基于Halcon的深度学习异常值检测方法

Halcon在19.11版本中推出了深度学习异常值检测方法，该方法属于无监督式的深度学习方法，使用该算法可以在只有正样本的情况下训练模型。据官方介绍，该方法具有以下优点：

　　1 无需标注

　　2 只需少量正样本即可进行训练

　　3 可以在CPU下进行训练

　　4 具有较快的推断速度

　　官方的例程中，分为四个步骤：

　　1 数据准备

　　通过read_dl_dataset_anomaly 和  split_dl_dataset 读取与分割样本， set_dl_model_param设置模型的一些初始化参数，

　　2 模型训练

　　通过set_dict_tuple 和 create_dl_train_param设置训练的超参数（例如正则化噪声、每个epoch大小等）；之后 train_dl_model训练模型得到结果，通过write_dl_model进行保存。之后通过compute_dl_anomaly_thresholds计算分类阈值，这个算子比较关键，可以得出训练时的分类标准（异常值分割阈值和分类阈值）这两个值作为后续的判定标准。

　    3 模型评估 

　　4 模型推理

　　read_dl_samples读取数据，apply_dl_model初始化模型，通过threshold_dl_anomaly_results得到模型推理的值，通过与之前训练得到阈值进行比较，从而得到最终的判定结果。

　　　友情提示：在一个苹果客户的项目中试验使用过，但效果并不理想，也可能是苹果的要求比较严(′⌒`)，该方法还是比较适合缺陷较为明显的项目。

        

　　所在公司以Halcon为主，个人同时也在学习使用OpenCV（毕竟是免费的嘛），会不定期分享一些案例与学习心得，大家相互学习，交流！

关注公众号，更多知识内容