[发明专利]基于不成对工业数据的工业质检方法、工业质检装置

说明书

本发明提供一种基于不成对工业数据的工业质检方法、工业质检装置，所述方法包括以下步骤：将源域图像输入生成对抗网络中，以获取生成图像，并判断生成图像的真或假；基于VGG网络和SVD技术提取源域图像和生成图像的主要特征，并判断源域图像和生成图像的主要特征是否近似一致；如果否，则对生成对抗网络进行优化，直至两种图像的主要特征近似一致；将待检测的不成对图像输入优化后的生成对抗网络中，以生成对应的生成图像并进行工业质检。该方法可以实现图像的实时跨域转换，采用SVD分解技术可以很好的平衡目标域和源域的信息，且基于生成对抗网络，具有很好的实时性以及视觉效果，从而能够高效地进行大规模的工业数据生成任务。

技术领域

本发明涉及工业质检技术领域，具体涉及一种基于不成对工业数据的工业质检方法和一种基于不成对工业数据的工业质检装置。

背景技术

工业质检时，大多基于图像标注模型进行质检，然而在现实的工业场景中，大量的用于标注模型训练的数据需要昂贵的标注成本，并且有些数据数量极少难以获取，所以图像生成技术在工业质检领域也有广泛的应用。

目前，图像生成技术一般使用成对的数据集对条件深层神经网络模型或简单回归模型进行监督训练，然而该方法在许多应用程序场景中都是不切实际的，因为在有些场景并不能获得成对的数据集，例如，我们永远无法获取梵高所绘的星空对应的真实场景的照片，由此衍生出不成对的图像生成技术。不成对的图像生成是图像生成领域极为重要的分支，在没有成对数据集的情况下可以实现图像的跨域合成，相较于成对的图像生成技术，不成对的图像生成技术具有更广泛的应用场景。

相关技术中，不成对的图像生成技术大多通过编码隐空间的方式来实现图像的跨域转换，但是该方法生成的图像不够真实，缺乏细节。

发明内容

为解决上述技术问题，本发明的第一个目的在于提出一种基于不成对工业数据的工业质检方法，该方法可以实现图像的实时跨域转换，具有更广泛的应用场景，采用SVD（Singular Value Decomposition，奇异值分解）分解技术可以很好的平衡目标域和源域的信息，且基于生成对抗网络，具有很好的实时性以及视觉效果，从而能够高效地进行大规模的工业数据生成任务。

本发明的第二个目的在于提出一种基于不成对工业数据的工业质检装置。

本发明采用的技术方案如下：

本发明第一方面的实施例提出了一种基于不成对工业数据的工业质检方法，包括以下步骤：获取源域图像，并将所述源域图像输入生成对抗网络中，以获取将源域图像映射到目标域的生成图像，并判断所述生成图像的真或假；基于VGG（Visual Geometry GroupNetwork，一种卷积神经网络）网络和SVD技术提取所述源域图像的主要特征和所述生成图像的主要特征，并判断所述源域图像的主要特征和所述生成图像的主要特征是否近似一致；如果所述源域图像的主要特征和所述生成图像的主要特征不近似一致，则对所述生成对抗网络进行优化，直至所述源域图像的主要特征和所述生成图像的主要特征近似一致；将待检测的不成对图像输入优化后的所述生成对抗网络中，以生成对应的生成图像；根据所述对应的生成图像进行工业质检。

本发明上述提出的基于不成对工业数据的工业质检方法还可以具有如下附加技术特征：

根据本发明的一个实施例，基于VGG网络和SVD技术提取所述源域图像的主要特征和所述生成图像的主要特征，包括：通过预训练的VGG网络提取所述源域图像或所述生成图像的特征；对提取的特征做SVD分解，并根据奇异值的大小筛选出主要特征，以及对筛选出的所述主要特征进行重构。

根据本发明的一个实施例，采用损失函数对所述生成对抗网络进行优化，所述生成对抗网络包括生成器和判别器，其中，所述损失函数包括：对抗损失、特征匹配损失和SVD重构损失。

根据本发明的一个实施例，根据以下公式（1）获取所述对抗损失：