技术特征：
1.一种具有生成对抗网络架构的异常检测装置，其特征在于，其利用一组多个正常信号所构成的单类别训练数据进行异常检测模型训练，其包括：一编码器，用以将其输入的信号编码为向量输出；一生成器，连接至上述编码器，其用以将其输入的向量生成一与上述正常信号相同维度的重建信号；一判别器，连接至上述生成器，其用以判断其输入的信号为真实或虚假而输出一判别值；以及一随机向量产生器，用以产生多个随机隐向量；其中，上述异常检测模型训练包括一第一训练阶段和一第二训练阶段，依序将上述随机隐向量输入至上述生成器生成与上述正常信号相同维度的多个合成信号，上述合成信号依序输入至上述判别器，产生对应的多个判别值，并且上述判别值小于一既定临界值时，将对应的上述合成信号选择为训练用合成异常信号。2.如权利要求1所述的异常检测装置，其特征在于，上述编码器、上述生成器、上述判别器，分别由类神经网络所构成。3.如权利要求1所述的异常检测装置，其特征在于，上述判别值越大代表其输入信号判别为真实，越小代表其输入信号判别为虚假。4.如权利要求3所述的异常检测装置，其特征在于，上述异常检测模型训练利用上述训练用合成异常信号作为异常信号，并且利用上述正常信号作为无异常信号，以进行上述异常检测模型训练。5.如权利要求4所述的异常检测装置，其特征在于，在上述第一训练阶段中，将上述编码器和上述生成器的内部参数固定后，进行上述判别器的训练，并且依序将上述单类别训练数据的上述正常信号输入至上述编码器，产生对应的多个第一隐向量，再将对应的上述第一隐向量输入至上述生成器，用以产生对应的多个第一重建信号。6.如权利要求5所述的异常检测装置，其特征在于，在上述第一训练阶段中，依序将对应的上述第一重建信号输入至上述判别器，以其对应的判别值越小为目标，对于上述判别器内部参数进行调整，并且依序将上述单类别训练数据的上述正常信号输入至上述判别器，以其对应的判别值越大为目标，对于上述判别器内部参数进行调整。7.如权利要求6所述的异常检测装置，其特征在于，在上述第二训练阶段中，将上述判别器的内部参数固定后，进行上述编码器和上述生成器的训练，并且依序将上述第一重建信号输入至上述编码器，产生多个第二隐向量，再将上述训练用合成异常信号输入至上述编码器，产生多个第三隐向量，再将上述第三隐向量输入至上述生成器，产生多个第二重建信号，其中，依序计算上述正常信号与上述第一重建信号间的第一误差值，以及计算上述第一隐向量与上述第二隐向量间的第二误差值，以及计算上述训练用合成异常信号与上述第二重建信号间的第三误差值。8.如权利要求7所述的异常检测装置，其特征在于，在上述第二训练阶段中，依序将对应的上述第一重建信号输入至上述判别器，以其对应的判别值越大为目标进行上述编码器和上述生成器内部的参数调整，并且依序将训练用合成异常信号输入至上述判别器，以其对应的的判别值越小为目标进行上述编码器和上述生成器内部的参数调整，并且以上述第一误差值和上述第二误差值越小为目标进行上述编码器和上述生成器内部的参数调整，并
且以上述第三误差值越大为目标进行上述编码器和上述生成器内部的参数调整。9.如权利要求1所述的异常检测装置，其特征在于，上述正常信号为一布料纹理表面的影像数据。10.如权利要求1所述的异常检测装置，其特征在于，上述正常信号为一面板表面的影像数据。11.如权利要求1所述的异常检测装置，其特征在于，上述正常信号为自动光学检测统中利用光学仪器所取得的待测物的表面状态影像。12.如权利要求1所述的异常检测装置，其特征在于，上述既定临界值采用使上述训练用合成异常信号不同于上述正常信号的方式设定。13.