[发明专利]一种基于对抗生成网络的半监督工业图像缺陷分割方法

说明书

本发明公开一种基于对抗生成网络的半监督工业图像缺陷分割方法，使用少量标注的带有缺陷的负样本和大量没有缺陷的正样本来训练神经网络从而得到能对缺陷自动识别的分割网络。在神经网络的构建过程中分别使用了基于D‑LinkNet的分割网络和基于U‑net重构网络，通过交叉训练的方式来分离负样本和正样本的特征空间从而使分割网络能正确分割出负样本中的缺陷。本方法能大大减少对工业缺陷样本图像的依赖，同时能大幅度减少分割模型在分割缺陷时的误差。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于对抗生成网络的半监督工业图像缺陷分割方法。

背景技术

在工业生产过程中，为了保证工业成品的质量，最重要的任务之一就是对产品表面的缺陷检测。通常，产品表面质量的缺陷必须经由培训过的工人才能进行有效的识别，这种方式效率低下，准确度不高，特殊情况下还会严重制约企业的生产。随着工业4.0的提出和人工智能技术的发展，以数据驱动为代表的深度学习得到了广泛的应用。深度学习可以仅依靠适当数量的标记图片便可以进行缺陷的定位识别，可以快速满足生产弹性化，产品线迭代快速化的需求。而图像分割是其中重要的研究方向之一。

在利用图像分割进行缺陷定位时，图像数据至关重要。与自然场景下的应用不同，工业图像的正负样本极为不均衡，往往缺陷样本远远小于正常样本。此外工业生产时，产品产生的缺陷种类繁多，缺陷与缺陷之间差异很大，标注难度很高，而为了满足生产品控需求往往对算法模型的精度和抗干扰性有着非常高的要求。这就为基于深度学习的图像分割算法在工业产品表面检测的应用落地带来了很大的挑战。

发明内容

针对现有技术中存在的工业产品正样本和缺陷样本严重失衡的情况，本发明提出一种基于对抗生成网络的半监督工业图像缺陷分割方法，在大大减少对缺陷样本的需求的同时，实现对缺陷的精确分割，此外，该方法还可以大程度提高分割模型的抗干扰性和检测稳定性。

本发明的目的通过如下的技术方案来实现：

一种基于对抗生成网络的半监督工业图像缺陷分割方法，该方法包括以下步骤：

S1：分别创建含有缺陷的图像的负样本库X_F和不含缺陷的图像的正样本库X_T，并对正负样本进行像素标记，对于正样本x_t的标记y_T，默认其标签为1，对于负样本x_f的标记y_F，图像的缺陷处像素点标记标签为0，其他地方为1；

S2：利用图像增强技术对负样本、正样本分别进行图像增强，得到增强后的负样本库X_F′和正样本库X_T′；

S3：分别构建基于D-LinkNet的分割网络和基于U-Net的重构网络，对于所述的分割网络，输入为图像批次x_D，输出为每个图像对应的图像特征和每张图像上每个像素对应的网络生成的标签；对于所述的重构网络，输入为图像批次x_G,输出为其对应的生成图像；

S4：设计解码网络和重构网络训练方法和优化方式，主要包括网络生成过程和网络对抗过程，具体步骤如下：

S4.1：不断地随机从经过S2增强后的负样本库X_F′和正样本库X_T′中获得相同批次的正常图片x_t和异常图片x_f，将正常图片x_t输入到所述的分割网络中，得到其对应的训练后的分割标签y_t和对应的分割特征e_t；

S4.2：由损失函数计算S4.1中的x_t的标记标签y_T和y_t的目标损失l_d1；