【技术实现步骤摘要】
本专利技术涉及基于人工智能，特别是涉及一种基于hrnet改进的cyclegan的可修复式铸件缺陷图像生成方法、系统、计算机设备及计算机可读存储介质。
技术介绍
1、对于深度学习来说，足够充分与多样性的数据样本是不可或缺的，如果训练时可用的数据集太少，会导致模型出现过拟合问题，即在训练集上表现效果很好，但在测试集上进行测试时，表现效果并没有在训练集上表现得那么好。为了解决过拟合问题，可以采取正则化、dropout、数据增强等方法，其中，采取正则化来保证模型具备泛化性、防止其过于复杂；采取dropout方法可以减少深度学习中神经元之间的协同效应以保证模型的鲁棒性；进行数据增强的好处是可以提取更多的特征，提升模型的普适性。常见的做法是对现有样本进行旋转、畸变、添加噪声以及人工合成等。
2、循环生成对抗网络(cycle-consistent adversarial networks,cyclegan)是一种无监督的图像迁移框架，常常用来完成图像风格迁移等数据集扩充任务，特点是训练数据集不需要一对一映射，网络就能够学习两类图像的特征。因此，cyclegan网络构架在保持一定原始图像背景，同时生成类似缺陷图像方面确实有一定的可行性和应用价值。然而，由于cyclegan网络的生成器g是一个全卷积网络，当输入图像在经过卷积后进行下采样时，会在过程中会丢失大量的特征信息，虽然在接下来的上采样中可以通过最近邻内插值方式恢复原始的分辨率，但丢失的细节信息是无法恢复的。
技术实现思路
1、为了
2、本专利技术的第一个目的在于提供一种基于hrnet改进的cyclegan的可修复式铸件缺陷图像生成方法。
3、本专利技术的第二个目的在于提供一种基于hrnet改进的cyclegan的可修复式铸件缺陷图像生成系统。
4、本专利技术的第三个目的在于提供一种计算机设备。
5、本专利技术的第四个目的在于提供一种计算机可读存储介质。
6、本专利技术的第一个目的可以通过采取如下技术方案达到：
7、一种基于hrnet改进的cyclegan的可修复式铸件缺陷图像生成方法，所述方法包括：
8、将铸件无缺陷图像输入缺陷图像生成网络中的生成器，生成缺陷图像；所述缺陷图像生成网络采用基于hrnet改进的cyclegan网络，基于hrnet改进的cyclegan网络中的生成器采用hrnet替代原来的resnet网络；
9、若缺陷图像出现像素缺损，则对缺陷图像进行二值化处理，得到掩膜图像；将缺陷图像和掩膜图像输入像素修复网络中，输出无缺损的合成缺陷图像。
10、进一步的，对于hrnet网络：将输入图像采用单通道转化为灰度图像，在图像经过stem层时调整两个卷积核的步长为1，将最后一个卷积层的通道数修改为1。
11、进一步的，所述缺陷图像包括但不限于气孔类缺陷图像和疏松类缺陷图像中的至少一种图像。
12、进一步的，在将铸件无缺陷图像输入缺陷图像生成网络中的生成器前，利用包含多张真实缺陷图像与多张真实无缺陷图像的训练集对缺陷图像生成网络进行训练。
13、进一步的，所述对缺陷图像进行二值化处理，得到掩膜图像，具体为：
14、
15、式中，b(x,y)为掩膜图像，i(x,y)为缺陷图像。
16、进一步的，所述像素修复网络采用图像补全glcic网络。
17、进一步的，在将缺陷图像和掩膜图像输入像素修复网络中前，对像素修复网络进行训练，训练分为三个阶段：
18、phase1阶段：单独训练生成器；
19、phase2阶段：单独训练判别器；
20、phase3阶段：同时进行生成器和判别器的联合训练；
21、最终使用phase3阶段训练好的像素修复网络对缺陷图像进行修复，以得到无缺损的合成缺陷图像。
22、本专利技术的第二个目的可以通过采取如下技术方案达到：
23、一种基于hrnet改进的cyclegan的可修复式铸件缺陷图像生成系统，所述系统包括：
24、生成模块，用于将铸件无缺陷图像输入缺陷图像生成网络中的生成器，生成缺陷图像；所述缺陷图像生成网络采用基于hrnet改进的cyclegan网络，基于hrnet改进的cyclegan网络中的生成器采用hrnet替代原来的resnet网络；
