一种高速运动滤棒爆珠异常鉴别方法与流程

xiaoxiao8天前  15



1.本发明属于异常检测技术领域,具体涉及一种高速运动滤棒爆珠异常鉴别方法。


背景技术:

2.异常检测是指对于一组给定的正常数据集训练出一个特定的模型以判断测试数据是否异常的技术。若该数据与给定数据集中的大多数数据相类似,则说明该数据无明显异常情况。反之,若该数据与给定数据集中大多数数据之间的差异较大,则说明该数据可能是一个异常数据。随着高速相机性能和视觉系统的提升和发展,高速物体异常检测成为异常检测中的一个应用场景,由于高速运动物体成像模糊和难以定位的特点,自动检测高速异常物体在工业生产领域中有着重要的意义。
3.传统的高速目标异常检测方法有模板匹配、图像分解、频域分析和分类面构建方法。但是其适用范围狭小,不适用于多变或复杂的场景。近年来,深度学习在计算机视觉中的各个领域内都得到了长足的发展。相比于传统的方法,深度学习由于其无需人工设计特征,算法通用性更高等优点,已经被广泛引入到了图像异常检测任务当中,特别是各种神经网络的提出,为高速物体的异常检测提供有效的算法和方向。
4.文献“ruff l,vandermeulen r a,n,deecke l,siddiqui s a,binder a,etal.deep one-class classification.in:proceedings of the 35th international conference on machine learning.stockholm,sweden:pmlr,2018.4390-4399”提出的深度支持向量数据描述方法是深度学习中较为常用的一种方法,该方法首先在特征空间中人为指定了一个点作为特征中心,然后以正常样本到该点的距离之和作为损失函数的主体来进行特征提取网络的训练,但特征中心点需要人工指定并且不可修改,容易出现模型退化的问题。
5.文献“schlegl,t.,et al."unsupervised anomaly detection with generative adversarial networks to guide marker discovery."springer,cham(2017)”中第一次将生成对抗网络(generative adversarial networks,gan)应用到异常检测领域,在训练阶段中它使用给定的正常样本训练一个标准gan使生成器学习到正常样本的分布情况,在之后的测试阶段中又通过迭代方法选择出一个表征向量,使得由该向量生成的正常样本最接近测试样本,但其模型训练复杂,存在算法效率上的不足,并且没有利用图像的其他信息,可能会导致生成样本质量低。


技术实现要素:

6.为解决上述技术问题,本发明提出了一种高速运动滤棒爆珠异常鉴别方法。
7.本发明采用的技术方案为:一种高速运动滤棒爆珠异常鉴别方法,具体步骤如下:
8.s1、采集高速运动滤棒爆珠图像;
9.s2、对步骤s1采集的高速运动滤棒爆珠图像进行预处理;
10.s3、对步骤s2得到的图像进行二值化处理,实现前景和背景的分离;
11.s4、将目标位置信息和提取的目标纹理特征进行融合,作为目标异常检测网络的输入;
12.s5、收集并标注正常样本,生成正常样本训练集;
13.s6、结合卷积注意力机制模块(convolutional block attention module,cbam),构建深度卷积神经网络;
14.s7、训练深度神经网络。
15.进一步地,所述步骤s1中,利用高速相机采集高速运动的滤棒爆珠rgb图像。
16.进一步地,所述步骤s2中,对收集的rgb图像利用平均值方法进行灰度化。
17.进一步地,所述步骤s3中,根据背景和前景设定阈值,利用二值化方法得到前景的像素点位置,返回原图像即得到只包含目标的rgb图像,具体步骤如下:
18.将图像上的背景像素点的灰度值置0,前景(目标)置1,根据前景和背景的灰度值设置阈值,将前景和背景分割开来,表达式如下:
[0019][0020]
其中,piexl
old
和piexl
new
分别表示像素点的旧值和新值,threshold表示预先设定的阈值,根据前景和背景的特征设置即可,将图像二值化后即可得到前景的像素点位置,然后将位置返回到原图中,可得到只包含前景的rgb彩色图像,而后对该图像进行特征提取。
[0021]
进一步地,所述步骤s4中,设置不同的参数利用gabor滤波器提取图像目标的纹理特征,同时结合目标的位置信息作为目标异常检测网络的输入,具体步骤如下:
[0022]
gabor函数二维表达通式如下:
[0023][0024]
其中,x、y表示二维坐标,g(x,y)为gabor二维函数表达式,λ表示正弦函数的波长,表示相位偏移,γ表示x和y两个方向的纵横比(gabor函数的椭圆率),σ
x
、σy分别表示高斯包络沿x、y方向的常量,x