一种异常检测方法，其特征在于，其适用于一包含处理器和内存的系统，上述内存包含可以执行上述处理器的多个指令，并且使得上述处理器组合为一可以实现异常检测方法的生成对抗网络，其上述生成对抗网络的训练方法包括下列步骤：提供一组多个正常信号所构成的单类别训练数据；在第一训练阶段中，固定上述生成对抗网络中的编码器和生成器的内部参数后，进行上述生成对抗网络中判别器的训练，并且依序将上述单类别训练数据的上述正常信号输入至上述编码器，产生对应的多个第一隐向量，再将对应的上述第一隐向量输入至上述生成器，用以产生对应的多个第一重建信号；在上述第一训练阶段中，依序将对应的上述第一重建信号输入至上述判别器，以其对应的判别值越小为目标，对于上述判别器内部参数进行调整，并且依序将上述单类别训练数据的上述正常信号输入至上述判别器，以其对应的判别值越大为目标，对于上述判别器内部参数进行调整；以及产生多个随机隐向量输入至上述生成器生成与上述正常信号相同维度的多个合成信号，上述合成信号依序输入至上述判别器，产生对应的多个判别值，并且上述判别值小于一既定临界值时，将对应的上述合成信号选择为训练用合成异常信号。14.如权利要求13所述的的异常检测方法，其特征在于，还包括在第二训练阶段中，固定上述判别器的内部参数后，进行上述编码器和上述生成器的训练，并且依序将上述第一重建信号输入至上述编码器，产生多个第二隐向量，再将上述训练用合成异常信号输入至上述编码器，产生多个第三隐向量，再将上述第三隐向量输入至上述生成器，产生多个第二重建信号，其中，依序计算上述正常信号与上述第一重建信号之间的第一误差值，以及计算上述第一隐向量与上述第二隐向量之间的第二误差值，以及计算上述训练用合成异常信号与上述第二重建信号之间的第三误差值。15.如权利要求14所述的异常检测方法，其特征在于，还包括在上述第二训练阶段中，依序将对应的上述第一重建信号输入至上述判别器，以其对应的判别值越大为目标进行上述编码器和上述生成器内部的参数调整，并且依序将上述训练用合成异常信号输入至上述判别器，以其对应的判别值越小为目标进行上述编码器和上述生成器内部的参数调整，并且以上述第一误差值和上述第二误差值越小为目标进行上述编码器和上述生成器内部的参数调整，并且以上述第三误差值越大为目标进行上述编码器和上述生成器内部的参数调整。16.如权利要求15所述的异常检测方法，其特征在于，还包括：
当未满足既定训练收敛条件时，以上述编码器、上述生成器和上述判别器的目前内部参数，跳回至上述第一训练阶段；以及当满足既定训练收敛条件时，以上述编码器、上述生成器和上述判别器的目前内部参数设定上述生成对抗网络。17.如权利要求13所述的异常检测方法，其特征在于，上述编码器、上述生成器、上述判别器，分别由类神经网络所构成。18.如权利要求13所述的异常检测方法，其特征在于，上述既定临界值采用使上述训练用合成异常信号不同于上述正常信号的方式设定。
技术总结
本公开提供一种具有生成对抗网络架构的异常检测装置，其利用一组多个正常信号所构成的单类别训练数据进行异常检测模型训练。异常检测装置包括编码器、生成器、判别器以及随机向量产生器，而异常检测模型训练包括依序将随机向量产生器所产生的随机隐向量输入至生成器以生成与正常信号相同维度的多个合成信号，将合成信号依序输入至判别器以产生对应的多个判别值，并且判别值小于一既定临界值时，并将对应的上述合成信号选择为训练用合成异常信号，其中利用上述正常信号作为无异常信号。其中利用上述正常信号作为无异常信号。其中利用上述正常信号作为无异常信号。
技术研发人员：赵怡翔 谢志宏 石明于
受保护的技术使用者：财团法人工业技术研究院
技术研发日：2020.12.08
技术公布日：2022/5/17