开始使用异常检测使用深度学习
异常检测使用深度学习是一种越来越受欢迎的方法来自动化视觉检测任务。异常检测的目的是执行一个二进制图像分类为正常或异常。例如,在制造业,异常检测可以确定哪些单位生产满足质量标准,单位是有缺陷的。
你可以训练一个异常探测器使用semi-supervised培训。培训模型的完整semi-supervised工作流由正常的图像数据,确定异常阈值区分正常图像异常图像。异常检测技术通常遵循以下步骤:
准备培训数据和校准数据。
火车模型产生的异常分数。
校准模型通过确定异常分数阈值,通过分类和评估模型的性能指标和可视化分类结果。
分类使用训练模型和测试图像最佳阈值异常。
生产线上的部署模型。
请注意
另一种异常检测是异常分类。分类可以区分正常的图片和多个已知的异常模式。分类可以提供更多有关异常的类型,但它需要大量的训练数据的异常类。例如,看到的使用深度学习分类缺陷晶片地图上。
的计算机视觉工具箱™自动化视觉检测库提供功能,使您培训、校准和评价异常检测网络。您可以安装计算机视觉工具箱自动化视觉检测库从附加的探险家。关于安装插件的更多信息,请参阅获取和管理插件。功能还需要深入学习工具箱™。
准备培训和校准数据
你可以训练一个异常探测器使用看到下面成了学习,这意味着网络列车数据只包含正常的图像。尽管只有正常的训练样本图像,但模型学习如何区分正常和异常图像。看到下面成了学习带来很多好处异常检测问题:
表示异常的稀少。
异常可以代表昂贵的或灾难性的结果。
可以有许多类型的异常,异常的类型可以改变模型的生命周期。描述一个普通的图像看起来往往比提供数据更为可行,代表所有可能的异常现象在现实世界中设置。
您可以使用图片标志应用交互式地标签图像场景标签。应用程序返回地面实况数据作为一个标记groundTruth对象。地面实况现场标签转换为图像数据存储使用的培训sceneLabelTrainingData函数。有关更多信息,请参见开始使用图像贴标签机。
在semi-supervised学习,您可以调整使用校准数据训练模型的性能。校准数据集包含的正常和异常图像样本的标签。避免过度拟合训练的模型通过使用不同的图像和校准数据集。您可以使用等功能分区将培训和校准的数据存储到单独的数据存储。
一些技术,如离群值曝光,添加少量的异常图像的训练数据集。
火车模型
的计算机视觉工具箱自动化视觉检测库为培训异常检测网络提供了框架。首先创建一个未经训练的网络对象。然后,训练网络,通过网络和适当的训练数据训练功能。表显示了支持网络和训练功能。金宝app
| 网络描述 | 网络对象 | 培训功能 |
|---|---|---|
| 完全卷积数据描述(FCDD) (1] | fcddAnomalyDetector |
trainFCDDAnomalyDetector |
| FastFlow [2] | fastFlowAnomalyDetector |
trainFastFlowAnomalyDetector |
| PatchCore [3] | patchCoreAnomalyDetector |
trainPatchCoreAnomalyDetector |
如果你想训练一个异常检测网络,使用不同的框架,然后设计一个模型,接受图像作为输入,并返回标量值的异常分数。分数代表了一个图像异常的可能性。较大的分数表明更高的概率图像异常样本。可选地,您可以设计一个网络返回局部异常分数除了一个标量图像的总比分。本地化的分数信息使您主观理解网络分类决策。
校准和评价模型
校准模型通过确定异常分数阈值之间的分数好样本的异常样本。不幸的是,大多数数据集不能清晰地分为两个类别,并将错误分类的形式假阳性(正常图像分类为异常)和假阴性(异常图像分类为正常)。通过调整阈值,您可以调整假阳性和假阴性率,以满足操作要求。
选择一个阈值,您可以使用anomalyThreshold函数。函数支持不同优化方法基于统金宝app计技术如接受者操作特征(ROC)和precision-recall (PR)曲线。性能指标作为一个函数可以返回rocmetrics(深度学习工具箱)函数,它可以用来绘制ROC曲线和公关。
使用evaluateAnomalyDetection函数来评估质量的异常检测结果使用混淆矩阵和平均精度等指标。的anomalyDetectionMetrics对象存储度量。
你可以想象局部异常分数了解分类结果。例如,您可以显示一个异常分数地图作为一个热图显示在图像校准或测试使用anomalyMapOverlay函数。你可以显示一个交互图显示的分类结果和分数对整个数据集使用地图viewAnomalyDetectionResults函数。可视化局部异常分数是有用的识别模式的假阴性和假阳性。模式可以表示策略,进一步提高分类器的性能。
使用模型进行分类
部署模型
目视检查的最终目标往往是部署训练模型用于商业决策在生产线实时生产系统。该模型决定接受或拒绝给一个图像。的MATLAB®编码器™和GPU编码器™产品是有效的工下载188bet金宝搏具部署CPU和NVIDIA的视觉检测系统®GPU的目标。
引用
[1]Liznerski,菲利普·卢卡斯飞边,Robert a . Vandermeulen比利乔·弗兰克斯klaus - Robert Muller马吕斯Kloft,。“分类可辩解的深看到下面成了。”Preprint, submitted March 18, 2021. https://arxiv.org/abs/2007.01760.
[2],加威,你们郑,湘Wang Wei, Yushuang吴,吴鲁伊·赵,身子。“FastFlow:无监督异常检测和定位通过二维流动正常化。”出来了,2021年11月16日。https://doi.org/10.48550/arXiv.2111.07677。
[3]罗斯,卡斯滕,拉莎Pemula Joaquin塞Bernhard Scholkopf,托马斯•Brox和彼得格尔。“对宇宙威龙工业异常检测。“arXiv, 5月5日,2022年。https://arxiv.org/abs/2106.08265。
相关的例子
更多关于
- ROC曲线和性能指标(深度学习工具箱)
