基于对抗生成网络的工业缺陷样本生成方法及系统技术方案

本发明专利技术属于深度学习技术领域，公开了一种基于对抗生成网络的工业缺陷样本生成方法，包括：构建对抗生成网络，所述对抗生成网络包括至少一个生成器网络和至少一个判别器网络；生成随机噪声z，将生成的随机噪声z通过生成器生成伪缺陷图像G(z)，通过缺陷增强算法将伪缺陷图像G(z)和真实缺陷图像x分别进行缺陷增强得到图像y

【技术实现步骤摘要】
基于对抗生成网络的工业缺陷样本生成方法及系统


[0001]本专利技术属于深度学习样本生成
，具体地涉及一种基于对抗生成网络的工业缺陷样本生成方法及系统。

技术介绍

[0002]在工业生产和生活中，几乎所有产品都需要进行质检，其中一大部分的质检过程是由质检员用肉眼视觉完成对产品缺陷的检测(以下称为视检)，尤其是一些表面缺陷，比如装饰板材、金属表面、键盘表面等，这种情况在实际工业中十分常见。由于产品的多样性、缺陷的多样性，比如污水管道缺陷有污渍、锈迹、检测不方便等，大大增加了质检员的工作量和工作难度，导致人工视检效率下降且容易由于质检员的疲劳和失误导致漏检、错检等情况。随着深度学习技术的发展，基于深度学习的工业缺陷检测技术被广泛的应用于缺陷检测领域。
[0003]深度学习的实质是通过构建具有多隐层的机器学习模型和海量的训练数据，对特征进行学习，从而最终提升分类或预测的准确性和通用性。然而训练一个有效的深度学习模型，需要大量的带标注数据，海量的显卡资源，以及漫长的训练时间，而在很多工业情景中，缺陷图像的获取成本非常高，导致样本数量十分有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗生成网络的工业缺陷样本生成方法，其特征在于，包括以下步骤：S01：构建对抗生成网络，所述对抗生成网络包括至少一个生成器网络和至少一个判别器网络；S02：生成随机噪声z，将生成的随机噪声z通过生成器生成伪缺陷图像G(z)，通过缺陷增强算法将伪缺陷图像G(z)和真实缺陷图像x分别进行缺陷增强得到图像y
f
和y
′
f
；S03：使用缺陷增强后的图像y
f
和y
′
f
训练判别器网络，使其区分缺陷图像的真伪；S04：更新生成器网络，使其不能区分缺陷图像的真伪，得到工业缺陷样本。2.根据权利要求1所述的基于对抗生成网络的工业缺陷样本生成方法，其特征在于，所述步骤S02中缺陷增强算法包括：通过傅里叶变换将伪缺陷图像和真实缺陷图像由空域转到频域；通过带通滤波器对图像数据进行过滤，放大缺陷特征；利用傅里叶反变换将图像转到空域。3.根据权利要求1所述的基于对抗生成网络的工业缺陷样本生成方法，其特征在于，所述生成器网络包括一层或多层的全连接层，以及一个或多个卷积块；所述全连接层将均匀概率分布或高斯分布映射成某一个特定分布，并生成一张分辨率较符合第一设置范围的工业缺陷图像；每个卷积块包括一个或多个卷积层，以及一次上采样操作，将输入的分辨率较符合第一设置范围的工业缺陷图像和噪声相加，生成一张分辨率符合第二设置范围的工业缺陷图像，并丰富其上的语义内容；得到均匀概率分布或高斯分布被生成器网络映射成工业缺陷的高清图像。4.根据权利要求3所述的基于对抗生成网络的工业缺陷样本生成方法，其特征在于，所述判别器网络包括一个或多个卷积块，每个卷积块包括一层或多层卷积层，用于区分真实缺陷图像和生成器网络生成的伪缺陷图像。5.根据权利要求1所述的基于对抗生成网络的工业缺陷样本生成方法，其特征在于，所述判别器网络和生成器网络采用交替训练的方式训练，目标函数如下：其中，表示对真实的数据分布进行采样，然后求函数logD(x)的期望，表示从高斯噪声中进行采样，并且求log(1
‑
D(G(z))的期望，表示目标函数实现生成器优化，表示最大化目标函数实现判别器优化。6.根据权利要求5所述的基于对抗生成网络的工业缺陷样本生成方法，其特征在于，所述判别器网络和生成器网络交替训练方法，包括：S30：固定生成器网络参数，执行判别器优化k次，判别器优化包括：S31：从先验分布p
(z)
随机生成m个随机...

【专利技术属性】
技术研发人员：武芳宇，张百灵，罗郁梅，文世挺，童有成，
申请(专利权)人：浙大宁波理工学院，
类型：发明
国别省市：