[发明专利]基于改进的变分自编码器网络的布匹缺陷图像生成系统及方法

说明书

本发明提供一种基于改进的变分自编码器网络的布匹缺陷图像生成系统及方法。该系统包括变分自编码器网络和判别网络，所述变分自编码器网络分为编码器网络和解码器网络；编码器网络，用于将真实目标图像编码成潜空间变量X的正态分布q(z|x)；解码器网络，用于从正态分布q(z|x)中采样潜空间变量^～X生成新的目标图像；判别器网络，用于衡量生成的目标图像与真实目标图像之间的相似性，计算对抗损失，把对抗损失传入编码网络和解码网络，同时把变分自编码器网络中基于像素的重构度量替换为表示在判别器网络的特征度量。本发明通过生成对抗网络中的判别器网络对变分自编码器网络进行改进，提高生成图像的质量。

技术领域

本发明涉及图像生成技术领域，尤其涉及一种基于改进的变分自编码器网络的布匹缺陷图像生成系统及方法。

背景技术

目前，中国的服装行业市场巨大，在生产中，布匹是否有缺陷是检验布匹质量的一个重要标准。当我们想利用深度学习技术来解决诸如布匹缺陷检测、缺陷分类等问题时，发现并没有足够的带有破洞、沾污、松经三类布匹缺陷图像数据来支持模型训练。

目前，许多图像生成方法被提出，它们使用了生成对抗网络GAN(例如GoodfellowI J,Pouget-Abadie J,Mirza M,等.Generative Adversarial Networks[J].arXiv:1406.2661[cs,stat],2014.)、变分自编码器VAE(例如Kingma D P,Welling M.Auto-Encoding Variational Bayes[J].arXiv:1312.6114[cs,stat],2014.)，pixelCNN、pixelRNN等技术。其中，相比较传统的模型，GAN存在两个不同的网络，而不是单一的网络，并且训练方式采用的是对抗训练方式，最终获得一个能够生成足够真实的图像的稳定模型，然而GAN网络存在训练不稳定、梯度消失、模式崩溃的问题；VAE在标准自编码(AE)基础上对编码器添加约束，强迫它产生服从单位高斯分布的潜在变量，从单位高斯分布中进行采样，然后把它传给解码器就可以产生新的图像，但VAE产生的图像效果往往会略微模糊。基于此，需要开发一种稳定生成图像的方法，来生成高质量的、带有破洞、沾污、松经三类布匹缺陷图像。

发明内容

针对没有足够的带有破洞、沾污、松经三类布匹缺陷图像数据来支持深度学习模型训练的问题，本发明提供一种基于改进的变分自编码器网络的布匹缺陷图像生成系统及方法，用生成对抗网络中的判别器网络对变分自编码器网络进行改进，使用GAN判别器中的学习特征表示作为VAE重建目标的基础，把VAE的像素相似度量替换为鉴别器学习到的特征度量，提高生成图像的质量。

一方面，本发明提供一种基于改进的变分自编码器网络的布匹缺陷图像生成系统，包括：变分自编码器网络和判别网络，所述变分自编码器网络分为编码器网络和解码器网络；

编码器网络，用于将真实目标图像编码成潜空间变量X的正态分布q(z|x)；

解码器网络，用于从正态分布q(z|x)中采样潜空间变量～X生成新的目标图像；

判别器网络，用于衡量生成的目标图像与真实目标图像之间的相似性，计算对抗损失，把对抗损失传入编码网络和解码网络，同时把变分自编码器网络中基于像素的重构度量替换为表示在判别器网络的特征度量。

进一步地，所述编码器网络包含一个resnet18网络；所述resnet18网络由浅至深包括依次连接的Conv2d层、最大池化层、8个残差块和平均池化层；8个所述残差块之间依次串联连接；