[发明专利]一种基于离散-连续特征耦合的图像异常检测方法

说明书

本发明涉及一种基于离散‑连续特征耦合的图像异常检测方法，包括下列步骤：第一步：图像特征提取，包括：数据预处理；编码网络特征提取；哈希隐空间和描述隐空间特征提取：将获得的隐空间特征按空间展开获得块描述特征，基于该描述特征，通过二值化映射函数，获得与之对应哈希特征，加入离散统计激活层，使反向逆传播能以分布导数的方式通过离散编码；引入额外的判别器，用以分类所提取到的哈希特征与二项分布向量；第二步：图像特征融合：求解相似性矩阵；构建相似性图；重建原始图像；第三步：异常检测。

技术领域

本发明属于深度学习领域，主要涉及图像异常检测，自监督学习，表征学习以及图像修复。

背景技术

现阶段，人工智能技术给图像分析带来巨大变革，对制造业^[1-2]和设备状态监测^[3]等领域产生深远影响。在智能分析过程中，受外观缺陷和成像传感器响应畸变等因素的影响，异常样本不可避免，无法筛选出该类样本会对产品质量保障^[4]和设备稳定运行^[5]造成不可估计的损失。异常样本外观多样、分布不一致且数量极少，因此传统的监督分类算法和成熟的深度神经网络难以适用于异常检测任务^[6-9]。而无监督图像异常检测旨在仅利用正常样本的情况下构建模型，检测出偏离正常规律的异常样本，具有重要的理论意义和应用价值。

目前，无监督异常检测算法可以分为判别法和重构法。判别法旨在利用某种假设构造异常样本，训练精准分类器从而检测出真正异常样本。常见的假设包括：伪异常样本^[10]，偏离正常空间样本^[11]等。这类算法的优点是计算量小，但通常情况下仅适用于全局异常样本，无法对局部异常进行定位，导致其适用场景具有局限性。

重构法旨在构建可以重构原始图像的网络模型，由于训练集仅为正常样本，因此模型仅学得正常样本的外观分布规律。在测试阶段，仅可以实现对正常样本的清晰重构，而异常样本会产生较大的重构误差^[12]。近年来基于自编码器(AE)和生成对抗网络(GAN)的重构法取得了很大进步。这些方法可以分为两类：一类是基于正常样本的高质量重构，利用清晰化重构模型使正常区域获得更小的重构误差，则异常区域重构误差相对更大。Akcay^[13]提出了GANomaly方法，该方法利用对抗自编码网络优化了对隐空间的搜索过程，直接以重构清晰的原始图为训练目标，获得了较大的性能提升。随后Akcay^[14]引入了跳层连接方式(Skip-Connection)可以进一步提升重构图像的质量。另一类是基于异常样本的低质量重构，引入隐空间限定表达机制来训练正常样本，因异常样本无法在限定空间上表达，进而异常区域重构误差更大。Gong等人^[15]在隐空间中引入字典结构，使输入解码器的特征向量限制表达在训练好的字典上，对于异常样本而言，由于用于解码的特征是正常特征，理想情况下会和原始输入图像产生较大的重构误差。Park等人^[16]优化了这个模型的训练过程并应用到视频异常事件检测任务中。

上述方法在一定程度上推动了异常检测算法的进步，但两类方法都存在局限性，主要原因有：(1)普适性重建问题：高质量重构方法需要信息丰富的浅层特征，而浅层特征具有通用性，因此在训练阶段存在隐空间欠采样现象，导致一些情况下异常样本也可以获得良好的重构效果；(2)低质量干扰问题：限定表达机制限制了特征的多样性，降低了模型对差异性内容的重构，会导致某些正常样本的重构质量差，降低了算法的区分度。

参考文献

[1]Zhou P,Xu K,Zhang C Y,et al.On-linesurface defect detection forsteel rails based on multi-line lasers.Chin J Eng,2015,37(S1):18

(周鹏,徐科,张春阳,等.基于多激光线的钢轨表面缺陷在线检测方法[J].工程科学学报,2015,37(S1):18)