(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 202210036055.2 (22)申请日 2022.01.10 (71)申请人 中国人民公安大 学 地址 100000 北京市西城区木樨地 南里1号 (72)发明人 袁得嵛　孟玉颜　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 代理人 张萍 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(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 异常图像 检测模型的训练方法、 装置及 介质 (57)摘要 本申请提供一种异常图像检测模型的训练 方法、 装置及介质。 该方法在获取多个图像训练 样本和相应的样本标签后， 针对每个图像训练样 本， 将图像训练样本作为输入数据， 输入预设的 改进后的异常图像检测网络模型， 得到输出的 图 像训练样本的检测结果； 其中， 改进后的异常图 像检测网络模型的初始网络权重值是基于计算 机视觉系统识别项目ImageNet数据库中的样本 训练数据集预先训练好的网络权重值； 基于每个 图像训练样本的检测结果与相应样本的样本标 签， 对改进后的异常图像检测模型进行迭代训 练， 得到训练完成的异常图像检测模型。 该方法 提高了模型的训练效率， 和模型的检测准确率。 权利要求书2页 说明书10页 附图2页 CN 114387451 A 2022.04.22 CN 114387451 A 1.一种异常图像 检测模型的训练方法， 其特 征在于， 所述方法包括： 获取多个图像训练样本和相应的样本标签， 所述多个图像训练样本包括正常的图像训 练样本和异常的图像训练样本； 针对每个图像训练样本， 将所述图像训练样本作为输入数据， 输入预设的改进后的异 常图像检测网络模型的输入网络结构， 所述改进后的异常图像检测网络模 型中配置的残差 网络结构， 对所述输入网络结构输出 的图像信息提取图像特征向量， 由所述改进后的异常 图像检测网络模型 的输出网络结构， 对提取 的图像特征向量进行检测， 得到输出 的所述图 像训练样本的检测结果； 其中， 所述改进后的异常图像检测网络模型 的初始网络权重值是 基于计算机视觉系统识别项目ImageNet数据库中的样本训练数据集预先训练好的网络权 重值； 基于所述每个图像训练样本的检测结果与相应样本的样本标签， 对所述改进后的异常 图像检测网络模型进行迭代训练， 得到训练完成的异常图像 检测模型。 2.如权利要求1所述的方法， 其特征在于， 所述改进后的异常图像检测网络模型的输入 网络结构包括1个卷积层、 1个最大池化层和1个通道 注意力机制模块； 其中， 所述卷积层， 用于对所述输入数据进行 特征提取， 得到初级图像特 征向量； 所述通道注意力机制模块， 用于对所述初级图像特征向量进行压缩， 得到所述初级图 像特征向量的全局压缩特征向量； 将所述初级图像特征向量的全局压缩特征向量， 按照特 征通道进行处理， 得到所述初级图像特征向量的特征通道权值向量， 并将所述特征通道权 值向量与所述初级图像特 征向量相乘， 输出聚焦于特 征通道的次级图像特 征向量； 所述最大池化层， 用于获取所述通道注意力 机制层输出的次级图像特征向量对应的最 大图像特 征向量。 3.如权利要求1所述的方法， 其特征在于， 所述改进后的异常图像检测网络模型中配置 的残差网络结构包括依次连接的多个 配置的残差单 元； 每个配置的残差单元包括1个初始残差单元和1个通道注意力 机制模块； 所述通道注意 力机制模块嵌入到所述初始 残差单元中最后一个卷积层之前。 4.如权利要求3所述的方法， 其特征在于， 在所述配置的残差网络结构包括依次连接的 4个配置的残差单元时， 所述4个配置的残差单元中的第一个配置的残差单元包括3个卷积 层， 第二个配置的残差单元包括4个卷积层， 第三个配置的残差单元包括6个卷积层， 第四个 配置的残差单 元包括3个卷积层， 其中， 每 个卷积层中卷积核大小相同。 5.如权利要求1所述的方法， 其特征在于， 所述改进后的异常图像检测网络模型的输出 网络结构包括1个通道 注意力机制模块、 1个平均池化层和1个全连接层； 所述通道注意力 机制模块， 用于对所述配置的残差网络结构输出的所述图像特征向量 进行压缩， 得到所述图像特征向量的全局压缩特征向量； 将所述图像特征向量的全局压缩 特征向量， 按照特征通道进行 处理， 得到所述图像特征向量的特征通道权值向量， 并将所述 图像特征向量的特征通道权值向量与所述图像特征向量相乘， 输出聚焦于所述输出网络结 构对应的次级图像特 征向量； 所述平均池化层， 用于对所述输出网络结构对应的次级图像特征向量进行计算， 得到 所述次级图像特 征向量对应的压缩特 征向量； 所述全连接层， 用于基于得到的压缩特 征向量， 得到所述图像训练样本的检测结果。权　利　要　求　书 1/2 页 2 CN 114387451 A 26.如权利要求1所述的方法， 其特 征在于， 获取多个图像训练样本， 包括： 获取候选图像样本； 采用预设的样本数量扩充方式， 对所述候选 图像样本进行处理， 获取处理后的候选 图 像样本； 将所述候选图像样本和所述处 理后的候选图像样本， 确定为图像训练样本 。 7.如权利要求1所述的方法， 其特征在于， 得到训练完成的异常图像检测模型之后， 所 述方法还 包括： 获取至少一个待检测图像； 将所述至少一个待检测图像作为输入数据， 输入所述训练完成的异常图像检测模型， 得到所述至少一个待检测图像的检测结果。 8.一种异常图像 检测模型的训练装置， 其特 征在于， 所述装置包括： 获取单元， 用于获取多个图像训练样本和相应的样本标签； 输入单元， 用于针对每个图像训练样本， 将所述图像训练样本作为输入数据， 输入预设 的改进后的异常图像检测网络模型的输入网络结构， 所述改进后的异常图像检测网络模型 中配置的残差网络结构， 对所述输入网络结构输出 的图像信息提取图像特征向量， 由所述 改进后的异常图像检测网络模型 的输出网络结构， 对提取 的图像特征向量进行检测， 得到 输出的所述图像训练样本的检测结果； 其中， 所述改进后的异常图像检测网络模型 的初始 网络权重值是基于计算机视觉系统识别项目ImageNet数据库中的样本训练数据集预先训 练好的网络 权重值； 训练单元， 用于基于所述每个图像训练样本的检测结果与相应样本的样本标签， 对所 述改进后的异常图像 检测网络模型进行迭代训练， 得到训练完成的异常图像 检测模型。 9.一种电子设备， 其特征在于， 所述电子设备包括处理器、 通信接口、 存储器和通信总 线， 其中， 处 理器， 通信接口， 存 储器通过通信总线完成相互间的通信； 存储器， 用于存放计算机程序； 处理器， 用于执 行存储器上所存储的程序时， 实现权利要求1 ‑7任一所述的方法步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质内存储有计算机 程序， 所述计算机程序被处 理器执行时实现权利要求1 ‑7任一所述的方法步骤。权　利　要　求　书 2/2 页 3 CN 114387451 A 3