【技术实现步骤摘要】
一种基于对抗神经网络的多目标图像数据增强方法
[0001]本专利技术属于计算机图像处理
，具体涉及一种基于对抗神经网络的多目标图像数据增强方法。
技术介绍
[0002]玻璃在深加工过程中，由于受技术条件、生产环境或人为因素的影响，可能出现划痕、崩边、脏污、烧伤、麻点、压痕等不同类型的缺陷，但实际生产条件下，玻璃表面有缺陷的样本数量远小于无缺陷的样本数量，能够获取到的每种类型的缺陷样本量更加有限，难以构成研究学习的样本量需求，同时对样本数据进行标注也需要较高成本。因此，需要提供一种能够扩展玻璃表面缺陷样本数量的方法。
技术实现思路
[0003]本专利技术在于提供一种基于对抗神经网络的多目标图像数据增强方法，通过对小样本源数据集进行特征分类，细化数据标签，使用生成对抗神经网络和卷积网络相结合，扩增玻璃表面缺陷的样本量，进一步增强缺陷样本的质量，提高缺陷检测模型的可靠性。
[0004]一种基于对抗神经网络的多目标图像数据增强方法，包括如下步骤：
[0005]S1：通过图像采集平台对玻璃表面缺陷...
【技术保护点】
【技术特征摘要】
1.一种基于对抗神经网络的多目标图像数据增强方法，其特征在于，包括如下步骤：S1：通过图像采集平台对玻璃表面缺陷进行图像数据采集，构成缺陷样本数据集，并划分为训练集和验证集；S2：对抗神经网络读取预处理后的训练集图像数据，进行对抗网络模型训练；S2
‑
1：构建生成器，采集训练集的缺陷样本数据特征，进行生成器训练，输出假缺陷图像；S2
‑
2：构建判别器，分析真实缺陷图像和假缺陷图像的不同特征，判别输入图像是否为真实缺陷图像；S2
‑
3：循环C
‑
1和C
‑
2，直至生成器与判别器达到纳什平衡，即生成器生成的假缺陷图像接近于真实缺陷图像；S3：利用训练好的生成器生成并保存假缺陷图像，扩增玻璃表面缺陷样本。2.根据权利要求1所述的一种基于对抗神经网络的多目标图像数据增强方法，其特征在于：所述S1中，构成缺陷样本数据集的过程包括：将划痕缺陷分为深、浅两种，再将每种划痕缺陷分为横、纵两个方向，再对每种方向上的划痕缺陷进行直、弧的划分，形成八种类型的划痕缺陷；每种类型的划痕缺陷分别制作固定数量的缺陷样本；将划痕缺陷、崩边缺陷、脏污缺陷分别两两重叠，形成三种缺陷类型，并分别制作固定数量的缺陷样本。3.根据权利要求1所述的一种基于对抗神经网络的多目标图像数据增强方法，其特征在于：所述S2中，训...
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。