公开(公告)号：CN118674980A

公开(公告)日：2024-09-20

申请号：CN202410728872.3

申请日：2024-06-06

Applicant: 武汉工程大学

Inventor： 鲁统伟 ,  徐赞 ,  闵锋 ,  李迅

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开了一种基于注意力U形卷积网络的异常检测方法，涉及异常检测方法，包括以下步骤：S1：进行全局和局部采样，全局采样将整张图像的patch作为模型的输入，局部采样将一张图像上的patch作为模型的输入；S2：构建模型：模型包括基础U‑Net和三个嵌入模块；S3：模型嵌入：将模型嵌入到EfficientAD方法中，将原来的自编码器替换为注意力U‑Net，形成整体的网络架构；S4：模型训练：针对不同逻辑异常采用不同的旋转训练策略，将训练的图像输入网络进行训练，生成异常检测模型并保存；S5：检测结果：输入一批测试图像，利用训练好的异常检测模型进行推理，返回检测和定位结果。本发明使用U‑Net重构后得到的异常图轮廓更加分明，得到的定位结果更精细。

公开(公告)号：CN118674980B

公开(公告)日：2025-01-21

申请号：CN202410728872.3

申请日：2024-06-06

Applicant: 武汉工程大学

Inventor： 鲁统伟 ,  徐赞 ,  闵锋 ,  李迅

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开了一种基于注意力U形卷积网络的异常检测方法，涉及异常检测方法，包括以下步骤：S1：进行全局和局部采样，全局采样将整张图像的patch作为模型的输入，局部采样将一张图像上的patch作为模型的输入；S2：构建模型：模型包括基础U‑Net和三个嵌入模块；S3：模型嵌入：将模型嵌入到EfficientAD方法中，将原来的自编码器替换为注意力U‑Net，形成整体的网络架构；S4：模型训练：针对不同逻辑异常采用不同的旋转训练策略，将训练的图像输入网络进行训练，生成异常检测模型并保存；S5：检测结果：输入一批测试图像，利用训练好的异常检测模型进行推理，返回检测和定位结果。本发明使用U‑Net重构后得到的异常图轮廓更加分明，得到的定位结果更精细。