一种基于上下文感知特征重建的工业图像异常检测系统

本发明涉及工业视觉及深度学习异常检测，具体是一种基于上下文感知特征重建的工业图像异常检测系统。

背景技术：

1、高端装备制造是现代产业的脊梁。随着工业4.0和智能化生产的不断推进，生产出高质量、高精密度的工业构件对于保障生产安全和提升企业竞争力具有重要意义。然而，在实际制造过程中，受环境干扰、工艺波动等因素影响，工件表面不可避免地会出现各类细微缺陷。目前，许多生产线仍依赖人工目视检测，这不仅存在成本高、效率低等问题，且易受主观经验影响导致漏检。

2、随着计算机视觉和深度学习理论的不断深入，基于图像重建的异常检测技术已成为工业质检领域的研究热点。此类方法通常仅利用正常样本进行训练，通过计算原始特征与重建特征之间的残差来实现异常的识别与定位。但在复杂的真实工业场景中，现有重建方法仍存在局限：首先，由于深度神经网络具备极强的表征能力，模型在重建过程中容易产生“恒等映射”倾向，即模型会将原本属于异常区域的特征也进行较好地恢复，导致异常残差信号微弱，从而引发漏检；其次，工业产品表面往往具有复杂的纹理背景或反光干扰，这些正常背景信息在特征残差计算中容易产生大量噪声伪影，若缺乏有效的特征筛选与加权机制，将严重影响异常区域的定位精度和系统的稳健性。

3、因此，如何设计一种能够有效抑制恒等映射并过滤背景干扰的工业图像异常检测系统，是当前亟待解决的问题。

技术实现思路

1、为了有效解决工业图像异常检测中面临的重建网络恒等映射倾向导致的缺陷漏检、以及复杂背景噪声干扰导致的定位精度受限等问题，本发明提出了一种基于上下文感知特征重建的工业图像异常检测系统，提高了在复杂纹理和微小缺陷场景下的异常检测准确率和稳健性。

2、为实现上述目的，采用了如下的技术方案：

3、一种基于上下文感知特征重建的工业图像异常检测系统，其特征在于，包括特征提取与局部邻域增强模块、多尺度特征投影与聚合模块、上下文感知重建模块以及方差引导的残差门控模块；

4、特征提取与局部邻域增强模块：所述模型的特征提取与局部邻域增强模块，包括多层级特征提取单元和局部邻域增强单元；首先，采用预训练且参数冻结的wideresnet-50作为骨干网络提取图像的多层级语义特征，获取不同残差阶段的多尺度特征图序列；接着，利用局部邻域增强单元对各层特征图执行邻域信息聚合，增强单点特征对局部结构变化的感知能力，获得鲁棒的增强特征表示；

5、多层级特征提取单元：利用骨干网络提取待检测图像中前三个残差阶段输出的特征图序列；通过选取浅层、中层及深层特征，获取涵盖从细粒度纹理到全局语义结构的多层次特征表征；

6、局部邻域增强单元：利用核大小为、步长为1、填充为1的局部平均池化算子，聚合特征图序列各空间位置周围局部邻域内的上下文特征，得到增强后的多尺度特征序列；该单元通过池化操作实现邻域信息的显式建模，并提升特征对局部结构变化的感知灵敏度；

7、多尺度特征投影与聚合模块：用于对增强后的多尺度特征序列执行空间尺度对齐、通道降维投影及级联聚合处理；该模块首先选取空间分辨率最高的浅层特征为尺度基准，对其余层级特征执行上采样处理，以实现不同深度特征图的空间尺寸统一与位置配准；接着，利用卷积算子对对齐后的各层特征执行降维投影，将其映射至预设的统一通道维度空间，以在降低特征冗余的同时增强语义一致性；最后，采用通道级联算子对处理后的多层特征执行拼接聚合，输出涵盖多尺度信息的统一聚合特征表示；

8、上下文感知重建模块：所述模型的上下文感知重建模块，包括中心掩码卷积单元和通道注意力校准单元；该模块通过编码器-解码器架构对输入的聚合特征执行特征压缩与空间分布重建，旨在通过瓶颈层的上下文约束机制抑制重建网络的恒等映射倾向，确保异常特征与重建特征之间产生显著偏差；

9、中心掩码卷积单元：利用中心置零掩码矩阵修正后的卷积核，在瓶颈层特征的空间位置上执行特征推断处理；该单元通过显式遮蔽感受野中心位置的特征信息，迫使网络在恢复特征过程中必须依赖周围邻域的正常结构信息进行逻辑推断，从而主动阻断瓶颈层特征的直接传递路径；

