【技术实现步骤摘要】
应用于工业质检的缺陷图片生成方法及装置
[0001]本专利技术涉及工业质检
，具体涉及一种应用于工业质检的缺陷图片生成方法和一种应用于工业质检的缺陷图片生成装置。
技术介绍
[0002]目前工业质检方案中，主要有人工质检和机器视觉质检的方式。采用人工质检的方式时，主要的问题在于：检测的质量很依赖于工人本身，而工人的经验程度，以及疲劳和误操作这些因素都可能导致漏检和误检的情况，同时随着这些年人工成本的持续增加，也使得质检的成本也在不断上升。与此同时，随着深度学习的机器视觉技术的不断完善，使得机器视觉技术逐渐在工业质检中所占的比重越来越大。采用机器视觉进行检测已经成为一种的重要手段，也逐渐成为工业质检中优先选择的方案。
[0003]随着深度学习技术在工业质检的应用中变得越来越重要，带来一个显著的问题：深度学习技术需大量实际的缺陷样本参与模型训练，才能保证生成的模型有满足质检要求的能力。而实际的工业生产上缺陷样本的产生是个小概率事件，这就导致用来支撑模型训练的样本量严重不足。
[0004]为此，相关技术之中，...
【技术保护点】
【技术特征摘要】
1.一种应用于工业质检的缺陷图片生成方法，其特征在于，包括：获取带缺陷的第一工件图集及无缺陷的第二工件图集；确定所述第一工件图集中的每个第一工件图对应的缺陷标注图，并将各个所述缺陷标注图存储于缺陷特征数据库；确定所述第二工件图集中的每个第二工件图的特征值，并将各个所述特征值存储于图片特征数据库；基于所述第一工件图、所述第二工件图、所述缺陷标注图和所述特征值，训练pix2pixHD网络，以得到训练好的所述pix2pixHD网络的生成器；获期望缺陷类型及期望图片类型；依据所述期望缺陷类型，从所述缺陷特征数据库中获取目标缺陷标注图；依据所述期望图片类型，从所述图片特征数据库中获取目标特征值；将所述目标缺陷标注图和所述目标特征值输入训练好的生成器，以使所述训练好的生成器生成目标缺陷图片。2.根据权利要求1所述的应用于工业质检的缺陷图片生成方法，其特征在于，确定所述第一工件图集中的每个第一工件图对应的缺陷标注图，包括：将所述第一工件图进行裁剪处理，以得到所述第一工件图对应的缺陷图；对所述第一工件图对应的缺陷图依据缺陷类型进行标注，以生成所述第一工件图对应的缺陷标注图。3.根据权利要求1所述的应用于工业质检的缺陷图片生成方法，其特征在于，确定所述第二工件图集中的每个第二工件图的特征值，包括：将各个所述第二工件图进行聚类处理，以得到每个所述第二工件图的图片类型；根据所述第二工件图的图片类型生成所述第二工件图的特征值。4.根据权利要求1所述的应用于工业质检的缺陷图片生成方法，其特征在于，基于所述第一工件图、所述第二工件图、所述缺陷标注图和所述特征值，训练所述pix2pixHD网络，以得到训练好的所述pix2pixHD网络的生成器，包括以下步骤：第一步骤，将所述缺陷标注图进行预处理，得到预处理后的缺陷标注图；第二步骤，将所述特征值和所述预处理后的缺陷标注图输入至所述pix2pixHD网络的生成器，以使所述生成器生成假缺陷图；第三步骤，将所述假缺陷图和所述第二工件图，输入至构建好的VGG网络，以使所述VGG网络提取所述假缺陷图和所述第二工件图的特征，并计算所述VGG网络的感知重构损失函数值；第四步骤，将所述第一工件图、所述假缺陷图和第二工件图输入所述pix2pixHD网络的判别器，并计算所述pix2pixHD网络的对抗损失函数值和匹配损失函数值；第五步骤，根据所述感知重构损失函数值、所述对抗损失函数值和所述匹配损失函数值计算总损失函数值；第六步骤，将所述生成器的参数固定，通过重复执行所述第二步骤至所述第五步骤训练所述判别器的参数，直至所述总损失函数值最大化；第七步骤，将所述判别器的参数固定，通过重复执行所述第二步骤至所述第五步骤训练所述生成器的参数，直至所述总损失函数值最小化时，得到训练好的生成器。
5.根据权利要求4所述的应用于工业质检的缺陷图片生成方法，其特征在于，将所述缺陷标注图进行预处理，包括：对所述缺陷标注图的亮度处理、清晰度处理、噪点处理和图片增强处理中的至少一种处理；将所述缺陷标注图的尺寸调整为固定尺寸。6.根据权利要求4所述的应用于工业质检的缺陷图片生成方法，其特征在于，所述VGG网络的感知重构损失函数为：其中，L
PR
(G(x),y)表示感知重构损失函数，G表示生成器，G（x）表示生成器的输出，x表示假缺陷图，y表示无缺陷的第二工...
【专利技术属性】
技术研发人员：郑峥，郭骏，潘正颐，侯大为，倪文渊，
申请(专利权)人：常州微亿智造科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。