[发明专利]一种数据增广的监督学习图像缺陷分类方法与系统

权利要求书

1.一种数据增广的监督学习图像缺陷分类方法，其特征在于，所述方法包括如下步骤：

步骤一、获取待训练图像；

步骤二、将所述待训练图像输入至感兴趣区域特征提取模块，以得到图像感兴趣特征区域；

步骤三、构建数据增广模型，对所述图像感兴趣特征区域进行数据增广，以得到数据增广后的数据集；

步骤四、构建监督学习神经网络模型，利用所述数据增广后的数据集对所述监督学习神经网络模型进行训练；

步骤五、将待预测区域图像放入至训练完的监督学习神经网络模型中进行预测，以得到图像分类结果。

2.根据权利要求1所述的一种数据增广的监督学习图像缺陷分类方法，其特征在于，在所述步骤二中，将所述待训练图像输入至感兴趣区域特征提取模块，以得到图像感兴趣特征区域的方法包括如下步骤：

将所述待训练图像输入至感兴趣区域特征提取模块中进行感兴趣提取，以得到缺陷图像；

对所述缺陷图像进行归一化处理以得到所述图像感兴趣特征区域。

3.根据权利要求1所述的一种数据增广的监督学习图像缺陷分类方法，其特征在于，在所述步骤三中，所述构建数据增广模型，对所述图像感兴趣特征区域进行数据增广的方法包括如下步骤：

将所述图像感兴趣特征区域输入至生成器模型，通过所述生成器模型中的转置卷积层对所述图像感兴趣特征区域进行上采样以得到上采样缺陷图像，其中所述生成器模型包括依次连接的转置卷积层、批标准化层以及激活函数层；

将所述上采样缺陷图像输入至批标准化层进行归一化处理，以得到归一化后的上采样缺陷图像；

将所述归一化后的上采样缺陷图像通过所述激活函数层进行函数映射，以从所述生成器模型中输出生成特征图像；

将所述生成特征图像输入至判别模型中，判断所述生成特征图像与真实缺陷图像是否一致；

若所述生成特征图像与真实缺陷图像一致，则将所述生成特征图像从所述判别模型中输出。

4.根据权利要求3所述的一种数据增广的监督学习图像缺陷分类方法，其特征在于，将所述上采样缺陷图像输入至批标准化层进行归一化处理的步骤中，对应的归一化公式为：

其中，表示输入至第层第个神经元的神经元数值的平均值，表示第层第个神经元的数值大小，表示各批训练数据神经元的激活度的标准差，表示神经元的序号，表示第层第个神经元归一化后的数值大小。

5.根据权利要求4所述的一种数据增广的监督学习图像缺陷分类方法，其特征在于，将所述归一化后的上采样缺陷图像通过所述激活函数层进行函数映射，以从所述生成器模型中输出生成特征图像的步骤中，对应的激活函数表示为：

其中，表示第一激活函数，表示神经网络模型特定层中某一神经元节点值，表示投入神经元服从正态分布的随机数，表示方差，表示样本数；

所述判别模型对应的判别公式表示为：

其中，表示对生成器模型最小化生成样本的判别概率，表示对判别模型最大化生成样本的判别概率，表示二分类函数的交叉熵损失，表示真实样本的期望值，表示生成样本的期望值，表示真实缺陷图像是否为真实的概率，表示生成器模型输出的生成特征图像是否为真实的概率，表示生成器模型输出的生成特征图像，表示输入生成器模型的噪声。

6.根据权利要求5所述的一种数据增广的监督学习图像缺陷分类方法，其特征在于，在所述步骤四中，构建监督学习神经网络模型，利用所述数据增广后的数据集对所述监督学习神经网络模型进行训练的方法包括如下步骤：

将所述数据增广后的数据集输入至监督学习神经网络模型中的第一层中进行卷积以得到第二层图像特征以及第三层图像特征；

将所述第二层图像特征与所述第三层图像特征进行融合以得到第四层融合图像特征，将所述第四层融合图像特征进行池化以得到第五层图像特征；

将所述第五层图像特征与第六层图像特征进行卷积，以及对第七层图像特征进行池化，最后通过一维化操作以完成对所述监督学习神经网络模型的训练。