异常检测方法、装置、计算机设备及存储介质

本发明涉及计算机视觉，尤其是涉及一种异常检测方法、装置、计算机设备及存储介质。

背景技术：

1、在工业生产和质量控制领域，异常检测是确保产品质量和生产效率的重要任务。传统的监督学习方法通常要求使用像素级的手动标注标签数据进行训练。然而，在实际的工业场景中，目前面临着两个挑战：一是缺陷样本的稀缺性，二是缺乏有关缺陷的先验知识。这些问题可能导致基于监督学习的方法失效，并且大量数据标注会带来高昂的成本。传统的图像异常检测方法可以分为以下几种：

2、基于统计的方法：这种方法假设正常图像的像素值服从某种统计分布，通过计算像素值与该分布之间的差异来确定异常区域。常见的方法包括均值与标准差的比较、像素值的直方图分析等。

3、基于阈值的方法：这种方法将图像像素值与事先设定的阈值进行比较，像素值超过阈值的部分被认为是异常区域。阈值可以通过手动选择或者自适应地确定。

4、基于滤波的方法：这种方法通过应用滤波器来平滑图像并保留图像中的结构信息，然后计算滤波前后的差异来检测异常区域。常见的滤波方法包括均值滤波、中值滤波等。

5、基于纹理分析的方法：这种方法通过分析图像的纹理特征来检测异常区域。常见的纹理分析方法包括灰度共生矩阵（glcm）、小波变换等。

6、传统图像异常检测方法存在如下弊端：

7、特征工程困难：传统方法通常需要手动选择和提取用于异常检测的特征。这需要领域专业知识和经验，并且可能因为特征的选择和提取过程不准确或不完备而导致检测性能下降。

8、依赖于手动设定参数：传统方法中的一些算法需要手动设定参数，如阈值、滤波器大小等。这些参数的选择可能因图像数据的不同而变化，需要耗费大量的时间和精力来进行调试和优化。

9、对复杂场景和异常类型的适应性较差：传统方法通常在假设和前提条件下进行异常检测，对于复杂的场景和新型的异常类型可能无法有效适应。这是因为传统方法往往依赖于手工设计的规则和特征，难以捕捉到复杂和抽象的异常模式。

技术实现思路

1、本发明旨在至少改善现有技术中存在的技术问题之一。为此，本发明提出了一种异常检测方法、装置、计算机设备及存储介质。

2、一种异常检测方法，其中，包括：

3、s100，使用正常样本进行特征核心集采用，构建核心集特征库；

4、s200，对正常样本分布进行核密度估计建模，得到概率密度函数曲线；

5、s300，将待测试图像提取特征，将测试特征进行核密度估计，得到概率密度异常得分；

6、s400，测试特征使用特征库的多近邻进行稀疏表达重构，采用正交匹配追踪算法进行求解，计算重构特征与测试特征的欧氏距离，得到重构误差得分；

7、s500，将概率密度异常得分与重构误差得分进行指数加权，得到最终的异常评分，根据最终的异常得分判定输入待测试图像是否异常。

8、根据本发明实施例的异常检测方法，采用了空间核密度估计对图像的空间稳定性进行建模，能够敏感捕获到空间结构中的异常信息，同时利用稀疏感知算法对多距离度量进行重新表达，得到更合理的比对特征进行比对，多层级的稀疏表达对于纹理性异常（脏污、擦伤、划伤、裂缝、污染等等）数据有很强的感知能力。

9、在第一方面的一种可能的实现方式中，所述步骤s100中，在imagenet数据库上预训练的深度残差神经网络（resnet）对训练样本进行特征提取，然后使用核心集下采样方法筛选出关键图像特征到特征库中，形成一个只含有正常样本特征的核心集特征库。

10、在第一方面的一种可能的实现方式中，所述步骤s200包括对空间领域信息建模，将邻域条件概率分布表示为：

11、，

12、，

13、其中，为训练图像，是正常样本的概率大小，表示空间位置和领域信息，为特征库中特征，，为与patchcore相同的特征记忆库；

14、在第一方面的一种可能的实现方式中，步骤s200中使用非参数估计方法中的核密度估计算法，对空间以及邻域分布进行建模，得到平滑的概率密度分布曲线，表示为：

15、，

16、其中，n为样本数，为核函数带宽，为自变量，为观测样本，为高斯核函数，且满足：，从离散的直方图样本中估计出了正常分布的连续概率密度分布函数。

17、在第一方面的一种可能的实现方式中，步骤s400中包括，

18、定义向量及矩阵：其中输入信号向量，，为测试特征，字典矩阵，，为多近邻向量字典，稀疏表示向量，，为字典大小；

19、初始化：设置残差，为重构信号，选择一个空的索引集合；

20、进行迭代过程，直至满足稀疏性或达到预定迭代次数；

21、得到稀疏表示向量，其中 s是所选基向量的索引集合；

22、最后对重构信号进行稀疏表达：

23、，

24、其中为原始信号，最后计算原始信号向量d和重构向量的欧氏距离，得到重构误差得分，记为 ω，

25、。

26、在第一方面的一种可能的实现方式中，所述迭代过程包括：

27、计算残差r和每个基向量之间的投影，并选择具有最大投影幅度的基向量，如：

28、，

29、其中，为特征向量；

30、将所选基向量的索引添加到集合s中，；

31、通过最小二乘法或伪逆方法计算索引集合t 中的基向量的最优线性组合，以得到新的稀疏表示向量x，表示为：

32、，

33、其中，是由字典矩阵 a中索引集合 s中的基向量组成的子矩阵；

34、更新残差 ，计算新的残差。

35、一种异常检测装置，其中，包括：

36、构建模块，用于使用正常样本进行特征核心集采用，构建核心集特征库；

37、仿真模块，用于对正常样本分布进行核密度估计建模，得到概率密度函数曲线；

38、第一得分模块，将待测试图像提取特征，将测试特征进行核密度估计，得到概率密度异常得分；

39、第二得分模块，测试特征使用特征库的多近邻进行稀疏表达重构，采用正交匹配追踪算法进行求解，计算重构特征与测试特征的欧氏距离，得到重构误差得分；

40、异常判定模块，将概率密度异常得分与重构误差得分进行指数加权，得到最终的异常评分，根据最终的异常得分判定输入待测试图像是否异常。

41、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上述异常检测方法的步骤。

42、一种计算机存储介质，所述计算机存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述异常检测方法的步骤。

43、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。