[发明专利]一种基于多路级联反馈的异常检测方法及装置、存储介质

权利要求书

1.一种基于多路级联反馈的异常检测方法，其特征在于，包括：

获取待检测物体的待检测图像；

将所述待检测图像输入预设的图像检测模型，得到所述图像检测模型中各网络节点输出的重建图像；所述图像检测模型构建有多路级联反馈网络，且每路所述级联反馈网络包括多个浅层自编码器通过级联反馈形成的多个网络节点；

根据各网络节点输出的重建图像评价任意两路所述级联反馈网络中相对应网络节点的图像重建质量，以确定具有表面异常区域的重建图像；

将确定的重建图像与所述待检测图像进行比较，得到所述待检测物体的表面异常区域。

2.如权利要求1所述的异常检测方法，其特征在于，所述图像检测模型的构建过程包括：

建立至少两路的级联反馈网络，且设置各路所述级联反馈网络内相同序号的网络节点形成对应关系；

根据建立的网络结构配置对应的损失函数；

利用所述待检测物体的多幅正常样本图像对各路所述级联反馈网络进行训练，通过所述损失函数更新网络参数，在训练完成后得到所述图像检测模型。

3.如权利要求2所述的异常检测方法，其特征在于，建立每个所述级联反馈网络包括：

利用卷积神经单元组成每个浅层自编码器；所述浅层自编码器包括卷积层和下采样层组成的编码器，以及上采样层和卷积层组成的解码器；所述编码器用于接收所述浅层自编码器输入的图像且转换成语义信息，所述解码器用于还原语义信息且输出重建图像；

对多个所述浅层自编码器依次排序，将每个所述浅层自编码器的输出反馈至下一个所述浅层自编码器的输入，以每个所述浅层自编码器作为所述级联反馈网络中的一个网络节点；依据得到的各网络节点的级联形式建立每个所述级联反馈网络。

4.如权利要求2所述的异常检测方法，其特征在于，所述根据建立形成的网络结构配置对应的损失函数，包括：

对于任意一个所述级联反馈网络，计算所述级联反馈网络内首尾两个网络节点分别对应的图像欧氏距离表征的图像重建质量且满足

对于任意两个所述级联反馈网络，计算这两个所述级联反馈网络内若干个相同序号的网络节点对应的图像欧氏距离表征的图像重建质量且满足

利用计算得到的图像重建质量配置各路所述级联反馈网络对应的损失函数，用公式表示为

其中，x₀为所述级联反馈网络内首个网络节点输入的图像，为第j个级联反馈网络中第1个网络节点输出的重建图像，为第j个级联反馈网络中第N个网络节点输出的重建图像；j、m、k均为所述级联反馈网络的序号，i为网络节点的序号，N为所述级联反馈网络中各网络节点的数目，n为若干个相同序号的网络节点的数目。

5.如权利要求2所述的异常检测方法，其特征在于，所述利用所述待检测物体的多幅正常样本图像对各路所述级联反馈网络进行训练，通过所述损失函数更新网络参数，在训练完成后得到所述图像检测模型，包括：

获取待检测物体的多幅正常样本图像；所述正常样本图像中未包含所述待检测物体的表面异常区域；

利用所述正常样本图像作为每个所述级联反馈网络中首个网络节点输入的图像，并将各幅所述正常样本图像依次输入至每路所述级联反馈网络以进行训练；

在各路所述级联反馈网络对应的损失函数的前后计算差值小于预设阈值，或者对应的损失函数达到的预设迭代次数时结束训练；

在结束训练时利用已更新网络参数的各路所述级联反馈网络得到所述待检测物体的图像检测模型。

6.如权利要求1-5中任一项所述的异常检测方法，其特征在于，所述将所述待检测图像输入预设的图像检测模型，得到所述图像检测模型中各网络节点输出的重建图像，包括：

将所述待检测图像输入所述图像检测模型中的每路所述级联反馈网络，由每路所述级联反馈网络中的每一个网络节点输出重建图像。