基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统技术方案

本申请涉及缺陷样本生成技术领域，特别地涉及一种基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统。该方法包括：基于预搭建的第一对抗网络模型，生成新点云数据，并利用所述新点云数据进行三维建模，得到点云模型；其中，所述第一对抗网络模型由点云数据训练得到；获取陶瓷杯缺陷图集，输入预搭建的第二对抗网络模型，生成模拟缺陷图，并进行预处理；将预处理后的模拟缺陷图，贴合于所述点云模型，得到陶瓷缺陷模型。本申请通过第一对抗网络模型生成点云模型，通过第二对抗网络模型，生成模拟缺陷图，再进行贴合得到陶瓷缺陷模型，可以生成大量的陶瓷缺陷模型，解决了陶瓷杯缺陷样本难以采集的问题。以采集的问题。以采集的问题。

【技术实现步骤摘要】
基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统


[0001]本申请涉及缺陷样本生成
，特别地涉及一种基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统。

技术介绍

[0002]近年来，随着人工智能迅速发展，大数据的时代迅猛而来。在深度学习领域，卷积神经网络出现在人们视野当中，并应用在许多领域，推动着人工智能的更加迅速的发展，然而训练卷积神经网络需要大量的数据，数据的采集数量与质量决定着网络的稳定性与预测的准确性，并且有些数据难以采集。
[0003]比如在陶瓷杯缺陷检测中，需要大量且缺陷种类不同的陶瓷杯缺陷数据喂入网络进行训练，这种陶瓷杯缺陷数据往往需要通过人工采集，费时费力，而且很难采集到。