、y

需满足条件:
[0025][0026][0027]
其中,b1表示带宽,θ表示高斯函数方向,σ表示高斯函数标准差。
[0028]
通过设置一系列不同参数的gabor函数对图像进行处理即可得到不同空间特征输出,再经过高斯平滑和归一化处理操作后,提取gabor的幅度响应作为新的分类特征,形成像素点的最终特征表达,输入到目标异常检测网络。
[0029]
进一步地,所述步骤s5中,将所有经步骤s1-s4得到的图像进行标注,构建正常样本的训练集。
[0030]
进一步地,所述步骤s6中,所述的深度神经网络主要由卷积层和cbam注意力机制模块组成,得到步骤s4的目标特征矩阵后,经过池化层和卷积层,中间设计了两个shortcut
连接,而后经过cbam注意力机制模块,将特征图的每一个位置和通道都赋予自适应的权重,再经过两层卷积层得到最终的特征图,经步骤s7的迭代训练后,神经网络自动提取出的特征输入全连接层,可得到图像样本的分类标签。
[0031]
进一步地,所述步骤s7中,将步骤s5得到的正常样本训练集输入步骤s6构建的深度卷积神经网络进行前向传播,计算损失函数值,使用基于梯度下降的后向传播算法对深度卷积神经网络参数进行更新,迭代进行前后向传播,直至损失函数收敛,具体步骤如下:
[0032]
s71、前向传播,
[0033]
以表示第l层(l≥2)第t个特征图,若第l层为卷积层,则:
[0034][0035]
其中,表示连接第s个输入特征图和第t个输出特征图的卷积核,表示偏置项,φ(
·
)表示非线性激活函数,符号“*”表示卷积运算。
[0036]
若第l层为最大池化层,则:
[0037][0038]
其中,表示第l层(l≥2)第t个特征图中表示位置的坐标值,r1、r2表示池化窗口的大小,u1、u2表示预先设定在池化窗口内的变量。
[0039]
若第l层为平均池化层,则:
[0040][0041]
其中,r1、r2表示池化窗口的大小。
[0042]
若第l层为全连接层,则:
[0043]
ν
(l)
=φ(w
(l)
ν
(l-1)
+b
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0044]
其中,ν
(l)
表示第l层的特征图,w
(l)
表示第l层权重,b
(l)
为该层偏置项。
[0045]
若第l层为输出层,则当前样本属于第i类的后验概率p(i|z(
l
))为:
[0046][0047]
其中,z
(l)
表示分类输出层的输入,表示分类输出层第i个类别的输入,c为预先设定的一个变量,表示分类输出层第c个类别的输入,c表示总类别数。
[0048]
s72、计算损失函数值,
[0049]
以二分类交叉熵函数为基础构建损失函数,其计算公式为:
[0050][0051]
其中,lf(w)表示损失函数,w表示网络中权重与偏置项的集合,n表示样本总数,yi表示样本类别,正常样本为0,异常样本为1,a表示输出特征图矩阵,其1范数的定义为
λ1和λ2表示输出特征图矩阵尺寸。
[0052]
s73、基于梯度下降的后向传播算法对网络参数进行更新,具体如下式:
[0053][0054][0055]
其中,α为学习率,lf表示损失函数,w
old
、w
new
表示网络中权重旧值和新值的集合,b
old
、b
new
表示表示网络中偏置项旧值和新值的集合。
[0056]
进一步地,所述异常鉴别方法还包括步骤s8,对步骤s7训练完成的网络进行检测性能测试,将测试样本输入步骤s7中训练完成的网络进行前向传播,得到测试样本最终特征图,根据是否有异常分数,判断样本为正常样本还是异常样本,而后经过上采样回原图像大小定位异常区域。
[0057]
