(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210545591.5 (22)申请日 2022.05.19 (71)申请人 济南大学 地址 250022 山东省济南市 市中区南 辛庄 西路336号济南大 学 (72)发明人 牛四杰　徐睦浩　周雪莹　高希占　 田京兰　范雪　张梦娇　 (74)专利代理 机构 济南领升专利代理事务所 (普通合伙) 37246 专利代理师 王吉勇 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01) G06V 10/771(2022.01)G06K 9/62(2022.01) G06T 7/00(2017.01) G06T 7/73(2017.01) G06T 3/40(2006.01) G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于判别学习的图像异常检测和定位 方法及系统 (57)摘要 本发明公开了一种基于判别学习的图像异 常检测和定位方法， 所述方法的实现包括内容如 下： 通过基于外部数据集训练的网络， 对原始图 像进行特征提取； 采用梯度偏好的方法进行特征 选择； 将得到的特征送入带有中心约束的判别网 络中进行异常检测。 本发明通过能够在不需要异 常数据的情况下， 准确检测并定位到图像中存在 的异常。 在解决图像异常检测和定位上表现出强 大的性能和理论优势。 极大的提高了检测效率和 准确性。 权利要求书4页 说明书8页 CN 114821187 A 2022.07.29 CN 114821187 A 1.一种基于判别学习的图像异常检测和定位方法， 其特征在于， 所述方法的实现包括 内容如下： 通过基于 外部数据集训练的网络， 对原 始图像进行 特征提取； 采用梯度偏好的方法进行 特征选择； 将得到的特 征送入带有中心约束的判别网络中进行异常检测。 2.根据权利要求1所述的一种基于判别学习的图像异常检测和定位方法， 其特征在于， 所述方法实现步骤如下： 步骤1、 获取待检测图像数据， 并对图像进行 预处理操作； 步骤2、 将预处 理后的图像输入到经 过预训练的网络中； 步骤3、 提取 预训练网络中不同语义层的网络特 征形成特征图； 步骤4、 将获取到的特征图通过自适应池化拓展成相同大小， 并拼接成一个三维特征 图； 步骤5、 将所述 三维特征图经过梯度偏好筛 选器， 筛选出具有代表性的特 征向量； 步骤6、 将所述特征向量输入具有中心约束的判别学习网络， 并将通过判别学习网络的 特征向量存 储到特征库中； 步骤7、 将测试 数据输入所述预训练网络和所述判别学习网络； 步骤8、 计算所述测试数据 得到的特征向量和特征库中向量的距离， 得到每个特征向量 的异常分数， 进而对异常进行检测 和定位。 3.根据权利要求2所述的一种基于判别学习的图像异常检测和定位方法， 其特征在于， 所述步骤1包括以下步骤： 步骤11， 采集图像数据， 定义原始图像为X∈RC×H×W； 其中C代表图像维度， 片表示图像的 高， W表示图像的宽； 步骤12， 对图像数据进行尺寸缩放处 理， 公式如下： 其中， S(x， y)表示缩放后 的图像中对应的像素点， (x， y)为像素点坐标， X表示原始图 像， Xw和Xh表示原始图像的宽和高， Sw和Sh表示缩放后图像的宽和高； 步骤13， 对图像数据进行归一 化， 公式如下： 其中， Smax， Smin分别表示图像中全部像素 具体数值的最大值和最小值； 步骤14， 对图像数据进行 标准化， 公式如下： 其中mean代 表各个通道的均值， std代 表各个通道的标准差 。 4.根据权利要求3所述的一种基于判别学习的图像异常检测和定位方法， 其特征在于， 所述步骤3包括以下步骤： 步骤31， 选择不同语义层的特 征， 具体表示 为：权　利　要　求　书 1/4 页 2 CN 114821187 A 2其中， xi代表数据集中的数据， 代表预训练网络， l代 表不同层的特 征， l选择1、 2、 3、 4。 5.根据权利要求4所述的一种基于判别学习的图像异常检测和定位方法， 其特征在于， 所述步骤4包括以下步骤： 步骤41， 选择1、 2、 3语义层输出的特征图， 通过自适应池化和拼接得到最终的表达特征 Fi∈RC×H×W， 其表达式为： 其中AP(·)表示为自适应池化， 表示为拼接， fi， j表示第j层特 征图。 6.根据权利要求5所述的一种基于判别学习的图像异常检测和定位方法， 其特征在于， 所述步骤5包括以下步骤： 步骤51， 构建一个梯度算子G， 并将G拓展到与Fi相同维度得到GE， 其中 步骤52， 对Fi计算梯度得到梯度分数图并归一 化得到Si， 其中： Si＝Ξ(Fi⊙GE) 步骤53， 生成一个随机向量Ri， 对比在相同坐标下 与 的大小， 如果 小于 则保存坐标， 并将Fi(j， k)特征向量存 入特征库M中。 7.根据权利要求6所述的一种基于判别学习的图像异常检测和定位方法， 其特征在于， 所述步骤6包括以下步骤： 步骤61： 构建一个判别学习网络， 从特 征库中获取 特征向量， 输入到网络中； 步骤62： 构建L oss函数定义 为： 步骤63： 定义网络早停止系数η， 当Lcenter≤η*Lcenter时， 停止网络迭代， 并保存网络模 型， 将输出 特征向量vf存入最终特 征库Mf中。 8.根据权利要求7所述的一种基于判别学习的图像异常检测和定位方法， 其特征在于， 所述步骤8包括以下步骤： 步骤81， 将测试 数据输入预训练网络， 并经 过步骤3、 4得到Fitest； 步骤82， 将Fitest的全部特征向量输入到已经训练完成的判别学习网络中， 得到特征向 量vtest； 步骤83， 计算每个测试图像中特征向量的异常分数， 并将最大的异常分数作为整幅图 的异常分数， 其表达式为： Aimage＝||vtest‑vf||2 步骤84， 通过双线性插值将特征图的大小调整为原始图像的分辨率， 并用高斯核σ ＝4 对其进行平 滑处理。权　利　要　求　书 2/4 页 3 CN 114821187 A 3