[发明专利]一种基于生成对抗网络的橡胶手套缺陷检测方法

权利要求书

1.一种基于生成对抗网络的橡胶手套缺陷检测方法，其特征在于，包括以下几个步骤：

步骤1，利用工业面阵相机对充气后的橡胶手套进行图像采集，获取原始图像数据；

步骤2，对采集的橡胶手套原始图像进行图像预处理，并进行图像尺寸标准化；

步骤3，基于步骤2得到的图像数据集，构建橡胶手套缺陷检测网络模型，将正常样本输入模型进行训练，使模型学习正常样本的特征分布，并具有图像重建能力；

步骤4，基于步骤2得到的图像数据集，将测试样本输入到已训练好的缺陷检测网络模型中，根据对样本的图像重建效果评分，判断样本图像是否存在缺陷。

2.根据权利要求1所述的一种基于生成对抗网络的橡胶手套缺陷检测方法，其特征在于，所述步骤3具体如下：

模型基于生成对抗网络即GAN网络进行搭建，由两个编码器，一个解码器和一个判别器组成；第一个编码器和解码器构成蝴蝶型自编码器，将输入图像x映射到低维度的潜在空间编码z，以获取图像的特征分布；模型的输入x通过包含卷积层、BatchNorm层以及LeakyReLU激活函数的编码网络输出潜在空间的编码z；针对橡胶手套上缺陷微小、纹理不突出的特点，模型增加自编码器网络深度和堆叠层数，通过1000、500、250、100、50的五层编码器结构，最终得到30维的编码序列；而后通过与编码器相对称的反向结构，解码器将潜在空间的编码z采样回图像的高维度空间，并输出重建图像模型的第二个编码器将重建图像再次进行编码，得到具有重建图像特征分布的编码序列通过对图像高维度和低维度的特征分布共同对比，获取原图和重建图之间的差异计算损失值，以更好的惩罚图像生成部分的重建效果；最后，模型的判别器根据GAN网络基本的生成对抗思想，与编码器和解码器组成的生成网络进行对抗训练；

模型在训练阶段通过重建图像在高维图像和低维编码上和原图的差异效果，结合判别网络的对抗训练思想，共同约束模型的图像重建能力；根据网络模型结构构建三个损失值，分别约束模型的不同子网络；第一个损失根据输入图像和重建图像之间的高维图像差异计算，其损失函数为第二个损失根据输入图像和重建图像的低维潜在空间编码差异构建损失，其损失函数为并且根据橡胶手套缺陷的实际特征，在其基础上引入CenterLoss损失将对相似度特征的学习转换为对距离的学习，增加正常样本特征的类内间距，使正常样本的特征向量更加聚集，从而便于区分输入为缺陷样本时的特征；第三个损失是根据判别器的对抗损失，其损失函数为综上得到生成器的整体损失函数表示为：

这里的ω_con，ω_enc，ω_adv是调节各损失的权重参数，通过网络模型训练获得最高AUC时的取值分别为1、50、1；网络模型的训练选用Adam优化算法，设置训练迭代次数nEpochs＝100，batch-size＝6，初始学习率lr＝0.5，动量β₁＝0.5，β₂＝0.999。

3.根据权利要求1所述的一种基于生成对抗网络的橡胶手套缺陷检测方法，其特征在于，所述步骤4中，将正常样本和缺陷样本混合作为测试样本输入已训练好的GANomaly网络模型中，对于测试样本定义其重建效果的异常评分为在网络模型训练阶段，模型收敛以后计算得到所有正常样本的编码损失值选取其中的最大值作为判别阈值；在测试时计算输入样本图像的编码损失值如果小于判别阈值则判断为正常样本，大于则判断为缺陷样本。