【技术实现步骤摘要】
本专利技术涉及计算机视觉和深度学习，尤其涉及一种缺陷图像生成方法、装置、设备及介质。
技术介绍
1、缺陷检测对确保工业生产过程中的产品质量至关重要。传统的缺陷检测方法依赖于人工检查或简单的图像处理技术，这些方法不仅效率低下，而且准确率受限于操作者的经验和疲劳程度。
2、近年来，基于深度学习的方法显著提高了缺陷检测的速度和准确性。然而，这些方法的性能在很大程度上依赖于大量、多样化且标注精确的训练数据。在真实工业场景中，尤其是对于特定类型的缺陷，我们无法获取足够多的缺陷数据，并且标注这些数据既困难又昂贵。
3、受限于数据问题，许多无监督、半监督、弱监督方法被提出并应用于缺陷检测。无监督方法虽然节省了标注成本且大多数情况下只需要正常样本，但由于缺乏缺陷的先验知识，不能对缺陷进行分类。半监督方法利用大量无标注数据及少量标注数据，在降低标注成本的同时得到不错的检测效果，但如果未标记数据的分布与标记数据不一致，可能会导致模型偏差，影响最终的性能。弱监督方法相较于无监督方法，使用粗粒度标签改善缺陷识别，但是其识别精度较弱，监督...
【技术保护点】
1.一种缺陷图像生成方法，其特征在于，包括步骤：
2.根据权利要求1所述的缺陷图像生成方法，其特征在于，在所述根据多个所述正常样本图像和高斯噪声，计算获取每个所述正常样本图像对应的缺陷掩码的步骤中，具体包括：
3.根据权利要求1所述的缺陷图像生成方法，其特征在于，在所述计算获取每个所述正常样本图像对应的缺陷样本图像的步骤中，具体包括：
4.根据权利要求1所述的缺陷图像生成方法，其特征在于，所述第一生成网络通过第一初始生成网络训练得到，训练方法包括步骤：
5.根据权利要求4所述的缺陷图像生成方法，其特征在于，所述第一生成网...
【技术特征摘要】
1.一种缺陷图像生成方法，其特征在于，包括步骤：
2.根据权利要求1所述的缺陷图像生成方法，其特征在于，在所述根据多个所述正常样本图像和高斯噪声，计算获取每个所述正常样本图像对应的缺陷掩码的步骤中，具体包括：
3.根据权利要求1所述的缺陷图像生成方法，其特征在于，在所述计算获取每个所述正常样本图像对应的缺陷样本图像的步骤中，具体包括：
4.根据权利要求1所述的缺陷图像生成方法，其特征在于，所述第一生成网络通过第一初始生成网络训练得到，训练方法包括步骤：
5.根据权利要求4所述的缺陷图像生成方法，其特征在于，所述第一生成网络的训练方法还包括步骤：
6.根据权利要求1所述的缺陷图像生成方法，其特...
【专利技术属性】
技术研发人员：姜晓恒，徐明亮，李英杰，卢洋，崔丽莎，南晓斐，
申请(专利权)人：郑州大学，
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。