[发明专利]一种用于工业大数据处理的训练样本生成方法

说明书

本发明属于图像处理领域，并具体公开了一种用于工业大数据处理的训练样本生成方法，包括：构建各类工业图像数据集，并根据各类工业图像数据集中的数据量划分出大样本数据集与小样本数据集；构建工业图像生成对抗网络及优化目标函数，基于优化目标函数对工业图像生成对抗网络进行迭代训练获得小样本生成参数模型；将大样本数据集中的大样本图像输入训练获得的小样本生成参数模型中以生成小样本图像，以此完成训练样本的生成。本发明无需对工业图像进行复杂的数字图像处理操作，也无需对原始工业图像进行各种变换，可以避免过多的人工干预，减少操作人员专业素养造成的工业图像生成的误差。

技术领域

本发明属于图像处理领域，更具体地，涉及一种用于工业大数据处理的训练样本生成方法。

背景技术

随着智能制造的提出，工业大数据技术成为未来提高制造业生产力、竞争力、创新力的关键因素，但作为驱动工业大数据技术的原始动力，工业数据尤其是工业图像数据仍然存在众多问题：1)样本不平衡问题，即工业图像数据各类之间存在数据量差距过大；2)可获取工业图像数据多样性不足，不能覆盖工业数据现有的数据特征。这使得使用工业数据训练的模型泛化能力低且鲁棒性很差。以上缺点严重制约工业大数据模型的性能提升。因此，需要一种工业图像训练样本的生成方法以提高数据的数量与多样性。

目前已有的工业图像生成方法主要为两种思路：1)对原始图像数据进行翻转、旋转、随机裁剪、局部变形等变换以扩充原始数据，该方法只能增加图像数据的数量，不能增加图像数据特征的多样性；2)利用数字图像处理技术以及CAD技术模拟工业图像数据，该方法只能对形态较为简单的工业图像进行建模并且生成的工业图像与真实缺陷图像存在一定的差异。因此，传统的工业图像生成方法已经不能满足需求，研究设计一种新的工业图像生成方法成为本领域中亟待解决的问题。

发明内容

针对使用工业大数据技术时，工业图像数据存在样本不均衡、多样性差等问题，本发明提供了一种用于工业大数据处理的训练样本生成方法，其基于工业图像数据不同类别之间的共有特点，利用对抗学习实现工业图像不同类别之间的相互生成，以生成以假乱真的工业图像数据集，其无需对工业图像进行建模，也无需在原始数据上进行变换，生成的工业图像数据集具有图像质量高、多样性好等优点。

为实现上述目的，本发明提出了一种用于工业大数据处理的训练样本生成方法，其特征在于，包括如下步骤：

1)构建各类工业图像数据集，并根据各类工业图像数据集中的数据量划分出大样本数据集与小样本数据集；

2)构建工业图像生成对抗网络cycleD2GAN，包括两个工业图像生成器和四个工业图像鉴别器，分别为小样本图像生成器G、大样本图像生成器F、小样本图像鉴别器D1_s、小样本图像鉴别器D2_s、大样本图像鉴别器D1_b和大样本图像鉴别器D2_b；

3)构建工业图像生成对抗网络的优化目标函数，并基于优化目标函数分别对两个图像生成器和四个图像鉴别器进行迭代训练，以训练获得小样本生成参数模型，其中小样本图像生成器G的训练与小样本图像鉴别器D1_s和D2_s的训练为一组对抗过程，大样本图像生成器F的训练与大样本图像鉴别器D1_b和D2_b的训练为一组对抗过程；

4)将步骤1)中大样本数据集中的大样本图像输入训练获得的小样本生成参数模型中以生成小样本图像，以此完成训练样本的生成。

作为进一步优选的，步骤2)构建工业图像生成对抗网络cycleD2GAN，具体包括以下子步骤：

2.1)构建小样本图像生成器G，其网络结构包括输入层、学习层和输出层，其中学习层包括多个卷积+降采样层、若干个转换层、以及若干个卷积+上采样层，其输入为大样本图像，输出为生成的小样本图像；