[发明专利]一种基于两阶段学习的工业产品外观异常检测方法及系统

说明书

本发明涉及深度学习与人工智能技术领域，解决了异常产品漏检率较高的技术问题，尤其涉及一种基于两阶段学习的工业产品外观异常检测方法，包括以下步骤：获取测试数据集和训练数据集及ImageNet图像数据集；根据训练数据集训练预设的卷积神经网络以获得第一阶段异常检测模型；将测试数据集输入第一阶段异常检测模型，获得第一异常检测结果；根据ImageNet图像数据集训练预设的卷积神经网络以获得第二阶段异常检测模型；将测试数据集子集输入第二阶段异常检测模型，获得第二异常检测结果。本发明通过两阶段学习框架的设计，在待检测样本被任意一阶段判断为异常时，最终都将被检测为缺陷样本，提高了异常检测的准确性。

技术领域

本发明涉及深度学习与人工智能技术领域，尤其涉及一种基于两阶段学习的工业产品外观异常检测方法及系统。

背景技术

工业产品外观异常检测，是指通过数据挖掘的方法检测出与正常实例不同的、异常的或有缺陷的实例，是对正常类别和异常类别的二元分类，也是深度学习、计算机视觉和人工智能领域最重要、最常见的任务之一。但与监督分类问题不同的是，在工业场景中异常数据罕见，致使获取的成本高、难度大且工业产品缺陷情况复杂，因而异常检测模型只能使用正常样本进行学习和训练。此外，在检测过程中与正常产品不同的被归为异常并召回，这一过程也被称为工业冷启动。

目前，市面上现有的工业产品外观异常检测主要采用Auto-Encoder (AE)、Generative Adversarial Network (GAN)等相关网络结构，或其他非基于重构误差的方法，其中，AE和GAN具有良好的可解释性，但在实际检测过程中，由于工业产品在工业场景中的图像背景比较单一，且产品的缺陷通常表现在局部而非整个工件，使得上述方法对异常图像也有很好的重构效果，这会使得难以区分重构前后的图像，从而导致异常产品的漏检率较高。

此外，其他基于非重构的方法对于中心对齐或整个图像对齐的数据有较好的效果，但对于实际工业制造中采集到的存在位置偏移、重影失真等图像有一定的性能下降，更重要的是，在生产中遗漏异常产品的成本要比将正常样品误判为异常的成本大得多，而上述现有的方法并没有考虑到行业的实际需求，从而无法满足现代化企业的使用要求。

发明内容

针对现有技术的不足，本发明提供了一种基于两阶段学习的工业产品外观异常检测方法及系统，解决了异常产品漏检率较高的技术问题，达到了大大减少缺陷样品的漏检，从而满足了实际工业应用中对缺陷样品高召回率的严格要求的目的。

为解决上述技术问题，本发明提供了如下技术方案：一种基于两阶段学习的工业产品外观异常检测方法，包括以下步骤：

获取测试数据集和训练数据集及ImageNet图像数据集；

根据所述训练数据集训练预设的卷积神经网络以获得第一阶段异常检测模型；

将所述测试数据集输入所述第一阶段异常检测模型，获得第一异常检测结果；

根据所述ImageNet图像数据集训练预设的卷积神经网络以获得第二阶段异常检测模型；

将测试数据集子集输入所述第二阶段异常检测模型，获得第二异常检测结果，其中，所述测试数据集子集为从测试数据集中剔除第一异常检测结果后剩余的测试数据；

生成召回指令将所述第一异常检测结果和第二异常检测结果对应的异常产品进行召回。

进一步地，所述训练数据集包括伪异常样本和含有点位信息的正常样本，其中，所述伪异常样本为根据CutCover方法和Outlier Exposure方法构造的区别于正常样本的图像。

进一步地，所述将测试数据集子集输入所述第二阶段异常检测模型，获得第二异常检测结果，包括：

获取所述训练数据集中正常样本的占比；