[发明专利]一种基于自监督学习的异常图像检测方法

说明书

本发明涉及工业自动化技术领域，尤其为一种基于自监督学习的异常图像检测方法，其具体步骤如下：S1，获取待检图像；S2，将待检测图像输入模型，并获取异常分数；S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像，本发明通过设计基于自监督学习的异常图像检测方法，设置更为合理的代理任务，借助基于特征层面的余弦距离损失函数进行训练，使模型能够适应不同尺度的异常，捕获更加鲁棒的图像深层表征，获取在真实异常图像上更强的泛化能力，从而实现更加精确的异常检测。

技术领域

本发明涉及工业自动化技术领域，具体为一种基于自监督学习的异常图像检测方法。

背景技术

像异常检测是工业自动化领域的一个重要问题。考虑异常样本难以获取，仅使用正常样本训练并构建模型的方法具有较强的实际应用价值。自监督学习(self-supervisedlearning，SSL)能够通过设置代理任务，从无标签的数据中挖掘自身的监督信息，从而获取对下游异常检测任务有效的图像深层表征。如何合理地设置代理任务(proxy task)是自监督学习的关键问题。现有的基于自监督学习的异常检测方法CutPaste(Self-SupervisedLearning for Anomaly Detection and Localization)的代理任务设置方法如下：1.从正常的训练图像中随机选择一个可变大小和长宽比的矩形区域；2.对选择的区域进行随机旋转或增强(jitter)；3.将变换后的区域随机粘贴在原图像的任意区域。4.以变换后的图像模拟真实异常图像，通过模型对真实图像和模拟的异常图像进行识别来获取图像的深层表征。然而，该代理任务的设置存在三个明显问题：1.粘贴前未对选择的图像区域进行缩放，因而生成的异常的尺度与原始图像一致，然而真实的异常往往是多尺度的；2.生成的图像异常仅有一处，而真实的图像中可能存在多处异常；3.粘贴方法为将变换后的区域直接替换原图像中的区域，导致粘贴区域与图像的原始部分具有明显边界，而真实情况下，图像的异常有多种呈现方式，其并不一定与原始图像有明显边界或者不连续。因此，上述代理任务中生成的图像与真实异常具有较大的差异，这使得模型很容易寻找到捷径(shortcut)来识别代理任务中构建的虚假异常图像，导致其在自监督学习阶段无法获取图像的有效深层表征，从而降低该模型在真实的异常图像上的泛化性能。此外，CutPaste方法使用的损失函数为基于类别标签的交叉熵损失，该损失函数能够提供的监督信息非常有限，不利于模型的深层次特征提取。

综上所述，本发明通过设计一种基于自监督学习的异常图像检测方法来解决存在的问题。

发明内容

本发明的目的在于提供一种基于自监督学习的异常图像检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于自监督学习的异常图像检测方法，其具体步骤如下：

S1，获取待检图像；

S2，将待检测图像输入模型，并获取异常分数；

S3，判断异常分数是否大于某特定阈值，若是，则认为该待检图像为异常图像，若不是，则认为其为正常图像。

作为本发明优选的方案，所述S2中模型为SSLAnomaly的结构，并且SSLAnomaly的结构包含特征提取器F(·)和映射头G(·)，其中特征提取器采用卷积神经网络，如VGG、ResNet或者DenseNet其中的一种，映射头包含三个MLP模块，并且MLP的具体结构依次包含全连接层、BN层、ReLU层及全连接层。

作为本发明优选的方案，所述S2中模型的训练流程，包括以下步骤：

S21，设置代理任务，获取模拟的异常图像I′；

S22，将原始图像I及模拟的异常图像I′同时输入到SSLAnomaly中，获取其对应的特征嵌入E_I及E_I′：