[发明专利]基于无监督学习的异常检测方法、装置及存储介质

说明书

本发明提供一种基于无监督学习的异常检测方法，包括模型训练及模型测试；在训练时，无需对训练样本进行标记，无需使用大量的缺陷样本进行训练。且网络结构不仅约束了原图和重建图之间的损失差值，还约束了原图的编码特征与重建图的编码特征之间的损失差值；并在模型训练时，引入了生成对抗网络的对抗训练思想将第一编码器‑第一解码器‑第二编码器当成生成网络，定义一个判别网络，通过交替训练生成网络和对抗网络，得到生成网络。在测试时计算所有产品图片的原图的编码特征与重建图的编码特征之间的差异，以判断样本是否异常。该测试更关注图片实质内容的差异，对图片中的微小变化不敏感，鲁棒性更好。本发明还对应提供一种装置及存储介质。

技术领域

本发明涉及异常检测领域，具体涉及一种基于无监督学习的异常检测方法、装置及存储介质。

背景技术

现有PCB缺陷的机器视觉检测主要有：传统图像处理算法及基于监督学习的异常检测定位。

传统图像处理算法具体是：使用良品模板匹配的方式以及斑点分析对产品图像所存在的缺陷进行检测。通过设定良品模板，对待测图像中的产品进行定位并将定位到的产品变化至与模板中产品同一位置进行差异对比及斑点分析，从而实现缺陷异常检测及定位。传统图像处理方法的部署实现较为简单，但容易受成像稳定性影响，如当产品成像发生形变失真时则会产生误判。

基于监督学习的异常检测定位具体是：通过使用大量缺陷样本进行模型训练，使用训练后的模型对图像进行推理，对产品图像中的缺陷进行分割定位或分类从而实现检测。基于监督学习的检测方法的模型训练过程需要使用大量的缺陷样本，而部分应用场景中如PCB印刷电路检测较难收集到大量的缺陷样本，无法得到泛化性能较好的模型。

因此，针对现有场景中缺陷样本较少或无法代表生产中可能出现的其他类型缺陷，需要一种全新的异常检测方法进行检测。

发明内容

针对现有技术的不足之处，本发明的目的在于提供一种基于无监督学习的异常检测方法、装置及存储介质。

本发明的技术方案概述如下：

一方面，本发明提供一种基于无监督学习的异常检测方法，包括模型训练及模型测试；

所述模型训练，包括：

构建第一子网络，所述第一子网络包括第一编码器和第一解码器；输入原图经过所述第一子网络的第一编码器得到的第一编码特征，同时所述第一子网络重建输入的图像，得到重建图；

构建第二子网络，第二子网络包括第二编码器；所述第二子网络将所述第一子网络得到的重建图映射为一个n维变量的第二编码特征 ；其中，第二编码特征与第一编码特征的维度相同；

构建第三子网络，其中第三子网络作为判别网络，所述第一子网络和第二子网络作为生成网络；所述第三子网络用于区分原图和重建图；

交替训练生成网络和对抗网络时，约束原图和重建图之间的损失差值，同时约束所述第一编码特征与所述第二编码特征之间的损失差值，得到满足约束的生成模型；

所述模型测试，包括：

将待测样本输入根据所述模型训练得到的生成模型中，得到待测样本的第一编码特征z与第二编码特征之间的差异；

根据所述待测样本的第一编码特征与第二编码特征之间的差异，判断待测样本是否异常。

进一步地，所述第一子网络对应的第一损失函数为：

；

其中，表示到其数据分布，所有输入和其对应输出值的绝对值之和，为根据第一子网络得到的重建图；所述第一损失函数表征第一子函数的重建损失；

所述第二子网络对应的第二损失函数为：

；