(19)中华 人民共和国 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 202111647398.4 (22)申请日 2021.12.3 0 (71)申请人 浙江大学 地址 310000 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 刘勇　梁雨菲　张江宁　 (74)专利代理 机构 杭州泓呈祥专利代理事务所 (普通合伙) 33350 代理人 张婵婵 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于高低频重建的图像异常检测方法 (57)摘要 本发明公开了一种基于高低频重建的图像 异常检测方法， 包括模型训练和模 型推断两个阶 段， 所述模型训练阶段中， 通过对训练集中的正 常图像训练生成对抗网络， 利用服务器对网络模 型进行训练， 通过降低网络损失函数来优化网络 参数， 直至网络收敛， 获得基于高低频重建的网 络模型； 所述模型推断阶段中， 利用模型训练阶 段获得的网络模 型， 根据异常分数判断新的测试 图像是否为异常图像。 通过频域解耦模块获得图 像不同频段的信息利用不同的生成器进行重建， 在网络生成器的编码阶段利用通道选择模块实 现对不同频段信息的交互和选择， 使得网络能够 充分利用不同频段的信息， 提升生成器的重建能 力， 进而提升基于重建的图像异常检测算法的性 能。 权利要求书2页 说明书5页 附图1页 CN 114140736 A 2022.03.04 CN 114140736 A 1.一种基于高低频重建的图像异常检测方法， 其特征在于： 包括模型训练和模型推断 两个阶段， 所述模型训练阶段中， 通过对训练集中的正常图像训练生成对抗网络， 利用服务器对 该生成对抗网络的网络模型进行训练， 通过降低网络损失函数来优化网络参数， 直至网络 收敛， 获得基于高低频重建的网络模型； 所述模型推断阶段中， 利用模型训练阶段获得的网络模型， 根据异常分数判断新的测 试图像是否为异常图像。 2.根据权利要求1所述的一种基于 高低频重建的图像异常检测方法， 其特征在于： 所述 模型训练阶段， 具体包括以下步骤， S11、 图像数据准备， 利用频域 解耦模块得到训练集中的正常图像的不同频 段的信息； S12、 网络模型训练， 将正常图像的不同频段的信息传入生成器进行重建， 利用鉴别器 鉴别原始图像与重建图像， 采用对抗学习的方法进 行训练； 计算损失函数得到梯度， 然后进 行反向传播得到训练好的网络模型。 3.根据权利要求2所述的一种基于 高低频重建的图像异常检测方法， 其特征在于： 所述 步骤S11中的频域解耦模块具体是， 利用高斯卷积核 得到正常图像的低频分量， 利用原始的 正常图像与低频分量的差异得到图像的高频分量， 最终得到图像不同频 段的信息 。 4.根据权利要求2所述的一种基于高低频重建的图像异常检测方法， 其特 征在于： 所述步骤S12中的网络模型训练包括图像数据正向传播和梯度反向传播， 所述图像数据正向传播中， 将训练集中的所有正常图像经过频域解耦模块解耦后送入 包含生成器和鉴别器的网络中进行训练； 所述梯度反向传播中， 生成器和鉴别器之间的博弈构成Adversari alLoss， 生成器重建 出的重建图像与原始的正常图像之间的差异构成ContextualLoss， 生 成器重建出的重建图 像与原始的正常图像在潜在空间的差异构成LatentLoss； 根据损失函数计算梯度， 梯度反 向传播更新网络参数， 并利用GPU进 行加速， 直到网络的误差降低到 设定的阈值之内或者网 络迭代的次数满足要求时停止训练， 得到训练好的网络模型。 5.根据权利要求4所述的一种基于 高低频重建的图像异常检测方法， 其特征在于： 所述 生成器用于将输入图像进行编码然后解码， 实现输入图像的重建过程； 或者， 所述 鉴别器用于鉴别生成器生成的重建图像和原 始的正常图像。 6.根据权利要求 4或5所述的一种基于高低频重建的图像异常检测方法， 其特 征在于： 所述生成器包 含高低频重建模块和通道选择模块， 所述高低频重建模块， 包括多个不同频 段分支， 分别重建图像不同频 段的信息； 所述通道选择模块， 将图像不同频段的特征图相加， 经过全局平均池化层、 全连接层和 softmax得到不同频段特征对应的通道注意力向量， 将通道注意力向量与原特征图相乘得 到新特征图， 新特 征图作为下一个卷积层的输入。 7.根据权利要求4所述的一种基于 高低频重建的图像异常检测方法， 其特征在于： 所述 Adversarial Loss所用损失函数为： 所述Contextual Loss所用的损失函数为：权　利　要　求　书 1/2 页 2 CN 114140736 A 2所述LatentLoss所用的损失函数为： 其中： x是正常图像， G(x)是重建图像， D(x)是鉴别器输出， f(x)是潜在空间的特 征图。 8.根据权利要求2所述的一种基于 高低频重建的图像异常检测方法， 其特征在于： 所述 模型推断阶段， 具体包括以下步骤， S21、 将测试图像经 过频域解耦模块得到该测试图像不同频 段的信息； S22、 将测试图像不同频段的信息传入训练好的网络模型中得到重建误差和潜在空间 误差， 将重建误差和潜在空间误差进行加权平均融合得到最终模型推 断的异常分数， 根据 预设阈值判断测试图像是否为异常图像。权　利　要　求　书 2/2 页 3 CN 114140736 A 3