[发明专利]一种基于生成式对抗网络的汽车表观质量检测方法

权利要求书

1.一种基于生成式对抗网络的汽车表观质量检测方法，其特征在于，包括以下步骤：

获取下线车辆的表观缺陷图像数据，进行整理分类、尺寸标准化、制作标签预处理；表观缺陷图像数据包括表面坑包、划痕、几何尺寸间隙及面差；

考虑到实际缺陷表面存在泥点、雨点、油渍遮挡物，将获取的缺陷图像采样进行二进制掩码等效处理，完成基于无监督学习的图像修复任务；

将图像修复后的缺陷数据与未经处理的缺陷数据用于训练生成式对抗网络，完成基于半监督学习的缺陷识别分类任务；

用区间优化算法优化生成式对抗网络训练过程中的权重参数；

生成式对抗网络的网络结构：生成器G不做改变，以批量的随机噪声向量z作为输入，中间经过4层反卷积层，除最后一层激活函数使用tanh其余层激活函数均使用relu函数，批量输出64×64大小的图像；判别器设置为两个，两个网络的结构基本一致，都经过4层卷积层和1层全连接层，每层卷积层都加了归一化层，另外每一层的激活函数使用leakrelu，在最后全连接层稍作区别，第一经过全连接层输出为一个loss值，用于基于无监督学习的二分类，判别数据来源于真实数据还是生成数据，辅助修复图像；第二经过全连接层输出为K+1维向量，其中K为输入缺陷类别数，多出的那一类是判别输入是否是生成器G生成的图像，即用于基于半监督学习的分类；

还包括如下步骤：

步骤一：无监督图像修复训练过程；

训练：将随机噪声输入生成器G，生成伪图像G(z)，判别器D1接收真实样本Y和伪数据G(z)，对二者来源进行判别；

损失：(1)语境损失：采用MSE作为对填充图像G(z)与真实图像Y之间对应位置像素的误差衡量函数：contextual_loss＝MSE(M*G(z)-M*Y)；

(2)对抗损失：为迷惑判别器，使修复图像看起来是真实的，引入原始GAN对抗损失函数：

总体损失函数定义为：loss(z)＝contextual_loss+λadversarial_loss；λ是权重因子，用于平衡语境损失和对抗损失的比重；

对loss(z)自动进行梯度▽loss(z)下降，迭代得到伪图像G(z)；

重构：得到修复图像Y'＝M*Y+(1-M)*G(z)；

步骤二：半监督缺陷识别训练过程；

数据处理：将步骤一得到的修复图像与总缺陷图像混合得到半监督分类任务的缺陷图像；

训练：生成器G接收随机变量生成伪图像G(z)，判别器D2接收上述缺陷数据和伪数据G(z)，对缺陷进行识别；

损失：发生器损失是对抗损失与特征匹配损失的组合，后者惩罚训练数据上一组特征的平均值与生成样本中这组特征的平均值之间的平均绝对误差，前者表示为后者表示为G_loss2＝MSE(D_real_features-D_fake_features)；

判别器损失分为：(1)无监督损失unsupervised_loss：只需要输出真假，

(2)有监督损失supervised_loss：将实际标签附加为零来准备整个批次的扩展标签，标记数据馈送时，输出为0；未标记数据的判别器损失可以被认为是对抗损失，表示为判别器总损失为D_loss＝supervised_loss+unsupervised_loss。

2.如权利要求1所述的汽车表观质量检测方法，其特征在于，

将获取下线车辆的表观缺陷图像数据,整理分类，从每个分类缺陷中获取等量样本集Y；考虑到实际表观缺陷可能会覆盖有泥点、雨点、油渍遮挡物，妨碍神经网络对缺陷进行识别，由于目前没有一个通用的、成熟的遮挡缺陷数据集，于是通过在样本的随机位置进行二进制掩码M处理来等效模拟缺陷的随机遮挡，即将样本集Y中的每个样本元素和M中的对应元素相乘得到Hadamard积M*Y，即获得带遮挡物的缺陷图像。

3.如权利要求1所述的汽车表观质量检测方法，其特征在于，

用区间算法优化权重参数，以区间变量代替点变量，先找到判别网络的权重的区间全局最优解；进一步将真实数据张量、生成器的生成数据张量矩阵、三个模型的权值均替换为区间变量，确定GAN的区间全局最优解，尤其避免判别器的输入噪声对判别结果的影响。