(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 202210834375.2 (22)申请日 2022.07.14 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 沈卫明　曹云康　 (74)专利代理 机构 华中科技大 学专利中心 42201 专利代理师 司宁宁 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于单专家双学徒的图像异常检测方 法 (57)摘要 本发明属于图像异常检测相关技术领域， 其 公开了一种基于单专家双学徒的图像异常检测 方法， 该方法包含一个专家网络， 两个学徒网络， 分为训练与测试两个阶段。 其中训练阶段， 分别 使用不可知异常图像与真实可知异常图像， 对两 个学徒网络进行相似度学习， 使两个学徒网络与 专家网络之间的正常特征具备高相似度， 真实可 知、 不可知异常数据的特征具备低相似度。 在测 试阶段， 分别使用三个网络对测试图像提取特 征， 计算两个学徒网络与专家网络的相似度， 取 负后即为异常分值。 后将两个学徒网络产生的异 常分值相加， 得到最终的异常分值。 本方法有效 利用了工业产品中的少量异常信息， 提高自动化 质检性能。 权利要求书2页 说明书6页 附图3页 CN 115330689 A 2022.11.11 CN 115330689 A 1.一种基于单专 家双学徒的图像异常检测方法， 其特 征在于， 所述方法包括： S1： 获取训练完成的特征提取深度神经网络， 即专家网络， 以及两个未训练的特征提取 深度神经网络， 即第一学 徒网络和第二学 徒网络； 第一学徒网络的训练过程： S2： 随机生成异常形状获得异常图像掩膜， 将所述异常图像掩膜与正常图像及正常图 像的自然纹 理图像进行合成得到异常图像； S3： 将所述异常图像输入所述专家网络和第 一学徒网络分别得到第 一专家特征和第一 学徒特征； S4： 将所述第 一专家特征、 第一学徒特征以及异常图像掩膜输入第 一差异学习器， 以对 第一专家特征、 第一学徒特征以及异常图像掩膜之 间余弦相似度进行约束进而获得第一差 异结果， 根据所述第一差异结果进行反向传播实现对所述第一学 徒网络的参数优化； 第二学徒网络的训练过程： S2’： 在正常图像中随机采集与真实异常图像数量相同的图像， 获得正常图像、 真实异 常图像以及真实异常图像掩膜； S3’： 将所述真实异常图像输入所是专家网络和第二学徒网络获得第二专家特征和第 二学徒特征， 将所述第二专家特征、 第二学徒特征以及真实异常图像掩膜输入第二差异学 习器进而获得第二差异结果， 根据所述第二差异结果进行反向传播 实现对所述第二学徒网 络的参数优化； S5： 将待测试图像同时输入所述专家网络、 参数优化后的第一学徒网络和第二学徒网 络分别获得专家特征、 第一特征和第二特征， 计算专家特征与第一特征的第一相似度， 以及 专家特征与第二特征的第二相似度， 将所述第一相似度和 第二相似度相加即可获得待测图 像的异常区域。 2.根据权利要求1所述的方法， 其特征在于， 步骤S4中所述以对第一专家特征、 第一学 徒特征以及异常图像掩膜之间余弦相似度进行约束 进而获得第一差异结果具体包括： S41： 根据所述异 常图像掩膜获取专家网络提取得到的正常特征 第一学徒网络提 取得到的正常特征 专家网络 提取得到的异常特征 以及第一 学徒网络 提取得到的异 常特征 S42： 构建训练所述第 一学徒网络的损失函数， 采用所述损失函数实现对所述余弦相似 度的约束， 其中所述第一学 徒网络 ξ1的损失函数为： 其中， NN为 和 的数量和， NA为 和 的数量和。 3.根据权利要求2所述的方法， 其特 征在于， 步骤S41具体为： 获取所述异常图像掩膜的像素分布； 依据所述像素分布在所述第一专家特征和第一学徒特征中分别找到对应像素点对应 的像素点进而获得所述专家网络 提取得到的正常特征 第一学徒网络提 取得到的正常权　利　要　求　书 1/2 页 2 CN 115330689 A 2特征 专家网络提取 得到的异常特 征 以及第一学 徒网络提取 得到的异常特 征 4.根据权利要求1所述的方法， 其特 征在于， 步骤S2中具体包括： 通过随机生成的异常形状获得异常 图像掩膜MS， 采用所述异常 图像掩膜MS对正常图像 In和正常图像的自然纹 理图像It进行合成得到异常图像IS， 合成公式如下： 其中， 为MS取反之后的掩膜。 5.根据权利要求1所述的方法， 其特征在于， 步骤S3 ’中将所述第二专家特征、 第二学徒 特征以及真实异常图像对应掩膜输入第二差异学习器进 而获得第二差异结果具体包括： S31’： 根据真实异常图像掩膜获取专家网络提取得到 的正常特征 第二学徒网络 提取得到的正常特征 专家网络提取得到的异常特征 以及第二学徒网络提取得到 的异常特 征 S32’： 构建训练所述第二学徒网络的损失函数， 采用所述损失函数实现对所述余弦相 似度的约束， 其中所述第二学 徒网络 ξ2的损失函数为： 其中， NN为 和 的数量和， NA为 和 的数量和。 6.根据权利要求5所述的方法， 其特 征在于， 步骤S31 ’具体为： 获取所述真实异常图像掩膜的像素分布； 依据所述像素分布在所述第二专家特征和第二学徒特征中分别找到对应像素点对应 的像素点进而获得专家网络 提取得到的正常特征 第二学徒网络 提取得到的正常特征 专家网络提取 得到的异常特 征 以及第二学 徒网络提取 得到的异常特 征 7.根据权利要求1所述的方法， 其特征在于， 步骤S5 中计算专家特征与第 一特征的第一 相似度 的计算公式为： 计算专家特征与第二特 征的第二相似度 的计算公式为： 其中， i和j为对应 像素位置处的像素坐标。 8.根据权利要求7所述的方法， 其特征在于， 步骤S5 中将所述第一相似度和第 二相似度 相加即可获得待测图像的异常区域具体为将第一相似度和第二相似度的对应像素点相加 得到待测图像的异常 分值Af， 根据所述异常 分值得出异常区域， 具体公式如下： 权　利　要　求　书 2/2 页 3 CN 115330689 A 3