[發(fā)明專利]一種基于改進(jìn)生成對(duì)抗網(wǎng)絡(luò)的鋁板電渦流檢測圖像缺陷分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010964423.0
• 申請(qǐng)日: 2020-09-15
• 公開（公告）號(hào): CN112215803B
• 公開（公告）日: 2022-07-12
• 發(fā)明（設(shè)計(jì)）人: 葉波;張琦;羅思琦;曹弘貴
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/136;G06N3/04;G06K9/62;G06V10/774
• 代理公司: 昆明明潤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 53215
• 代理人: 王鵬飛

1.一種基于改進(jìn)生成對(duì)抗網(wǎng)絡(luò)的鋁板電渦流檢測圖像缺陷分割方法，其特征在于：

Step1：獲取鋁板電渦流檢測圖像，并對(duì)圖像進(jìn)行數(shù)據(jù)擴(kuò)充，選擇其中部分?jǐn)?shù)據(jù)集作為訓(xùn)練集，其余作為做測試集，每一張圖像都對(duì)應(yīng)一張手工標(biāo)注的語義分割標(biāo)簽；

Step2：構(gòu)建生成對(duì)抗網(wǎng)絡(luò)，生成對(duì)抗網(wǎng)絡(luò)包括生成器和判別器兩個(gè)部分，生成器通過學(xué)習(xí)訓(xùn)練集的數(shù)據(jù)分布得到鋁板電渦流檢測圖像的分割圖像，判別器通過學(xué)習(xí)輸入真假樣本對(duì)之間的分布差異對(duì)其進(jìn)行二分類；真樣本對(duì)由鋁板渦流圖像與通過標(biāo)注軟件得到的手工標(biāo)注缺陷的鋁板渦流圖像組成，假樣本對(duì)由生成器分割圖像與鋁板渦流圖像組成；

采用注意力機(jī)制，考慮到生成器特征圖的信息整合方式未考慮到整合時(shí)的權(quán)重分布問題，通過注意力機(jī)制調(diào)整不同尺寸卷積層的特征圖權(quán)重，提高圖像特征信息的利用，增強(qiáng)目標(biāo)特征并抑制背景特征，使得生成器能夠充分學(xué)習(xí)到缺陷圖像的特征分布,提高模型的分割精度；

注意力機(jī)制通過注意力權(quán)重0≤α_i≤1來識(shí)別鋁板渦流缺陷圖像缺陷特征的顯著性區(qū)域，注意力權(quán)重由包含豐富語義信息的高級(jí)特征圖和包含全局上下文信息的低級(jí)特征圖得到，計(jì)算公式如下：

其中，和分別為第i層低級(jí)特征圖和高級(jí)特征圖，W_x、W_g和Ψ為1×1卷積操作，b_g和b_ψ為卷積的偏置項(xiàng)，通過1×1卷積操作，可以有效減少參數(shù)數(shù)量，降低模型計(jì)算復(fù)雜度，σ₁為ReLU激活函數(shù)，σ₂為Sigmoid激活函數(shù)，通過Sigmoid激活函數(shù)將注意力權(quán)重歸一化至[0,1]，輸出是輸入低級(jí)特征圖與注意力權(quán)重的乘積：

Step3：設(shè)計(jì)生成對(duì)抗網(wǎng)絡(luò)的損失函數(shù)，對(duì)模型進(jìn)行訓(xùn)練，

生成器G從鋁板渦流檢測圖像x學(xué)習(xí)到標(biāo)簽圖像y的映射，然后，判別器D對(duì)真假樣本進(jìn)行二進(jìn)制分類，其中真樣本對(duì)由鋁板渦流檢測圖像與標(biāo)簽圖像構(gòu)成，假樣本對(duì)由鋁板渦流檢測圖像與生成的分割圖像G(x)構(gòu)成假樣本對(duì)，訓(xùn)練模型是最小化交叉熵的過程，對(duì)分割問題GAN的目標(biāo)函數(shù)可以表述為：

L_GAN(G,D)＝E_{x,y～pdata(x,y)}[logD(x,y)]+E_x～pdata(x)[log(1-D(x,G(x)))]

人工標(biāo)簽與生成器生成的分割圖像之間距離的損失函數(shù)采用二元交叉熵的形式，人工標(biāo)簽與生成器分割的缺陷圖像的分割損失表示為：

L_SEG(G)＝E_{x,y～pdata(x,y)}-y·log(G(x))-(1-y)·log(1-G(x))

模型總的損失函數(shù)可以表示為：

G^*＝arg min[maxL_GAN(G,D)]+L_SEG(G)。