基于深度学习生成工业缺陷样本的方法及系统技术方案

本发明专利技术提供了一种基于深度学习生成工业缺陷样本的方法及系统，包括：步骤1：采集工业缺陷产品图片，并在工业缺陷产品图片上标注缺陷信息；步骤2：构建对抗生成深度模型；步骤3：根据标注的缺陷信息，在抗生成深度模型中进行对抗训练；步骤4：训练获得缺陷样本；步骤5：对缺陷样本进行筛选，剔除不符合预设的缺陷样本，得到工业缺陷样本。本发明专利技术所生成的工业缺陷图片互相关性弱，缺陷特征突出，且具有较高的精细结构质量；本发明专利技术所生成的工业缺陷图片质量较高，能够显著提升依据其所训练的深度缺陷检测网络的性能指标。

Method and system of generating industrial defect samples based on deep learning

【技术实现步骤摘要】
基于深度学习生成工业缺陷样本的方法及系统
本专利技术涉及计算机视觉、深度学习
，具体地，涉及一种基于深度学习生成工业缺陷样本的方法及系统。
技术介绍
工业生产中，几乎所有产品都需要进行质检，其中一大部分的质检过程是由质检员用肉眼视觉完成对产品缺陷的检测(以下称为视检)，尤其是一些表面缺陷，比如装饰板材、金属表面、键盘表面等，这种情况在实际工业中十分常见。由于产品的多样性、缺陷的多样性，比如装饰板材的缺陷即有划痕、污点、斑块、磨损、碎屑等，大大增加了质检员的工作量和工作难度，导致人工视检效率下降且容易由于质检员的疲劳和失误导致漏检、错检等情况，提高生产线的时间成本并可能影响到上市产品的质量。随着深度学习技术的发展，基于深度学习的工业缺陷检测技术被广泛的应用于缺陷检测领域。深度学习的实质是通过构建具有多隐层的机器学习模型和海量的训练数据，对特征进行学习，从而最终提升分类或预测的准确性和通用性。然而训练一个有效的深度学习模型，需要大量的带标注数据，海量的显卡资源，以及漫长的训练时间，而在很多工业情景中，缺陷图像的获取成本非常高，导致样本本文档来自技高网...

【技术保护点】
1.一种基于深度学习生成工业缺陷样本的方法，其特征在于，包括：/n步骤1：采集工业缺陷产品图片，并在工业缺陷产品图片上标注缺陷信息；/n步骤2：构建对抗生成深度模型；/n步骤3：根据标注的缺陷信息，在抗生成深度模型中进行对抗训练；/n步骤4：训练获得缺陷样本；/n步骤5：对缺陷样本进行筛选，剔除不符合预设的缺陷样本，得到工业缺陷样本。/n

【技术特征摘要】
1.一种基于深度学习生成工业缺陷样本的方法，其特征在于，包括：
步骤1：采集工业缺陷产品图片，并在工业缺陷产品图片上标注缺陷信息；
步骤2：构建对抗生成深度模型；
步骤3：根据标注的缺陷信息，在抗生成深度模型中进行对抗训练；
步骤4：训练获得缺陷样本；
步骤5：对缺陷样本进行筛选，剔除不符合预设的缺陷样本，得到工业缺陷样本。


2.根据权利要求1所述的基于深度学习生成工业缺陷样本的方法，其特征在于，所述步骤3对抗训练中采用误差函数，公式为：



其中，Gn为生成器网络，Dn为判别器网络，Ladv为对抗损失函数，Lrec为重建损失函数，a为一个固定系数，为重建误差权重。


3.根据权利要求1所述的基于深度学习生成工业缺陷样本的方法，其特征在于，所述缺陷信息包括缺陷位置的标注数据。


4.根据权利要求3所述的基于深度学习生成工业缺陷样本的方法，其特征在于，根据图像采样进行对抗生成深度模型的构建；
根据标注数据进行图像采样，提高采样概率。


5.根据权利要求1所述的基于深度学习生成工业缺陷样本的方法，其特征在于，所述对抗生成深度模型包括生成器网络和判别器网络；
所述生成器网络包括一层或多层的全连接层，以及一个或多个卷积块；全连接层将均匀分布或高斯分布映射成某一个特定分布，并生成一张分辨率符合第一设置范围的工业缺陷图片；每个卷积块包括一个或多个卷积层，以及一次上采样操作，将输入的分辨率符合第一设置范围的工业缺陷图片和噪声相加，生成一张分辨率符合第二设置范围的工业缺陷图片，并丰富分辨率符合第二设置范围的工业缺陷图片上的语义内容，得到被生成器网络映射成工业缺陷的高清图片；
所述判别器网络包括一个或多个卷积块，每个卷积块包括一层或多层卷积层；区分工业缺陷产品图片和生成器网络生成的缺陷图片。

<...

【专利技术属性】
技术研发人员：乐心怡，李钧正，尤志远，陈李洋，习俊通，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31