[发明专利]缺陷检测网络构建方法、异常检测方法及系统、存储介质

权利要求书

1.一种缺陷检测网络的构建方法,其特征在于，包括：

获取预设的开放数据集中的样本图像，和待检测物体的标准品的基准图像；

配置一个卷积神经网络模块或者多个不同尺度的卷积神经网络模块并组成缺陷检测网络，其中每个所述卷积神经网络模块包括主特征提取模型和从特征提取模型；

利用所述样本图像对每个所述卷积神经网络模块中的主特征提取模型进行训练，学习得到对应的网络参数；

将所述基准图像输入至每个所述卷积神经网络模块中的主特征提取模型和从特征提取模型，分别得到对应的第一特征向量和第二特征向量；

根据所述第一特征向量和所述第二特征向量构建所述从特征提取模型的损失函数，并通过反向传播算法学习得到所述从特征提取模型的网络参数；

根据每个所述卷积神经网络中主特征提取模型的网络参数和从特征提取模型的网络参数配置形成所述缺陷检测网络。

2.如权利要求1所述的构建方法，其特征在于，利用所述样本图像对每个所述卷积神经网络模块中的主特征提取模型进行训练，学习得到对应的网络参数，包括：

对于每个所述卷积神经网络模块中的主特征提取模型，建立构成所述主特征提取模型的特征提取网络和预训练网络；

将所述开放数据集中部分样本图像作为正常样本，将正常样本之外随机选取的其它样本图像作为负样本，以及对所述正常样本添加高斯噪声并获得对应的正样本；

将所述正常样本、所述正样本和所述负样本共同输入所述特征提取网络和所述预训练网络，并通过所述预训练网络引导所述特征提取网络进行训练，从而得到所述主特征提取模型对应的网络参数。

3.如权利要求2所述的构建方法，其特征在于，将所述正常样本、所述正样本和所述负样本共同输入所述特征提取网络和所述预训练网络，并通过所述预训练网络引导所述特征提取网络进行训练，从而得到所述主特征提取模型对应的网络参数，包括：

构建所述主特征提取模型的损失函数，且表示为

L(M)＝w₁L₁+w₂L₂+w₃L₃；

其中，M为主特征提取模型的标识，w₁≥0,w₂≥0,w₃≥0且均为权重系数；

L₁用来表征所述正常样本、所述正样本和所述负样本之间的距离，且L₁＝max(d₁-d₂,0)，所述正常样本和所述正样本之间的距离为d₁＝||u-u⁺||₂，所述正常样本、所述正样本与所述负样本之间的距离为d₂＝(||u-u^-||₂+||u⁺-u^-||₂)*0.5，u、u⁺、u^-分别表示所述正常样本、所述正样本、所述负样本分别经过所述特征提取网络后输出的特征向量，max()表示取最大值运算，|| ||表示范数运算；

L₂用来表征特征向量在不同样本之间的相似性，对于有m张正常样本作为输入的情况，经过所述特征提取网络输出的特征向量为n维，每一张输出的特征向量记为v_i(i＝1,2,…,m)，将特征向量构成的矩阵表示为A_n×m＝[v₁,v₂,…,v_m]，其中特征向量之间的相似性为C_n×n＝AA^T，且元素表示为c_ij，则有i、j均为特征向量的索引；

L₃用来表征特征向量之间的差异性，且L₃＝||x-y||₂，x为特征向量u经过全连接层提取的特征向量，y为所述正常样本经过所述预训练网络提取的特征向量；

通过损失函数L(M)使得所述预训练网络引导所述特征提取网络进行训练，得到所述主特征提取模型对应的网络参数。