本发明属于织物瑕疵检测，具体涉及一种基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，用于具有复杂纹理细节和多样化外观挑战的特定样品。在现实场景中有很多应用，如纺织业产品瑕疵检测。
背景技术：
1、织物瑕疵检测一直是瑕疵检测中的重要部分。传统的检测方法使用人工检测，人工检测无论是效率和成本都是不能满足各行各业的要求。随着机器视觉的发展，基于机器视觉的瑕疵检测因其可实现自动化检测而备受关注。传统的织物类瑕疵检测算法主要有基于统计的方法、基于概率分布模型的方法、基于光谱分析方法。然而传统的织物瑕疵检测算法存在特征提取不充分和适应性较差的缺点。近年来，随着深度卷积神经网络的快速发展，基于深度卷积网络的织物类瑕疵检测方法得取得了良好的效果。
2、spade[1]采用深度特征金字塔结构，通过对比特征金字塔中的所有特征层进行异常区域定位。zhao等人[2]提出了一种基于神经网络的织物瑕疵检测方法，该方法首先制作织物图像数据集，通过搭建神经网络对图片进行训练，从而对待测织物图片进行瑕疵检测。wu等人[3]对工业相机获取的rgb色彩图片进行色彩空间转换，转换到ycrcb色彩空间后再转到灰度图下进行检测，有效减少了由相机采集图像的外部环境带来的干扰。lu等人[4]提供一种基于并行注意力机制的织物瑕疵检测模型，提高对于小目标的特征提取能力。sheng等人[5]提出了一种基于能量残差分布的织物瑕疵检测方法解决无法基于全角度和尺度下的特征提取和计算，无法进行有效的进行融合，降低了检测精度的问题。tian和li[6]提出了一种基于自编码器的方法。利用重复的纹理模式，对每个缺陷块寻找相似的无缺陷块，并对相应的潜在变量进行加权组合，从而对原始潜在变量进行修正。
3、然而，这些方法大多采用传统丝织物瑕疵检测方法，很难鉴别细微以及复杂丝织物瑕疵样本。
4、目前基于重建的深度卷积神经网络异常检测方法是基于异常图像区域不应该被正确重建这一假设的，因为异常不包含在训练数据中。最终，基于重构误差来判断图像是否异常。wei等人[7]利用均方差和结构相似度的联合损失函数测量重构图像与输入图像的相似度，提出了一种基于变分自编码器的实时织物缺陷检测方法。[8]利用自编码器和生成对抗网络等生成模型对正常数据进行编码和重构。ganomaly[9]构建了一个对抗网络，训练自编码器来学习图像重建。然而，自编码器只能对数据进行简单的非线性变换，其泛化能力较差，很难学习到目标数据的全部分布，这通常会导致重建结果不明确。
5、基于生成对抗网络的方法可以使生成数据的分布更接近目标数据，在异常检测领域深受学者青睐。dcgan[10]将逆变器引入深度卷积生成对抗网络中，辅助逆变器重构。wgan[11]将生成对抗网络与迁移学习技术和多模型集成框架相结合进行丝织物异常检测。但是这些方法大多利用图像的重建误差作为参考来检测异常区域。在合成伪异常图像和重建的过程中，会丢失大量精确的细节，导致一些缺陷难以检测。
技术实现思路
1、本发明的目的在于提供一种基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，提出一种新的生成对抗性网络模型：阶段噪声增强下的多特征判别网络pnmfd
2、为实现上述目的，本发明的技术方案是：一种基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，提出一种新的生成对抗性网络模型：阶段噪声增强下的多特征判别网络pnmfd，pnmfd将注意力转移到特征级别，使用阶段噪声来生成伪异常特征，并且生成的伪异常特征共同与多特征判别模块交互，以增强模型对纹理细节的关注。
3、在本发明一实施例中，pnmfd引入分阶段的伪异常生成策略，以减轻生成的样本和真实样本之间的显著差异；在训练过程中，逐步合成不同的噪声以模拟不同阶段的异常图像，生成伪异常特征；同时，在多特征判别模块中，提出一种双重鉴别器，通过添加额外的鉴别分支来增加鉴别器任务的复杂性并提高网络的性能。
4、在本发明一实施例中，生成伪异常特征过程中，允许特征重构器逐渐学习更丰富的异常表示，确保模拟异常的丰富性和改进的重构质量。
5、在本发明一实施例中，pnmfd包括主干网络、特征聚合和自适应模块、特征子采样模块、特征重建模块、特征鉴别模块。
