常区域。常见的纹理分析方法包括灰度共生矩阵(GLCM)、小波变换等。
传统图像异常检测方法存在如下弊端:
特征工程困难:传统方法通常需要手动选择和提取用于异常检测的特征。这需要领域专业知识和经验,并且可能因为特征的选择和提取过程不准确或不完备而导致检测性能下降。
依赖于手动设定参数:传统方法中的一些算法需要手动设定参数,如阈值、滤波器大小等。这些参数的选择可能因图像数据的不同而变化,需要耗费大量的时间和精力来进行调试和优化。
对复杂场景和异常类型的适应性较差:传统方法通常在假设和前提条件下进行异常检测,对于复杂的场景和新型的异常类型可能无法有效适应。这是因为传统方法往往依赖于手工设计的规则和特征,难以捕捉到复杂和抽象的异常模式。
发明内容
本发明旨在至少改善现有技术中存在的技术问题之一。为此,本发明提出了一种异常检测方法、装置、计算机设备及存储介质。
一种异常检测方法,其中,包括:
S100,使用正常样本进行特征核心集采用,构建核心集特征库;
S200,对正常样本分布进行核密度估计建模,得到概率密度函数曲线;
S300,将待测试图像提取特征,将测试特征进行核密度估计,得到概率密度异常得分;
S400,测试特征使用特征库的多近邻进行稀疏表达重构,采用正交匹配追踪算法进行求解,计算重构特征与测试特征的欧氏距离,得到重构误差得分;
S500,将概率密度异常得分与重构误差得分进行指数加权,得到最终的异常评分,根据最终的异常得分判定输入待测试图像是否异常。
根据本发明实施例的异常检测方法,采用了空间核密度估计对图像的空间稳定性进行建模,能够敏感捕获到空间结构中的异常信息,同时利用稀疏感知算法对多距离度量进行重新表达,得到更合理的比对特征进行比对,多层级的稀疏表达对于纹理性异常(脏污、擦伤、划伤、裂缝、污染等等)数据有很强的感知能力。
在第一方面的一种可能的实现方式中,所述步骤S100中,在ImageNet数据库上预训练的深度残差神经网络(ResNet)对训练样本进行特征提取,然后使用核心集下采样方法筛选出关键图像特征到特征库中,形成一个只含有正常样本特征的核心集特征库。
在第一方面的一种可能的实现方式中,所述步骤S200包括对空间领域信息建模,将邻域条件概率分布表示为:
,
,
其中,为训练图像,/>是正常样本的概率大小,/>表示空间位置和领域信息,/>为特征库中特征,/>,/>为与PatchCore相同的特征记忆库;
在第一方面的一种可能的实现方式中,步骤S200中使用非参数估计方法中的核密度估计算法,对空间以及邻域分布进行建模,得到平滑的概率密度分布曲线,表示为:
,
其中,n为样本数,为核函数带宽,/>为自变量,/>为观测样本,/>为高斯核函数,且/>满足:/>,从离散的直方图样本中估计出了正常分布的连续概率密度分布函数。
在第一方面的一种可能的实现方式中,步骤S400中包括,
定义向量及矩阵:其中输入信号向量,/>,/>为测试特征,字典矩阵/>,,/>为多近邻向量字典,稀疏表示向量/>,/>,/>为字典大小;
初始化:设置残差,/>为重构信号,选择一个空的索引集合/>;
进行迭代过程,直至满足稀疏性或达到预定迭代次数;
得到稀疏表示向量,其中S是所选基向量的索引集合;
最后对重构信号进行稀疏表达:
,
其中为原始信号,最后计算原始信号向量d和重构向量/>的欧氏距离,得到重构误差得分,记为ω,
。
在第一方面的一种可能的实现方式中,所述迭代过程包括:
计算残差r和每个基向量之间的投影,并选择具有最大投影幅度的基向量,如:
,
其中,为特征向量;
将所选基向量的索引添加到集合S中,;
通过最小二乘法或伪逆方法计算索引集合T 中的基向量的最优线性组合,以得到新的稀疏表示向量x,表示为:
,
其中,是由字典矩阵A中索引集合S中的基向量组成的子矩阵;
更新残差 ,计算新的残差。
一种异常检测装置,其中,包括:
构建模块,用于使用正常样本进行特征核心集采用,构建核心集特征库;
仿真模块,用于对正常样本分布进行核密度估计建模,得到概率密度函数曲线;
第一得分模块,将待测试图像提取特征,将测试特征进行核密度估计,得到概率密度异常得分;
第二得分模块,测试特征使用特征库的多近邻进行稀疏表达重构,采用正交匹配追踪算法进行求解,计算重构特征与测试特征的欧氏距离,得到重构误差得分;
异常判定模块,将概率密度异常得分与重构误差得分进行指数加权,得到最终的异常评分,根据最终的异常得分判定输入待测试图像是否异常。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述异常检测方法的步骤。