本发明的有益效果:本发明的方法首先采集高速运动滤棒爆珠图像,对图像进行预处理,利用二值化处理实现图像的背景和前景分离,定位需要进行异常检测的目标区域,将目标位置信息和提取的目标纹理特征进行融合,作为目标异常检测网络的输入,然后收集并标注正常样本,生成正常样本训练集,搭建集成了cbam注意力机制模块的深度卷积神经网络,自动提取目标的有效特征并给出异常检测结果,实现高速运动目标异常的准确检测。本发明的方法利用图像预处理和特征提取的手段,保证目标区域的有效特征表达,可根据不同的样本种类调节提取特征方法及网络结构,在正常样本的训练下可较高地保证异常检测的识别率,实现目标异常的高效检测。
附图说明
[0058]
图1为本发明的一种高速运动滤棒爆珠异常鉴别方法的流程图。
[0059]
图2为本发明实施例提供的二值化分割图像的示意图。
[0060]
图3为本发明实施例提供的神经网络映射示意图。
[0061]
图4为本发明实施例提供的神经网络结构示意图。
[0062]
图5为本发明实施例提供的cbam自注意力机制模块示意图。
[0063]
图6为本发明实施例提供的异常检测结果示意图。
具体实施方式
[0064]
下面结合附图和实施例对本发明作进一步的说明。
[0065]
如图1所示,本发明的一种高速运动滤棒爆珠异常鉴别方法流程图,具体步骤如下:
[0066]
s1、采集高速运动滤棒爆珠图像;
[0067]
s2、对步骤s1采集的高速运动滤棒爆珠图像进行预处理;
[0068]
s3、对步骤s2得到的图像进行二值化处理,实现前景和背景的分离;
[0069]
s4、将目标位置信息和提取的目标纹理特征进行融合,作为目标异常检测网络的输入;
[0070]
s5、收集并标注正常样本,生成正常样本训练集;
[0071]
s6、结合cbam自注意力机制模块,构建深度卷积神经网络;
[0072]
s7、训练深度神经网络。
[0073]
在本实施例中,所述步骤s1中,利用高速相机采集高速运动的滤棒爆珠rgb图像。
[0074]
在本实施例中,所述步骤s2中,对收集的rgb图像利用平均值方法进行灰度化,将三通道图像转化为一通道以方便后续的二值化处理。
[0075]
在本实施例中,所述步骤s3中,将图像上的背景像素点的灰度值置0,前景(目标)置1,根据前景和背景的灰度值设置阈值,将前景和背景分割开来,表达式如下:
[0076][0077]
其中,piexl
old
和piexl
new
分别表示像素点的旧值和新值,threshold表示预先设定的阈值,根据前景和背景的特征设置即可,本实施例中设置为125,将图像二值化后即可得到前景的像素点位置,图2为本发明实施例提供的二值化分割图像的示意图,可以看出二值化处理后图像可以精确地给出目标的位置信息,然后将位置返回到原图中,可得到只包含前景的rgb彩色图像,而后对该图像进行特征提取。
[0078]
在本实施例中,所述步骤s4中,设置不同的参数利用gabor滤波器提取图像目标的纹理特征,同时结合目标的位置信息作为目标异常检测网络的输入。
[0079]
三色维度的像素值是rgb图像最直接的数字特征,而其包含的信息是远远不够进行异常检测的。因此需要进一步提取特征,增强样本的信息表达能力。将目标的位置信息和提取的图像空间特征进行融合,可以为分类器的训练提供更有效的特征。此外可使用描述图像的空间特征有很多,包括:gabor特征、像素点梯度特征和形态学剖面特征。其中gabor特征作为空间特征的应用较为广泛。
[0080]
gabor特征是一种可以用来描述图像纹理信息的特征,它利用gabor函数在信号的频域中进行加窗处理,从而能描述信号的局部频率信息。不同高斯函数与正弦函数进行调制即可得到不同的gabor函数,其二维表达通式如下:
[0081][0082]
其中,x、y表示二维坐标,g(x,y)为gabor二维函数表达式,λ表示正弦函数的波长,表示相位偏移,γ表示x和y两个方向的纵横比,σ
x
、σy分别表示高斯包络沿x、y方向的常量,x

