作者 | 小白       责编 | 欧阳姝黎

在机器学习中，处理异常检测任务是很常见的。数据科学家经常遇到必须显示，解释和预测异常的问题。在这篇文章中，我们主要讲述：从时间序列交换为图像。给定一张图像，我们要实现双重目的：预测异常的存在并对其进行个性化处理，从而对结果进行丰富多彩的表示。

数据集

我们从互联网上获得了数据：裂缝数据集包含墙壁裂缝的图像（URL格式）。提供了1428张图像：其中一半显示了新的且未损坏的墙块；其余部分显示了各种尺寸和类型的裂缝。第一步包括发出一个获取请求，以读取图像，调整大小并将其转换为数组格式。

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)

从下面的示例中你们可以看到，在我们的数据中显示了不同类型的墙体裂缝，其中一些对我来说也不太容易识别。

开裂和不开裂的例子

模型

我们想要建立一个机器学习模型，该模型能够对墙壁图像进行分类并同时检测异常的位置。为了达到这个双重目的，最有效的方法是建立一个强大的分类器，它将能够读取输入图像并将其分类为“损坏”或“未损坏”。在最后一步，我们将利用分类器学到的知识来提取有用的信息，这将有助于我们检测异常情况。在Keras中，仅需几行代码，这非常容易做到。

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

详细地说，我们导入了VGG体系结构，可以训练最后两个卷积块。这将使我们的模型能够专门从事分类任务。为此，我们还排除了原始模型的顶层，将其替换为另一种结构。

x = vgg_conv.output
x = 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"])

在分类阶段，GlobalAveragePooling层通过取每个要素图的平均值来减小前一层的大小。这种选择加上中间致密层的省略用法，可以避免过度拟合。如果你们可以使用GPU，则培训既简单又容易。COLAB为我们提供了加快这一过程所需的武器。我们还使用了Keras提供的简单数据生成器进行图像增强。最后，我们能够达到0.90的整体精度。

局部异常

现在，在训练好模型之后，我们将对其进行操作以提取所有有用的信息，以使我们能够在墙壁图像中显示出裂缝。我们试图使此过程变得容易并且很容易在最后用热图表示法看到。我们需要的有用信息位于顶部，特别是我们可以访问：

• 卷积层：上层是VGG结构，还有网络创建的更多重要功能。我们选择了最后一个卷积层（“ block5_conv3 ”），并在此处剪切了我们的分类模型。我们已经重新创建了一个中间模型，该模型以原始图像为输入，输出相关的激活图。考虑到维度，我们的中间模型增加了初始图像的通道（新功能）并减小了尺寸（高度和宽度）。

• 最终密度层：对于每个感兴趣的类别，我们都需要这些权重，这些权重负责提供分类的最终结果。

有了这些压缩的物体，我们掌握了定位裂缝的所有知识。我们希望将它们“绘制”在原始图像上，以使结果易于理解且易于看清。“解压缩”此信息在python中很容易：我们只需进行双线性上采样即可调整每个激活图的大小并计算点积。执行一个简单的函数即可访问：

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')

我在下面的图像中显示结果，在该图像中，我已在分类为裂纹的测试图像上绘制了裂纹热图。我们可以看到，热图能够很好地泛化并指出包含裂缝的墙块。

总结

在这篇文章中，我们提供了一种用于异常识别和定位的机器学习解决方案。所有这些功能都可以通过实现单个分类模型来访问。在训练过程中，我们的神经网络会获取所有相关信息，从而可以进行分类。在此阶段之后，我们无需进行额外的工作就组装了最终零件，这些零件告诉我们图像中裂纹的位置！

☞“Mac 不靠谱”，被苹果放弃的英特尔开启“嘲讽技能”！☞重磅！GitLab 在中国成立公司极狐，GitHub 还会远吗？
☞谷歌苹果齐降税，却没能拯救开发者的“钱包”！
☞未来已来！分布式数据库的“星辰大海”绝不仅限于替换！