一种计算机存储介质,所述计算机存储介质存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述异常检测方法的步骤。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的异常检测方法流程图;
图2是根据本发明实施例的异常检测方法Mvtec测试效果图;
图3是根据本发明实施例的异常检测系统原理图。
具体实施方式
下面详细描述本发明的实施例,参考附图描述的实施例是示例性的,应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或单元,或者可选地,还包括没有列出的步骤或单元,或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单元。
附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前,应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在本说明书中使用的术语“部件”、“模块”、“系统”、“单元”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件或执行中的软件。例如,单元可以是但不限于在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或分布在两个或多个计算机之间。此外,这些单元可从在上面存储有各种数据结构的各种计算机可读介质执行。单元可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一单元交互的第二单元数据。例如,通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。
目前现有深度学习算法PatchCore,使用一个特征库将正常样本进行简单的局部特征建库,在测试时将测试特征与特征库进行欧式距离比对后得到异常分数,这样的方法缺乏对于图像的空间信息判定,在出现了一些空间结构特殊异常(如摆放错误、缺失、错位、破损等)效果并不佳、同样简单的欧氏距离比对往往缺少多级特征比对的鲁棒性。包括现有的重建方法Draem旨在通过合成缺陷学习一个修复网络将原图进行重建(去噪),这样的重建仅仅关注图像的全局信息,缺乏局部性比对,且往往会将空间结构的特殊异常忽略,重建后的图像与异常图像几乎一样,使得检测效果不佳。
基于此,本发明根据工业元件图像自身稳定性和图像特征的稳定性,提出了一种基于空间和结构非参数建模与多特征表达的异常检测方法,仅使用正常图像样本、且不需要进行训练迭代的训练就能够实现像素级的异常检测,具体方案见如下实施例。
实施例1
一种异常检测方法,其中,包括:
S100,使用正常样本进行特征核心集采用,构建核心集特征库;
S200,对正常样本分布进行核密度估计建模,得到概率密度函数曲线;
S300,将待测试图像提取特征,将测试特征进行核密度估计,得到概率密度异常得分;
S400,测试特征使用特征库的多近邻进行稀疏表达重构,采用正交匹配追踪算法进行求解,计算重构特征与测试特征的欧氏距离,得到重构误差得分;
S500,将概率密度异常得分与重构误差得分进行指数加权,得到最终的异常评分,根据最终的异常得分判定输入待测试图像是否异常。
根据本发明实施例的异常检测方法,采用了空间核密度估计对图像的空间稳定性进行建模,能够敏感捕获到空间结构中的异常信息,同时利用稀疏感知算法对多距离度量进行重新表达,得到更合理的比对特征进行比对,多层级的稀疏表达对于纹理性异常(脏污、擦伤、划伤、裂缝、污染等等)数据有很强的感知能力。
需要说明的是,所述步骤S100中,在ImageNet数据库上预训练的深度残差神经网络(ResNet)对训练样本进行特征提取,然后使用核心集下采样方法筛选出关键图像特征到特征库中,形成一个只含有正常样本特征的核心集特征库。
得到核心集特征库后,进行空间领域信息建模:
将邻域条件概率分布表示为:
,
,
其中,为训练图像,/>是正常样本的概率大小,/>表示空间位置和领域信息,/>为特征库中特征,/>,/>为与PatchCore相同的特征记忆库;
只使用正常样本的特征对进行非参数建模,通过累积计算所有训练图像X集合中每个位置/>的相对编码,生成/>,在此过程中,在直方图中积累每个位置的p×p邻域特征,以捕捉更大的感受野信息达到更鲁棒的估计。
