[發明專利]一種鋼卷表面的缺陷樣本生成方法、系統及電子設備

在審

• 申請號: 201910584062.4
• 申請日: 2019-06-29
• 公開（公告）號: CN110675359A
• 公開（公告）日: 2020-01-10
• 發明（設計）人: 張發恩;劉洋;黃家水;唐永亮
• 申請（專利權）人: 創新奇智(南京)科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G01N21/88
• 代理公司: 44361 深圳市智享知識產權代理有限公司
• 代理人: 王琴;蔣慧

本發明提供一種鋼卷表面的缺陷樣本生成方法，該方法通過使用初始神經網絡學習多種缺陷樣本，并通過輸入隨機摳除部分位置的待處理圖像至初始神經網絡后，在摳除位置生成平滑、自然的缺陷，實現了從普通無缺陷樣本到缺陷樣本的生成，使得用戶可通過少量的多種類的缺陷樣本為基礎，生成大量成像平滑、自然的缺陷樣本，減少了人工繪制樣本的時間和人力成本，提高樣本生成的效率。

【技術領域】

本發明涉及鋼卷表面缺陷樣本生成領域，特別涉及一種鋼卷表面的缺陷樣本生成方法、系統及電子設備。

【背景技術】

機器學習是人工智能的核心，其通過設計神經網絡使得機器具有學習功能，并能將學習結果儲存記憶。神經網絡通過輸入的大量不同的學習樣本，例如具有不同類別產品、物種的圖片，并經過人工的干預，使得神經網絡“記住”學習結果，也即對神經網絡的不斷完善。

但現有的機器學習過程中，大量不同的學習樣本往往很難獲取，特別是在鋼卷表面缺陷識別的神經網絡中，因鋼卷表面的區域較大，缺陷位置的面積較小，往往需要大量缺陷樣本進行訓練才能達到足夠的識別精確度，在獲取樣本的方法中，有的是通過人工修改圖像充當學習樣本，但繪制的圖像并不自然，人工痕跡明顯，且需要耗費較大的人工與時間成本，效率較低。

【發明內容】

為了克服目前現有鋼卷表面的缺陷樣本生成方法中效率較低的問題，本發明提供一種鋼卷表面的缺陷樣本生成方法、系統及電子設備。

本發明為解決上述技術問題，提供一技術方案如下：一種鋼卷表面的缺陷樣本生成方法，包括如下步驟:步驟S1：提供帶缺陷的初始鋼卷表面圖像及一初始神經網絡，摳除初始鋼卷表面圖像中的缺陷部分獲得缺陷摳除圖像，并將缺陷摳除圖像作為輸入，用帶缺陷的初始鋼卷表面圖像進行監督學習，獲得一缺陷生成神經網絡，所述缺陷生成神經網絡可基于輸入的圖像特征生成缺陷紋理；及步驟S2：將隨機摳除部分位置的待處理圖像輸入至所述缺陷生成神經網絡中，獲得所需具有缺陷的樣本圖像。

優選地，步驟S1可包括如下步驟：步驟S11：提供帶缺陷的初始鋼卷表面圖像，并生成缺陷位置的掩膜；步驟S12：利用掩膜，摳除初始鋼卷表面圖像中的缺陷以獲得缺陷摳除圖像；步驟S13：提供一初始神經網絡，將缺陷摳除圖像輸入至所述初始神經網絡中，并用帶缺陷的初始鋼卷表面圖像進行監督學習，獲得一缺陷生成神經網絡。

優選地，步驟S13中的初始神經網絡為具有部分卷積層的全連接結構的神經網絡。

優選地，上述步驟S13具體包括如下步驟：步驟S131：將缺陷摳除圖像與帶缺陷的初始鋼卷表面圖像輸入至初始神經網絡；步驟S132：所述初始神經網絡以帶缺陷的初始鋼卷表面圖像為參照，在缺陷摳除圖像中摳除缺陷的位置生成與帶缺陷的初始鋼卷表面圖像中的缺陷相匹配的模擬缺陷；及步驟S133：所述初始神經網絡保存獲得的模擬缺陷，并將所述模擬缺陷與對應摳除位置邊緣的像素值配對后保存，獲得缺陷生成神經網絡。

優選地，步驟S132中，通過計算帶缺陷的初始鋼卷表面圖像中的缺陷與模擬缺陷之間的損失函數，并根據所述損失函數，將生成的所述模擬缺陷更接近帶缺陷的初始鋼卷表面圖像中的缺陷。

優選地，步驟S2具體包括如下步驟：步驟S21：提供初始完整圖像，在初始完整圖像上任意位置摳除至少一處圖像，獲得待處理圖像；及步驟S22：將所述待處理圖像輸入至缺陷生成神經網絡，在摳除圖像的位置生成為與所述模擬缺陷相匹配的樣本缺陷，獲得所需具有缺陷的樣本圖像。

優選地，步驟S22中，具體包括以下步驟：步驟S221：所述缺陷生成神經網絡通過所述待處理圖像中摳除缺陷的位置邊緣的像素值，獲得與該邊緣的像素值匹配的模擬缺陷；及步驟S222：以匹配結果的模擬缺陷為參照，在對應摳除缺陷的位置生成樣本缺陷。