點擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達(dá)

在機(jī)器學(xué)習(xí)中，處理異常檢測任務(wù)是很常見的。數(shù)據(jù)科學(xué)家經(jīng)常遇到必須顯示，解釋和預(yù)測異常的問題。在這篇文章中，我們主要講述：從時間序列交換為圖像。給定一張圖像，我們要實現(xiàn)雙重目的：預(yù)測異常的存在并對其進(jìn)行個性化處理，從而對結(jié)果進(jìn)行豐富多彩的表示。

我們從互聯(lián)網(wǎng)上獲得了數(shù)據(jù)：裂縫數(shù)據(jù)集包含墻壁裂縫的圖像（URL格式）。提供了1428張圖像：其中一半顯示了新的且未損壞的墻塊；其余部分顯示了各種尺寸和類型的裂縫。第一步包括發(fā)出一個獲取請求，以讀取圖像，調(diào)整大小并將其轉(zhuǎn)換為數(shù)組格式。

images = []for url in tqdm.tqdm(df['content']):    response = requests.get(url)    img = Image.open(BytesIO(response.content))    img = img.resize((224, 224))    numpy_img = img_to_array(img)    img_batch = np.expand_dims(numpy_img, axis=0)    images.append(img_batch.astype('float16'))images = np.vstack(images)

從下面的示例中你們可以看到，在我們的數(shù)據(jù)中顯示了不同類型的墻體裂縫，其中一些對我來說也不太容易識別。

開裂和不開裂的例子

我們想要建立一個機(jī)器學(xué)習(xí)模型，該模型能夠?qū)Ρ趫D像進(jìn)行分類并同時檢測異常的位置。為了達(dá)到這個雙重目的，最有效的方法是建立一個強(qiáng)大的分類器，它將能夠讀取輸入圖像并將其分類為“損壞”或“未損壞”。在最后一步，我們將利用分類器學(xué)到的知識來提取有用的信息，這將有助于我們檢測異常情況。在Keras中，僅需幾行代碼，這非常容易做到。

vgg_conv = vgg16.VGG16(weights='imagenet', include_top=False, input_shape = (224, 224, 3))for layer in vgg_conv.layers[:-8]:    layer.trainable = False

詳細(xì)地說，我們導(dǎo)入了VGG體系結(jié)構(gòu)，可以訓(xùn)練最后兩個卷積塊。這將使我們的模型能夠?qū)ｉT從事分類任務(wù)。為此，我們還排除了原始模型的頂層，將其替換為另一種結(jié)構(gòu)。

x = vgg_conv.outputx = GlobalAveragePooling2D()(x)x = Dense(2, activation="softmax")(x)model = Model(vgg_conv.input, x)model.compile(loss = "categorical_crossentropy", optimizer = optimizers.SGD(lr=0.0001, momentum=0.9), metrics=["accuracy"])

在分類階段，GlobalAveragePooling層通過取每個要素圖的平均值來減小前一層的大小。這種選擇加上中間致密層的省略用法，可以避免過度擬合。如果你們可以使用GPU，則培訓(xùn)既簡單又容易。COLAB為我們提供了加快這一過程所需的武器。我們還使用了Keras提供的簡單數(shù)據(jù)生成器進(jìn)行圖像增強(qiáng)。最后，我們能夠達(dá)到0.90的整體精度。

現(xiàn)在，在訓(xùn)練好模型之后，我們將對其進(jìn)行操作以提取所有有用的信息，以使我們能夠在墻壁圖像中顯示出裂縫。我們試圖使此過程變得容易并且很容易在最后用熱圖表示法看到。我們需要的有用信息位于頂部，特別是我們可以訪問：

• 卷積層：上層是VGG結(jié)構(gòu)，還有網(wǎng)絡(luò)創(chuàng)建的更多重要功能。我們選擇了最后一個卷積層（“ block5_conv3 ”），并在此處剪切了我們的分類模型。我們已經(jīng)重新創(chuàng)建了一個中間模型，該模型以原始圖像為輸入，輸出相關(guān)的激活圖。考慮到維度，我們的中間模型增加了初始圖像的通道（新功能）并減小了尺寸（高度和寬度）。

• 最終密度層：對于每個感興趣的類別，我們都需要這些權(quán)重，這些權(quán)重負(fù)責(zé)提供分類的最終結(jié)果。

有了這些壓縮的物體，我們掌握了定位裂縫的所有知識。我們希望將它們“繪制”在原始圖像上，以使結(jié)果易于理解且易于看清。“解壓縮”此信息在python中很容易：我們只需進(jìn)行雙線性上采樣即可調(diào)整每個激活圖的大小并計算點積。執(zhí)行一個簡單的函數(shù)即可訪問：

def plot_activation(img):    pred = model.predict(img[np.newaxis,:,:,:])    pred_class = np.argmax(pred)    weights = model.layers[-1].get_weights()[0]    class_weights = weights[:, pred_class]    intermediate = Model(model.input,                         model.get_layer("block5_conv3").output)    conv_output = intermediate.predict(img[np.newaxis,:,:,:])    conv_output = np.squeeze(conv_output)    h = int(img.shape[0]/conv_output.shape[0])    w = int(img.shape[1]/conv_output.shape[1])    act_maps = sp.ndimage.zoom(conv_output, (h, w, 1), order=1)    out = np.dot(act_maps.reshape((img.shape[0]*img.shape[1],512)),                  class_weights).reshape(img.shape[0],img.shape[1])    plt.imshow(img.astype('float32').reshape(img.shape[0],               img.shape[1],3))    plt.imshow(out, cmap='jet', alpha=0.35)    plt.title('Crack' if pred_class == 1 else 'No Crack')

我在下面的圖像中顯示結(jié)果，在該圖像中，我已在分類為裂紋的測試圖像上繪制了裂紋熱圖。我們可以看到，熱圖能夠很好地泛化并指出包含裂縫的墻塊。

在這篇文章中，我們提供了一種用于異常識別和定位的機(jī)器學(xué)習(xí)解決方案。所有這些功能都可以通過實現(xiàn)單個分類模型來訪問。在訓(xùn)練過程中，我們的神經(jīng)網(wǎng)絡(luò)會獲取所有相關(guān)信息，從而可以進(jìn)行分類。在此階段之后，我們無需進(jìn)行額外的工作就組裝了最終零件，這些零件告訴我們圖像中裂紋的位置！

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~