模型训练方法、产品表面缺陷检测方法和存储介质技术

本发明专利技术公开了一种模型训练方法、产品表面缺陷检测方法和存储介质。所述训练方法包括获取自动编码网络，对所述自动编码网络进行训练，获取生成对抗网络；所述生成对抗网络包括生成器网络和鉴别器网络，所述鉴别器网络由所述自动编码网络中的编码器网络构建得到，对生成对抗网络进行训练等步骤。训练所得的卷积自动编码网络‑生成对抗网络联合网络，它兼具了卷积自动编码网络的无监督训练优点，以及生成对抗网络的半监督训练优点，具有较好的泛化能力，能够适应产品表面缺陷尤其是钢铁产品表面缺陷检测场合中所面对的训练样本少、图像外观复杂、组内差异大等情况，取得较好的识别效果。本发明专利技术广泛应用于图像检测技术领域。

Model training method, product surface defect detection method and storage medium

【技术实现步骤摘要】
模型训练方法、产品表面缺陷检测方法和存储介质
本专利技术涉及图像检测
，尤其是一种模型训练方法、产品表面缺陷检测方法和存储介质。
技术介绍
在钢铁产品等产品的生产和维护过程中，对其表面缺陷进行检测分析是一种高效的缺陷检测方法。但是，由于缺陷的罕见发生和外观变化，识别表面缺陷一直是一项艰巨的任务。近年来，深度学习方法在图像分类中表现出出色的性能，尤其是在有足够的训练样本的情况下。因此，陆续出现了一些识别和检测产品表面缺陷的现有技术，包括极限学习机(ELM)和支持向量机(SVM)等，再此基础上引入遗传算法(GA)、RNAMlet特征校正器、尺度不变特征变换(SIFT)和剪切波变换等以进行改善，其总的原理是对产品表面进行拍摄，将拍摄得到的图像输入到经过训练的深度学习模型中，获取深度学习模型所输出的识别结果，判断产品表面是否存在缺陷或者存在何种类型的缺陷。因此，这种方法的有效性取决于深度学习模型的性能。但是，产品表面缺陷具有复杂的外观，这使得拍摄所得的图片也具有很高的复杂性。图1所示是钢铁产品的表面缺陷，其中a-d部分是接缝，e-本文档来自技高网...

【技术保护点】
1.一种产品表面缺陷检测模型的训练方法，其特征在于，包括以下步骤：/n获取自动编码网络；所述自动编码网络包括编码器网络和解码器网络；/n获取样本图像；至少部分所述样本图像中包括产品表面缺陷；/n使用所述样本图像对所述自动编码网络进行训练；/n获取生成对抗网络；所述生成对抗网络包括生成器网络和鉴别器网络，所述鉴别器网络由所述自动编码网络中的编码器网络构建得到；/n获取真实图像及其标记；所述真实图像中包括产品表面缺陷，所述标记用于表示相应真实图像中所包括的产品表面缺陷的种类；/n将所述真实图像或由所述生成器网络生成的伪图像输入到所述鉴别器网络，获取所述鉴别器网络的输出结果，调整所述鉴别器网络和/或...

【技术特征摘要】
1.一种产品表面缺陷检测模型的训练方法，其特征在于，包括以下步骤：
获取自动编码网络；所述自动编码网络包括编码器网络和解码器网络；
获取样本图像；至少部分所述样本图像中包括产品表面缺陷；
使用所述样本图像对所述自动编码网络进行训练；
获取生成对抗网络；所述生成对抗网络包括生成器网络和鉴别器网络，所述鉴别器网络由所述自动编码网络中的编码器网络构建得到；
获取真实图像及其标记；所述真实图像中包括产品表面缺陷，所述标记用于表示相应真实图像中所包括的产品表面缺陷的种类；
将所述真实图像或由所述生成器网络生成的伪图像输入到所述鉴别器网络，获取所述鉴别器网络的输出结果，调整所述鉴别器网络和/或生成器网络的参数，直至所述鉴别器网络的损失函数和/或生成器网络的损失函数达到目标值；
经过训练的所述生成对抗网络用作产品表面缺陷检测模型。


2.根据权利要求1所述的训练方法，其特征在于，所述调整所述鉴别器网络和/或生成器网络的参数这一步骤，具体包括：
由所述解码器网络重构样本图像；
获取所述解码器网络在重构过程中的误差；
根据所述误差调整所述编码器网络。


3.根据权利要求2所述的训练方法，其特征在于，所述鉴别器网络的损失函数为：








4.根据权利要求1-...

【专利技术属性】
技术研发人员：蔡长青，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44