10、通道注意力校准单元：利用由全局平均池化算子和全连接层生成的自适应通道权重向量，对经过掩码推断后的特征执行动态重标定处理；该单元通过衡量不同特征通道的重要性，增强关键正常背景响应并抑制冗余特征噪声，最后经卷积解码器逐步上采样，输出与输入尺寸一致的重建特征；

11、方差引导的残差门控模块：用于对重建残差执行敏感性评估与自适应融合处理；该模块首先计算聚合特征与重建特征之间的绝对差异，得到高维特征残差图；接着，统计所述残差图中各通道在空间维度上的响应方差，以评估各特征通道对异常模式的敏感程度，并据此生成归一化的通道门控权重；最后，利用所述门控权重对高维特征残差执行加权聚合，输出用于表征异常分布特性的二维异常响应图，并基于该响应图实现图像级异常检测与像素级异常定位。

12、所述的一种基于上下文感知特征重建的工业图像异常检测系统，所述的特征提取与局部邻域增强模块：首先，利用多层级特征提取单元从待检测图像中捕获涵盖细粒度纹理到全局语义的多尺度特征表示，输出原始特征图序列；接着，利用局部邻域增强单元对所述原始特征图序列执行局部信息聚合处理，通过对特征图中每个空间位置周围的邻域信息进行融合，以增强特征对局部结构变化的感知灵敏度；提取及增强处理完成后，将获得的增强特征序列作为整体引入到多尺度特征投影与聚合模块，进行后续处理。

13、所述的一种基于上下文感知特征重建的工业图像异常检测系统，所述的多层级特征提取单元：利用在imagenet上预训练的wideresnet-50为骨干网络提取待检测图像的多层级特征，获取前三个残差阶段输出的特征图序列，各层特征图的数学描述如下：

14、

15、其中，表示骨干网络至第层的映射函数；所述特征图序列中，浅层特征具有最高的分辨率，用于保留局部边缘、颜色突变的高频空间信息；中层特征用于表征局部形状与纹理的语义信息；深层特征用于表征产品整体结构与复杂背景的高级语义信息。通过使用这三层特征，模型能够获得从细粒度纹理到全局结构的多层次表征，为后续异常建模提供信息基础。

16、所述的一种基于上下文感知特征重建的工业图像异常检测系统，所述的局部邻域增强单元：在多层级特征提取单元输出的特征图序列的每一个空间位置上，聚合其周围局部邻域内的上下文特征，从而得到增强特征，其计算公式如下：

17、

18、其中，表示平均聚合函数，表示以为中心、大小为的局部邻域集合，其定义如下：

19、

20、所述局部邻域增强单元具体采用核大小为、步长为1、填充为1的局部平均池化操作；通过该单元的信息聚合处理，使模型在保留预训练特征层级语义优势的同时，进一步提升对局部结构变化的感知能力。

21、所述的一种基于上下文感知特征重建的工业图像异常检测系统，所述的多尺度特征投影与聚合模块：首先，选取具有最高空间分辨率的浅层增强特征作为对齐锚点，对其余层级的低分辨率特征采用双线性插值上采样函数执行空间尺寸对齐处理，以消除分辨率异构性，计算公式如下：

22、

23、其中，和分别表示2倍和4倍上采样操作。

24、接着，利用卷积算子对对齐后的各层特征图序列执行通道维度的降维投影处理，将其映射至预设的统一低维表示空间中，以降低计算复杂度并增强层级间的语义一致性，计算公式如下：

25、

26、其中，为预设的降维后通道数。最后，采用通道级联算子将处理后的三层投影特征执行拼接聚合，生成涵盖多尺度信息的聚合特征图，计算公式如下：

27、

28、通过上述处理，模型在整合细粒度纹理细节与高层语义信息的同时，有效抑制了冗余信息干扰，为后续执行上下文感知重建提供了鲁棒的特征基础。

29、所述的一种基于上下文感知特征重建的工业图像异常检测系统，所述的上下文感知重建模块：用于学习正常特征流形下的可恢复表示，包括中心掩码卷积单元与通道注意力校准单元；该模块首先利用卷积编码器对输入的聚合特征执行维度压缩，获取瓶颈层隐藏特征；接着，利用中心掩码卷积单元对瓶颈层隐藏特征执行上下文推断处理，通过主动遮蔽当前位置信息迫使网络利用周围邻域结构特征恢复缺失的中心特征；随后，利用通道注意力校准单元对推断出的特征执行自适应重标定处理，以强化关键正常背景通道并抑制冗余特征噪声；最后，利用卷积解码器对校准后的特征执行逐步上采样恢复，输出与输入尺寸一致的重建特征；该模块通过在瓶颈层引入受限的推断机制，有效抑制了重建网络的恒等映射倾向。

