[發明專利]一種用于工業大數據處理的訓練樣本生成方法

有效

• 申請號: 201811297153.1
• 申請日: 2018-11-01
• 公開（公告）號: CN109583474B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 李斌;牛拴龍;唐立新;林惠;邱園紅;李言洲;牛通之;王博;郝雪桐;李西凱;魏富春
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 張彩錦;曹葆青

本發明屬于圖像處理領域，并具體公開了一種用于工業大數據處理的訓練樣本生成方法，包括：構建各類工業圖像數據集，并根據各類工業圖像數據集中的數據量劃分出大樣本數據集與小樣本數據集；構建工業圖像生成對抗網絡及優化目標函數，基于優化目標函數對工業圖像生成對抗網絡進行迭代訓練獲得小樣本生成參數模型；將大樣本數據集中的大樣本圖像輸入訓練獲得的小樣本生成參數模型中以生成小樣本圖像，以此完成訓練樣本的生成。本發明無需對工業圖像進行復雜的數字圖像處理操作，也無需對原始工業圖像進行各種變換，可以避免過多的人工干預，減少操作人員專業素養造成的工業圖像生成的誤差。

技術領域

本發明屬于圖像處理領域，更具體地，涉及一種用于工業大數據處理的訓練樣本生成方法。

背景技術

隨著智能制造的提出，工業大數據技術成為未來提高制造業生產力、競爭力、創新力的關鍵因素，但作為驅動工業大數據技術的原始動力，工業數據尤其是工業圖像數據仍然存在眾多問題：1)樣本不平衡問題，即工業圖像數據各類之間存在數據量差距過大；2)可獲取工業圖像數據多樣性不足，不能覆蓋工業數據現有的數據特征。這使得使用工業數據訓練的模型泛化能力低且魯棒性很差。以上缺點嚴重制約工業大數據模型的性能提升。因此，需要一種工業圖像訓練樣本的生成方法以提高數據的數量與多樣性。

目前已有的工業圖像生成方法主要為兩種思路：1)對原始圖像數據進行翻轉、旋轉、隨機裁剪、局部變形等變換以擴充原始數據，該方法只能增加圖像數據的數量，不能增加圖像數據特征的多樣性；2)利用數字圖像處理技術以及CAD技術模擬工業圖像數據，該方法只能對形態較為簡單的工業圖像進行建模并且生成的工業圖像與真實缺陷圖像存在一定的差異。因此，傳統的工業圖像生成方法已經不能滿足需求，研究設計一種新的工業圖像生成方法成為本領域中亟待解決的問題。

發明內容

針對使用工業大數據技術時，工業圖像數據存在樣本不均衡、多樣性差等問題，本發明提供了一種用于工業大數據處理的訓練樣本生成方法，其基于工業圖像數據不同類別之間的共有特點，利用對抗學習實現工業圖像不同類別之間的相互生成，以生成以假亂真的工業圖像數據集，其無需對工業圖像進行建模，也無需在原始數據上進行變換，生成的工業圖像數據集具有圖像質量高、多樣性好等優點。

為實現上述目的，本發明提出了一種用于工業大數據處理的訓練樣本生成方法，其特征在于，包括如下步驟：

1)構建各類工業圖像數據集，并根據各類工業圖像數據集中的數據量劃分出大樣本數據集與小樣本數據集；

2)構建工業圖像生成對抗網絡cycleD2GAN，包括兩個工業圖像生成器和四個工業圖像鑒別器，分別為小樣本圖像生成器G、大樣本圖像生成器F、小樣本圖像鑒別器D1_s、小樣本圖像鑒別器D2_s、大樣本圖像鑒別器D1_b和大樣本圖像鑒別器D2_b；

3)構建工業圖像生成對抗網絡的優化目標函數，并基于優化目標函數分別對兩個圖像生成器和四個圖像鑒別器進行迭代訓練，以訓練獲得小樣本生成參數模型，其中小樣本圖像生成器G的訓練與小樣本圖像鑒別器D1_s和D2_s的訓練為一組對抗過程，大樣本圖像生成器F的訓練與大樣本圖像鑒別器D1_b和D2_b的訓練為一組對抗過程；

4)將步驟1)中大樣本數據集中的大樣本圖像輸入訓練獲得的小樣本生成參數模型中以生成小樣本圖像，以此完成訓練樣本的生成。

作為進一步優選的，步驟2)構建工業圖像生成對抗網絡cycleD2GAN，具體包括以下子步驟：

2.1)構建小樣本圖像生成器G，其網絡結構包括輸入層、學習層和輸出層，其中學習層包括多個卷積+降采樣層、若干個轉換層、以及若干個卷積+上采樣層，其輸入為大樣本圖像，輸出為生成的小樣本圖像；