(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211140745.9 (22)申请日 2022.09.20 (65)同一申请的已公布的文献号 申请公布号 CN 115222738 A (43)申请公布日 2022.10.21 (73)专利权人 合肥中科类脑智能技 术有限公司 地址 230088 安徽省合肥市高新区望江西 路5089号中国科大先进技术研究院一 号嵌入式研发楼3楼 (72)发明人 孙涛　艾坤　王子磊　刘海峰　 (74)专利代理 机构 合肥昊晟德专利代理事务所 (普通合伙) 3415 3 专利代理师 何梓秋 (51)Int.Cl. G06T 7/00(2017.01)G06N 20/00(2019.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) 审查员 袁冠群 (54)发明名称 一种基于特征迁移的在线学习异常检测方 法及系统 (57)摘要 本发明公开了一种基于特征迁移的在线学 习异常检测方法及系统， 属于产品异常检测技术 领域， 包括以下步骤： 步骤1： 收集样本数据； 步骤 2： 特征提取器的特征迁移； 步骤3： 样本 数据特征 归一化； 步骤4： 异常检测模型的在线学习。 本发 明的异常检测模 型是通过在 线学习获得的， 这种 方式可以很好地适应客户需求定义不清或者需 求变动的情况， 符合实际生产需要； 提出了基于 在线学习的正常样本特征归一化方法， 可以很好 地表达样本特征， 提升检测 效果； 把异常样本以 及疑似异常样本反馈给客户， 交由客户来决定这 些样本是否真的异常， 可以及时满足客户的需 要。 权利要求书2页 说明书6页 附图1页 CN 115222738 B 2022.12.09 CN 115222738 B 1.一种基于特 征迁移的在线学习异常检测方法， 其特 征在于， 包括以下步骤： 步骤1： 收集样本数据 收集现实中的产品样本数据， 获得样本数据集； 步骤2： 特 征提取器的特 征迁移 采用残差网络模型来迁移现实环境中收集到的样本数据， 在整个样本数据集上训练更 新残差网络模型参数， 选择残差网络模型中骨干网络最后一层作为特 征提取器； 步骤3： 样本数据特 征归一化 通过步骤2中的特征提取器对图像样本进行特征提取， 得到对应维度的特征， 然后对特 征进行归一 化处理； 在所述步骤3 中， 定义了一个先进先出的队列， 该队列用于保存最近设定数量的正常样 本的特征分布情况， 在实时更新过程中收集设定数量的正常样本并放入这个队列， 假设某 一时刻经统计某个正常样本的特征向量维度的均值为m， 方差为r， 则当前图像样本经特征 提取器后的归一 化计算公式为： f’=(f‑m)/r 其中， 向量f为未 经过归一化的特征向量， f ’为计算过归一 化后的特 征向量； 步骤4： 异常检测模型的在线学习 定义一个在线学习异常检测模型， 然后用随机化参数初始整个在线学习异常检测模 型， 再将步骤3中归一化后的特征， 作为在线学习异常检测模型的输入， 对整个模型进行前 向传播， 得到样本的异常概率， 将疑似异常样本和落入设定异常概率值范围的样本反馈给 客户， 由客户对疑似异常样本和落入设定异常概率值范围的样本进行标注， 获取疑似异常 样本和落入设定异常概率值范围样本的标签数据， 根据标签数据计算样本的损失， 得到样 本损失后通过反向传播链式法则计算每个参数的梯度， 对参数进 行更新， 经参数更新后， 在 线学习异常检测模型会继续判断后续到来的样本数据。 2.根据权利要求1所述的一种基于特征迁移的在线学习异常检测方法， 其特征在于： 在 所述步骤1 中， 通过在工厂流水线上的设定位置架设定角度的摄像头， 利用摄像头采集产品 样本数据。 3.根据权利要求1所述的一种基于特征迁移的在线学习异常检测方法， 其特征在于： 在 所述步骤2中， 残差网络模 型包括骨干网络Resnet18与1个全 连接层， 在训练时将步骤1 中收 集到的正常样本标注为0， 异常样本标注为1， 损失函数为二分交叉熵， 学习 率为0.01， 单次 训练32个样本 。 4.根据权利要求1所述的一种基于特征迁移的在线学习异常检测方法， 其特征在于： 在 所述步骤2中， 残差网络模型在样 本数据集上的训练过程即为特征迁移过程， 特征提取器的 网络参数 是固定不变的。 5.根据权利要求1所述的一种基于特征迁移的在线学习异常检测方法， 其特征在于： 在 所述步骤4中， 在线 学习异常检测模型包括六个全连接层与一个激活层， 六个全连接层与一 个激活层依次连接， 其中， 各全连接层参数为一个矩阵， 矩阵大小为： 输入维*输出维， 激活 层的激活函数使用sigmoid函数， sigmoid函数定义为： ， sigmoid函数用于权　利　要　求　书 1/2 页 2 CN 115222738 B 2将预测结果映射到[0,1]。 6.根据权利要求5所述的一种基于特征迁移的在线学习异常检测方法， 其特征在于： 在 所述步骤4中， 异常概率小于0.25则样本为较大可能正常样本， 在0.25至0.5区间内为疑似 异常样本， 大于 0.5为落入设定异常概 率值范围的样本 。 7.根据权利要求6所述的一种基于特征迁移的在线学习异常检测方法， 其特征在于： 在 所述步骤4中， 假设某个参数θ 经反向传播后得到梯度grad， 学习率lr 为0.01， 则参数的更新 公式为： θ’=θ‑lr*grad 其中， θ 为 参数更新前的值， θ ’为更新后的值。 8.一种基于特征迁移的在线学习异常检测系统， 其特征在于， 用于采用如权利要求1～ 7任一项的方法进行产品的异常检测工作， 包括： 样本收集模块， 用于收集现实中的产品样本数据， 获得样本数据集； 特征迁移模块， 用于采用残差网络模型来迁移现实环境中收集到的样本数据， 在整个 样本数据集上训练更新残差网络模型参数， 选择残差网络模型中骨干网络最后一层作为特 征提取器； 归一化模块， 用于通过特征提取器对图像样本进行特征提取， 得到对应维度的特征， 然 后对特征进行归一 化处理； 在线学习模块， 用于定义一个在线学习异常检测模型， 然后用随机化参数初始整个在 线学习异常检测模型， 再将步骤3中归一化后的特征， 作为在线学习异常检测模型的输入， 对整个模型进行前向传播， 得到样本的异常概率， 将疑似异常样本和落入设定异常概率值 范围的样本反馈给客户， 由客户对疑似异常样本和落入设定异常概率值范围的样本进 行标 注， 获取疑似异常样本和落入设定异常概率值范围样本的标签数据， 根据标签数据计算样 本的损失， 得到样本损失后通过反向传播链式法则计算每个参数的梯度， 对参数进 行更新， 经参数更新后， 在线学习异常检测模型继续判断后续到来的样本数据； 控制处理模块， 用于向其 他模块发出指令， 完成相关动作； 所述样本收集模块、 特征迁移模块、 归一化模块、 在线学习模块均与控制处理模块电连 接。权　利　要　求　书 2/2 页 3 CN 115222738 B 3