具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明的基于WGAN的工业异常检测方法的流程图。

如图1所示，本发明实施例的基于WGAN的工业异常检测方法，包括以下步骤：

S1，获取待检测工件的异常图集和非异常图集。

在本发明的一个实施例中，可通过工业控制系统的数据库中获取待检测工件的异常图集和非异常图集。

S2，对待检测工件的异常图集和非异常图集分别进行数据预处理，以对应得到第一数据集和第二数据集。

具体地，可对待检测工件的异常图集和非异常图集分别进行灰度处理，以对应得到第一灰度图和第二灰度图，进一步可对第一灰度图和第二灰度图分别进行伸缩和高斯滤波处理，以对应得到第一数据集和第二数据集。通过灰度处理，可将三通道图片转换为单通道图片，从而能够减少数据量，并能够提高模型效率，此外还能够提高模型的鲁棒性；通过伸缩处理，能够进一步减少数据量，提高模型效率；通过高斯滤波处理能够提高图片的平滑性，便于后续模型的学习。

S3，根据第一数据集和第二数据集构建WGAN异常检测模型。

具体地，可先构建原始WGAN模型，该原始WGAN模型包括生成器和判别器，进而可将第一数据集和第二数据集输入原始WGAN模型中，以对原始WGAN模型进行训练得到WGAN异常检测模型，其中，第一数据集模拟原始WGAN模型生成器的随机噪声，第二数据集模拟原始WGAN模型判别器的标签。

更具体地，如图2所示，第一数据集可模拟原始WGAN模型生成器的随机噪声输入原始WGAN模型的生成器G，以训练生成器G，并可生成假图F；第二数据集可模拟原始WGAN模型判别器D的标签，并可与假图F共同输入判别器D，以训练判别器D，并可将判别结果返回生成器G，以对生成器G进行更新，从而迭代训练判别器D和生成器G，以得到WGAN异常检测模型。

其中，需要说明的是，在WGAN异常检测模型中，判别器D的损失函数来自于Wasserstein距离（即为由一个分布转变为另一个分布所需要的代价），可通过以下公式计算：

假设第二数据集中某图和生成的假图F都具有n个像素点，从第一个像素点开始，和的代价分数为：

其中，和表示第一个像素点的值。

因此，Wasserstein距离为：

判别器D的损失函数为：

其中，表示真实样本分布，表示由生成器G产生的样本分布，E表示数学期望，表示WGAN异常检测模型中神经网络的拟合函数。

S4，获取待检测工件的待检测图像。

在本发明的一个实施例中，可通过工业相机对工业流水线进行实时拍摄，以获取工业流水线中待检测工件的待检测图像。

S5，采用卷积神经网络对待检测工件的待检测图像进行数据筛选。

具体地，可先获取待检测工件的标准工件图集，并可采用全连接DenseNet卷积网络分别对待检测工件的标准工件图集和待检测图像进行处理，以对应得到第一特征向量和第二特征向量，进而可计算第一特征向量和第二特征向量的余弦相似度分数，并可判断余弦相似度分数是否超过设定阈值，其中，若否，则可将待检测工件标记为异常工件，并可获取下一个待检测工件的待检测图像进行数据筛选，若是，则可将待检测工件的待检测图像标记为筛选后的待检测图像。

更具体地，可通过以下公式计算第一特征向量和第二特征向量的余弦相似度分数：

其中，A表示第一特征向量，B表示第二特征向量，表示余弦相似度分数。

S6，采用WGAN异常检测模型对筛选后的待检测图像进行异常检测。

具体地，可对筛选后的待检测图像进行数据预处理，以得到二次待检测图像，并可将二次待检测图像输入WGAN异常检测模型，以通过WGAN异常检测模型的判别器和生成器对二次待检测图像进行并行异常检测，进而判断其对应的待检测工件是否为异常工件。

更具体地，如图3所示，WGAN异常检测模型可包括第一判别器D1、第二判别器D2和生成器G，其中，第一判别器D1、第二判别器D2均与上述实施例中训练得到判别器D相同。由此，在对筛选后的待检测图像进行灰度处理、伸缩处理和高斯滤波处理得到二次待检测图像后，可将二次待检测图像输入WGAN异常检测模型中的第一判别器D1和生成器G。其中，由于第一判别器D1的标签为第二数据集，即非异常图集，所以第一判别器D1对异常图像具有较高的敏感度，从而能够准确判别输入的图像是否异常，因此，若第一判别器D1判定输入的二次待检测图像为YES，则可判定该二次待检测图像对应的待检测工件为非异常工件，若第一判别器D1判定输入的二次待检测图像为NO，则可判定该二次待检测图像对应的待检测工件为异常工件。

