[发明专利]一种工业产品异常检测方法、系统、装置及存储介质

权利要求书

1.一种工业产品异常检测方法，其特征在于，包括以下步骤：

获取待检测图像，将所述待检测图像输入编码器，获得第一编码特征，根据所述第一编码特征和预设的全局模板特征进行余弦相似度计算，获得相似性得分图；

将所述相似性得分图和预设的阈值分数图进行比较，将相似性得分小于阈值分数图的位置判定为异常特征，将所述异常特征替换为对应位置的模板特征；

将特征修正后的编码特征输入解码器中，获得重建图像；

将待检测图像和重建图像进行相似度分数计算，根据相似度分数进行阈值分割，获得所述待检测图像中存在异常的图像区域。

2.根据权利要求1所述的一种工业产品异常检测方法，其特征在于，所述全局模板特征和所述阈值分数图通过以下方式获得：

获取无异常的工业产品图像，将获得的所述工业产品图像分为训练集和验证集；

采用所述训练集训练图像重建模型，所述图像重建模型包括编码器和解码器；

采用训练后的所述编码器对训练集中的每张图像进行特征提取，获得第二编码特征，将训练集中所有的第二编码特征展平为二维张量；

对二维张量进行K-means聚类，获得k个模板特征矢量，将所述k个模板特征矢量重塑为k个全局模板特征；

将验证集输入编码器，获取验证集的第三编码特征，将每张图像的第三编码特征与所有的全局模板特征进行余弦相似度计算，得到k个平均得分，从k个平均得分中选择最大值对应的模板作为最近似模板；

将所述最近似模板与所述第三编码特征进行余弦相似度比较，获得相似分数矩阵，对所有图像的相似分数矩阵累加求平均，获得阈值分数图，作为检测过程中特征替换的判断依据；

其中，所述全局模板特征的尺寸与编码特征的尺寸一致，k为正整数。

3.根据权利要求2所述的一种工业产品异常检测方法，其特征在于，所述采用所述训练集训练图像重建模型，包括：

构建组合损失函数，所述组合损失函数包括L2范数损失函数、结构相似性损失函数以及多尺度梯度幅值相似度损失函数；

将所述训练集中的原图输入所述图像重建模型中，获得重建图像；

采用所述组合损失函数比较所述原图和重建图像的差异，根据比较获得的差异训练所述图像重建模型。

4.根据权利要求3所述的一种工业产品异常检测方法，其特征在于，所述组合损失函数的表达式如下：

其中，λ₁、λ₂和λ₃为各损失函数的权重，X_i表示输入图像，表示重建图像，D表示解码器，E表示编码器；L2_Loss(·)表示L2范数损失函数，SSIM_Loss(·)表示结构相似性损失函数，MSGMS_Loss(·)表示多尺度梯度幅值相似度损失函数；

所述结构相似性损失函数的表达式如下：

式中μ为亮度，σ为对比度；常数C₁表示避免接近0时造成系统的不稳定，常数C₂表示避免接近0时造成系统的不稳定，H、W分别表示图像的高度和宽度；

所述多尺度梯度幅值相似度损失函数的表达式如下：

式中g(·)表示Prewitt滤波器对图像进行卷积操作得到图像的梯度信息，N_l表示尺度l下像素数目，常数c避免分母接近0时造成系统的不稳定。

5.根据权利要求2所述的一种工业产品异常检测方法，其特征在于，采用以下公式计算每张图像的第三编码特征与k个的全局模板特征Z_T的余弦相似度：

取平均值最大的模板第三编码特征与各自的进行对应位置的余弦相似度比较得到相似度分数，公式如下：

其中i表示验证集的第i张图，j、k代表特征图第j行和第k列特征，C为特征通道数，N为验证集样本数量，最后得到一张阈值分数图S，S∈R^h×w。