由于直方图的函数密度不平滑,直方图的密度函数容易收到子区间宽度的影响,难以对于新样本的分布概率密度进行准确的估计。本实施例通过统计正常样本的特征图中每个图像的特征,及其领域在空间位置的分布情况,得到统计向量的直方图。因此,本发明使用非参数估计方法中的核密度估计算法,本实施例能够适应于数据样本不足或未知数据分布的情况下,推断数据背后的概率密度分布,使用该方法以非参估计的方式对空间以及邻域分布进行建模,得到平滑的概率密度分布曲线,表示为:
,
其中,为核函数带宽,n为样本数量,/>为核函数带宽,/>为自变量,/>为观测样本,/>为高斯核函数,且/>满足:/>,从离散的直方图样本中估计出了正常分布的连续概率密度分布函数。
由于常用的最近邻查找法对测试图像块特征进行近邻比对简单且高效的,但这样的方法可能会出现一些问题,比如对于某些位置摆放错误异常和物体缺失异常,最近邻匹配法搜索到的图像块特征往往是其目标物体背景的区域,由于这种方法,原本被认为是异常区域往往能检索到十分相似的图像块,而得到更低的异常分数。本实施例提出的方法有效地在空间位置上缓解了这一问题,在匹配的过程中,本实施例采用多组近邻向量进行线性组合,表达出更加相似的查询图像块特征向量,以获得更准确的异常得分计算。由于计算的多组近邻中存在一部分特征不属于该位置或属于背景的即使它们的特征接近与测试图像块的特征。因此这些特征不应该被考虑在内,本实施例保留的是那些属于该位置的特征。受到稀疏表达的启发,引入了正交匹配追踪算法求得稀疏解,以稀疏编码的形式筛选出合理的特征。
需要说明的是,步骤S400中包括,
(一)、定义向量及矩阵:其中输入信号向量,/>,/>为测试特征,字典矩阵/>,/>,/>为多近邻向量字典,稀疏表示向量/>,/>,/>为字典大小;初始化:设置残差/>,/>为重构信号,选择一个空的索引集合/>;
(二)、进行迭代过程,直至满足稀疏性或达到预定迭代次数,其中迭代过程包括:
计算残差r和每个基向量之间的投影,并选择具有最大投影幅度的基向量:
,
其中,为特征向量;
将所选基向量的索引添加到集合S中,;
通过最小二乘法或伪逆方法计算索引集合T 中的基向量的最优线性组合,以得到新的稀疏表示向量x,表示为:
,
其中,是由字典矩阵A中索引集合S中的基向量组成的子矩阵;
更新残差,计算新的残差。
(三)、得到稀疏表示向量,其中S是所选基向量的索引集合;
最后对重构信号进行稀疏表达:
,
其中为原始信号,最后计算原始信号向量d和重构向量/>的欧氏距离,得到重构误差得分,记为ω,
。
将本发明的异常检测方法在MVTec AD、BTAD三个主流工业数据集取得了很好的检测效果,如图2所示,其中X为选取的待测试图像集,A为缺陷标签,B为预测结果;
在MVTecAD上,本发明的像素级缺陷检测结果的受试者工作特征曲线下面积(pixel-AUROC)为98.61%,(Image-AUROC)为99.32%。
在BTAD上,本发明的像素级缺陷检测结果的受试者工作特征曲线下面积(pixel-AUROC)为97.8%,(Image-AUROC)为98.12%。
本发明在主流工业异常检测数据集上的大量实验证明,该方法在异常检测任务上取得了优越的效果,尤其是针对于空间结构异常的数据,有比其他方法更强的异常捕获与感知能力,在大多数工业异常检测上具有广泛的应用前景。
实施例2
本实施例提供一种异常检测装置,其中,包括:
构建模块,用于使用正常样本进行特征核心集采用,构建核心集特征库;
仿真模块,用于对正常样本分布进行核密度估计建模,得到概率密度函数曲线;
第一得分模块,将待测试图像提取特征,将测试特征进行核密度估计,得到概率密度异常得分;
第二得分模块,测试特征使用特征库的多近邻进行稀疏表达重构,采用正交匹配追踪算法进行求解,计算重构特征与测试特征的欧氏距离,得到重构误差得分;
异常判定模块,将概率密度异常得分与重构误差得分进行指数加权,得到最终的异常评分,根据最终的异常得分判定输入待测试图像是否异常。
实施例3
本实施例提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述异常检测方法的步骤。
实施例4
