买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽大学申请的专利一种基于边缘世界生成网络的图像异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117274195B 。

龙图腾网通过国家知识产权局官网在2025-08-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311231918.2，技术领域涉及：G06T7/00；该发明授权一种基于边缘世界生成网络的图像异常检测方法是由唐俊;过新林;王科;朱明;张艳设计研发完成，并于2023-09-22向国家知识产权局提交的专利申请。

本一种基于边缘世界生成网络的图像异常检测方法在说明书摘要公布了：本发明公开了一种基于边缘世界生成网络的图像异常检测方法，用于无监督的图像异常检测和定位，包括：1使用特征膨胀器来使特征向量所张成的特征维度空间足够饱满完整，2通过特征蒸馏生成器，在正常样本的特征向量所张成的特征维度空间边界，生成伪异常的边缘特征空间，从而在此边缘特征维度空间内，产生大量的伪异常特征向量。3将正常特征向量和伪异常特征向量，一起输入异常分离器，并通过韦伯变换，得到图像像素级的异常分数，由此完成图像异常的检测以及图像异常区域的定位。本发明能在无法对所有异常数据进行统计分布的建模时，可以更好的在高维特征空间中，刻画出正常样本的特征空间边界，从而通过边缘世界生成网络提高图像检测性能。

本发明授权一种基于边缘世界生成网络的图像异常检测方法在权利要求书中公布了：1.一种基于边缘世界生成网络的图像异常检测方法，其特征在于，是按以下步骤进行： 步骤1、获取训练图像数据集A，并构造随机空间向量集合Z： 步骤1.1、获取真实的正常图像数据集，记为A={a1,a2,…,ai,…,aN}，其中，ai表示第i张正常图像，i=1,2,…,N，N为正常图像的总数； 步骤1.2、在[-1,1]范围内的均匀分布上进行随机高斯采样后，得到随机空间向量集合Z={z1,z2,…,zj,…,zM}，zj表示第j个随机空间向量；M表示随机空间向量的总数； 步骤2、构造特征提取网络F，并对正常图像数据集A进行处理，得到正常特征向量集合； 步骤3、构造特征膨胀网络E，并对正常特征向量集合进行处理，得到正常特征向量集合在特征空间V上映射的膨胀特征向量集合： 步骤4、构造特征蒸馏生成网络G，并对随机空间向量集合Z进行处理，得到随机空间向量集合Z={z1,z2,…,zj,…,zM}在特征空间V上映射的伪异常特征向量集合： 步骤5、通过边缘特征判别网络D1和异常分类网络D2构造共享参数： 步骤5.1、构造边缘特征判别网络D1，并以伪异常特征向量集合作为所述边缘特征判别网络D1的输入数据，得到第j个伪异常特征向量在所述边缘特征判别网络D1上第KD1层隐含层的第j个输出； 根据式5得到所述边缘特征判别网络D1对第j个伪异常特征向量的异常分数： = 5 式5中，为自然对数的底数，、为韦伯变换函数中的超参数； 步骤5.2、构造异常分类网络D2，并以膨胀特征向量集合和所述伪异常特征向量集合构成正、异常特征向量集合I={,}，并作为所述异常分类网络D2的输入数据，从而得到第k个特征向量在所述异常分类网络D2的第KD2层隐含层的输出； 根据式7得到所述异常分类网络D2对第k个特征向量的异常分数： = 7 步骤5.3、构造共享参数： 利用式8和式9构造所述边缘特征判别网络D1和异常分类网络D2隐含层的共享参数； =8 =9 式8和式9中，表示所述边缘特征判别网络D1的第hD1层隐含层的转换矩阵；表示所述边缘特征判别网络D1的第hD1层隐含层的偏置矩阵；表示所述异常分类网络D2的第hD2层隐含层的转换矩阵；表示所述异常分类网络D2的第hD2层隐含层的偏置矩阵； 步骤6、由所述特征提取网络F、特征膨胀网络E、特征蒸馏生成网络G、边缘特征判别网络D1和异常分类网络D2构成边缘世界生成网络并进行对抗训练： 步骤6.1、利用式10建立对抗损失函数： 10 式10中，为一个扰动值，E表示期望，表示从训练图像数据集A的分布中取出一个批次的正常图像组，表示从随机空间向量集合Z的分布中取出一个批次的随机空间向量组，表示从随机空间向量集合Z的分布中取出该批次的随机空间向量组在所述特征蒸馏生成网络G生成的伪异常特征向量；表示所述异常分类网络D2对所述特征蒸馏生成网络G生成的伪异常特征向量属于的异常分数；表示从训练图像数据集A的分布中取出该批次的正常图像组在所述特征提取网络F上提取的正常特征向量；表示正常特征向量在所述特征膨胀网络E上映射所得到的膨胀特征向量；表示所述异常分类网络D2对所述特征膨胀网络E上的膨胀特征向量属于的异常分数；为合页损失函数，并有： 11 式11中，当输入为膨胀特征向量的异常分数时，则令标签为+1，当输入为伪异常特征向量的异常分数时，则标签为-1； 步骤6.2、利用式12建立膨胀损失函数： 12 式12中，与表示对正常图像组进行不同随机变换后，得到两组类似图像；表示所构建的协方差矩阵行列式损失函数，并有： 13 式13中，，表示两个输入，、分别表示，的均值，T表示转置； 步骤6.3、建立生成边缘特征损失函数： 步骤6.3.1、利用式14建立韦伯边缘特征向量： 14 式14中，表示高斯分布，为高斯分布的随机输入值，为高斯分布的均值参数和方差参数；表示韦伯变换函数，并有： 15 式15中，表示韦伯变换函数的输入； 步骤6.3.2、利用式16建立边缘偏离损失函数： 16 式16中，表示平均绝对误差损失函数，并由式17得到；表示矩阵梯度损失函数，并由式18得到，表示结构相似性指数损失函数，并由式19得到， 17 18 式18中，与分别表示在第一维度方向和第二维度方向上的差分，与分别表示在第一维度方向和第二维度方向上的差分； 19 式19中，、分别表示的均值和方差，、分别表示的均值和方差，表示与的协方差，、为常数； 步骤6.3.3、利用式20建立生成边缘特征损失函数： 20 式20中，表示所述边缘特征判别网络D1对所述特征蒸馏生成网络G生成的伪异常特征向量属于的异常分数； 步骤6.4、通过随机梯度下降法分别对式20、式12、式10进行优化求解，使得值、值和值在相互对抗中均收敛到最优；当生成边缘特征损失函数到达最优时，所述特征蒸馏生成网络G达到最优；当膨胀损失函数到达最优时，特征膨胀网络E达到最优；当对抗损失函数到达最优时，异常分类网络D2达到最优；并利用训练后的边缘世界生成网络对输入图像进行异常检测，输出图像的像素级异常分数图，完成图像异常检测与定位。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。