、y

需满足条件:
[0083][0084][0085]
其中,b1表示带宽,θ表示高斯函数方向,σ表示高斯函数标准差。
[0086]
通过设置一系列不同参数的gabor函数对图像进行处理即可得到不同空间特征输出,本实施例中b1设为1,λ波长设为2,θ分别取值为0
°
、30
°
、60
°
和90
°
,相位偏移设为0,γ
设为1,再经过高斯平滑和归一化处理操作后,提取gabor的幅度响应作为新的分类特征,形成像素点的最终特征表达,输入到目标异常检测网络。
[0087]
在本实施例中,所述步骤s5中,将所有经步骤s1-s4得到的图像进行标注,构建正常样本的训练集。
[0088]
在本实施例中,所述步骤s6中,所用的深度神经网络为一个端对端的卷积神经网络,通过引入cbam注意力机制模块,自动进一步提取图像特征并赋予自适应权重,能够更加关注感兴趣的特征和信息。如图3所示,本发明实施例提供的神经网络结构示意图,其中实心点表示正常目标,空心点表示异常目标,χ表示原特征空间,η表示神经网络特征映射后的特征空间,δ(
·
)表示神经网络映射,其原理是将正常类目标特征映射到一个聚类圆中,与异常类的目标特征分隔开。经步骤s7的迭代训练后,神经网络自动提取出的特征输入全连接层,可得到图像样本的分类标签。
[0089]
如图4所示,为本实施例的具体网络结构,其中,卷积层表示方法为“conv.(特征图数目)@(卷积核大小)”,全局池化层表示方法为“max-pool”,平均池化层表示方法为“avg-pool”,全连接层表示方法为“fc”。
[0090]
本实施例中经过s4提取的图像特征作为输入,将其通过一层卷积层和一层池化层的输出和再经两个卷积层的输出进行相加,该结构是参考resnet提出的shortcut方法,目的是防止退化现象,可以看到设计的神经网络有两个shortcut连接,而后在中间的部分引入cbam注意力机制模块,图5所示为该模块的具体网络结构,目的是对特征图的通道和位置都赋予自适应权重来增强感兴趣的特征。cbam注意力机制模块由cam和sam两个小模块组成,在cam中将输入进行最大池化和平均池化,然后经过全连接层,其中的“+”表示对应位置相加,最后经过sigmoid激活函数输出。在sam中也是将输入进行最大池化和平均池化,不过此模块中的,方法是将通道数拼接在一起,然后经过卷积层和sigmoid激活函数输出,需要注意的是在每一个神经网络层都会使用relu激活函数和bn归一化方法,最后得到一通道的特征输出图,通过全连接层和softmax函数可得到分类结果。
[0091]
在本实施例中,所述步骤s7中,将步骤s5得到的正常样本训练集输入步骤s6构建的深度卷积神经网络进行前向传播,计算损失函数值,使用基于梯度下降的后向传播算法对深度卷积神经网络参数进行更新,迭代进行前后向传播,直至损失函数收敛,具体步骤如下:
[0092]
s71、前向传播,
[0093]
以表示第l层(l≥2)第t个特征图,若第l层为卷积层,则:
[0094][0095]
其中,表示连接第s个输入特征图和第t个输出特征图的卷积核,表示偏置项,φ(
·
)表示非线性激活函数,“*”表示卷积运算。
[0096]
若第l层为最大池化层,则:
[0097][0098]
其中,表示第l层(l≥2)第t个特征图中表示位置的坐标值,r1、r2表
示池化窗口的大小,u1、u2表示预先设定在池化窗口内的变量。
[0099]
若第l层为平均池化层,则:
[0100][0101]
其中,r1、r2表示池化窗口的大小;
[0102]
若第l层为全连接层,则:
[0103]
ν
(l)
=φ(w
(l)
ν
(l-1)
+b
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0104]
其中,ν
(l)
表示第l层的特征图,w
(l)
表示第l层权重,b
(l)
为该层偏置项。
[0105]
若第l层为输出层,则当前样本属于第i类的后验概率p(i|z
(l)
)为:
[0106][0107]
其中,z
(l)
表示分类输出层的输入,表示分类输出层第i个类别的输入,c为预先设定的一个变量,表示分类输出层第c个类别的输入,c表示总类别数。
[0108]
s72、计算损失函数值,
[0109]
以二分类交叉熵函数为基础构建损失函数,其计算公式为:
[0110][0111]
其中,lf(w)表示损失函数,w表示网络中权重的集合,n表示样本总数,yi表示样本类别,正常样本为0,异常样本为1,a表示输出特征图矩阵,其1范数的定义为λ1和λ2表示输出特征图矩阵尺寸。
[0112]
s73、基于梯度下降的后向传播算法对网络参数进行更新,具体如下式:
[0113][0114][0115]
其中,α为学习率,lf表示损失函数,w
old
、w
new
表示网络中权重旧值和新值的集合,b
old
、b
new
表示表示网络中偏置项旧值和新值的集合。
[0116]
在本实施例中,所述异常鉴别方法还包括步骤s8,对步骤s7训练完成的网络进行检测性能测试,将测试样本输入s7中训练完成的网络进行前向传播,得到测试样本最终特征图,根据是否有异常分数,判断样本为正常样本还是异常样本,而后经过上采样回原图像大小定位异常区域。
[0117]
表1为实施例中所用网络训练及测试使用图像的数目,表2为实施例所得测试集鉴别结果。图6为本发明实施例提供的异常检测结果示意图。从定量结果可以看出,本发明的方法可利用正常样本训练,实现目标异常检测任务,目标的平均鉴别率可达99.08%。从结果图中可以看出本发明的方法可以有效地检测出目标的异常。
[0118]
表1
[0119][0120]
表2
[0121]
真实\预测正常样本异常样本正常样本99.55%0.45%异常样本1.40%98.60%
[0122]
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。

