[发明专利]一种基于生成对抗网络的彩色纹理织物缺陷检测方法

权利要求书

1.一种基于生成对抗网络的彩色纹理织物缺陷检测方法，其特征在于，具体按照如下步骤实施：

步骤1，准备彩色纹理织物数据集，将彩色纹理织物数据集中的一部分彩色纹理织物图片叠加高斯噪声；

步骤2，构建基于通道注意力的对比学习生成对抗网络模型，设置训练参数和模型参数；

步骤3，将步骤1叠加高斯噪声后的彩色纹理织物数据集中的彩色纹理织物图片输入步骤2构建的基于通道注意力的对比学习生成对抗网络模型进行训练，当训练次数达到设定的迭代次数，得到训练好的基于通道注意力的对比学习生成对抗网络模型；

步骤4，利用步骤3训练好的基于通道注意力的对比学习生成对抗网络模型对待检测的彩色纹理织物图像进行重构，输出重构图像，然后进行检测以定位缺陷区域。

2.根据权利要求1所述的一种基于生成对抗网络的彩色纹理织物缺陷检测方法，其特征在于，所述步骤1具体为：

步骤1.1，准备彩色纹理织物数据集，其中包括彩色纹理织物无缺陷图像训练集和彩色纹理织物有缺陷图像验证集，彩色纹理织物无缺陷图像训练集和彩色纹理织物有缺陷图像验证集中的图像均为三通道彩色图像，图像为.jpg或.png格式文件；

步骤1.2，将步骤1.1彩色纹理织物无缺陷图像训练集中的一部分彩色纹理织物无缺陷图像叠加噪声，具体步骤如式(1)所示：

式中，为叠加噪声之后的图像，X为彩色纹理织物无缺陷图像，N表示服从正态分布的高斯噪声。

3.根据权利要求2所述的一种基于生成对抗网络的彩色纹理织物缺陷检测方法，其特征在于，所述步骤2中的基于通道注意力的对比学习生成对抗网络模型包括由编码器Genc和解码器Gdec组成的生成器G、判别器D以及对比学习模块；所述编码器Genc、解码器Gdec、判别器D依次连接。

所述训练参数为：训练最大迭代次数为400次，所述模型参数为学习率为0.001。

4.根据权利要求3所述的一种基于生成对抗网络的彩色纹理织物缺陷检测方法，其特征在于，所述编码器Genc包括依次连接的7×7卷积核的卷积层、通道注意力层、Dropout结构、3×3卷积核的卷积层、Dropout结构、下采样层、通道注意力层、3×3卷积核的卷积层、Dropout结构、下采样层、SENet、六层残差块、Dropout结构、通道注意力层的顺序线性连接；

所述编码器Genc中7×7卷积核的卷积层步长为1，padding为0，激活函数为Relu，所述编码器Genc中3×3卷积核的卷积层步长为1，padding为1，激活函数为Relu。

5.根据权利要求4所述的一种基于生成对抗网络的彩色纹理织物缺陷检测方法，其特征在于，所述解码器Gdec包括依次连接的3×3卷积核的卷积层、Dropout结构、通道注意力层、上采样层、3×3卷积核的卷积层、Dropout结构、通道注意力层、7×7卷积核的卷积层，所述解码器Gdec的上采样层与所述编码器Genc最后一层通道注意力层连接；

所述解码器Gdec中7×7卷积核的卷积层步长为1，padding为0，激活函数为Tanh，所述解码器Gdec中3×3卷积核的卷积层步长为1，padding 为1，激活函数为Relu。

6.根据权利要求5所述的一种基于生成对抗网络的彩色纹理织物缺陷检测方法，其特征在于，所述判别器D为Patch级别判别器的输出为31×31的特征图；

判别器D包括依次连接有4×4卷积核的卷积层、下采样层、4×4卷积核的卷积层、下采样层、4×4卷积核的卷积层、下采样层、4×4卷积核的卷积层、4×4卷积核的卷积层，所述判别器D的第一层4×4卷积核的卷积层与解码器Gdec的最后一层7×7卷积核的卷积层连接；

所述4×4卷积核的卷积层padding为1，步长为1，激活函数为LeakyRelu。

7.根据权利要求6所述的一种基于生成对抗网络的彩色纹理织物缺陷检测方法，其特征在于，所述对比学习模块包括一个MLP全连接层和一个softmax分类器。