(19)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 202111646056.0 (22)申请日 2021.12.2 9 (71)申请人 南京中科创达软件科技有限公司 地址 210012 江苏省南京市雨 花台区软件 大道109号 4幢601室 (72)发明人 邓嘉新　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 专利代理师 苏培华 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/00(2017.01) (54)发明名称 一种异常检测模 型的训练方法、 异常检测方 法及装置 (57)摘要 本发明公开了一种异常检测模型的训练方 法、 异常检测方法及装置， 涉及工业视觉技术领 域。 所述训练方法采用分阶段训练模型， 第一阶 段将样本图像输入异常检测模型， 确定损失函数 并调整模型参数。 第二阶段冻结调参后的模型， 将同一样 本图像多次输入到冻结的模 型， 确定多 个第二概率向量。 结合第二概率向量和同一样本 图像生成多个训练图像， 对冻结的模型解除冻 结， 并将各训练图像输入到解冻模型中， 得到多 个第三概率向量。 确定每两个第三概率向量的信 息散度， 基于信息散度对解冻模型调参， 得到训 练完成的异常检测模型。 在第二阶段中引入模型 生成的训练图像辅助进行模型训练， 可以提升模 型在小样本条件下的预测效果， 增强了模型的泛 化能力。 权利要求书2页 说明书12页 附图3页 CN 114492591 A 2022.05.13 CN 114492591 A 1.一种异常检测模型的训练方法， 其特 征在于， 所述方法包括： 将样本图像输入异常检测模型， 确定所述样本 图像对应的第一概率向量， 所述第一概 率向量表示各异常类型的概 率分布； 依据所述第一概率向量， 确定所述异常检测模型的损 失函数， 并基于所述损 失函数调 整所述异常检测模型的参数； 对调整参数后的异常检测模型进行冻结， 并将同一个样本图像多次输入到冻结的异常 检测模型中， 确定对应的多个第二 概率向量； 确定各个第二 概率向量对应的训练图像； 对所述冻结的异常检测模型解除冻结， 将各个训练图像分别输入到解冻的异常检测模 型中， 确定每 个所述训练图像对应的第三 概率向量； 确定每两个第 三概率向量之间的信 息散度， 并基于各个信 息散度对所述解冻的异常检 测模型进行参数调整， 得到训练完成的异常检测模型。 2.根据权利要求1所述的异常检测模型的训练方法， 其特征在于， 所述确定各个第 二概 率向量对应的训练图像， 包括： 确定各个第二 概率向量对应的梯度图像； 将每个梯度图像分别与同一个样本图像进行掩码 操作， 得到多个训练图像。 3.根据权利要求2所述的异常检测模型的训练方法， 其特征在于， 所述将每个梯度图像 分别与同一个样本图像进行掩码 操作， 得到多个训练图像， 包括： 将各个梯度图像作为掩码图像， 并分别与同一个样本 图像进行乘法运算， 得到多个训 练图像。 4.根据权利要求2所述的异常检测模型的训练方法， 其特征在于， 所述确定各个第 二概 率向量对应的梯度图像， 包括： 依据各个第二 概率向量， 确定出同一个样本图像的真实类型 所对应的目标 特征向量； 分别通过 各目标特征对同一个样本图像进行求 导， 得到多个求 导图像； 将各个求 导图像分别进行归一 化， 得到每 个第二概率向量对应的梯度图像。 5.根据权利要求1所述的异常检测模型的训练方法， 其特征在于， 所述基于各个信 息散 度对所述 解冻的异常检测模型进行参数调整， 得到训练完成的异常检测模型， 包括： 依据各个信息散度， 通过梯度下降法对所述解冻的异常检测模型进行参数调整， 直到 所述信息 散度符合第一预设条件， 得到训练完成的异常检测模型。 6.一种异常检测方法， 其特 征在于， 所述方法包括： 获取待检测图像； 将所述待检测图像输入异常检测模型中， 确定所述待检测图像对应的目标异常类型， 所述异常检测模型经过第一 阶段和第二 阶段训练得到， 在第一阶段中， 根据样本图像得到 的损失函数调整所述异常检测模型的参数， 在第二阶段中冻结调整参数后的异常检测模 型， 确定同一个样本图像对应的多个训练图像， 并依据解冻的异常检测模型得到的所述训 练图像对应的信息 散度， 对所述 解冻的异常检测模型进行参数调整。 7.一种异常检测模型的训练装置， 其特 征在于， 所述装置包括： 图像输入模块， 用于将样本 图像输入异常检测模型， 确定所述样本 图像对应的第一概 率向量， 所述第一 概率向量表示各异常类型的概 率分布；权　利　要　求　书 1/2 页 2 CN 114492591 A 2第一参数调 整模块， 用于依据 所述第一概率向量， 确定所述异常检测模型的损失函数， 并基于所述损失函数调整所述异常检测模型的参数； 第二概率确定模块， 用于对调整参数后的异常检测模型进行冻结， 并将同一个样本 图 像多次输入到冻结的异常检测模型中， 确定对应的多个第二 概率向量； 训练图像生成模块， 用于确定各个第二 概率向量对应的训练图像； 第三概率确定模块， 用于对所述冻结的异常检测模型解除冻结， 将各个训练图像分别 输入到解冻的异常检测模型中， 确定每 个所述训练图像对应的第三 概率向量； 第二参数调整模块， 用于确定每两个第三概率向量之间的信息散度， 并基于各个信息 散度对所述 解冻的异常检测模型进行参数调整， 得到训练完成的异常检测模型。 8.一种异常检测装置， 其特 征在于， 所述装置包括： 图像获取模块， 用于获取待检测图像； 类型确定模块， 用于将所述待检测图像输入异常检测模型中， 确定所述待检测图像对 应的目标异常类型， 所述异常检测模型经过第一阶段和 第二阶段训练得到， 在第一阶段中， 根据样本图像得到的损失函数调整所述异常检测模型的参数， 在第二阶段中冻结调整参数 后的异常检测模型， 确定同一个样本图像对应的多个训练图像， 并依据解冻的异常检测模 型得到的所述训练图像对应的信息 散度， 对所述 解冻的异常检测模型进行参数调整。 9.一种电子设备， 包括： 一个或多个处 理器； 存储器； 一个或多个程序， 其中所述一个或多个程序被存储在所述存储器中并被配置为由所述 一个或多个处理器执行， 所述一个或多个程序配置用于执行权利要求1 ‑5中任一所述的异 常检测模型的训练方法， 或者是用于执 行权利要求6所述的异常检测方法。 10.一种计算机可读存储介质， 存储与电子设备结合使用的计算机程序， 所述计算机程 序可被处理器执行以完成权利要求1 ‑5中任一所述的异常检测模型 的训练方法， 或者是用 于执行权利要求6所述的异常检测方法。权　利　要　求　书 2/2 页 3 CN 114492591 A 3