技术特征:
1.一种高速运动滤棒爆珠异常鉴别方法,具体步骤如下:s1、采集高速运动滤棒爆珠图像;s2、对步骤s1采集的高速运动滤棒爆珠图像进行预处理;s3、对步骤s2得到的图像进行二值化处理,实现前景和背景的分离;s4、将目标位置信息和提取的目标纹理特征进行融合,作为目标异常检测网络的输入;s5、收集并标注正常样本,生成正常样本训练集;s6、结合cbam自注意力机制模块,构建深度卷积神经网络;s7、训练深度神经网络。2.根据权利要求1所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述步骤s1中,利用高速相机采集高速运动的滤棒爆珠rgb图像;与/或,所述步骤s2中,对收集的rgb图像利用平均值法进行灰度化。3.根据权利要求1所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述步骤s3中,根据背景和前景设定阈值,利用二值化处理得到前景的像素点位置,返回原图像即得到只包含目标的rgb图像。4.根据权利要求3所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述步骤s3中,具体步骤如下:将图像上的背景像素点的灰度值置0,前景(目标)置1,根据前景和背景的灰度值设置阈值,将前景和背景分割开来,表达式如下:其中,piexl
old
和piexl
new
分别表示像素点的旧值和新值,threshold表示预先设定的阈值,将图像二值化后得到前景的像素点位置,然后将位置返回到原图中,得到只包含前景的rgb彩色图像,而后对该图像进行特征提取。5.根据权利要求1所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述步骤s4中,设置不同的参数利用gabor滤波器提取图像目标的纹理特征,同时结合目标的位置信息作为目标异常检测网络的输入。6.根据权利要求5所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述步骤s4中,具体步骤如下:gabor函数二维表达通式如下:其中,x、y表示二维坐标,g(x,y)为gabor二维函数表达式,λ表示正弦函数的波长,表示相位偏移,γ表示x和y两个方向的纵横比,σ
x
、σ
y
分别表示高斯包络沿x、y方向的常量,x

