技术特征：
1.一种基于快速傅里叶卷积的工业图像异常检测方法，其特征在于，包括：获取异常图片；将所述异常图片输入预先训练过的基于快速傅里叶卷积搭建的图像异常检测模型中，获取重建图片；使用l2函数计算所述异常图片与重建图片的差值；将所述差值与预先设置的阈值进行比较，获取最终检测结果。2.根据权利要求1所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述图像异常检测模型的训练方法，包括：获取正常样本图片，将正常样本图片经过随机掩码变成异常图片；将异常图片输入预先构建的图像异常检测模型中进行训练，其中，高频注意力模块和编码器-解码器模块。3.根据权利要求2所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述将异常图片输入预先构建的图像异常检测模型中进行训练，包括：将异常图片送入高频注意力模块提取正常样本出现次数较高的图像细节信息，得到包含高频注意力的特征图；将所述包含高频注意力的特征图送入类u型结构的编码器-解码器中，获取复原重建的无异常图片；计算所述正常样本图片和所述复原重建的无异常图片之间的l2差值损失，通过随机梯度下降方法优化l2差值损失，获取最优的图像异常检测模型。4.根据权利要求3所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述将所述包含高频注意力的特征图送入类u型结构的编码器-解码器中，获取复原重建的无异常图片，包括：通过编码器对输入的特征图执行编码操作，提取特征图的深层语义信息；通过解码器操作，对提取到的深层语义信息进行特征重建，使得特征图重塑为和输入特征图尺寸相同，且将异常区域的信息重塑为正常信息，获取复原重建的无异常图片。5.根据权利要求3所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述计算所述正常样本图片和所述复原重建的无异常图片之间的l2差值损失，公式如下：其中，n表示当前卷积层输出的神经元个数对应输出图像的每个像素点，f
oi
表示输出图像在位置i的像素值，f
ii
表示输入图像在位置i的像素值。6.根据权利要求1所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述将所述差值与预先设置的阈值进行比较，获取最终检测结果，包括：对计算得到的差值特征图设置阈值，当差值大于阈值时，认定为异常值，当差值小于阈值时，认定为正常值，最终得到异常检测效果图。7.根据权利要求4所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述高频注意力模块包括用于降低信道维数的3
×
3卷积层、用于捕捉全局与局部的交互的ffc层、将值限制在0到1之间的sigmoid层。
8.根据权利要求4所述的基于快速傅里叶卷积的工业图像异常检测方法，其特征在于：所述编码器由经典resnet50结构组成，其中，将resnet中的3
×
3卷积核替换成快速傅里叶卷积算子组成新的残差块连接；所述解码器包括4个反卷积层和1个上采样层。9.一种工业产品图像异常检测装置，其特征在于，包括：异常图片获取单元，用于获取异常图片；重建图片获取单元，用于将所述异常图片输入预先训练过的图像异常检测模型中，获取重建图片；差值计算单元，用于使用l2函数计算所述异常图片与重建图片的差值；检测结果获取单元，用于将所述差值与预先设置的阈值进行比较，获取最终检测结果。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1～8任一项所述方法的步骤。
技术总结
本发明公开了一种基于快速傅里叶卷积(FFC)的工业图像异常检测方法，所述方法包括获取异常图片；将所述异常图片输入预先训练过的基于快速傅里叶卷积搭建的图像异常检测模型中，获取重建图片；使用L2函数计算所述异常图片与重建图片的差值；将所述差值与预先设置的阈值进行比较，获取最终检测结果。所述图像异常检测模型的训练方法，包括：获取正常样本图片，将正常样本图片经过随机掩码变成异常图片；将异常图片输入预先构建的图像异常检测模型中进行训练，其中，图像异常检测模型包括高频注意力模块和编码器-解码器模块，本发明可以加大输入的原始异常图片与重建图片之间的差值，起到提高异常检测精度的效果，同时也能提高异常的定位精度。提高异常的定位精度。提高异常的定位精度。
技术研发人员：朱加乐 郭浩然 江结林
受保护的技术使用者：南京信息工程大学
技术研发日：2022.05.16
技术公布日：2022/8/5