此外，由于第二判别器D2的标签为第二数据集，即非异常图集，加上生成器G的输入并非常规的随机噪声，而是由第一数据集，即异常图集组成，因此，当生成器G输入的二次待检测图像为异常工件图像时，生成器G生成的假图F则会极其近似于真正的非异常工件图像，由此，当将生成器G生成的假图F输入第二判别器D2时，若第二判别器D2判定该假图F为YES，则可判定该假图F对应的待检测工件为异常工件。

需要进一步说明的是，二次待检测图像在第一判别器D1，以及生成器G和第二判别器D2中的处理过程是并行的，并且只要第一判别器D1或第二判别器D2中的一个判定二次待检测图像对应的待检测工件为异常工件，就可将该待检测工件确定为异常工件送入NG（NoGood，不良品）物料盒。通过设置生成器G和第二判别器D2的组合对第一判别器D1进行补偿，能够防止第一判别器D1漏检，从而能够提高模型检测的准确性。

根据本发明提出的基于WGAN的工业异常检测方法，通过对待检测工件的异常图集和非异常图集分别进行数据预处理，以对应得到第一数据集和第二数据集，并根据第一数据集和第二数据集构建WGAN异常检测模型，还采用卷积神经网络对待检测工件的待检测图像进行初步的数据筛选，最终采用WGAN异常检测模型对筛选后的待检测图像进行异常检测，从而判断待检测工件是否为异常工件，由此，能够在异常缺陷数据较少的情况下实现工业异常检测，并且采用的算子简单，同时具有较高的检测效率和检测精度。

对应上述实施例，本发明还提出一种基于WGAN的工业异常检测装置。

如图4所示，本发明实施例的基于WGAN的工业异常检测装置，包括第一获取模块10、处理模块20、构建模块30、第二获取模块40、第一筛选模块50、第二筛选模块60。其中，第一获取模块10用于获取待检测工件的异常图集和非异常图集；处理模块20用于对待检测工件的异常图集和非异常图集分别进行数据预处理，以对应得到第一数据集和第二数据集；构建模块30用于根据第一数据集和第二数据集构建WGAN异常检测模型；第二获取模块40用于获取待检测工件的待检测图像；第一筛选模块50用于采用卷积神经网络对待检测工件的待检测图像进行数据筛选；第二筛选模块60用于采用WGAN异常检测模型对筛选后的待检测图像进行异常检测。

在本发明的一个实施例中，第一获取模块10可通过工业控制系统的数据库中获取待检测工件的异常图集和非异常图集。

在本发明的一个实施例中，处理模块20可具体用于对待检测工件的异常图集和非异常图集分别进行灰度处理，以对应得到第一灰度图和第二灰度图，进一步可对第一灰度图和第二灰度图分别进行伸缩和高斯滤波处理，以对应得到第一数据集和第二数据集。通过灰度处理，可将三通道图片转换为单通道图片，从而能够减少数据量，并能够提高模型效率，此外还能够提高模型的鲁棒性；通过伸缩处理，能够进一步减少数据量，提高模型效率；通过高斯滤波处理能够提高图片的平滑性，便于后续模型的学习。

在本发明的一个实施例中，构建模块30可具体用于先构建原始WGAN模型，该原始WGAN模型包括生成器和判别器，进而可将第一数据集和第二数据集输入原始WGAN模型中，以对原始WGAN模型进行训练得到WGAN异常检测模型，其中，第一数据集模拟原始WGAN模型生成器的随机噪声，第二数据集模拟原始WGAN模型判别器的标签。

更具体地，如图2所示，第一数据集可模拟原始WGAN模型生成器的随机噪声输入原始WGAN模型的生成器G，以训练生成器G，并可生成假图F；第二数据集可模拟原始WGAN模型判别器D的标签，并可与假图F共同输入判别器D，以训练判别器D，并可将判别结果返回生成器G，以对生成器G进行更新，从而迭代训练判别器D和生成器G，以得到WGAN异常检测模型。

其中，需要说明的是，在WGAN异常检测模型中，判别器D的损失函数来自于Wasserstein距离（即为由一个分布转变为另一个分布所需要的代价），可通过以下公式计算：

