[发明专利]一种基于对抗生成网络的金属轴缺陷图像生成方法

说明书

本发明公开了一种基于对抗生成网络的金属轴缺陷图像生成方法，包括如下步骤：将一组随机噪声数组赋给对抗生成模型中还未经训练的生成模型G，通过生成模型G生成一组金属轴缺陷图像的假样本集集；通过人为标定的方法，将生成的金属轴缺陷图像的假样本集集定义类标签，其中类标签1代表真样本集，类标签0代表假样本集；将标记了类标签1的金属轴缺陷图像的假样本集集通过鉴别模型D进行判别；在生成模型G训练完后，根据用新的生成模型对先前的噪声Z生成新的金属轴缺陷图像假样本集，此时生成的假样本集更接近真样本；循环步骤二、步骤三和步骤四的过程，最终达到稳态。本发明可以能够获得无限且丰富的缺陷图像数据。

技术领域

本发明涉及图像增强和目标检测领域，更具体的说，尤其涉及一种基于对抗生成网络的金属轴缺陷图像生成方法。

背景技术

近年来随着人工智能领域硬件和软件的不断提升，深度学习技术得到了飞速发展。深度学习技术可以运用在各个领域，比如计算机视觉、自然语言处理、音频分析等。在金属表面缺陷检测领域深度学习技术由于泛化强，检测准确率更高的特点，逐渐有取代传统检测的趋势。然而通常训练一个深度学习模型需要大量的样本数据，样本的质量和数量对模型的性能影响非常大，通常来讲学习的样本越丰富，模型的泛化能力就越强，因此对数据的增强在深度学习领域是非常重要的。

通常金属轴加工厂生产出来的金属轴缺陷率是比较低的，很难得到大量丰富的数据。本发明将设计一种基于对抗生成网络的金属轴缺陷图像生成方法，通过该方法可产生无限的而且丰富的缺陷图像数据。

发明内容

本发明的目的在于解决现有训练深度学习需要大量的数据，然而金属轴加工厂生产出的有缺陷的轴相对较少、原始获取的缺陷数据丰富度较低的问题，，提出了一种基于对抗生成网络的金属轴缺陷图像生成方法，能够获得无限且丰富的缺陷图像数据。

本发明通过以下技术方案来实现上述目的：一种基于对抗生成网络的金属轴缺陷图像生成方法，包括如下步骤：

步骤一：将一组随机噪声数组赋给对抗生成模型中还未经训练的生成模型G，通过生成模型G生成一组金属轴缺陷图像的假样本集；假样本集为生成模型G生成的数据集，真样本集为用于与假样本集进行对比的真的金属轴缺陷图像的数据集；

步骤二：通过人为标定的方法，将生成的金属轴缺陷图像的假样本集定义类标签，其中类标签1代表真样本集，类标签0代表假样本集；

步骤三：将标记了类标签1的金属轴缺陷图像的假样本集通过鉴别模型D进行判别；由于样本集为类标签为1的假样本集，鉴别模型D进行判别时会生成误差，误差回传则使得生成器生成的假样本集逐渐逼近为真样本，从而通过得到的误差完成了对生成模型G的训练；

步骤四：在生成模型G训练完后，根据用新的生成模型对先前的噪声Z生成新的金属轴缺陷图像假样本集，此时生成的假样本集更接近真样本；

步骤五：得到的新金属轴缺陷图像假样本集继续循环步骤二、步骤三和步骤四的过程，在这鉴别模型D和生成模型G训练的过程中，鉴别模型D和生成模型G的能力越来越强，最终达到稳态。

进一步的，生成模型G是一个用来生成新的数据实例的神经网络，通过噪声的一维序列生成样本，尽力混淆鉴别模型D的鉴定。随机噪声通过多层感知机生成。

由于当前生成模型G还不是最终的生成模型，致使生成网络处于劣势，导致生成的金属轴缺陷图像的样本集很容易被鉴别模型判别为假。

进一步的，当金属轴缺陷图像的假样本集不真实，类标签却为1时，鉴别模型给出的误差会很大，这就迫使生成模型进行很大的调整；反之，当假样本集足够真实，类标签为1时，判别器给出的误差就会减小，这就完成了假样本集向真样本逐渐逼近的过程。