本实施例提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述异常检测方法的步骤。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或者特性可以包含在本实施例申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施例,也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例,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,都属于本申请保护的范围。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种异常检测方法,其特征在于,包括:
S100,使用正常样本进行特征核心集采采样,构建核心集特征库;
S200,对正常样本分布进行核密度估计建模,得到概率密度函数曲线;
S300,将待测试图像提取特征,将测试特征进行核密度估计,得到概率密度异常得分;
S400,测试特征使用特征库的多近邻进行稀疏表达重构,采用正交匹配追踪算法进行求解,计算重构特征与测试特征的欧氏距离,得到重构误差得分;
S500,将概率密度异常得分与重构误差得分进行指数加权,得到最终的异常评分,根据最终的异常得分判定输入待测试图像是否异常。
2.根据权利要求1所述的异常检测方法,其特征在于,所述步骤S100中,在ImageNet数据库上预训练的深度残差神经网络对训练样本进行特征提取,然后使用核心集下采样方法筛选出关键图像特征到特征库中,形成一个只含有正常样本特征的核心集特征库。
3.根据权利要求1所述的异常检测方法,其特征在于,所述步骤S200包括对空间领域信息建模,将邻域条件概率分布表示为:
,
,
其中,为训练图像,/>是正常样本的概率大小,/>表示空间位置和领域信息,/>为特征库中特征,/>,/>为特征记忆库。
4.根据权利要求1所述的异常检测方法,其特征在于,步骤S200中使用非参数估计方法中的核密度估计算法,对空间以及邻域分布进行建模,得到平滑的概率密度分布曲线,表示为:
,
其中,n为样本数,为核函数带宽,/>为高斯核函数,且/>满足:/>,/>为自变量,/>为观测样本。
5.根据权利要求1所述的异常检测方法,其特征在于,步骤S400中包括,
定义向量及矩阵:其中输入信号向量,/>,/>为测试特征,字典矩阵/>,/>,为多近邻向量字典,稀疏表示向量/>,/>,/>为字典大小;
初始化:设置残差,/>为重构信号,选择一个空的索引集合/>;
进行迭代过程,直至满足稀疏性或达到预定迭代次数;
得到稀疏表示向量,其中S是所选基向量的索引集合;
最后对重构信号进行稀疏表达:
,
其中为原始信号,最后计算原始信号向量d和重构向量/>的欧氏距离,得到重构误差得分,记为ω,
。
6.根据权利要求5所述的异常检测方法,其特征在于,所述迭代过程包括:
计算残差r和每个基向量之间的投影,并选择具有最大投影幅度的基向量,如下:
,
其中,为特征向量;
将所选基向量的索引添加到集合S中,;
计算索引集合T 中的基向量的最优线性组合,以得到新的稀疏表示向量x,表示为:
,
其中,是由字典矩阵A中索引集合S中的基向量组成的子矩阵;
更新残差,计算新的残差。
7. 根据权利要求6所述的异常检测方法,其特征在于,计算索引集合T 中的基向量的最优线性组合时采用最小二乘法或伪逆方法进行计算。
8.一种异常检测装置,其特征在于,包括:
构建模块,用于使用正常样本进行特征核心集采用,构建核心集特征库;
仿真模块,用于对正常样本分布进行核密度估计建模,得到概率密度函数曲线;
第一得分模块,将待测试图像提取特征,将测试特征进行核密度估计,得到概率密度异常得分;
第二得分模块,测试特征使用特征库的多近邻进行稀疏表达重构,采用正交匹配追踪算法进行求解,计算重构特征与测试特征的欧氏距离,得到重构误差得分;
异常判定模块,将概率密度异常得分与重构误差得分进行指数加权,得到最终的异常评分,根据最终的异常得分判定输入待测试图像是否异常。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述异常检测方法的步骤。
10.一种计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410014017.6A CN117746160A (zh) | 2024-01-05 | 2024-01-05 | 异常检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410014017.6A CN117746160A (zh) | 2024-01-05 | 2024-01-05 | 异常检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117746160A true CN117746160A (zh) | 2024-03-22 |
