[发明专利]一种基于生成式对抗网络模型的图像异常检测方法

权利要求书

1.一种基于生成式对抗网络模型的图像异常检测方法，其特征在于，所述异常检测方法包括以下步骤：

S1：将摄取设备生成的原始图片输入生成式对抗网络模型中,生成式对抗网络模型包括编码器、生成器、判别器和二分类器，编码器、生成器和判别器共同构成了基于SENET模块的特征提取模型，用于学习正常样本的数据分布，二分类器用于计算检测图片的异常分数；

S2：经过判别器倒数第二层后获得原始图片和生成图片的特征，将所述两者特征相减的结果作为二分类器的输入，输出对应异常类别分数；

S3：计算异常类别判别阈值，根据异常类别分数与异常类别判别阈值的关系，判断图像是否正常。

2.根据权利要求1所述的一种基于生成式对抗网络模型的图像异常检测方法，其特征在于，所述生成式对抗网络模型的训练包括以下步骤：

S11：制作训练集、分类集和测试集；

S12：设置训练参数；

S13：生成多维随机噪声，训练基于SENET模块的特征提取模型中的WGAN-GP模型，WGAN-GP模型包括生成器和判别器，迭代训练多次判别器后进行一次生成器的训练，采用随机梯度下降法更新权重参数，直至迭代结束；

S14:采用随机采样的方法从正常样本数据集中获取每次训练所需的一批样本，图片经过预处理后，将所述图片输入到编码器中，固定WGAN-GP模型参数，训练改进后的编码网络。

3.根据权利要求2所述的一种基于生成式对抗网络模型的图像异常检测方法，其特征在于，所述步骤S11中，训练集中只有正常样本，分类集中包含训练集的正常样本和异常样本，所述分类集中的正常样本和异常样本的比例为(4-7):1；测试集中有正常样本和异常样本，所述测试集中的正常样本数和异常样本数的比例为(45-50)：(8-10)。

4.根据权利要求2所述的一种基于生成式对抗网络模型的图像异常检测方法，其特征在于，所述训练参数包括最大迭代次数、批处理数batch-size、判别器和生成器的相对训练频率、学习率、网络每层的输入输出通道数和网络层数。

5.根据权利要求2所述的一种基于生成式对抗网络模型的图像异常检测方法，其特征在于，所述S13具体包括以下步骤：

S131：生成m个满足标准正态分布的多维随机噪声{z¹，z²，…，z^m}，将所述噪声输入生成器后得到m张生成图像从训练集中随机获取m张真实图像{x¹,x²,...,x^m}，将所述m张生成图像和m张真实图像输入判别器中，通过随机梯度下降法更新判别器的权重参数，使判别器的目标函数达到最大值，判别器的目标函数如下所示：

D表示判别器，x'表示满足真实图片和生成图片之间进行加权求和后的图片，λ表示超参数，引入第三项惩罚项使得所述判别器对应的目标函数曲线保持平滑，且曲线的梯度越接近1越好，判别器网络结构由多个全连接层构成，除最后一个全连接层外，剩下的全连接层后均连接一个LeakyReLU激活层；

S132：迭代训练多次判别器后进行一次生成器的训练，将S131中所述随机噪声再次输入生成器后得到m张生成图像将所述m张生成图像输入判别器中，固定判别器的参数，通过随机梯度下降法更新生成器参数，使得生成器的损失值达到最小，生成器的损失函数如下所示：

G表示生成器，所述生成器网络结构由多个全连接层构成，除最后一个全连接层外，剩下的全连接层后均连接一个LeakyReLU激活层，除第一个和最后一个全连接层外，中间的全连接层后均连接一个BatchNorm层，最后一个全连接层后连接Tanh激活层。

6.根据权利要求2所述的一种基于生成式对抗网络模型的图像异常检测方法，其特征在于，所述S14中，图片经过预处理的具体方法为：调整训练集中的图片大小，采用随机水平翻转方法进行数据增强，每轮迭代前打乱正常样本数据集中图片顺序，随机选取batch-size张图片，对所述图片的三个通道分别进行归一化操作，使原始数据满足正态分布。