“苏集创”是依托苏州大学国家技术转移中心（苏州大学知识产权运营中心），紧密围绕苏州产业创新集群布局，以苏州大学等国内外知名高校、科研院所、技术创新中心的集成创新成果为标的，构建科技、产业、资本深度融合的成果发布平台。
本期向大家推介的成果是苏州大学工业异常检测技术领域的成果：一种优化存储模式的无监督异常检测方法及装置
知识产权信息：
专利号：ZL202410044790.7
专利类型：发明专利
专利权人：苏州大学
发明人：王汛 孙家扬 聂毅骁 丁聪 曹敏
背景技术：无监督异常检测是计算机视觉领域重要的研究课题之一，在工业生产中，由于人工收集异常产品需要大量的人力和财力成本，工业图像无监督异常检测可以有效减少成本、提升产品质量。
由于工业生产中产品缺陷的分类多种多样，小到有极细微的划痕，大到有部件缺失，使得无监督异常检测在工业中的应用尤为困难。目前，工业图像的异常检测方法主要分为两大类：基于重构的方法和基于特征提取的方法。
基于重构的方法包括自编码器（AE）、生成式对抗网络（GAN）等。这类方法将图像先编码再解码，在训练时使得解码结果尽量与原图像相似，在推理时将原图像与解码后的重构图像进行对比以得出结果。
基于特征提取的方法包括教师学生结构（如STPM、MKD）、单分类模型（如SVDD）、基于分布映射的方法（如NF）、基于特征存储的方法（如PaDiM、PatchCore）等。这类方法都使用了卷积神经网络（CNN）提取图像特征，其中，教师学生结构选用一个在大规模数据集上预训练好的教师网络，教师网络在训练时向学生网络传授正常样本特征的知识，在推理时通过比较两个网络的输出得到结果；基于特征存储的方法需要额外的内存空间来构建特征存储库以存储图像的特征，在推理时通过将图像特征与存储库中的特征进行对比以得出结果。
但是，现有的基于特征存储的方法尽管使用了一些策略，使得在性能尽量不变的情况下减小特征存储库的大小，但仍然不足以被接受，特征存储库仍然较大，内存消耗严重，并且随着检测图像数量增加，特征存储库也在增加，不可避免地会导致该方法的运行速度下降，效率降低。特征存储库的数据量较小时，该方法的检测准确率较低。
成果简介：本发明涉及工业异常检测技术领域，尤其是指一种优化存储模式的无监督异常检测方法、装置及计算机可读存储介质。所述方法包括：将数据集分为训练集和测试集；提取训练集的特征，计算每个补丁的输出特征向量与该补丁的特征存储库中已有特征向量的最近距离，将最近距离最大值对应的输出特征向量存入特征存储库，直到总特征存储库不再变化；对总特征存储库进行子采样；提取测试集的特征，计算测试集中样本图像的异常分数，确定正常图像和异常图像的分割阈值；计算待检测图像的异常分数，依据分割阈值对待检测图像分类。本发明在保证检测性能基本不变的情况下，有效减少了特征存储库占用的内存大小，提高了无监督异常检测的检测效率。
如有成果转化、专利购买意向，可与苏州大学国家技术转移中心联系咨询：0512-67167210。或添加我们工作人员微信进行沟通交流。
扫描上方二维码可添加微信
