[发明专利]一种基于半监督学习的瑕疵检测方法

权利要求书

1.一种基于半监督学习的瑕疵检测方法，其特征在于，包括以下步骤：

S1：建立训练CycleGAN模型，包括步骤：

a.使用训练辨别器从无瑕疵图像数据集X与带瑕疵图像数据集Y中分别随机选取一张随机无瑕疵图像x和一张随机带瑕疵图像y；

b.使用瑕疵生成器DG将随机无瑕疵图像x转化为虚假带瑕疵图像DG(x)，同样地，使用瑕疵修复器DI将随机带瑕疵图像y转化为虚假无瑕疵图像DI(y)；

c.通过无瑕疵图像辨别器D_X计算随机无瑕疵图像x的无瑕疵真实率D_X(x)以及转化为虚假无瑕疵图像DI(y)的真实率D_X(DI(y))，获得对抗损失LossF1并优化更新无瑕疵图像辨别器D_X参数；

通过带瑕疵图像辨别器D_Y计算随机带瑕疵图像y的带瑕疵真实率D_Y(y)以及转化为虚假带瑕疵图像DG(x)的真实率D_Y(DG(x))，获得对抗损失LossB1并优化更新带瑕疵图像辨别器D_Y参数；

d.使用训练生成器输入随机无瑕疵图像x、随机带瑕疵图像y；使用瑕疵生成器DG将随机无瑕疵图像x转化为虚假带瑕疵图像DG(x)，同样地，使用瑕疵修复器DI将随机带瑕疵图像y转化为虚假无瑕疵图像DI(y)；通过无瑕疵图像辨别器D_X计算随机无瑕疵图像x的无瑕疵真实率D_X(x)以及转化为虚假无瑕疵图像DI(y)的真实率D_X(DI(y))；通过带瑕疵图像辨别器D_Y计算随机带瑕疵图像y的带瑕疵真实率D_Y(y)以及转化为虚假带瑕疵图像DG(x)的真实率D_Y(DG(x))；输入由瑕疵修复器DI修复随机带瑕疵图像y而得到的虚假无瑕疵图像DI(y)，输出重构的带瑕疵图像DG(DI(y))；输入由瑕疵生成器DG处理随机无瑕疵图像x而得到的虚假带瑕疵图像DG(x)，输出重构的无瑕疵图像DI(DG(x))；

e.计算重构的无瑕疵图像DI(DG(x))与随机无瑕疵图像x之间的差异，得到一致性损失LossF2，同样地，计算重构的带瑕疵图像DG(DI(y))与随机带瑕疵图像y之间的差异，得到一致性损失LossB2，以及再次计算对抗损失LossF1、LossB1并优化更新瑕疵生成器DG参数和瑕疵修复器DI参数；

f.若达到训练停止条件则进入步骤S2；若没有达到训练停止条件则重复步骤a～步骤e；

S2：建立训练Pix2Pix模型，包括步骤：

g.使用训练辨别器从无瑕疵图像数据集X中随机选取一张随机无瑕疵图像x；

h.使用瑕疵生成器DG将随机无瑕疵图像x转化为虚假带瑕疵图像DG(x)：

i.随机选取一个高斯噪声z并通过瑕疵修复器DI将虚假带瑕疵图像DG(x)转换为无瑕疵图像DI(DG(x)，z)；

j.通过有监督阶段辨别器D_z，输入由随机无瑕疵图像x和虚假带瑕疵图像DG(x)组成的数据对(x，DG(x))，输出数据对(x，DG(x))为真实数据且两图像匹配的概率D_z(DG(x)，x)；输入由转换的无瑕疵图像DI(DG(x)，z)和虚假带瑕疵图像DG(x)组成的数据对(DI(DG(x)，z)，DG(x))，输出数据对(DI(DG(x)，z)，DG(x))为真实数据且两图像匹配的概率D_z(DG(x)，DI(DG(x)，z))，获得对抗损失LossF3并优化更新有监督阶段辨别器D_z参数；

k.使用训练生成器输入随机无瑕疵图像x；使用瑕疵生成器DG将x转化为虚假带瑕疵图像DG(x)；随机选取一个高斯噪声z并通过瑕疵修复器DI将虚假带瑕疵图像DG(x)转换为无瑕疵图像DI(DG(x)，z)；

l.通过有监督阶段辨别器D_z，输入由无瑕疵图像DI(DG(x)，z)和虚假带瑕疵图像DG(x)组成的数据对(DI(DG(x)，z)，DG(x))，输出数据对(DI(DG(x)，z)，DG(x))为真实数据且两图像匹配的概率D_z(DG(x)，DI(DG(x)，z))，获得对抗损失LossF3，根据x与DI(DG(x)，z)计算得到一致性损失LossF4，并优化更新瑕疵修复器DI参数；

m.若达到训练停止条件则进入步骤S3；若没有达到训练停止条件则重复步骤g～步骤1；

S3：瑕疵检测，包括步骤：

n.给定随机带瑕疵图像y，通过瑕疵修复器DI将随机带瑕疵图像y转换为虚假无瑕疵图像DI(y)；

o.逐像素比对随机带瑕疵图像y与虚假无瑕疵图像DI(y)以获得标记瑕疵位置与形状的二值图像。