、y

需满足条件:
其中,b1表示带宽,θ表示高斯函数方向,σ表示高斯函数标准差。7.根据权利要求1所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述步骤s5中,将所有经步骤s1-s4得到的图像进行标注,构建正常样本的训练集;与/或,所述步骤s6中,得到步骤s4的目标特征矩阵后,经过池化层和卷积层,而后经过cbam注意力机制模块,将特征图的每一个位置和通道都赋予自适应的权重,再经过两层卷积层得到最终的特征图,经步骤s7的迭代训练后,神经网络自动提取出的特征输入全连接层,得到图像样本的分类标签。8.根据权利要求1所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述步骤s7中,具体步骤如下:将步骤s5得到的正常样本训练集输入步骤s6构建的深度卷积神经网络进行前向传播,计算损失函数值,使用基于梯度下降的后向传播算法对深度卷积神经网络参数进行更新,迭代进行前后向传播,直至损失函数收敛。9.根据权利要求8所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述步骤s7中,具体步骤如下:s71、前向传播,以表示第l层(l≥2)第t个特征图,若第l层为卷积层,则:其中,表示连接第s个输入特征图和第t个输出特征图的卷积核,表示偏置项,φ(
·
)表示非线性激活函数,符号“*”表示卷积运算;若第l层为最大池化层,则:其中,表示第l层(l≥2)第t个特征图中表示位置的坐标值,r1、r2表示池化窗口的大小,u1、u2表示预先设定在池化窗口内的变量;若第l层为平均池化层,则:其中,r1、r2表示池化窗口的大小;若第l层为全连接层,则:ν
(l)
=φ(w
(l)
ν
(l-1)
+b
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中,ν
(l)
表示第l层的特征图,w
(l)
表示第l层权重,b
(l)
为该层偏置项;若第l层为输出层,则当前样本属于第i类的后验概率p(i|z
(l)
)为:
其中,z
(l)
表示分类输出层的输入,表示分类输出层第i个类别的输入,c为预先设定的一个变量,表示分类输出层第c个类别的输入,c表示总类别数;s72、计算损失函数值,以二分类交叉熵函数为基础构建损失函数,其计算公式为:其中,lf(w)表示损失函数,w表示网络中权重与偏置项的集合,n表示样本总数,y
i
表示样本类别,正常样本为0,异常样本为1,a表示输出特征图矩阵,其1范数的定义为λ1和λ2表示输出特征图矩阵尺寸;s73、基于梯度下降的后向传播算法对网络参数进行更新,具体如下式:s73、基于梯度下降的后向传播算法对网络参数进行更新,具体如下式:其中,α为学习率,lf表示损失函数,w
old
、w
new
表示网络中权重旧值和新值的集合,b
old
、b
new
表示表示网络中偏置项旧值和新值的集合。10.根据权利要求1所述的一种高速运动滤棒爆珠异常鉴别方法,其特征在于,所述异常鉴别方法还包括步骤s8,对步骤s7训练完成的网络进行检测性能测试,具体步骤如下:将测试样本输入步骤s7中训练完成的网络进行前向传播,得到测试样本最终特征图,根据是否有异常分数,判断样本为正常样本还是异常样本,而后经过上采样回原图像大小定位异常区域。

技术总结
本发明公开了一种高速运动滤棒爆珠异常鉴别方法,首先采集高速运动滤棒爆珠图像,对图像进行预处理,利用二值化处理实现图像的背景和前景分离,定位需要进行异常检测的目标区域,将目标位置信息和提取的目标纹理特征进行融合,作为目标异常检测网络的输入,然后收集并标注正常样本,生成正常样本训练集,搭建集成了CBAM注意力机制模块的深度卷积神经网络,自动提取目标的有效特征并给出异常检测结果,实现高速运动目标异常的准确检测。本发明的方法利用图像预处理和特征提取的手段,保证目标区域的有效特征表达,可根据不同的样本种类调节提取特征方法及网络结构,在正常样本的训练下可较高地保证异常检测的识别率,实现目标异常的高效检测。常的高效检测。常的高效检测。


技术研发人员:张寅 包毅 刘泽林 裴季方 张永伟 陶栩 张永超 柏焱炜 黄钰林 杨建宇 屈建峰 吕浩然
受保护的技术使用者:四川三联新材料有限公司
技术研发日:2022.09.27
技术公布日:2023/1/6

最新回复(0)