首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于综合得分函数的装备图像分布外异常检测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:电子科技大学

摘要:本发明公开了一种基于综合得分函数的装备图像分布外异常检测方法,首先采集若干装备图像得到训练样本集,然后将每个装备图像样本进行图像增强处理,将原始装备图像样本和增强装备图像样本构成正样本对,构建包括特征提取模块,映射模块和线性模块的装备检测模型,基于正样本对计算对比损失,基于原始装备图像样本计算交叉熵损失,对装备检测模型进行训练,将各个装备图像样本和测试装备图像输入训练好的装备检测模型,基于所得到的特征计算分布异常综合得分,从而得到测试装备图像是否为分布外异常设备的检测结果。本发明综合分布内样本训练过程得到的多种异构特征因素,设计分布外异常检测综合得分,从而提高分布外异常检测的准确度。

主权项:1.一种基于综合得分函数的装备图像分布外异常检测方法,其特征在于,包括以下步骤:S1:根据实际需要采集若干装备图像,并对其进行类别标注,从而得到训练样本集X={x1,x2,...,xN},Y={y1,y2,...,yN},其中N表示训练样本集中装备图像数量,xi表示第i个装备图像样本,yi是装备图像样本xi对应的标签,yi=1,2,…,C,C表示装备类别数量;S2:将训练样本集X中每个装备图像样本xi归一化至预设尺寸,然后进行图像增强处理,对增强后的图像进行两次随机翻转,得到两个增强装备图像样本从而得到N个正样本对S3:构建装备检测模型,包括特征提取模块,映射模块和类别预测模块,其中:特征提取模块用于提取输入装备图像的图像特征,并将得到的特征向量z输出至映射模块和类别预测模块;映射模块用于将特征向量z映射为低维特征向量h;类别预测模块用于获取根据特征向量z预测得到输入装备图像属于每个类别的概率pc,c=1,2,…,C;S4:将步骤S2得到的N个正样本对中增强装备图像样本分别输入装备检测模型,得到对应的低维特征向量和属于每个类别的预测概率,计算得到损失函数并对模型参数进行更新,从而完成对装备检测模型的训练;损失函数的计算方法为:采用如下计算公式计算正样本对的低维特征向量的对比损失: 其中,分别表示增强装备图像样本的低维特征向量,sim表示求取向量相似度,τ表示温度系数,1[j≠i]为指示函数,当j≠i时为1,否则为0;然后采用如下公式计算训练样本集的整体对比损失LCL: 采用如下公式计算训练样本集的交叉熵损失LCE: 其中,yic表示装备图像样本xi属于类别c的概率,当yi=c,yic=1,否则yic=0;pi,1,c、pi,2,c分别表示增强装备图像样本属于每个类别的预测概率;采用如下公式计算得到训练过程中装备检测模型的损失函数Loss:Loss=λLCE+1-λLCL其中,λ表示预设的权重,0<λ<1;S5:将各个装备图像样本xi输入训练好的装备检测模型,得到特征提取模块输出的特征zi;对于每个装备类别c,计算属于该类别的所有装备图像样本的平均特征作为该类别对应的分布内样本中心oc;S6:对于需要进行异常检测的测试装备图像xt,将其归一化至预设尺寸后输入至训练好的装备检测模型,得到特征提取模块输出的特征zt,映射模块输出的低维特征向量ht以及类别预测模块输出的测试装备图像xt属于每个类别的预测概率ptc;S7:采用如下方法计算分布异常综合得分:S7.1:计算特征向量zt各维度元素之和作为分布外异常得分函数中图像特征评价得分scoresum,计算公式为: 其中,ztm表示特征向量zt中第m维元素,m=1,2,…,M,M表示特征向量zt的维度;S7.2:计算低维特征向量ht的特征范数作为分布外异常得分函数中低维特征向量评价得分scoreL2,计算公式为: 其中,htd表示低维特征向量ht中第d维元素,d=1,2,…,D,D表示低维特征向量ht的维度;S7.3:将类别预测模块得到的最大类别概率作为分布外异常得分函数中类别预测评价得分scoreclass,计算公式为:scoreclass=maxptcS7.4:计算测试装备图像和分布内样本中心的距离作为分布内样本中心距离评价得分scoredis,计算公式为: S7.5:从N个装备图像样本xi的特征zi中搜索与测试装备图像xt的特征zt相似度最高的K个特征,K的值根据实际需要确定,然后计算这K个特征的方差作为最相似分布内样本方差评价得分scorevar: 其中,表示计算图像样本的特征中与特征zt相似度最高的K个特征中第k个特征;S7.6:采用如下公式计算分布外异常综合得分score: S8:根据步骤S7计算得到的分布外异常综合得分score,将其与预设的异常分数阈值δ进行比较,当分布外异常综合得分高于阈值时,将测试装备图像认定为分布内正常装备类型样本;当分布外异常综合得分低于阈值时,将测试装备图像认定为分布外异常装备类型样本。

全文数据:

权利要求:

百度查询: 电子科技大学 基于综合得分函数的装备图像分布外异常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。