[发明专利]使用多个机器学习程序检测图像中的异常的方法和系统

说明书

本发明总体上涉及机器视觉系统，并且更具体地涉及对由成像传感器观察到的场景中的异常的检测。

技术领域

本发明总体上涉及机器视觉系统，并且更具体地涉及对由成像传感器观察到的场景中的异常的检测。

背景技术

图像数据中的异常的检测和定位在许多机器视觉应用中是重要的任务。常用方法是使用机器学习，通过用人监督在图像上训练机器学习来创建称为模型的预测程序，该预测程序以图像中的异常的标签或注释的形式提供。然而，异常图像在模型创建期间通常不可用，并且难以确定在实践中可能发生的所有可能类型的异常。因此，期望不需要在训练图像中注释或呈现异常的异常检测方法。例如，在制造行业中，光学检查任务经常缺乏可以用于训练异常检测模型的缺陷样本的详尽集合。这是由于现代制造机器的低错误率以及在生产过程中可能出现的缺陷的高多样性。本文描述了用于检测图像中的异常的方法。所述方法不需要在用于模型创建的训练图像中注释或呈现异常。

用于检测图像中的异常的方法的场景是多样的并且已经引入许多方法来解决该问题。埃雷特(Ehret)等人(EHRET，T.等人，图像异常：检测方法的综述和合成(A Reviewand Synthesis of Detection Methods)。数学成像与视觉杂志(Journal ofMathematical Imaging and Vision)，2019年第61卷，第5期，第710–743页)给出了现有工作的全面综述。许多方法由于神经网络的学习描述图像中的复杂模式的辨别性表示(称为特征)的能力而使用神经网络。以下段落描述了基于神经网络的许多方法落入的类别。

基于自动编码器的方法试图通过低维度瓶颈来重构输入图像。其示例是Venkataramanan等人(VENKATARAMANAN，S.等人，图像中的注意力引导异常定位(AttentionGuided Anomaly Localization in Images)。在：计算机视觉–ECCV 2020，斯普林格国际出版社，卡姆，2020年，第485–503页)和刘等人(LIU，W.等，走向视觉解释变化的自动编码器(Towards Visually Explaining Variational Autoencoders)。在：IEEE/CVF计算机视觉与模式识别(CVPR)会议论文集，2020年，第8642-8651页)提出的方法。基于自动编码器的方法通常依赖于以下假设：异常图像的重构不如无异常图像的重构准确。对于要搜索异常的新图像，因此可以通过将所述输入图像与其重构进行比较来导出异常图。不幸的是，自动编码器往往产生模糊和不准确的重构。伯格曼等人(BERGMANN，P等人，通过对自动编码器应用结构相似度来改进无监督的缺陷分割(Improving Unsupervised Defect Segmentationby Applying Structural Similarity to Autoencoders)。在：第十四届计算机视觉、成像与计算机图形理论与应用国际联合会议，第5卷：VISAPP，Scitepress，Setúbal，2019年，第372-380页)观察到，这导致误肯定的增加，即，由于重构误差而获得高异常分数的无异常像素。自动编码器还可以学习简单地复制输入数据的部分，这将允许它们重构异常区域以及无异常区域。如果异常像素由于准确的重构而获得低异常分数，则这导致误否定的增加。为了阻止这种行为，帕克等人(PARK，H.等人，学习用于异常检测的存储器引导的正态性(Learning Memory-Guided Normality for Anomaly Detection)。在：计算机视觉与模式识别(CVPR)会议论文集，2020年，第14372-14381页)介绍了MNAD方法，该方法使用具有集成存储器模块的自动编码器。其在训练期间选择许多潜在特征，所述潜在特征需要在推理期间被重新用于重构。虽然这有帮助，但是它们的方法仍然遭受模糊重构。