[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

说明书

本发明公开了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，包含步骤如下：首先建立带钢表面图像数据库，有无水滴的图像成对存在。然后构建渐进循环生成对抗网络模型，包括生成网络和判别网络。接着，随机抽取数据库中的成对图像作为训练集输入渐进循环生成对抗网络模型中，对生成网络和判别网络进行训练。最后，利用训练得到的生成网络去除热轧带钢表面的水滴。与相关技术相比，本发明提供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，能有效地抑制水滴的干扰，同时可靠地保留图像的其他细节，从热轧带钢伪缺陷去除的新视角，学习提高现有AVI仪缺陷检测性能的方法。

技术领域

本发明涉及图像处理技术领域，尤其涉及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。

背景技术

自动视觉检测(automated visual inspection,AVI)仪器对热轧钢厂确保产品质量起着至关重要的作用。通常情况下，这种AVI仪器尽可能安排在热轧生产线的末端，而相邻的上游工序是喷雾冷却。因此，大量的水滴、水衣和雨线以随机的方式广泛分布在钢材表面，这些水滴、水衣和雨线被AVI系统捕获并被错误地识别为缺陷，基本上是伪缺陷。此外，特别是当遭遇异质性的伪缺陷时，会引发大量的错误警报。更糟糕的是，一些实际的缺陷被完全或部分地掩盖了，这将严重降低AVI仪器的检测精度。

实际上，如何解决上述问题，就是要建立一个强大的图像增强方法，能够精确跟踪和去除水滴掩膜，并最终完成图像丢失区域的补全。对于热轧钢带的表面质量检测，过去五年见证了深度学习方法的巨大进步。然而，几乎所有的方法都集中在缺陷检测或分类。水滴去除这样一个重要的研究问题似乎被研究人员忽略了。幸运的是，在视频增强领域，水滴去除的话题已经得到了广泛的研究。值得注意的是，Qian等人提出了Attentive GAN(generative adversarial network)，并实现了基于自制数据库的单幅图像中出色的雨滴去除，其中可以调查到一个典型的应用场景特征，即雨滴在相机镜头附近，但背景场景离相机镜头远。在大多数情况下，一些雨滴是模糊的，因为相机总是聚焦在风景照片的背景上。需要注意的是，对于热轧带的表面图像，水滴和钢板的成像距离几乎相同，结果是水滴很清晰，而被水滴遮挡的相应部分的信息则完全丢失。如上所述，那些在视频增强中流行的去除雨滴的优秀方法不能直接应用于热轧钢带的水滴去除。

另一个挑战是如何建立图像数据库，为实际高速热轧生产线上的表面水滴去除任务服务。假设某条钢带的某一位置有水滴的表面图像，几乎不可能得到该条钢带同一个位置的表面干净图像，因为热轧速度很快，钢带已经离开。也就是说，不可能在同一时间对钢带的某一表面位置获得严格的有水滴和无水滴的训练图像。

总而言之，现有的去除雨滴方法不适合应用于热轧带钢表面图像的水滴去除，容易使去除结果出现结构扭曲、纹理细节模糊和内容不连贯等问题，具有一定的局限性。并且带钢表面同一表面位置有水滴和无水滴的图像基本不存在，这对于训练测试网络模型具有很大挑战。

因此，有必要提供一种能够得到更加精细的缺失部分图像、改善修复图像在边界区域不连续问题的特点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解决上述技术问题。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种能够得到更加精细的缺失部分图像、改善修复图像在边界区域不连续问题的特点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。

本发明解决其技术问题采用的技术方案是：

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，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；