[发明专利]基于图像属性恢复的图像异常检测方法和系统

权利要求书

1.一种基于图像属性恢复的图像异常检测方法，其特征在于，包括：

图像属性移除步骤：对待检测的图像，利用图像灰度化、图像随机旋转的图像属性移除方法进行图像属性移除；

图像特征提取步骤：对通过图像属性移除步骤得到的属性缺失图像，使用深度卷积神经网络提取图像的高维特征；

图像属性恢复步骤：对图像的高维特征，使用深度卷积神经网络进行图像属性恢复，得到属性恢复图像；

恢复图像对齐步骤：对属性恢复图像和待检测的图像，使用均方误差损失函数进行自监督学习；

图像异常评定步骤：对均方误差损失函数的结果和属性恢复图像，使用加权平均函数进行图像异常评定。

2.根据权利要求1所述的基于图像属性恢复的图像异常检测方法，其特征在于，所述图像属性移除步骤包括：

所选择的属性移除方法使得被移除的属性与正常数据的语义信息相关，并且该属性在正常数据之间共享；

所选择的属性移除方法使得正常数据和异常数据的被移除的属性具有不同的语义信息；

所选择的属性移除方法不依赖额外数据集或额外数据标签进行图像属性移除；

其中，所选择的属性移除方法的集合记为：

给定待检测图像x_n，经过所述图像属性移除步骤得到的属性缺失图像为：

其中，代表所选择的第k个属性移除方法，K为属性移除方法的总数，是的复合函数。

3.根据权利要求1所述的基于图像属性恢复的图像异常检测方法，其特征在于，所述图像特征提取步骤包括：以所述图像属性移除步骤得到的属性缺失图像为输入，使用深度卷积神经网络提取图像的高维特征信息，图像特征提取网络由若干层卷积和下采样操作构成；

所述图像属性恢复步骤包括：以所述图像特征提取步骤得到的高维特征信息为输入，利用深度卷积神经网络模型实现图像属性恢复，得到属性恢复图像，图像属性恢复网络由若干层卷积和上采样操作构成。

4.根据权利要求1所述的基于图像属性恢复的图像异常检测方法，其特征在于，所述恢复图像对齐步骤包括：

对于待检测的图像，将所述图像恢复步骤得到的恢复图像与待检测的图像进行对比，从而计算如下损失函数：

其中，x_n代表待检测的图像，代表所述图像恢复步骤的图像恢复网络，代表经过所述图像属性移除步骤得到的属性缺失图像，p(x_n)代表模型训练集的正常数据集合。

5.根据权利要求1所述的基于图像属性恢复的图像异常检测方法，其特征在于，所述图像异常评定步骤包括：

对于待检测的图像，将所述图像恢复步骤得到的恢复图像与待检测的图像进行对比，从而计算如下异常评定函数：

其中，x代表待检测的图像，N为属性移除方法的总数，代表所述图像恢复步骤的图像恢复网络，代表第i个属性移除方法，是的复合函数，p(x_n)代表模型训练集的正常数据集合，所有损失函数均采用L1范数；

对待检测的图像，遍历所有可能的属性移除方法的可能组合，分别计算在所有可能组合情况下的图像恢复异常分数，并且利用模型训练集的正常数据集合对上述图像恢复异常分数进行加权求和，从而得到该待检测的图像最终的异常评定分数。

6.一种基于图像属性恢复的图像异常检测系统，其特征在于，包括：

图像属性移除模块：对待检测的图像，利用图像灰度化、图像随机旋转的图像属性移除方法进行图像属性移除；

图像特征提取模块：对通过图像属性移除模块得到的属性缺失图像，使用深度卷积神经网络提取图像的高维特征；

图像属性恢复模块：对图像的高维特征，使用深度卷积神经网络进行图像属性恢复，得到属性恢复图像；

恢复图像对齐模块：对属性恢复图像和待检测的图像，使用均方误差损失函数进行自监督学习；

图像异常评定模块：对均方误差损失函数的结果和属性恢复图像，使用加权平均函数进行图像异常评定。