[发明专利]棉纺纸筒的异常检测方法、装置、设备及存储介质

说明书

本发明属于深度学习技术领域，公开了一种棉纺纸筒的异常检测方法、装置、设备及存储介质。该方法包括：获取正常棉纺纸筒图像以及异常棉纺纸筒图像；将异常棉纺纸筒图像划分至测试集，并将正常棉纺纸筒图像划分至训练集和测试集；根据训练集训练自编码器，得到训练后的自编码器；根据测试集测试训练后的自编码器，得到目标自编码器；获取待测棉纺纸筒图像，并将待测棉纺纸筒图像输入至目标自编码器中，判断待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。通过上述方式，基于正常图像对自监督学习的自编码器进行训练得到目标自编码器，最后利用目标自编码器对待测棉纺纸筒图像进行检测，从而准确检测异常的棉纺纸筒。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种棉纺纸筒的异常检测方法、装置、设备及存储介质。

背景技术

在产品的生产加工过程中，异常型号是影响着产品良品率的关键因素。如何剔除异常型号的产品，是一个困扰企业的重大难题。然而，当前异常型号的剔除方法主要依赖人海战术，进行拉网式排查。这类方法一方面人力消耗巨大，导致生产成本加大；另一方面不同质检员衡量异常的标准存在些许差异，容易造成查漏。

现如今，利用人工智能技术助力企业生产逐渐成为主流。这其中，尤其以异常型号的自动筛查为代表，可以有效防止传统人眼筛查由于海量数据导致的视觉疲劳以及遗漏的问题，极大提升产品的市场竞争力，为企业生产和发展助力。

识别和剔除异常型号本质上是一个异常检测的问题，又被称为单分类问题或新颖检测问题。随着人工智能技术的快速发展，一些技术人员利用人工智能技术在智能制造领域进行探索实践，例如根据时间序列信号诊断加工器件的健康状态。但棉纺纸筒异常型号的筛查与其他应用不同，有自身独特的特点，例如正常型号图片数量多、异常型号数量少，正、异常型号之间的颜色和图案是重要区别特征等。如何根据棉纺纸筒的自身特点，将人工智能技术合理、有效地应用到异常型号的筛查工作中，提高产品的良品率，还有待研究。

在棉纺纸筒的异常检测任务中，常见的算法是直接利用二分类模型，即同时收集正常型号和异常型号的样本，然后使用二分类方法模型进行拟合，学出正、异常之间的决策边界。这种方式依赖于大量的、完备的异常样本，才能保证模型在上线运行中给出的筛查结果是可靠的。然而实际的情况是，异常型号的棉纺纸筒是罕见的，并且异常的种类多种多样。所以，收集的数据集中往往正常样本数量远远多于异常样本数量，并且无法穷尽所有可能的异常型号样本，导致二分类模型失效。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种棉纺纸筒的异常检测方法、装置、设备及存储介质，旨在解决现有技术如何准确筛查出异常棉纺纸筒的技术问题。

为实现上述目的，本发明提供了一种棉纺纸筒的异常检测方法，所述方法包括以下步骤：

获取正常棉纺纸筒图像以及异常棉纺纸筒图像；

将所述异常棉纺纸筒图像划分至测试集；

将所述正常棉纺纸筒图像分为多个正常图像对；

确定各正常图像对中两正常图像的相似性分数；

根据所述相似性分数从各正常图像对中选择目标正常图像；

将所述目标正常图像划分至所述测试集，并将所述正常图像对中除所述目标正常图像外的正常图像划分至训练集；

根据所述训练集训练自编码器，得到训练后的自编码器；

根据所述测试集测试所述训练后的自编码器，得到目标自编码器；

获取待测棉纺纸筒图像，并将所述待测棉纺纸筒图像输入至所述目标自编码器中，判断所述待测棉纺纸筒图像对应的待测棉纺纸筒是否为异常棉纺纸筒。