30、所述的一种基于上下文感知特征重建的工业图像异常检测系统，所述的中心掩码卷积单元：用于执行中心遮蔽下的特征推断处理；该单元通过哈达玛积引入一个中心置零的二进制掩码矩阵对原始卷积核权重执行权重修正，得到中心掩码卷积核，计算公式如下：

31、

32、其中，掩码矩阵的元素定义如下：

33、

34、该单元利用所述中心掩码卷积核在隐藏特征上滑动执行卷积运算，通过显式遮蔽感受野中心位置的特征信息，迫使网络在恢复特征过程中必须依赖周围局部邻域的结构信息进行非线性组合与逻辑推断，从而在网络机制上有效抑制瓶颈层特征的直接传递路径。

35、所述的一种基于上下文感知特征重建的工业图像异常检测系统，所述的通道注意力校准单元：用于在掩码推断后对推断特征执行自适应重标定处理；该单元首先通过全局平均池化算子提取推断特征的通道响应情况，利用包含两层全连接层的映射网络及激活函数生成自适应通道权重向量，其计算公式如下：

36、

37、其中，表示全局平均池化操作，和为全连接层的权重矩阵，为relu激活函数，为sigmoid激活函数；接着，将所述权重向量与推断特征执行逐通道相乘操作，得到校准后的瓶颈层特征，其计算公式如下：

38、

39、其中，表示逐元素相乘；该单元通过自适应调节不同特征通道的响应强度，强化正常背景中的关键通道信息并抑制无效特征噪声，校准后的特征随后进入解码器执行逐步上采样恢复，输出重建特征。

40、所述的一种基于上下文感知特征重建的工业图像异常检测系统，所述的方差引导的残差门控模块：用于利用统计方差特性执行残差通道的自适应筛选与加权聚合处理，以生成二维异常响应图；首先，通过计算聚合特征与重建特征之间的绝对差异来构建高维特征残差图，其中；接着，针对所述残差图中第个通道图执行空间维度的响应方差评估，统计该通道的响应均值以及空间方差，其计算公式分别如下：

41、

42、

43、其中，和分别为特征图的高度和宽度；利用所述方差值的大小表征该特征通道对局部异常模式的敏感程度，方差越大表示该通道捕获异常信息的能力越强；随后，对各通道的方差执行归一化处理以生成对应的通道门控权重，其计算公式如下：

44、

45、其中，为残差图的总通道数；最后，利用所述门控权重对高维特征残差执行自适应加权融合处理，输出最终的二维异常响应图，其计算公式如下：

46、

47、本发明的有益效果是：

48、本发明构建基于上下文感知特征重建的无监督异常检测系统，通过显式上下文约束机制与统计方差引导融合，克服传统重建网络易产生恒等映射与背景干扰的技术痛点，大幅提升复杂工业场景下的缺陷识别与定位精度。

49、设计中心掩码卷积与通道注意力校准组合架构，通过显式遮蔽感受野中心位置信息切断特征直接传递路径，迫使网络仅依赖周围邻域正常结构进行逻辑推断重建，从架构机制上彻底抑制重建网络的“恒等映射”倾向，保障异常区域产生显著重建失真与残差响应，大幅降低漏检率。

50、构建方差引导的残差门控自适应融合机制，利用残差通道的空间响应方差评估其对异常模式的敏感程度并生成归一化门控权重，有效过滤工业场景中因复杂纹理、反光干扰或结构变化产生的背景伪影与噪声，彻底改变传统简单池化融合方式，显著提升二维异常响应图的纯净度与像素级定位精度。

51、引入局部平均池化邻域增强机制，对预训练骨干网络提取的多层级特征执行显式上下文建模，赋能单点特征对边缘突变与结构细微演变的感知能力，提升特征表征对工业复杂纹理背景的鲁棒性。

52、设计空间锚点对齐与通道降维投影聚合方案，选取最高分辨率浅层特征为对齐基准消除空间尺寸异构性，配合卷积降维与通道级联，在消除特征冗余与计算复杂度的同时，实现细粒度纹理细节与高层语义信息的深度整合。

53、本发明所提出系统图像级 auc 达到 0.987，在满足工业现场快速推理实时性需求的同时保持极高检测灵敏度，且运行成本低、运行速度快，可完美适配各种自动化质检设备及工业生产线。