25、修复模块，用于若缺陷图像出现像素缺损，则对缺陷图像进行二值化处理，得到掩膜图像；将缺陷图像和掩膜图像输入像素修复网络中，输出无缺损的合成缺陷图像。
26、本专利技术的第三个目的可以通过采取如下技术方案达到：
27、一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的可修复式铸件缺陷图像生成方法。
28、本专利技术的第四个目的可以通过采取如下技术方案达到：
29、一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现上述的可修复式铸件缺陷图像生成方法。
30、本专利技术相对于现有技术具有如下的有益效果：
31、1、本专利技术相比传统的图像合成方法，能够提供更多可学习的丰富特征的缺陷图像，以扩充数据集中的数据样本，减少模型过度拟合的情况；
32、2、本专利技术通过采用基于hrnet改进的cyclegan网络，解决了原本上下采样过程中丢失图像信息的问题，有助于保证源图像的整体背景保持较高的稳定性，减少背景区域涂抹现象，提高生成缺陷样本可用性；
33、3、本专利技术针对像素缺损问题，通过优化修复图像的局部掩膜，得到缺损部分的像素级覆盖，提升了修复图像的可用性，并使得修复结果更接近真实存在的缺陷，具有实用性。
本文档来自技高网...【技术保护点】
1.一种基于HRNet改进的CycleGAN的可修复式铸件缺陷图像生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的可修复式铸件缺陷图像生成方法，其特征在于，对于HRNet网络：将输入图像采用单通道转化为灰度图像，在图像经过stem层时调整两个卷积核的步长为1，将最后一个卷积层的通道数修改为1。
3.根据权利要求1所述的可修复式铸件缺陷图像生成方法，其特征在于，所述缺陷图像包括但不限于气孔类缺陷图像和疏松类缺陷图像中的至少一种图像。
4.根据权利要求3所述的可修复式铸件缺陷图像生成方法，其特征在于，在将铸件无缺陷图像输入缺陷图像生成网络中的生成器前，利用包含多张真实缺陷图像与多张真实无缺陷图像的训练集对缺陷图像生成网络进行训练。
5.根据权利要求1～4任一项所述的可修复式铸件缺陷图像生成方法，其特征在于，所述对缺陷图像进行二值化处理，得到掩膜图像，具体为：
6.根据权利要求1～4任一项所述的可修复式铸件缺陷图像生成方法，其特征在于，所述像素修复网络采用图像补全GLCIC网络。
7.根据权利要求6所
8.一种基于HRNet改进的CycleGAN的可修复式铸件缺陷图像生成系统，其特征在于，所述系统包括：
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的可修复式铸件缺陷图像生成方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-7任一项所述的可修复式铸件缺陷图像生成方法。
...【技术特征摘要】
1.一种基于hrnet改进的cyclegan的可修复式铸件缺陷图像生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的可修复式铸件缺陷图像生成方法，其特征在于，对于hrnet网络：将输入图像采用单通道转化为灰度图像，在图像经过stem层时调整两个卷积核的步长为1，将最后一个卷积层的通道数修改为1。
3.根据权利要求1所述的可修复式铸件缺陷图像生成方法，其特征在于，所述缺陷图像包括但不限于气孔类缺陷图像和疏松类缺陷图像中的至少一种图像。
4.根据权利要求3所述的可修复式铸件缺陷图像生成方法，其特征在于，在将铸件无缺陷图像输入缺陷图像生成网络中的生成器前，利用包含多张真实缺陷图像与多张真实无缺陷图像的训练集对缺陷图像生成网络进行训练。
5.根据权利要求1～4任一项所述的可修复式铸件缺陷图像生成方法，其特征在于，所述对缺陷图像进行二值化处...
【专利技术属性】
技术研发人员：黄茜，陈书樵，胡志辉，黄晨航，熊凌宇，
申请(专利权)人：华南理工大学，
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。