【技术实现步骤摘要】
一种基于Defect
‑
GAN的缺陷样本合成方法
[0001]本专利技术属于图像合成
,具体涉及一种基于Defect
‑
GAN的缺陷样本合成方法。
技术介绍
[0002]自动化视觉缺陷检测的目的是自动检测和识别各种图像缺陷,在不同的工业部门,如制造业和建筑业,都有很高的要求,在制造业中,它是维护、维修和操作MRO的一个关键组成部分,其目标是最小化机械故障,最大化生产,在生产过程中的不同阶段发现异常对质量控制也很重要,在建筑中,通过识别各种基础设施如建筑物、桥梁等的潜在危险,对公共安全至关重要,尽管自动视觉缺陷检测已经研究了多年,但它仍然是一个具有挑战性的任务。
[0003]存在问题或缺陷的原因:生成对抗网络GANs近年来取得了较好的图像合成效果,但利用生成对抗网络合成缺陷样本仍然面临着一些挑战,现有的GANs通常需要大规模的训练数据,但在很多情况下,大规模的缺陷样本是不可用的,同时该结构和图案本质上更简单,不擅长合成图案复杂、不规则、随机变化大的缺陷,因此,GANs合成的缺陷样本往往具有与参考样本相似的特征表示和分布,但在面对不同背景下的各种新缺陷样本时帮助不大。
技术实现思路
[0004]针对上述图像合成技术模型效率较低等问题,本专利技术提供了一种基于Defect
‑
GAN的缺陷样本合成方法。
[0005]为了解决上述技术问题,本专利技术采用的技术方案为:
[0006]一种基于Defect
‑
GAN ...
【技术保护点】
【技术特征摘要】
1.一种基于Defect
‑
GAN的缺陷样本合成方法,其特征在于:包括下列步骤:S100、收集数据:收集缺陷检测的公共数据集CODEBRIM;S200、数据预处理:预处理包括归一化、图像缩放、数据划分,保证模型训练效果;S300、模型构建:构建基于Defect
‑
GAN的缺陷样本合成模型,输入训练数据,完成参数模型的搭建;S400、模型保存:当模型的损失函数不再降低之后,保存模型并进行评估。2.根据权利要求1所述的一种基于Defect
‑
GAN的缺陷样本合成方法,其特征在于:所述S100收集数据中,在混凝土桥梁背景下,收集相关缺陷检测的公共数据集CODEBRIM,具有六个相互不排斥的类别:裂纹、风化、剥落、暴露的钢筋、锈蚀和正常样品,提供了多标签分类的图像以及从图像中裁剪出的的全分辨率图像。3.根据权利要求2所述的一种基于Defect
‑
GAN的缺陷样本合成方法,其特征在于:所述S200数据预处理中,对每条数据进行Min
‑
Max归一化,公式为图像缩放将其按照大小比例全部调整为统一尺寸128
×
128;数据分割将数据集分为训练集与测试集,训练集用于模型的训练并对模型的参数进行调优,测试集用于测试模型效果,将构建的原始数据集中的图像进行随机选择,其中90%用于模型的训练,剩余的图像用于模型的测试。4.根据权利要求3所述的一种基于Defect
‑
GAN的缺陷样本合成方法,其特征在于:所述S300模型构建中,构建一个轻量级和高效的U
‑
Net改进模型,通过对U
‑
Net模型进行改进,使用MobileNet中的模块替换U
‑
Net网络中的卷积层,同时使用逐点卷积进行跳跃连接,使用特征对齐层进行特征提取。5.根据权利要求4所述的一种基于Defect
‑
GAN的缺陷样本合成方法,其特征在于:所述S300模型构建中,构建基于Defect
‑
GAN的缺陷样本合成模型,该模型用于合成缺陷样本,Defect
‑
GAN网络结构由一个生成器G和一个鉴别器D组成,在训练阶段,Defect
‑
GAN使用G进行图像转换,分为两个周期:和其中n表示正常样本,d表示缺陷样本,和表示生成的正常样本和缺陷样本,上述两个周期为循环进行。6.根据权利要求5所述的一种基于Defect
‑
GAN的缺陷样本合成方法,其特征在...
【专利技术属性】
技术研发人员:王小华,潘晓光,张雅娜,董虎弟,陈智娇,宋晓晨,
申请(专利权)人:山西三友和智慧信息技术股份有限公司,
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。