公开(公告)号：CN116563250A

公开(公告)日：2023-08-08

申请号：CN202310531299.2

申请日：2023-05-12

Applicant: 南京信息工程大学

Inventor： 颜佩漪 ,  江结林 ,  朱加乐 ,  许小龙

IPC: G06T7/00 ,  G06T7/40 ,  G06T5/00 ,  G06T5/40 ,  G06T5/50 ,  G06T3/40 ,  G06N3/084 ,  G06N3/09

Abstract: 本发明公开了一种复原式自监督疵点检测方法、装置及存储介质，包括获取无疵点图片；无疵点图片可选择添加或不添加伪异常；若添加伪异常，则可在无疵点图片中选择连续区域进行掩码，或随机裁剪任意区域并对区域内像素进行随机调整，也可同时选择这两种伪异常生成方法，得到生成的伪异常图片和异常标注图；将伪异常图片输入预先训练好的先验初定位模块，初步定位疵点区域，并对疵点区域进行掩码，得到掩码后的图片；将掩码后的图片送入预先训练好的疵点检测模块，得到预测的异常标注图；根据标注图的异常分数进行异常判断与定位；本发明可以预判断疵点区域进行掩码，保证图像复原期间模型不会学习疵点区域的信息，从而降低算法的漏检率。

公开(公告)号：CN115471645A

公开(公告)日：2022-12-13

申请号：CN202211422601.2

申请日：2022-11-15

Applicant: 南京信息工程大学

Inventor： 江结林 ,  颜佩漪 ,  朱加乐

IPC: G06V10/20 ,  G06V10/774 ,  G06V10/778 ,  G06V10/80

Abstract: 本发明公开了一种基于U型学生网络的知识蒸馏异常检测方法，将U型学生网络与特征融合模块结合，实现对工业材料智能检测的目的。学生网络由编码器和解码器组成，避免了因学生网络和教师网络的结构相同或相似导致生成的特征图之间的差值不能很好地显示出异常区域的问题；学生网络的多尺度特征压缩模块可以对编码器所得特征图进行进一步异常信息过滤，使解码器能更正确地重建图片分布特征；学生网络的特征融合模块使得特征图可以包含更多有效的语义信息，从而弥补教师网络和学生网络之间出现的转移知识不完整、不正确等问题，完成实时性异常检测任务，有效提高异常检测的准确率，同时提高异常点定位的精度，增强泛化能力。

公开(公告)号：CN116416229A

公开(公告)日：2023-07-11

申请号：CN202310316062.2

申请日：2023-03-28

Applicant: 南京信息工程大学

Inventor： 刘西应 ,  江结林 ,  颜佩漪 ,  吴金涛 ,  赵英男

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开了一种双分支图像异常检测方法、装置、设备及介质，其方法包括：获取待检测图像，对待检测图像进行预处理；将预处理后的待检测图像输入训练好的异常检测模型，获取异常得分；根据异常得分判断待检测图像为异常图像或正常图像；其中，所述异常检测模型的训练包括：获取预设数量的样本图像，对样本图像进行旋转拓展和预处理；构建异常检测模型，所述异常检测模型包括可见异常分支和不可见异常分支；通过旋转拓展和预处理后的样本图像对异常检测模型进行训练；本发明能够对不同种类的工业图像都拥有良好的适配性，可以高效完成异常检测任务，同时计算量较低。

公开(公告)号：CN117058450A

公开(公告)日：2023-11-14

申请号：CN202311012204.2

申请日：2023-08-10

Applicant: 南京信息工程大学

Inventor： 刘西应 ,  江结林 ,  颜佩漪 ,  许小龙 ,  吴金涛

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于自适应掩码重构的异常检测方法及装置，该方法对于输入图片，通过策略添加异常部位后，使用自适应选择的掩码分别遮掩其三分之一，得到三张带有掩码的残差图，将这三张残差图分别进行重构后，得到三张重构后的图片，选择与输入图差别最大的图片作为最终的重构图片，再进行异常检测。本发明可以有效提高异常检测的准确度，同时提高异常定位的准确性。

公开(公告)号：CN115861256A

公开(公告)日：2023-03-28

申请号：CN202211617088.2

申请日：2022-12-15

Applicant: 南京信息工程大学

Inventor： 颜佩漪 ,  江结林 ,  朱加乐

IPC: G06T7/00 ,  G06N3/08 ,  G06V10/44 ,  G06V10/774 ,  G06N3/0464

Abstract: 本发明公开了一种基于知识蒸馏结合图像重构的异常检测方法，将知识蒸馏与基于U型卷积神经网络的图像重构方法结合，利用Unet网络重构特征图来进一步指导学生网络学习正常像素的语义信息，建立可用于图像异常检测与异常定位的模型；该模型的教师网络为预先训练的图像分类强模型ResNet18，学生网络为Unet网络，结合多尺度特征匹配策略使学生网络能够同时利用低层特征、中层特征和高层特征的语义信息，从而允许检测各种尺度大小的异常。本发明能够减轻CNN对异常的泛化能力和弥补教师网络和学生网络之间出现的知识转移不完整、不正确等问题，有效提高异常检测的准确率和异常点定位的精度。