[发明专利]一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法

权利要求书

1.一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法，其特征在于，包括以下步骤：

(1)磁瓦图像预处理：将采集到的磁瓦图像制作成磁瓦原图和缺陷标记图；

(2)构造网络模型：构造密集生成对抗神经网络模型，该模型分为生成器和判别器两部分；生成器是一个全卷积密集神经网络，包括若干密集块和转移块，密集块用于特征提取，转移块在编码部分用于下采样，在解码部分用于上采样；判别器是一个下采样神经网络；所述密集生成对抗神经网络模型的生成器部分由编码部分和解码部分组成；

编码部分首先是一个数据输入(Input)，输入RGB图像；然后是第一个卷积层(Firstconv)，负责第一次提取图像特征，并将特征图通道数扩充为48个；接下来是5组密集块(DenseBlock，DB)和下采样转移块(Transition Down，TD)的组合；每一个密集块都由5个密集层(Dense Layer)构成，每个密集层的输入都是由前几层输出的所有特征图通道合并而成，每一个密集层又都由依次连接的批标准化层(BN)、激活层(ReLU)、卷积层(Conv)和Dropout层组成，密集块负责提取特征信息，改变特征图通道数；下采样转移块由依次连接的BN层、ReLU层、Conv层、Dropout层和最大池化层(MaxPool)组成，其作用是进一步提取特征，并对特征图进行下采样，每个转移块都将输入特征图的尺寸减半；编码结束后进入一个瓶颈层(Bottleneck)，该层也是一个密集块，其作用是降低特征图数目；

解码部分由5组上采样转移块(Transition Up，TU)和密集块(DB)构成；每个上采样转移块都是一个转置卷积层(ConvTranspose2d)，负责整合特征图信息，并对特征图进行上采样，尺寸加倍；解码部分的密集块与编码部分的密集块结构相同，区别是解码部分的第一个到第四个密集块输入与输出没有进行跨层连接，只有第五个密集块有跨层连接；解码部分接下来是最后一个卷积层(Finalconv)，对特征进行最后整合，将通道数降为3维；最后解码输出(Output)部分是一个Tanh函数，将特征图数值映射至[-1,1]之间，便于后续计算损失函数值；

此外，该全卷积密集神经网络在编码和解码对应位置处加入了跳跃连接，以达到将低层特征信息和高层特征信息融合的目的，帮助解码部分优化特征定位和细节信息处理；至此，整个生成器设计完成；

(3)训练网络模型：利用反向传播算法训练网络模型；

(4)检测待测图像：将待测图像的磁瓦原图输入到训练好的网络模型的生成器中进行前向计算，生成缺陷标记图；

(5)图像后处理：统计分析步骤(4)生成的缺陷标记图中的缺陷信息。

2.根据权利要求1所述的一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法，其特征在于，所述步骤(1)中，磁瓦图像预处理包括以下子步骤：

对于采集到的磁瓦图像，利用磁瓦与背景的亮度差截取出磁瓦所在区域，生成磁瓦原图；

在磁瓦原图中手工标记出缺陷区域，缺陷区域用特定颜色进行标记，生成缺陷标记图；

将原图以及对应缺陷标记图左右拼接形成训练图像，训练图像经过归一化操作，使得每个像素点数值从[0,255]的整型数值调整为[-1.0,1.0]的浮点数值，构成训练集。

3.根据权利要求1所述的一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法，其特征在于，所述步骤(2)中，所述密集生成对抗神经网络模型的判别器部分是一个下采样神经网络结构，总共有六层；第一层是图像数据输入层，第二层是Conv和PReLU组合层，第三到第五层都是Conv、BN和PReLU的组合层，最后一个输出层是Conv层，输出一张特征图用于后续计算损失函数值。