Family
ID=90257686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410014017.6A Pending CN117746160A (zh) | 2024-01-05 | 2024-01-05 | 异常检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117746160A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118115822A (zh) * | 2024-04-29 | 2024-05-31 | 江西师范大学 | 一种基于图像块特征级联检索模型的异常检测方法及系统 |
-
2024
- 2024-01-05 CN CN202410014017.6A patent/CN117746160A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118115822A (zh) * | 2024-04-29 | 2024-05-31 | 江西师范大学 | 一种基于图像块特征级联检索模型的异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022002039A1 (zh) | 一种基于视觉地图的视觉定位方法、装置 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN108399627B (zh) | 视频帧间目标运动估计方法、装置和实现装置 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN109559273B (zh) | 一种面向车底图像的快速拼接方法 | |
CN114782330B (zh) | 基于人工智能的炉排异常检测方法及系统 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN112614167A (zh) | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 | |
CN112801949A (zh) | 一种紫外成像检测技术中放电区域的确定方法及装置 | |
CN113128518B (zh) | 基于孪生卷积网络和特征混合的sift误匹配检测方法 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN104268550A (zh) | 特征提取方法及装置 | |
CN117746160A (zh) | 异常检测方法、装置、计算机设备及存储介质 | |
CN110956178A (zh) | 一种基于图像相似度计算的植物生长测量方法、系统及电子设备 | |
CN116881643A (zh) | 一种传感数据深度信号补全方法和装置 | |
CN115222744B (zh) | 基于深度估计的刀具磨损程度判定方法 | |
CN115471646A (zh) | 一种无监督的快速图像异常检测与定位的方法 | |
CN115984186A (zh) | 基于多分辨率知识提取的精细产品图像异常检测方法 | |
CN118115744B (zh) | 一种基于图像识别的电能表外壳检测方法 | |
CN109871867A (zh) | 一种基于偏好统计的数据表征的模型拟合方法 | |
CN114693732B (zh) | 一种弱小目标检测与跟踪方法 | |
CN116383262B (zh) | 一种基于电厂sis系统的能耗数据管理平台 | |
CN113610855B (zh) | 图像分割模型训练方法、分割方法、系统、装置及介质 | |
CN113222864B (zh) | 基于限幅滤波的图像边缘去噪方法及装置、设备 |
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 |