[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

说明书

本发明是一种基于生成式对抗网络的汽车表观质量检测方法，包括以下步骤：获取下线车辆的表面坑包、划痕、几何尺寸间隙及面差等表观缺陷图像数据；考虑到实际缺陷表面存在泥点、雨点、油渍等遮挡物，将获取的缺陷数据进行随机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。本发明提供的生成式对抗网络的网络结构，用于无监督判别真伪辅助完成修复图像任务。最终能够同时进行缺陷去遮挡物完成图像修复以及汽车表观缺陷识别分类多任务。

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种基于生成式对抗网络的汽车表观质量检测方法。

背景技术

随着生活水平的提高，人们对汽车好坏的评判标准不再仅仅停留在功能性的使用上面，更讲求一种外观的美感。表观外观是否合格，直接影响消费者的购买欲望，越来越多的汽车制造商想方设法的提高其汽车外观表面的质量。表观外观缺陷主要包括以下几种：车辆表面坑包、划痕、表观几何间隙或者面差等，一旦出现这些缺陷，设计人员就要重新精修或者将模具交回厂家返修，无论哪种方式，都会造成时间和成本上极大的浪费。但在实际应用中，采集到的缺陷图像往往存在泥点、油渍、雨点等局部遮挡障碍物，干扰特征的提取，影响判别的准确性。

深度学习可以自主学习所建模数据的潜在分布的多层表征。深度学习可以利用低层特征，组合得到更为抽象的高层特征表示，以得出数据的分布式特征表示，深度学习在特征学习及分类任务中表现优异。

生成式对抗网络(Generative adversarial networks,简称GAN)作为深度学习中的新秀，可以自主学习输入样本中的特征信息，因此利用GAN处理带有遮挡物的缺陷图像对其进行修复，并分类识别汽车外观缺陷是十分必要的。

发明内容

针对现有存在的技术问题，本发明提供一种基于生成式对抗网络的汽车表观质量检测方法。此方法网络模型做了调整，能够同时进行缺陷去遮挡物完成图像修复以及汽车表观缺陷识别分类。

为了达到上述目的，本发明采用的主要技术方案如下：

一种基于生成式对抗网络的汽车表观质量检测方法，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。

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。