[发明专利]基于渐进循环生成对抗网络的热轧带钢表面水滴去除方法

权利要求书

1.一种基于渐进循环生成对抗网络的热轧带钢表面水滴去除方法，其特征在于，包括如下步骤：

步骤S10，建立带有水滴的带钢表面图像数据库；

步骤S20，构建渐进式循环生成对抗网络，并包括如下子步骤：

步骤S21，生成网络1-T；

步骤S22，生成马尔科夫判别网络；

步骤S30，将步骤S10得到的含水滴训练集图像输入步骤S20构建的渐进循环生成对抗网络的模型中，并有监督的对生成对抗网络通过全局损失函数进行训练，更新所有生成网络和马尔科夫判别网络的权值，其中，训练中采用的全局损失函数包括结构相似性指数SSIM损失函数和L1损失函数；

步骤S40，利用步骤S30训练得到的生成网络1并输入步骤S10所得到含水滴测试集的图像，生成网络T输出不含水滴的干净图像；

步骤S10包括如下子步骤：

步骤S11，使用高速摄像机拍摄单位尺寸的原始带钢表面图像，所述原始带钢表面图像包括有或没有水滴的图像；

步骤S12，从所述原始带钢表面图像中裁剪出尺寸为1000×1000像素的干净背景图像，并通过人为的方法将所述原始带钢表面图像中的水滴粘贴到所述干净背景图像中；

步骤S13，重复步骤S11及步骤S12，制作1200对尺寸为1000×1000像素的有或没有水滴的带钢表面图像的数据库；

步骤S14，从数据库中随机选取1100对图像作为训练集，剩余的100对图像作为测试集；

步骤S21的具体子步骤如下：

将步骤S14得到的数据库训练集中的含有水滴图像输入到生成器中，其中生成网络采用渐进式循环网络的模型结构，渐进式循环网络分为T个阶段，且每个阶段都包含一个浅层ResNet网络，每个阶段的浅层ResNet包括：

f_in层，为输入层，是一个具有ReLU非线性激活函数的单层卷积，卷积层接收网络的输入，选择ReLU作为激活函数；

f_recurrent层，为循环递归层，是一个LSTM结构；

f_res层，包括多个ResBlocks，用于深度表示；

f_out层，为卷积层，是网络的输出，用于导出除水滴后的图像；

步骤S30中，SSIM损失函数表示如下式所述：

L_SSIM＝-SSIM(G(I),R)

其中，SSIM指的是结构相似性的操作；

L1损失函数定义如下式：

其中，y⁽ⁱ⁾表示目标图像上每个像素的值，指估计图像上的像素值；在渐进式循环生成对抗网络生成器中，L1损失函数的表示如下式：

因此，基于混合策略，最终生成器的损失函数定义如下式：

其中，α被设置为0.75，β被设置为1.1，γ被设置为50。

2.根据权利要求1所述的基于渐进循环生成对抗网络的热轧带钢表面水滴去除方法，其特征在于，步骤S11中，所述单位尺寸为4096×1024像素。

3.根据权利要求1所述的基于渐进循环生成对抗网络的热轧带钢表面水滴去除方法，其特征在于，渐进式循环网络的阶段数T的设定值为6。

4.根据权利要求1所述的基于渐进循环生成对抗网络的热轧带钢表面水滴去除方法，其特征在于，步骤S21中，各阶段网络结构关系如下式：

x_t-0.5＝f_in(x_t-1,y)

s_t＝f_recurrent(s_t-1,x_t-0.5)

x_t＝f_out(f_res(s_t))

其中，f_in层、f_res层和f_out层是阶段不变的，其网络参数可以在不同阶段重用，递归层采用x_t-0.5和递归状态s_t-1作为t-1阶段的输入。

5.根据权利要求1所述的基于渐进循环生成对抗网络的热轧带钢表面水滴去除方法，其特征在于，步骤S22中，所述马尔科夫判别网络采用卷积-批量规范-ReLU的形式作为模块，其判断图像中每个N×N色块是否为正值，将输入映射为N×N的矩阵X，从而对生成的水滴去除区域进行判别，指导步骤S21中得到的生成网络去除图像中的水滴。