[发明专利]一种工业数据异常检测方法、装置、终端设备及存储介质

说明书

本发明提供了一种工业数据异常检测方法，首先，获取所述标准工业制品的数据，获取所述异常工业制品的数据；其次，对所述标准工业制品的数据进行重新校验，对所述异常工业制品的数据进行重新校验；然后，计算并获得所述数据的高密度区域和低密度区域；通过对所述低密度区域进行划分，识别出缺陷样本的类别；最后获取待测样本的数据，确定所述待测样本的类别。本发明的实施例中，通过将对数据进行校验，保证数据的一致性，使得对工业制品缺陷进行分类时，缺陷分类更加精准，且通过对低密度区域进行划分，识别出缺陷样本的类别，可以有效的对缺陷类别进行分类；并对待测样本进行缺陷检测时，可以准确确定其所属的缺陷类别。

技术领域

本发明涉及机器学习领域，尤其涉及一种小样本工业数据异常检测方法、装置、终端设备及存储介质。

背景技术

随着我国工业的发展，工业自动化发展也越来越迅速。在工业生产的流水线上，产品的缺陷检测是一个必不可少的步骤，其监测的效果及精确度影响着工业生产的性能、效率及利润。而目前缺陷检测大都是人工的形式，这就造成了大量的人力浪费，且检测时容易出现错误，尤其是对一些小型缺陷，不仅出错率高而且还会对视力造成一定程度的伤害，因此，研发强大的智能缺陷检测技术日趋重要。

深度学习技术目前已经相对比较成熟，其具有很强的通用性和鲁棒性，可以检测多种类型的缺陷，增加工业上的利用率，成为产业化的技术。目前，使用基于深度学习的算法可快速准确地实现的缺陷检测，且适用范围广能够灵活地应用于建筑、金属固件以及布匹丝织物等众多行业的生产过程中，一般可以取得较好的实用化效果，但需要有大数据支撑。然而，在缺陷检测场景下，大量的缺陷样本难以获取，只能得到少量的缺陷样本和大量的正常样本，因而为不平衡数据。在此情况下，使用通常的机器学习算法进行缺陷检测往往效果不理想。例如，使用深度学习训练样本量小的缺陷样本，容易导致过拟合；使用标准支持向量机算法容易得到偏向于正常样本集的超平面，导致决策超平面附近的正常样本被识别为缺陷样本等。因此，针对小样本及不平衡数据集的数据处理用于工业缺陷检测意义重大。

发明内容

有鉴于此，本发明提供了一种工业数据异常检测方法、装置、电子设备及可读存储介质；其通过对标准工业制品数据以及异常工业制品的数据进行清洗、密度划分，有效的筛选出异常工业制品的数据，并通过对低密度区域数据进行进一步划分，有效地实现对异常数据进行缺陷分类，从而实现对待测样本的缺陷进行快速分类。

本发明实施例提供了一种工业数据异常检测方法，其特征在于，包括：

获取所述标准工业制品的数据；

获取所述异常工业制品的数据；

对所述标准工业制品的数据进行重新校验，对所述异常工业制品的数据进行重新校验；

计算并获得所述数据的高密度区域和低密度区域；

对所述低密度区域进行划分，识别出缺陷样本的类别；

获取待测样本的数据，确定所述待测样本的类别。

进一步地，对所述标准工业制品的数据进行重新校验；对所述异常工业制品的数据进行重新校验，还包括：将所获取的标准工业制品的数据和/或异常工业制品的数据进行格式内容修正、以及删除重复信息。

进一步地，计算并获得所述数据的高密度区域和低密度区域，还包括：将所获取的标准工业制品的数据以及所获取的异常工业制品的数据，通过将该数据映射至高维空间，通过数据之间的距离值，确定所述高密度区域和低密度区域。

进一步地，所述高密度区域和低密度区域的确定，还包括，通过将高密度区域包围在超球面中，将该高密度区域的数据作为标准工业制品数据，位于超球面外的数据为异常工业制品的数据。