技术实现思路

[0004]为了解决或至少部分地解决上述技术问题，本申请提供了一种基于对抗神经网络的陶瓷杯缺陷样本扩增方法，其中，该方法包括以下步骤：基于预搭建的第一对抗网络模型，生成新点云数据，并利用所述新点云数据进行三维建模，得到点云模型；其中，所述第一对抗网络模型由点云数据训练得到；获取陶瓷杯缺陷图集，输入预搭建的第二对抗网络模型，生成模拟缺陷图，并进行预处理；将预处理后的模拟缺陷图，贴合于所述点云模型，得到陶瓷缺陷模型。
[0005]通过第一对抗网络模型生成点云模型，通过第二对抗网络模型，生成模拟缺陷图，再进行贴合得到陶瓷缺陷模型，可以生成大量的陶瓷缺陷模型，解决了陶瓷杯缺陷样本难以采集的问题。
[0006]可选的，所述第一对抗网络模型的搭建方法如下：采集陶瓷杯RGB
‑<br/>D信息；从所述陶瓷杯RGB
‑
D信息中，分别读取RGB图片和深度图片，并将所述RGB图片和所述深度图片转换为点云数据；将所述点云数据，训练采用ELU激活函数的AutoEncoder网络，得到所述第一对抗网络模型，通过所述第一对抗网络模型生成新点云数据；其中， AutoEncoder网络中包括第一生成器、第一判别器；ELU激活函数如下：x为输入数据，a为调节参数，a&gt;0；将新点云数据进行三维建模，得到点云模型。
[0007]可选的，所述第一对抗网络模型生成所述点云数据包括：将数据G(z)输入至所述第一生成器中，生成陶瓷杯点云模型Input；将所述陶瓷杯点云模型Input与完整陶瓷杯点云数据True输入至所述判别器中，经过所述第一生成器与所述第一判别器中的ELU激活函数限制下，判断陶瓷杯点云模型Input与真实陶瓷杯点云模型的相似度，生成真实陶瓷杯点云模型的新点云数据；其中，数据G(z)为从随机均匀分布里采样一个噪声z所合成得到。
[0008]可选的，判断所述陶瓷杯点云模型Input与真实陶瓷杯点云模型的相似度包括：提取获得的真实陶瓷杯点云模型的真实特征向量并存储；从随机均匀分布里采样一个噪声z合成的数据G(z)并 输入至生成器中；及提取当前模拟生成的陶瓷杯点云模型Input的模拟特征向量，并基于所述真实特征向量判断所述模拟特征向量的相似度。
[0009]可选的，所述陶瓷杯缺陷图集包括一种或者多种不同的陶瓷真实缺陷图像。
[0010]可选的，所述第二对抗网络模型包括第二生成器网络、第二判别器网络；当噪声图像数据输入至所述第二对抗网络模型时；所述第二生成器生成陶瓷杯缺陷图；所述第二判别器比对生成的所述缺陷图与陶瓷真实缺陷图，得到判别结果；所述第二生成器根据所述判别结果改进相关参数；所述第二生成器再生成陶瓷杯缺陷图。
[0011]可选的，所述预处理包括：依次对图像进行图像去噪操作、图像增强操作。
[0012]可选的，所述得到陶瓷缺陷模型的步骤中；将所述模拟缺陷图，通过3DMax贴图到陶瓷杯模型上，并进行渲染构建所陷陶瓷缺陷模型。
[0013]可选的，贴图到陶瓷杯模型上的步骤中；先对三维模型网格进行划分，网格纹理坐标展开到平面后，将二维的陶瓷杯表面缺陷图片映射到三维网格上，根据纹理坐标值对网格进行渲染，最终获得三维模型。
[0014]本申请还提供了一种基于对抗神经网络的陶瓷杯缺陷样本扩增系统，包括：点云数据模型模块，用于基于预搭建的第一对抗网络模型，生成新点云数据，并利用所述新点云数据进行三维建模，得到点云模型；其中，所述第一对抗网络模型由点云数据训练得到；缺陷图模块，用于获取陶瓷杯缺陷图集，输入预搭建的第二对抗网络模型，生成模拟缺陷图，并进行预处理；贴合模块，用于将预处理后的模拟缺陷图，贴合于所述点云模型，得到陶瓷缺陷模型。
[0015]有益效果：本申请提供的陶瓷杯缺陷样本扩增方法，通过第一对抗网络模型生成点云模型，通过第二对抗网络模型，生成模拟缺陷图，再进行贴合得到陶瓷缺陷模型，可以生成大量的陶瓷缺陷模型，解决了陶瓷杯缺陷样本难以采集的问题。
附图说明
[0016]为了更清楚地说明本申请的实施方式，下面将对相关的附图做出简单介绍。可以理解，下面描述中的附图仅用于示意本申请的一些实施方式，本领域普通技术人员还可以根据这些附图获得本文中未提及的许多其他的技术特征和连接关系等。
[0017]图1为本申请实施方式提供的一种基于对抗神经网络的陶瓷杯缺陷样本扩增方法的流程示意图。
[0018]图2为本申请实施方式提供的一种对抗神经网络的陶瓷杯缺陷样本扩增系统的结构示意图。
[0019]图3为适于用来实现根据本申请一实施方式的方法的计算机系统的结构示意图。
具体实施方式
[0020]为了使本
的人员更好地理解本申请方案，下面将结合本申请示例性实施例中的附图，对本申请示例性实施例中的技术方案进行清楚、完整地描述。
[0021]在本申请的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
[0022]下面将结合本申请示例性实施例中的附图，对本申请示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0023]本申请专利技术人发现，在陶瓷杯生产线上采集陶瓷杯缺陷时，通常需要通过人工使用相机拍照。而人工拍照，无法保证每个照片的角度相同、清晰度能够相同（因为人的手存在抖动的情况）。通过人工拍照的方法费时费力，无法大量获取缺陷样本数据。
[0024]为此，本申请实施方式提供的技术方案中，基于预搭建的第一对抗网络模型，生成新点云数据，并利用所述新点云数据进行三维建模，得到点云模型；其中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗神经网络的陶瓷杯缺陷样本扩增方法，其特征在于，该方法包括以下步骤：基于预搭建的第一对抗网络模型，生成新点云数据，并利用所述新点云数据进行三维建模，得到点云模型；其中，所述第一对抗网络模型由点云数据训练得到；获取陶瓷杯缺陷图集，输入预搭建的第二对抗网络模型，生成模拟缺陷图，并进行预处理；将预处理后的模拟缺陷图，贴合于所述点云模型，得到陶瓷缺陷模型。2.根据权利要求1所述的基于对抗神经网络的陶瓷杯缺陷样本扩增方法，其特征在于，所述第一对抗网络模型的搭建方法如下：采集陶瓷杯RGB
‑
D信息；从所述陶瓷杯RGB
‑
D信息中，分别读取RGB图片和深度图片，并将所述RGB图片和所述深度图片转换为点云数据；将所述点云数据，训练采用ELU激活函数的AutoEncoder网络，得到所述第一对抗网络模型，通过所述第一对抗网络模型生成新点云数据；其中， AutoEncoder网络中包括第一生成器、第一判别器；ELU激活函数如下：x为输入数据，a为调节参数，a&gt;0；将新点云数据进行三维建模，得到点云模型。3.根据权利要求2所述的基于对抗神经网络的陶瓷杯缺陷样本扩增方法，其特征在于，所述第一对抗网络模型生成所述点云数据包括：将数据G(z)输入至所述第一生成器中，生成陶瓷杯点云模型Input；将所述陶瓷杯点云模型Input与完整陶瓷杯点云数据True输入至所述判别器中，经过所述第一生成器与所述第一判别器中的ELU激活函数限制下，判断陶瓷杯点云模型Input与真实陶瓷杯点云模型的相似度，生成真实陶瓷杯点云模型的新点云数据；其中，数据G(z)为从随机均匀分布里采样一个噪声z所合成得到。4.根据权利要求3所述的基于对抗神经网络的陶瓷杯缺陷样本扩增方法，其特征在于，判断所述陶瓷杯点云模型Input与真实陶瓷杯点云模型的相似度包括：提取获得的真实陶瓷杯点云模型的真实特征向量并存储；从随机均匀分布里采样一个噪声z合成的数据G(z)并 输入至生成器中；及提取当前模拟生成的陶瓷杯点...

【专利技术属性】
技术研发人员：郑泽胜，李博，
申请(专利权)人：广州易道智慧信息科技有限公司，
类型：发明
国别省市：