基于改进SRGAN算法的耐张线夹缺陷图像超分重建法制造技术

本发明专利技术公开了基于改进SRGAN算法的耐张线夹缺陷图像超分重建法，包括，将待超分重建的图像输入至训练好的基于改进SRGAN算法的超分模型中，得到超分重建后的图像；超分模型的训练步骤如下：对预构建的卷积神经网络模型进行预训练，得到预训练的卷积神经网络模型，获取训练集；定义生成器和相对判别器的损失函数；根据训练集和损失函数，对预训练的卷积神经网络模型进行训练，得到超分模型。本发明专利技术一方面对超分模型进行了结构上的改进，另一方面，在训练过程中重新定义了损失函数，以保持生成图像的全局一致性和细粒度细节，能够更好的处理细小的缺陷图像的超分重建工作。

【技术实现步骤摘要】

本专利技术涉及基于改进srgan算法的耐张线夹缺陷图像超分重建法，属于计算机图像超分辨率。

技术介绍

1、以往在耐张线夹问题检测领域，仅仅依靠人眼去识别可能出现的问题，在工作量大以及缺陷位置目标较小的情况下，经常会出现问题的遗漏，为后续的安全问题埋下隐患。所以我们需要ai模型能够智能且精准的发现图像中各个缺陷的具体位置，以方便后续工作人员进行问题判断与维修工作的正常进行。但是耐张线夹的x光检测图像缺陷的地方往往目标较小，且由于设备问题，或者拍摄环境等其他一系列不可预知影像，所拍摄形成的x光图像会产生多种噪声、波传伪影、衰减伪影、声速伪影等，人眼直观观测会有模糊的感觉，无法正确分辨产生缺陷的地方，此外也会影响目标检测模型判断的结果，无法做到百分百精确找出耐张线夹的缺陷位置。

2、大多数目标检测模型在观测图像模糊的情况下无法充分满足检测需求，存在检测精度低和漏检的情况。而现有的图像超分辨率算法，在面对x光图像，尤其像耐张线夹缺陷这样细小目标的超分辨率优化效果并不是很理想，往往结果会优化掉缺陷部分，这使得该算法的使用将会变的毫无意义，所以需要对现有算本文档来自技高网...

【技术保护点】

1.基于改进SRGAN算法的耐张线夹缺陷图像超分重建法，其特征是，包括如下步骤：

2.根据权利要求1所述的基于改进SRGAN算法的耐张线夹缺陷图像超分重建法，其特征是，所述获取训练集，包括如下步骤：

3.根据权利要求2所述的基于改进SRGAN算法的耐张线夹缺陷图像超分重建法，其特征是，根据所述训练集和损失函数，对所述预训练的卷积神经网络模型进行训练，包括如下步骤：

4.根据权利要求3所述的基于改进SRGAN算法的耐张线夹缺陷图像超分重建法，其特征是，所述感知损失lper的表达式如下：

5.根据权利要求3所述的基于改进SRGAN算法的耐张线夹...

【技术特征摘要】

1.基于改进srgan算法的耐张线夹缺陷图像超分重建法，其特征是，包括如下步骤：

2.根据权利要求1所述的基于改进srgan算法的耐张线夹缺陷图像超分重建法，其特征是，所述获取训练集，包括如下步骤：

3.根据权利要求2所述的基于改进srgan算法的耐张线夹缺陷图像超分重建法，其特征是，根据所述训练集和损失函数，对所述预训练的卷积神经网络模型进行训练，包括如下步骤：

4.根据权利要求3所述的基于改进srgan算法的耐张线夹缺陷图像超分重建法，其特征是，所述感知损失lper的表达式如下：

5.根据权利要求3所述的基于改进srgan算法的耐张线夹缺陷图像超分重建法，其特征是，所述生成器的相对平均损失的表达式如下：

6.根据权利要求3所述的基于改进...

【专利技术属性】
技术研发人员：王其，朱金印，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：