[发明专利]基于深度学习生成工业缺陷样本的方法及系统

说明书

本发明提供了一种基于深度学习生成工业缺陷样本的方法及系统，包括：步骤1：采集工业缺陷产品图片，并在工业缺陷产品图片上标注缺陷信息；步骤2：构建对抗生成深度模型；步骤3：根据标注的缺陷信息，在抗生成深度模型中进行对抗训练；步骤4：训练获得缺陷样本；步骤5：对缺陷样本进行筛选，剔除不符合预设的缺陷样本，得到工业缺陷样本。本发明所生成的工业缺陷图片互相关性弱，缺陷特征突出，且具有较高的精细结构质量；本发明所生成的工业缺陷图片质量较高，能够显著提升依据其所训练的深度缺陷检测网络的性能指标。

技术领域

本发明涉及计算机视觉、深度学习技术领域，具体地，涉及一种基于深度学习生成工业缺陷样本的方法及系统。

背景技术

工业生产中，几乎所有产品都需要进行质检，其中一大部分的质检过程是由质检员用肉眼视觉完成对产品缺陷的检测(以下称为视检)，尤其是一些表面缺陷，比如装饰板材、金属表面、键盘表面等，这种情况在实际工业中十分常见。由于产品的多样性、缺陷的多样性，比如装饰板材的缺陷即有划痕、污点、斑块、磨损、碎屑等，大大增加了质检员的工作量和工作难度，导致人工视检效率下降且容易由于质检员的疲劳和失误导致漏检、错检等情况，提高生产线的时间成本并可能影响到上市产品的质量。随着深度学习技术的发展，基于深度学习的工业缺陷检测技术被广泛的应用于缺陷检测领域。

深度学习的实质是通过构建具有多隐层的机器学习模型和海量的训练数据，对特征进行学习，从而最终提升分类或预测的准确性和通用性。然而训练一个有效的深度学习模型，需要大量的带标注数据，海量的显卡资源，以及漫长的训练时间，而在很多工业情景中，缺陷图像的获取成本非常高，导致样本数量十分有限，难以直接用来训练深度学习模型。故而所训练出来的缺陷检测模型的误检率，漏检率较高，难以满足企业的需求。

随着数据增强技术的发展，已经有一些科研人员开发出了一些能够提升数据增强技术方案。专利文献CN108932735A公开了一种生成深度学习样本的方法，提出使用泊松分布来生成一些深度学习样本。但是这种方法由于只使用了传统的类似于加噪声的方法，所生成的工业缺陷样本质量不高，也就是说它们的互相关性比较强，提升深度学习缺陷检测模型检测能力的程度较小。其它一些对抗生成技术亦常常受到模式崩溃，过拟合等问题的困扰，也难以生成高质量的工业缺陷样本。目前的专利技术鲜有生成高质量工业缺陷样本的方法，难以解决实际企业对于训练基于深度学习网络的自动化缺陷检测系统的需求。

专利文献CN109559298A(申请号：201811357765.5)公开了一种基于深度学习的乳液泵缺陷检测方法，基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先，使用Mini-ImageNet数据集预训练网络模型。然后，调整模型结构并加载预训练网络的参数，并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练，在网络中自动进行特征提取和分类的过程，根据训练过程中验证集准确率的变化调整网络超参数，得到最终网络模型。最后，将预处理后的乳液泵测试样本输入至训练好的模型中，检测最终模型的缺陷识别效果。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习生成工业缺陷样本的方法及系统。

根据本发明提供的基于深度学习生成工业缺陷样本的方法，包括：

步骤1：采集工业缺陷产品图片，并在工业缺陷产品图片上标注缺陷信息；

步骤2：构建对抗生成深度模型；

步骤3：根据标注的缺陷信息，在抗生成深度模型中进行对抗训练；

步骤4：训练获得缺陷样本；

步骤5：对缺陷样本进行筛选，剔除不符合预设的缺陷样本，得到工业缺陷样本。

优选地，所述步骤3对抗训练中采用误差函数，公式为：