[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

说明书

一种基于多路级联反馈的异常检测方法及装置、存储介质，其中异常检测方法包括：获取待检测物体的待检测图像并输入预设的图像检测模型，得到各网络节点输出的重建图像；图像检测模型构建有多路级联反馈网络，且每路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级联反馈网络中相对应网络节点的图像重建质量，确定具有表面异常区域的重建图像并与待检测图像进行比较，从而得到待检测物体的表面异常区域。由于图像检测模型构建有多路级联反馈网络，那么可通过任意两路级联反馈网络之间的图像特征差异来确定待检测物体的表面异常特征，为图像异常检测提供了有效的解决方案。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于多路级联反馈的异常检测方法及装置、存储介质。

背景技术

近年来，深度学习成为国内外各大领域关注的焦点，深度学习包括了监督学习和无监督学习两类。在计算机视觉领域，监督学习指的是通过图像和标注信息的一一对应训练神经网络，使其能够完成分类、目标检测和语义分割等工作；无监督学习指的是只用不含标注的图像信息训练神经网络，使其能完成聚类、异常检测、图像生成等工作。在工业质检领域中，应用较广的方法有人工选取特征方法和有监督的深度学习方法(以下简称监督学习方法)。

在人工选取特征方法中仍存在一些局限：需要待检测物体的形状、位姿、颜色等信息在一定范围内变化，当物体形状、位姿、颜色信息变化太大时则难以通过人工制定标准对异常区域(如物体表面的孔洞、爆裂、切痕、印刷等)与正常区域进行像素精度的判断。无论在标准图像与缺陷图像之间，或是标准图像与标准图像之间，或是同一类缺陷图像之间，物体表面形状与位姿变化范围较大的情况下，往往难以通过人工选取特征进行检测。

对人工选取特征方法难以奏效的情况，近几年流行使用监督学习方法进行解决。通过设计卷积神经网络，采集并标注待检测物体图像(包括大量正常图像与异常图像)以形成数据集，然后使用数据集对卷积神经网络进行训练，由此实现对特征进行自动选取、判断。虽然监督学习方法在物体的形状、位姿、颜色等信息变化范围较大的情况下，仍然能生成准确率、鲁棒性较高的结果，但也存在一些明显的不足，一方面难以获得足够数量、种类的异常样本，另一方面对大量图像的标注工作直接导致耗时长、花费高问题。

发明内容

本发明主要解决的技术问题是：如何克服现有深度学习方法在工业质检中存在的不足。为解决上述技术问题，本申请提供一种基于多路级联反馈的异常检测方法及装置、存储介质。

根据第一方面，一种实施例中提供一种基于多路级联反馈的异常检测方法，其包括：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。

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。

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。