一种用于工业产品质量质控的图像异常检测方法

本发明涉及图像异常检测领域，尤其涉及一种用于工业产品质量质控的图像异常检测方法。

背景技术：

1、在工业生产过程中，保证产品质量是至关重要的。传统质量控制方法依赖于人工检查，这不仅费时费力，而且难以保持检测的一致性和准确性。随着计算机视觉技术的发展，图像异常检测成为了自动化质量控制的重要工具。然而，现有的图像异常检测技术往往难以准确地区分正常与异常样本，尤其是基于重构的图像异常检测方法。因此，需要一种更加高效的，基于重构的图像异常检测方法。

技术实现思路

1、本发明的目的在于提供一种用于工业产品质量质控的图像异常检测方法，利用双重特征编码机制实现整体信息和深度特征的提取，并通过生产的掩码实现局部关键特征选取。然后基于关键特征进行图像重构，避免了异常数据也被准确重构的问题。其次，结合对抗训练的思想提升了重构图像的质量，有效提高了异常检索精度。

2、本发明采用的技术方案是：

3、一种用于工业产品质量质控的图像异常检测方法，包括以下步骤：

4、步骤1，对输入的工业产品图像进行标准化处理，以适应后续的特征提取和重构过程；

5、步骤2，将标准化处理后的原始输入图像映射为潜在特征图；

6、步骤3，将潜在特征图转换为掩码向量，使用掩码向量对潜在特征图中的局部关键特征进行选择，并使用深度特征编码器对局部关键特征进行二次选择，提取具有代表性的局部关键特征；

7、步骤4，利用局部关键特征进行图像重构，使用对抗训练的方式提升重构图像的质量；

8、步骤5，根据原始输入图像与重构图像之间的差异得到异常分数，根据异常分数判定异常结果。

9、进一步的，标准化处理包括对工业产品图像的尺寸调整和归一化。

10、进一步的，还包括：步骤3使用gumbel-softmax方法进行二值计算，处理离散选择问题。

11、进一步的，步骤3中使用双重编码机制对局部关键特征进行深度选择，具体步骤为：

12、步骤3-1，通过编码器提取原始输入图像的特征图zpf；

13、步骤3-2，将原始输入图像的特征图zpf映射为掩码向量zmg∈(0,1)；

14、步骤3-3，将掩码向量zmg与特征图zpf进行加权得到激活的特征图；

15、步骤3-4，使用编码器对激活的特征图进一步提取为深度特征zdf，然后使用深度特征zdf与掩码向量zmg进行加权，得到局部关键特征z。

16、进一步的，步骤4中使用重构解码器根据选定的局部关键特征重构图像，并基于对抗训练的思想，使用鉴别器对重构图像的质量进行评估，提升重构图像的质量。

17、进一步的，步骤4中以重构误差最下为目标构建损失函数，具体步骤如下：

18、步骤4-1，构建对抗损失函数ladv，对抗损失函数ladv，ladv的计算表达式如下：

19、

20、式中，dr表示重构解码器，dqe表示质量增强鉴别器，表示随机变量x的期望值，其中x是从概率分布p(x)中抽取的样本，dqe(x)表示对随机变量x鉴别的结果，dr(e(x))表示从样本空间到样本空间的映射，dqe(dr(e(x)))表示对重构样本鉴别的结果；

21、步骤4-2，构建重构损失函数llocal，重构损失函数llocal的计算表达式如下：

22、

23、其中，表示对给定条件x下的z的概率分布pmg,df(z|x)进行期望值计算，z表示关键特征，pmg,df表示编码器fmg和edf符合的概率分布，p(x|z)表示给定特征z时，数据点x的概率分布；kl散度，用于衡量两个概率分布pmg,df，pθ之间的差异；

24、步骤4-3，构建损失函数l的公式表达为：

25、l＝λladv+(1-λ)llocal

26、其中，ladv表示对抗损失函数，llocal表示重构损失函数。

27、进一步的，步骤5中根据重构误差计算异常得分，测试样本的异常得分低于设定分值时，则表明测试样本属于正常范畴，异常得分的计算公式可以表示为：

28、

29、其中，xtest为测试样本，dr(e(xtest))表示重构后的样本。

30、进一步的，设定分为0.5。

31、本发明采用以上技术方案，与现有技术相比本发明有以下特点和有益效果：现有基于重构的图像异常检测算法，异常数据往往也会被准确重构，检测误差较大。而本发明利用双重编码机制学习局部关键特征。初步特征编码器负责提取输入图像的整体特征，包括边缘、纹理等基础信息。深度特征编码器则进一步处理这些特征，专注于提取影响产品质量的关键局部特征。这种方法不仅能够捕捉到图像的全局信息，还能够深入挖掘出局部关键特征，基于关键特征的重构有效避免了异常数据被准确重构的问题，提升了异常检测的准确率。

技术特征：

1.一种用于工业产品质量质控的图像异常检测方法，其特征在于：其包括以下步骤：

2.根据权利要求1所述的一种用于工业产品质量质控的图像异常检测方法，其特征在于：标准化处理包括对工业产品图像的尺寸调整和归一化。

3.根据权利要求1所述的一种用于工业产品质量质控的图像异常检测方法，其特征在于：还包括：步骤3使用gumbel-softmax方法进行二值计算，处理离散选择问题。

4.根据权利要求1所述的一种用于工业产品质量质控的图像异常检测方法，其特征在于：步骤3中使用双重编码机制对局部关键特征进行深度选择，具体步骤为：

5.根据权利要求1所述的一种用于工业产品质量质控的图像异常检测方法，其特征在于：步骤4中使用重构解码器根据选定的局部关键特征重构图像，并基于对抗训练的思想，使用鉴别器对重构图像的质量进行评估，提升重构图像的质量。

6.根据权利要求1或5所述的一种用于工业产品质量质控的图像异常检测方法，其特征在于：步骤4中以重构误差最下为目标构建损失函数，具体步骤如下：

7.根据权利要求1所述的一种用于工业产品质量质控的图像异常检测方法，其特征在于：步骤5中根据重构误差计算异常得分，测试样本的异常得分低于设定分值时，则表明测试样本属于正常范畴，异常得分的计算公式可以表示为：

8.根据权利要求7所述的一种用于工业产品质量质控的图像异常检测方法，其特征在于：设定分值为0.5。

技术总结
本发明公开一种用于工业产品质量质控的图像异常检测方法，包括：步骤1，对输入的工业产品图像进行标准化处理，以适应后续的特征提取和重构过程；步骤2，将标准化处理后的原始输入图像映射为潜在特征图；步骤3，将潜在特征图转换为掩码向量，使用掩码向量对潜在特征图中的局部关键特征进行选择，并使用深度特征编码器对局部关键特征进行二次选择，提取具有代表性的局部关键特征；步骤4，利用局部关键特征进行图像重构，使用对抗训练的方式提升重构图像的质量；步骤5，根据原始输入图像与重构图像之间的差异得到异常分数，根据异常分数判定异常结果。本发明避免了异常数据被准确重构而导致无法有效区分异常数据的问题，提高了异常检测的精度。

技术研发人员：赖会霞,周凡,陈宏睿,江俊,张仕
受保护的技术使用者：福建师范大学
技术研发日：
技术公布日：2024/7/15