假设第二数据集中某图和生成的假图F都具有n个像素点，从第一个像素点开始，和 的代价分数为：

其中，和表示第一个像素点的值。

因此，Wasserstein距离为：

判别器D的损失函数为：

其中，表示真实样本分布，表示由生成器G产生的样本分布，E表示数学期望，表示WGAN异常检测模型中神经网络的拟合函数。

在本发明的一个实施例中，第二获取模块40可为工业相机，可具体用于对工业流水线进行实时拍摄，以获取工业流水线中待检测工件的待检测图像。

在本发明的一个实施例中，第一筛选模块50可具体用于获取待检测工件的标准工件图集，并可采用全连接DenseNet卷积网络分别对待检测工件的标准工件图集和待检测图像进行处理，以对应得到第一特征向量和第二特征向量，进而可计算第一特征向量和第二特征向量的余弦相似度分数，并可判断余弦相似度分数是否超过设定阈值，其中，若否，则可将待检测工件标记为异常工件，并可获取下一个待检测工件的待检测图像进行数据筛选，若是，则可将待检测工件的待检测图像标记为筛选后的待检测图像。

更具体地，可通过以下公式计算第一特征向量和第二特征向量的余弦相似度分数：

其中，A表示第一特征向量，B表示第二特征向量，表示余弦相似度分数。

在本发明的一个实施例中，第二筛选模块60可具体用于对筛选后的待检测图像进行数据预处理，以得到二次待检测图像，并可将二次待检测图像输入WGAN异常检测模型，以通过WGAN异常检测模型的判别器和生成器对二次待检测图像进行并行异常检测，进而判断其对应的待检测工件是否为异常工件。

更具体地，如图3所示，WGAN异常检测模型可包括第一判别器D1、第二判别器D2和生成器G，其中，第一判别器D1、第二判别器D2均与上述实施例中训练得到判别器D相同。由此，在对筛选后的待检测图像进行灰度处理、伸缩处理和高斯滤波处理得到二次待检测图像后，可将二次待检测图像输入WGAN异常检测模型中的第一判别器D1和生成器G。其中，由于第一判别器D1的标签为第二数据集，即非异常图集，所以第一判别器D1对异常图像具有较高的敏感度，从而能够准确判别输入的图像是否异常，因此，若第一判别器D1判定输入的二次待检测图像为YES，则可判定该二次待检测图像对应的待检测工件为非异常工件，若第一判别器D1判定输入的二次待检测图像为NO，则可判定该二次待检测图像对应的待检测工件为异常工件。

此外，由于第二判别器D2的标签为第二数据集，即非异常图集，加上生成器G的输入并非常规的随机噪声，而是由第一数据集，即异常图集组成，因此，当生成器G输入的二次待检测图像为异常工件图像时，生成器G生成的假图F则会极其近似于真正的非异常工件图像，由此，当将生成器G生成的假图F输入第二判别器D2时，若第二判别器D2判定该假图F为YES，则可判定该假图F对应的待检测工件为异常工件。

需要进一步说明的是，二次待检测图像在第一判别器D1，以及生成器G和第二判别器D2中的处理过程是并行的，并且只要第一判别器D1或第二判别器D2中的一个判定二次待检测图像对应的待检测工件为异常工件，就可将该待检测工件确定为异常工件送入NG物料盒。通过设置生成器G和第二判别器D2的组合对第一判别器D1进行补偿，能够防止第一判别器D1漏检，从而能够提高模型检测的准确性。

根据本发明提出的基于WGAN的工业异常检测装置，通过处理模块对待检测工件的异常图集和非异常图集分别进行数据预处理，以对应得到第一数据集和第二数据集，并通过构建模块根据第一数据集和第二数据集构建WGAN异常检测模型，还可通过第一筛选模块采用卷积神经网络对待检测工件的待检测图像进行初步的数据筛选，最终可通过第二筛选模块采用WGAN异常检测模型对筛选后的待检测图像进行异常检测，从而判断待检测工件是否为异常工件，由此，能够在异常缺陷数据较少的情况下实现工业异常检测，并且采用的算子简单，同时具有较高的检测效率和检测精度。

对应上述实施例，本发明还提出一种计算机设备。

本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现根据上述实施例中任一项的基于WGAN的工业异常检测方法。

根据本发明实施例提出的计算机设备，通过处理器执行计算机程序时，实现上述实施例中任一项的基于WGAN的工业异常检测方法，由此，能够在异常缺陷数据较少的情况下实现工业异常检测，并且采用的算子简单，同时具有较高的检测效率和检测精度。

对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。

本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现根据上述实施例中任一项的基于WGAN的工业异常检测方法。

根据本发明实施例提出的非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述实施例中任一项的基于WGAN的工业异常检测方法，由此，能够在异常缺陷数据较少的情况下实现工业异常检测，并且采用的算子简单，同时具有较高的检测效率和检测精度。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。