6、在本发明一实施例中，主干网络，使用在imagenet上预训练网络φ来进行特征块的提取，为降低域偏移的影响，使用网络φ所有层l中的指定层l来进行特征块提取，定义为φl(xi)，其中l∈l；假设输入高为h，宽为w的图片则提取出的特征图表示为定义来表示在h∈{1,…,h}，w∈{1,…,w}位置的特征；对于输入特征合并其邻域的特征向量，用p来表示其邻域的patch大小。
7、在本发明一实施例中，特征聚合和自适应模块，使用聚合函数fagg对领域内的特征聚合得到局部特征tl,i(h,w)的同时，也能够保留原始上下文信息，整体过程定义为：
8、
9、其中，使用自适应平均层作为聚合函数fagg；由于局部特征tl,i(h,w)来自不同的预训练网络层，所以首先将局部特征调整为同样大小，再按照通道层面将其连接，此时所有局部特征的大小调整为特征图最大的尺寸(h0,w0)，特征映射表示为：
10、mi＝fconcate(resize(tl,i,(h0,w0)))
11、之后，使用表示局部特征，并将其作为网络在(h,w)处的输入；由于预训练网络更加偏向于训练它所使用的数据，因此，采用特征适应器aψ将局部特征mi(h,w)投影到目标域，此过程定义为：
12、ai(h,w)＝aψ(mi(h,w))
13、其中，ai(h,w)即适应特征。
14、在本发明一实施例中，采用单层全连接层作为特征适应器aψ。
15、在本发明一实施例中，特征子采样模块，使用最小最大值设置核心选择来减少计算成本，降低计算复杂度，得到采样特征集：
16、
17、其中，是适应特征ai(h,w)组成的适应特征集ai的子集，计算集合ai中每一个点m到子集内其余所有点n的最小和最大距离，最终ai,c就是得到的核心子采样后的采样特征集。
18、在本发明一实施例中，特征重建模块，包括两个部分：阶段伪异常特征的生成和特征重建；特征重建模块，将重点转移到特征空间，并在不同的训练阶段逐步引入各种特征级噪声，以合成高质量的伪异常特征；同时，将生成对抗性网络的原理与重建网络的目标相结合，将伪异常特征输入到特征重建器rθ中，以重建采样特征集ai,c中的采样特征ai,c(h,w)；
19、在阶段伪异常特征的生成阶段，对于采样特征将鉴别器训练划分为三个不同的阶段η∈{η1,η2,η3}，分别使用三种不同的噪声向量∈∈{∈1,∈2,∈3}，与采样特征融合为伪异常特征ai,c-(h,w)：
20、ai,c-(h,w)＝ai,c+∈
21、其中，高斯噪声作为∈1，特征扰动噪声作为∈2，使用两者噪声的结合作为∈3；
22、对于特征重建，结合生成对抗网络和重建网络的思想，提出由多层全连接层构成的特征重构器rθ作为重建网络；具体即，将伪异常特征ai,c-(h,w)作为重构器的输入，输出为重构特征将采样特征ai,c(h,w)设置为重构目标，即重构特征要尽可能的与采样特征相似；重构过程被定义为：
23、
24、由于特征重构器的目标是拉近重构特征与采样特征的距离，启到欺骗鉴别器的作用，因此采用mse损失来约束特征重构器：
25、
26、其中，n是特征数量，在训练过程中，训练的目标是尽可能地使重构损失lr的值最小化，从而使重构特征尽可能地接近采样特征ai,c(h,w)，以提高重建网络的性能。
27、在本发明一实施例中，特征鉴别模块，设置一个特征级双重鉴别器dω，它需要鉴别两组不同的特征，第一组为采样特征ai,c(h,w)和伪异常特征ai,c-(h,w)，第二组为采样特征ai,c(h,w)和重构特征通过两组输入特征来优化鉴别损失，将特征重构器和双重鉴别器组合作为生成对抗网络，将第一组特征也输入到鉴别器当中，由于伪异常特征接近真实异常特征，进一步帮助鉴别器提升区分正常和异常的能力；
28、对于每个位置(h,w)的特征，鉴别器期望采样特征的输出为正，期望伪异常特征和重构特征的输出为负；采用两层多层感知器作为双重鉴别器dω，直接估计特征的正态性评分；
29、对于双重鉴别器dω的损失函数，采用截断l1损失来描述两组鉴别损失：
30、li1＝max(0，λ+-dω(ai,c(h,w)))+max(0，-λ-+dω(ai,c-(h,w)))
31、
32、其中，λ+和λ-是防止过拟合的截断项，设置为默认值0.5和-0.5；双重鉴别器总损失定义为每个位置(h,w)处的截断损失li1和li2的均值：
33、
34、其中，h0和w0分别是每个位置(h,w)处的局部特征图的高和宽。
