[发明专利]基于WGAN的工业异常检测方法和装置

说明书

本发明提供了一种基于WGAN的工业异常检测方法和装置，其中，所述方法包括以下步骤：获取待检测工件的异常图集和非异常图集；对待检测工件的异常图集和非异常图集分别进行数据预处理，以对应得到第一数据集和第二数据集；根据第一数据集和第二数据集构建WGAN异常检测模型；获取待检测工件的待检测图像；采用卷积神经网络对待检测工件的待检测图像进行数据筛选；采用WGAN异常检测模型对筛选后的待检测图像进行异常检测。本发明能够在异常缺陷数据较少的情况下实现工业异常检测，并且采用的算子简单，同时具有较高的检测效率和检测精度。

技术领域

本发明涉及工业质检技术领域，具体涉及一种基于WGAN的工业异常检测方法和一种基于WGAN的工业异常检测装置。

背景技术

目前工业质检中，缺陷的异常检测必不可少，因为在工业质检的产线上，往往将工件不加过滤地直接送入目标检测模型，但是这些异常缺陷在检测时可能会被漏掉，影响目标检测的准确度。所以，为了避免这样的错误发生，在目标检测模型工作之前，需要用异常检测模型先进行异常检测。

然而，目前常用的异常检测算法，例如传统的视觉算法，利用OpenCV等开源库的算子来实现异常检测，由于计算资源损耗大、耗时长、一些算法不能用于商业用途等原因，导致该方法在工业中并不适用；又例如深度学习算法，由于深度学习模型的训练需要大量的相应数据，但是异常工件的数量极为有限，所以在工业质检领域，异常缺陷的数据不足以支撑模型的训练，往往导致训练模型的精度难以适应异常检测的需求。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于WGAN的工业异常检测方法，能够在异常缺陷数据较少的情况下实现工业异常检测，并且采用的算子简单，同时具有较高的检测效率和检测精度。

本发明的第二个目的在于提出一种基于WGAN的工业异常检测装置。

为达到上述目的，本发明第一方面实施例提出了一种基于WGAN的工业异常检测方法，包括以下步骤：获取待检测工件的异常图集和非异常图集；对所述待检测工件的异常图集和非异常图集分别进行数据预处理，以对应得到第一数据集和第二数据集；根据所述第一数据集和所述第二数据集构建WGAN异常检测模型；获取待检测工件的待检测图像；采用卷积神经网络对所述待检测工件的待检测图像进行数据筛选；采用所述WGAN异常检测模型对筛选后的所述待检测图像进行异常检测。

根据本发明提出的基于WGAN的工业异常检测方法，通过对待检测工件的异常图集和非异常图集分别进行数据预处理，以对应得到第一数据集和第二数据集，并根据第一数据集和第二数据集构建WGAN异常检测模型，还采用卷积神经网络对待检测工件的待检测图像进行初步的数据筛选，最终采用WGAN异常检测模型对筛选后的待检测图像进行异常检测，从而判断待检测工件是否为异常工件，由此，能够在异常缺陷数据较少的情况下实现工业异常检测，并且采用的算子简单，同时具有较高的检测效率和检测精度。

另外，根据本发明上述实施例提出的基于WGAN的工业异常检测方法还可以具有如下附加的技术特征：

进一步地，对所述待检测工件的异常图集和非异常图集分别进行数据预处理，以对应得到第一数据集和第二数据集，具体包括以下步骤：对所述待检测工件的异常图集和非异常图集分别进行灰度处理，以对应得到第一灰度图和第二灰度图；对所述第一灰度图和所述第二灰度图分别进行伸缩和高斯滤波处理，以对应得到第一数据集和第二数据集。

进一步地，根据所述第一数据集和所述第二数据集构建WGAN异常检测模型，具体包括以下步骤：构建原始WGAN模型，其中，所述原始WGAN模型包括生成器和判别器；将所述第一数据集和所述第二数据集输入所述原始WGAN模型中，以对所述原始WGAN模型进行训练得到所述WGAN异常检测模型，其中，所述第一数据集模拟所述原始WGAN模型生成器的随机噪声，所述第二数据集模拟所述原始WGAN模型判别器的标签。