[發明專利]一種結合生成對抗網絡與傳統圖像處理技術的工業產品噴涂缺陷數據增強方法

有效

• 申請號: 202010000347.1
• 申請日: 2020-01-02
• 公開（公告）號: CN111144513B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 薛林;陳相吉;黑俊銘
• 申請（專利權）人: 大連理工大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06N3/04;G06N3/08;G06T7/11
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

本發明屬于圖像處理技術領域，提供了一種結合生成對抗網絡與傳統圖像處理技術的工業產品噴涂缺陷數據增強方法。利用傳統圖像處理，通過對圖片各通道像素值與圖片尺度的變換，對噴涂缺陷進行提取，再采用生成對抗網絡對提取的缺陷圖像進行訓練和生成。本發明可以有效地增加噴涂缺陷數據的多樣性，為構建缺陷分類識別等神經網絡的訓練過程提供數據集，可以一定程度上解決工業生產環境中產品噴涂缺陷數據量不足的問題。

技術領域

本發明屬于圖像處理技術領域，是一種結合生成對抗網絡與傳統圖像處理技術的工業產品噴涂缺陷數據增強方法。

背景技術

在現實的生產過程中，工業產品的噴涂缺陷不僅會嚴重影響工業產品的物理性能，也會影響產品的外觀，降低消費者的購買欲望。所以針對工業產品噴涂缺陷的檢測在整個質檢環節中扮演著十分重要的角色。

近些年，隨著計算機性能的快速發展，具有準確度高，檢測速度快，無接觸無損傷等優點的計算機視覺檢測方法受到國內外同行的廣泛關注。同時人工神經網絡也成為十分常用的檢測方法，人們提出很多基于卷積神經網絡的分類和識別方法用于視覺檢測，成功地解決了過去難以解決的實際問題。然而，目前基于這類神經網絡的檢測方法，需要大量的樣本數據作為訓練的數據集才能發揮網絡的檢測效果。由于實際工業生產環境的限制，加之缺陷出現概率低，通過人工采集方法得到的缺陷樣本圖片存在數據量少，采集困難的問題，難以支撐大型神經網絡的訓練要求。

針對上述問題，本發明提出了一種結合生成對抗網絡和傳統圖像處理技術的工業產品噴涂缺陷數據增強方法。利用傳統圖像處理方法，通過對圖片各通道像素值與圖片尺度的變換，去除背景，提取缺陷區域圖像，再以提取的缺陷圖片作為生成對抗網絡的輸入，以無監督的方式進行訓練，生成大量與原缺陷相近的圖片，用以擴充缺陷的數據集。

發明內容

本發明主要目的是提供一種工業產品的噴涂缺陷數據增強方法，增加數據量，可以一定程度上解決缺陷樣本數據不足的問題。

本發明的技術方案：

一種結合生成對抗網絡與傳統圖像處理技術的工業產品噴涂缺陷數據增強方法，步驟如下：

(1)收集具有噴涂缺陷的圖像，對圖像中缺陷區域以人工描邊的方式標記出缺陷輪廓，提取缺陷，粘貼至透明背景中，得到以缺陷為主體PNG格式四通道圖片；

(2)根據原圖中缺陷鄰域的非缺陷部分像素值設定閾值T，隨后遍歷步驟(1)所得到的缺陷PNG格式圖片中的所有像素，比較缺陷部分與非缺陷部分的顏色，如果缺陷部分顏色深于非缺陷部分像素，與T進行比較，將RGB三通道數值都大于閾值的像素，設置為透明，即α通道(透明度通道)值為0；如果缺陷部分顏色淺于非缺陷部分像素，將RGB三通道數值都小于閾值的像素，設置為透明；

(3)將步驟(2)中得到的缺陷圖片通過旋轉、翻轉、縮放和同其他圖片的隨機組合，得到一定量的新的缺陷圖片；

(4)將步驟(3)中得到的圖片由外至內，分別從水平方向和豎直方向進行列與行的遍歷，對每列和每行像素的α通道進行判別，分別得出全部像素α通道不都為0的最左列序數x₁、最右端列序數x₂、最上端行序數y₁和最下端行序數y₂，至此根據區域(x₁,y₁,x₂,y₂)對圖片進行裁剪，去除完全由透明像素構成的外圍行列，只保留帶有缺陷的中間區域，構建缺陷數據集；

(5)統計步驟(4)得到的圖片尺寸面積，求得面積最大值S_max和平均值開平方得到對應的最大邊長l_max與平均面積邊長l_a，按下列公式，計算得出生對抗網絡的輸入圖片大?。?/p>