[發(fā)明專利]一種面向外觀缺陷視覺檢測的數(shù)據(jù)集擴增方法

有效

• 申請?zhí)枺?/td>: 201910446312.8
• 申請日: 2019-05-27
• 公開（公告）號: CN110322433B
• 公開（公告）日: 2021-03-12
• 發(fā)明（設計）人: 何志勇;林嵩
• 申請（專利權）人: 蘇州佳賽特智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 蘇州市中南偉業(yè)知識產(chǎn)權代理事務所(普通合伙) 32257
• 代理人: 楊慧林

本發(fā)明涉及視覺檢測技術領域，涉及一種面向外觀缺陷視覺檢測的數(shù)據(jù)集擴增方法。本發(fā)明可生成高清晰度、高多樣性的缺陷數(shù)據(jù)，其通過非常有限的缺陷樣本，利用生成對抗網(wǎng)絡進行數(shù)據(jù)擴增高質(zhì)量的數(shù)據(jù)集，使得擴增后的數(shù)據(jù)集能支撐機器學習的訓練，實現(xiàn)在缺陷樣本有限情況下也能使用機器學習實現(xiàn)高精度的表面缺陷檢測。

技術領域

本發(fā)明涉及視覺檢測技術領域，涉及一種面向外觀缺陷視覺檢測的數(shù)據(jù)集擴增方法。

背景技術

隨著經(jīng)濟的蓬勃發(fā)展，我國制造業(yè)也在迅速發(fā)展，對工業(yè)產(chǎn)品中的外觀質(zhì)量也提出了越來越高的要求。傳統(tǒng)的表面缺陷檢測方法是人工目檢法，目前大多數(shù)生產(chǎn)廠商仍采用人工目檢識別有缺陷的產(chǎn)品，效率低且經(jīng)常會出現(xiàn)漏檢等情況。導致產(chǎn)品質(zhì)量降低，造成了資源的浪費。為解決人工目檢帶來的問題，基于機器視覺的智能檢測手段，在生產(chǎn)線質(zhì)量鑒定環(huán)節(jié)將逐步取代人工目檢，成為主流方法。

近年來，機器學習技術逐漸應用于缺陷檢測方面，并取得了良好的效果。但機器學習進行缺陷檢測大多還停留在實驗室中，工業(yè)生產(chǎn)中應用較少。因為機器學習的訓練過程通常需要大量的缺陷樣本進行支撐，而實際生產(chǎn)當中能提供的缺陷數(shù)據(jù)量往往不足以支撐機器學習算法。

將機器學習應用于實際的工業(yè)檢測中，必須解決機器學習中訓練階段缺陷樣本數(shù)量不足、多樣化程度低的問題。在樣本不足的情況下，利用生成對抗網(wǎng)絡(GenerativeAdversarial Networks，GAN)對數(shù)據(jù)集進行擴增，可以有效的解決因訓練樣本不足而導致的模型過擬合、檢測精度低等問題，但常規(guī)的GAN模型難以生成高質(zhì)量的訓練樣本。

發(fā)明內(nèi)容

本發(fā)明要解決的技術問題是提供一種可生成高清晰度、高多樣性的缺陷數(shù)據(jù)的面向外觀缺陷視覺檢測的數(shù)據(jù)集擴增方法。

為了解決上述技術問題，本發(fā)明解決其技術問題所采用的技術方案是：

一種面向外觀缺陷視覺檢測的數(shù)據(jù)集擴增方法，具體步驟包括：

S1、獲取視覺檢測的圖像，并對獲取到的圖像進行分塊處理作為訓練數(shù)據(jù)集；

S2、將經(jīng)典生成對抗網(wǎng)絡中的生成器采用反卷積神經(jīng)網(wǎng)絡，在生成對抗網(wǎng)絡中融入圖像缺陷増強模塊，同時在輸出的偏置與圖像缺陷増強模塊前端添加反饋通道；

S3、將訓練數(shù)據(jù)集處理后得到的缺陷樣本作為訓練集，并輸入生成對抗網(wǎng)絡的判別器中訓練，得到訓練好的判別模型；從生成器輸入端輸入噪聲信號，將生成器輸出圖片與真實圖片輸入判別器進行重構；

S4、通過對輸入判別器之前的真實圖片通過圖像增強得到圖片與經(jīng)判別器重構之后的圖片通過圖像增強得到圖片之間的特征差生成反饋激勵生成模型；

S5、將訓練集輸入搭建好的缺陷引導生成對抗網(wǎng)絡模型，通過數(shù)次迭代使得生成器和判別器損失函數(shù)不斷減小，生成器輸出的圖片即接近真實圖片。

優(yōu)選的，步驟S4中，輸入判別器之前的圖片通過圖像增強得到圖片y_f，經(jīng)判別器重構之后的圖片通過圖像增強得到圖片y'_f，特征差定義如下：

其中，A(y_f)和A(y'_f)分別是兩幅圖像的特征，且A(y_f)＝{A(y_f)_i,A(y_f)_j}，A(y'_f)＝{A(y'_f)_i,A(y'_f)_j}，公式中i與j為圖片的行列大小。

優(yōu)選的，步驟S5中，生成器的代價函數(shù)設計如下：

判別器的代價函數(shù)設計如下：