(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 202211277889.9 (22)申请日 2022.10.19 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 吴洪　黄超　卢畅　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06V 10/22(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种无监督的快速图像异常检测与定位的 方法 (57)摘要 本发明公开一种无监督的快速图像异常检 测与定位的方法， 应用于图像异常检测与定位领 域， 针对现有技术存在的检测 效率偏低的问题； 本发明采用图像特征提取网络得到已知正常图 像的特征并进行L2范数归一化； 然后通过对归一 化的特征进行非参数聚类得到正常图像特征的 原型； 最后， 通过在特征提取网络上附加一个特 征L2范数归一化、 一个1 ×1卷积层、 一个通道最 大池化操作和一个减法运算来构建一个异常检 测与定位网络， 并将正常图像特征的原型作为其 中1×1卷积层的卷积核参数； 在异常检测过程 中， 通过将待检测图像输入构建的异常检测与定 位网络， 实现快速的、 端到端的图像异常检测与 定位。 权利要求书1页 说明书8页 附图1页 CN 115471646 A 2022.12.13 CN 115471646 A 1.一种无监 督的快速图像异常检测与定位的方法， 其特 征在于， 包括： 利用特征提取网络提取正常图像的特征图， 并对特征图每个位置的特征向量进行L2范 数归一化， 得到正常图像的归一 化特征向量； 对正常图像的归一化特征向量进行非参数聚类， 得到若干个簇， 计算每个簇的平均向 量作为正常图像特 征的原型； 在特征提取网络上附加一个特征L2范数归一化、 一个1 ×1卷积层、 一个通道最大池化 操作和一个减法运算来构建图像异常检测与定位网络， 并将正常图像的特征 的原型作为1 ×1卷积层的卷积核参数， 正常图像特 征原型的数量即1 ×1卷积层的卷积核数量； 将待检测图像输入构建好的图像异常检测与定位网络 中， 得到待检测图像的异常得分 图； 根据异常得分图判断待检测图像是否是异常图像， 若是则进行异常定位。 2.根据权利要求1所述的一种无监督的快速图像异常检测与定位的方法， 其特征在于， 所述非参数聚类具体采用FI NCH聚类算法。 3.根据权利要求2所述的一种无监督的快速图像异常检测与定位的方法， 其特征在于， FINCH聚类停止的条件为： 当一轮聚合得到的簇的数量小于 设定阈值时聚合过程停止， 把最 后一轮聚类结果作为 最终聚类结果。 4.根据权利要求1所述的一种无监督的快速图像异常检测与定位的方法， 其特征在于， 所述非参数聚类具体采用SC C聚类算法。 5.根据权利要求4所述的一种无监督的快速图像异常检测与定位的方法， 其特征在于， SCC聚类停止的条件为： 当一轮聚合得到的簇的数量小于 设定阈值时聚合过程停止， 把最后 一轮聚类结果作为 最终聚类结果。 6.根据权利要求1所述的一种无监督的快速图像异常检测与定位的方法， 其特征在于， 所述非参数聚类具体采用HDBSCAN聚类算法。 7.根据权利要求1所述的一种无监督的快速图像异常检测与定位的方法， 其特征在于， 异常得分图采用1减去特征图上各 空间位置的归一化特征向量与离它最近的原型的余弦相 似度计算得到； 特 征图上某个空间位置归一 化特征向量的异常得分的计算式为： 其中， xij是特征图空间位置(i,j)的归一化特征向量， mk是第k个原型， cos表示余弦相 似度。 8.根据权利要求7所述的一种无监督的快速图像异常检测与定位的方法， 其特征在于， 根据异常得分图进行异常定位的具体实现过程 为： 将异常得分图中的最大得分作为待检测图像的异常分数， 若待检测图像的异常分数大 于异常检测阈值， 则判断待检测图像为异常图像； 对于异常图像， 通过异常定位阈值对得分图进行二值化实现待检测图像上的异常定 位。权　利　要　求　书 1/1 页 2 CN 115471646 A 2一种无监督的快速图像异常检测与定位的方 法 技术领域 [0001]本发明属于图像处 理领域， 特别涉及一种图像异常检测与定位 技术。 背景技术 [0002]异常检测旨在检测偏离训练期间预定义的一组正常样本的异常样本。 图像异常检 测与定位不仅要执行图像级的异常分类， 还要定位像素级的异常区域。 近年来， 图像细微异 常的检测与定位已成为计算机视觉中的一项重要任务， 并且有各种实际应用， 例如工业光 学检测中的缺陷检测， 或医学图像中的肿瘤检测等 等。 [0003]在异常检测的任务中， 由于异常样本往往稀缺且难以收集。 因此， 在学术界， 异常 检测通常只使用正常样本来建模， 也被称为是无监督的异常检测。 基于无监督算法的图像 异常检测与定位更是一项具有挑战性的任务。 目前， 图像异常检测与定位算法大致可以分 为两类： 基于重建的方法和基于OOD(out  of distribution分布外)检测的方法。 基于重建 的方法假设在正常图像上训练的模型不能准确地重 建输入的异常图像。 这类方法将图像作 为一个整体重建， 或者在特征空间上重建。 然后通过检测重建图像(或图像特征)与原始图 像(或原始图像特征)之 间的差异 来进行异常检测与定位， 但是这类方法需要繁琐的网络训 练。 基于OOD检测的方法通过计算待检测图像的特征与正常图像的特征之间的偏差来实现 异常检测与定位。 目前， 这类方法通常能达到更高的检测精度， 但是由于用于训练的图像特 征的数量远大于图像的数量， 因此检测与定位时间和存储量显着增加。 目前， 人们已经提出 了不同的方法来解决这个问题， 例如 对图像特征进 行聚类、 密度估计和采样等， 但这些方法 的效率仍有待提高。 发明内容 [0004]为了进一步提高基于OOD检测的方法的效率， 本发明提出一种新的无监督的快速 图像异常检测与定位的方法， 使用卷积神经网络提取正常图像的特征并对特征进 行L2范数 归一化， 通过聚类算法学习正常图像特征 的原型， 并构建了一个基于原型 的神经网络用于 图像异常检测与定位。 [0005]本发明采用的技 术方案为： 一种无监 督的快速图像异常检测与定位的方法， 包括： [0006]利用卷积神经网络提取正常图像的特征图(Feature  Map)， 并对特征图每个空间 位置上的特征向量进行L2范数归一化。 这里的特征提取网络可以是在正常图像上训练得 到， 也可以是在大 型的自然图像数据集上的预训练模型。 [0007]对正常图像的归一化特征向量进行非参数聚类， 得到若干个簇， 计算每个簇 的平 均向量作为正常图像特征的原型(向量)。 所谓非参数聚类是指不要求预先设定具体聚类类 别数的聚类方法。 非参数聚类算法往往比参数聚类算法能更好地反 映数据的分布， 避免了 对聚类类别数的人为设定 。 [0008]在特征提取网络上附加一个特征L2范数归一化、 一个1 ×1卷积层、 一个通道最大 池化操作和一个减法运算来构建一个图像异常检测与定位网络， 并将正常图像特征的原型说　明　书 1/8 页 3 CN 115471646 A 3