[发明专利]一种基于计算机视觉的异常检测方法及装置

说明书

本发明公开了一种基于计算机视觉的异常检测方法和装置。该方法包括：根据目标图片的不同区域特征，将目标图片划分为至少两个特征区域，利用各个目标图片对应的特征区域分别组成训练集；选取对抗生成网络GAN作为使用的网络模型，分别使用不同特征区域的训练集训练GAN网络模型，得到对应不同特征区域的各GAN网络模型；执行异常检测时，对待测目标图片进行同样的特征区域划分，将待测目标图片的不同特征区域分别输入到对应的GAN网络模型中，获得生成图片，对生成图片和待测目标图片进行基于像素值的差异检测。由于本申请对目标图片进行了不同特征区域的划分和像素级别的差异检测，因而提高了判断目标正常与否的准确度。

技术领域

本发明涉及异常检测技术领域，特别涉及一种基于计算机视觉的异常检测方法及装置。

背景技术

计算机视觉(computer vision)是指用摄影机和计算机代替人眼对目标进行识别、跟踪、测量等操作，也可以看作是研究如何使人工系统从图像或多维数据中感知的科学。异常检测(anomaly detection)是指对不符合预期模式或数据集中的其他项目的项目、事件或观测的识别，常用的领域包括数据挖掘和结构缺陷检测等。在工业生产中，一些需要检测的产品具备不同的特征，基于此，可以利用异常检测算法，对其进行基于计算机视觉的异常检测。

然而，现有的异常检测算法研究及应用中，主要是针对安检机之类的语义级别的异常检测，即当图片中出现了语义级别的异常时才能判断，而语义级别是将像素按照图像中表达语义含义的不同进行分组或分割的，比如安检机中检测违禁物品(枪支)时，违禁品异常通常占画面比例较高，且与画面中其他成分(如其他正常箱包)存在语义级的区别。而工业产品中的异常产品与正常产品不存在语义级别的差别，因而应用现有检测方法不能取得较好的效果。

发明内容

鉴于现有技术异常检测算法不能很好应用于工业产品检测的问题，提出了本发明的一种基于计算机视觉的异常检测方法及装置，以便克服上述问题。

为了实现上述目的，本发明采用了如下技术方案：

依据本发明的一个方面，提供了一种基于计算机视觉的异常检测方法，该方法包括：

根据目标图片的不同区域特征，将目标图片划分为至少两个特征区域，利用各个目标图片对应的特征区域分别组成训练集；

选取对抗生成网络GAN作为使用的网络模型，分别使用不同特征区域的训练集训练GAN网络模型，得到对应不同特征区域的各GAN网络模型；

执行异常检测时，对待测目标图片进行同样的特征区域划分，将待测目标图片的不同特征区域分别输入到对应的GAN网络模型中，获得生成图片，对生成图片和待测目标图片进行基于像素值的差异检测。

可选地，所述利用各个目标图片对应的特征区域分别组成训练集，包括：

利用状态正常的目标图片的各特征区域分别组成训练集；

所述选取对抗生成网络GAN作为使用的网络模型，分别使用不同特征区域的训练集训练GAN网络模型，包括：

选取基于wasserstein距离的GAN网络WGAN作为使用的网络模型，利用训练集训练得到WGAN网络模型，该WGAN网络模型能够依据输入图片生成具有正常目标特征的图片。

可选地，所述根据目标图片的不同区域特征，将目标图片划分为至少两个特征区域，包括：

根据目标图片内容的多样性，将目标图片划分为低多样性区域和高多样性区域。

可选地，对生成图片和待测目标图片进行基于像素值的差异检测，包括：

对生成图片和待测目标图片对应的低多样性区域进行差异检测，当检测结果为异常时，停止计算，直接判定待测目标异常；