[发明专利]异常检测方法、计算机装置及存储介质

说明书

本申请提供一种异常检测方法、计算机装置及存储介质，其中，所述方法包括：使用正常图像训练自编码器模型；将待检测图像输入所述自编码器模型，判断所述自编码器模型能否基于所述待检测图像生成重建图像：当不能基于所述待检测图像生成重建图像时，确定所述待检测图像为异常图像；当能够基于所述待检测图像生成重建图像时，获得与所述待检测图像对应的重建图像；及基于缺陷判断准则判断所述重建图像是否有异常。本申请可辅助检测图像是否存在异常，提高异常检测的效率和准确率。

技术领域

本申请涉及产品检测领域，特别是指一种异常检测方法、计算机装置及存储介质。

背景技术

在实际工业生产过程中，部分产品的表面存在难以避免的缺陷。表面异常不仅会对产品的美观和舒适度产生不良影响，更严重者还会影响产品的使用性能。为了实现对产品的质量控制，外观异常检测是实际工业生产过程中非常重要的一个环节。传统的人工检测方法对人工检测员的主观判断依赖度很高，而且还有实时性差、劳动强度大等缺点，因此对实际产品进行图像采样，并基于采样的图像进行自动异常检测具备很重要的实际应用价值。

发明内容

鉴于以上内容，有必要提供一种异常检测方法、计算机装置及存储介质，可以辅助检测产品异常，以解决上述问题。

所述异常检测方法、计算机装置及存储介质，包括：使用正常图像训练自编码器模型；将待检测图像输入所述自编码器模型，判断所述自编码器模型能否基于所述待检测图像生成重建图像：当不能基于所述待检测图像生成重建图像时，确定所述待检测图像为异常图像；当能够基于所述待检测图像生成重建图像时，获得与所述待检测图像对应的重建图像；及基于缺陷判断准则判断所述重建图像是否有异常。

可选地，所述使用正常图像训练自编码器模型包括：收集预设数量的正常图像；获得所述预设数量的正常图像中的每个正常图像的隐含低维向量h；利用所述预设数量的正常图像中的每个正常图像的隐含低维向量h训练学习成为一个T分布。

可选地，所述获得与所述每个图像对应的隐含低维向量h包括：对所述每个正常图像进行图像处理得到每个正常图像对应的图像向量X；将所述每个正常图像的向量X进行压缩得到每个正常图像对应的隐含低维向量h。

可选地，所述利用隐含低维向量h训练学习成为一个T分布包括：利用所述隐含低维向量h的分布相似性，对变分自编码器模型进行训练，将所述隐含低维向量h训练学习成为一个T分布。

可选地，所述T分布的密度函数表达式为：

其中，t表示所述隐含低维向量h；v为自由度且v＝n-1，其中，n为样本的数量；Γ为Γ函数。

可选地，所述判断所述自编码器模型能否基于待检测图像生成重建图像包括：基于所述自编码器模型的多层神经网络获得所述待检测图像的重建概率p；当所述待检测图像的重建概率p小于且等于重建阈值δ时，确定不能基于所述待检测图像生成重建图像；当所述待检测图像的重建概率p大于所述重建阈值δ时，确定能够基于所述待检测图像生成重建图像。

可选地，所述缺陷判断准则为：获得所述待检测图像与所述重建图像之间的图像均方误差MSE；当所述图像均方误差MSE小于且等于误差阈值τ时，确定所述检测图像为正常图像；当所述图像均方误差MSE大于所述误差阈值τ时，确定所述检测图像为异常图像。

可选地，所述图像均方误差MSE的计算公式为：式中，y为所述待检测图像的像素，为所述待检测图像的重建图像的像素。

所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述异常检测方法。

所述计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现所述异常检测检查方法。