35、相较于现有技术，本发明具有以下有益效果：本发明在基于合成和重建方法的启发下，提出了一种新颖的丝织物瑕疵检测网络pnmfd。pnmfd集成了阶段噪声增强策略来生成伪异常特征，并集成了多重特征判别模块来提高鉴别器的性能，利用生成对抗性网络的思想在特征空间中进行异常检测。本发明设计了一种相位噪声增强策略，将相位噪声引入特征空间，以生成与真实异常特征非常相似的伪异常特征，用于特征重建。通过利用具有两个不同特征输入的双鉴别器设置来提高鉴别器性能。此外，子采样模块减少了特征冗余，确保了高效的推理速度。
1.一种基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，提出一种新的生成对抗性网络模型：阶段噪声增强下的多特征判别网络pnmfd，pnmfd将注意力转移到特征级别，使用阶段噪声来生成伪异常特征，并且生成的伪异常特征共同与多特征判别模块交互，以增强模型对纹理细节的关注。
2.根据权利要求1所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，pnmfd引入分阶段的伪异常生成策略，以减轻生成的样本和真实样本之间的显著差异；在训练过程中，逐步合成不同的噪声以模拟不同阶段的异常图像，生成伪异常特征；同时，在多特征判别模块中，提出一种双重鉴别器，通过添加额外的鉴别分支来增加鉴别器任务的复杂性并提高网络的性能。
3.根据权利要求1或2所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，生成伪异常特征过程中，允许特征重构器逐渐学习更丰富的异常表示，确保模拟异常的丰富性和改进的重构质量。
4.根据权利要求1所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，pnmfd包括主干网络、特征聚合和自适应模块、特征子采样模块、特征重建模块、特征鉴别模块。
5.根据权利要求4所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，主干网络，使用在imagenet上预训练网络φ来进行特征块的提取，为降低域偏移的影响，使用网络φ所有层l中的指定层l来进行特征块提取，定义为φl(xi)，其中l∈l；假设输入高为h，宽为w的图片则提取出的特征图表示为定义来表示在h∈{1,…,h}，w∈{1,…,w}位置的特征；对于输入特征合并其邻域的特征向量，用p来表示其邻域的patch大小。
6.根据权利要求5所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，特征聚合和自适应模块，使用聚合函数fagg对领域内的特征聚合得到局部特征tl,i(h,w)的同时，也能够保留原始上下文信息，整体过程定义为：
7.根据权利要求6所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，采用单层全连接层作为特征适应器aψ。
8.根据权利要求6所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，特征子采样模块，使用最小最大值设置核心选择来减少计算成本，降低计算复杂度，得到采样特征集：
9.根据权利要求8所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，特征重建模块，包括两个部分：阶段伪异常特征的生成和特征重建；特征重建模块，将重点转移到特征空间，并在不同的训练阶段逐步引入各种特征级噪声，以合成高质量的伪异常特征；同时，将生成对抗性网络的原理与重建网络的目标相结合，将伪异常特征输入到特征重建器rθ中，以重建采样特征集ai,c中的采样特征ai,c(h,w)；
10.根据权利要求9所述的基于阶段噪声多特征鉴别网络的丝织物瑕疵检测方法，其特征在于，特征鉴别模块，设置一个特征级双重鉴别器dω，它需要鉴别两组不同的特征，第一组为采样特征ai,c(h,w)和伪异常特征ai,c-(h,w)，第二组为采样特征ai,c(h,w)和重构特征通过两组输入特征来优化鉴别损失，将特征重构器和双重鉴别器组合作为生成对抗网络，将第一组特征也输入到鉴别器当中，由于伪异常特征接近真实异常特征，进一步帮助鉴别器提升区分正常和异常的能力；
