[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

说明书

本发明提出一种数据增广的监督学习图像缺陷分类方法与系统，所述方法包括如下步骤：获取待训练图像；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；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；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；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。本发明具有人工标记需求小，分类识别性能良好，鲁棒性较高，可扩展性强的优点。

技术领域

本发明涉及计算机图像缺陷分类技术领域，特别涉及一种数据增广的监督学习图像缺陷分类方法与系统。

背景技术

当前，对于性能较好的深度学习图像分类检测技术，经常需要大规模的人工标注以满足高精度模型的训练要求。然而，人工标注大量数据，导致标注时间长且效率低，对于某些应用场景是不切实际的。传统的人工检测产品缺陷方法，由于工人长期工作，劳动强度大，易产生视觉疲劳，造成缺陷检测质量不统一。

基于深度学习的缺陷图像分类是一种常见的缺陷检测技术，用以自动识别和检测图像缺陷。然而，由于神经网络训练所需的缺陷图像数据集较少或难以获得足够的缺陷数据集，往往会导致缺陷检测精度不高。

发明内容

鉴于上述状况，本发明的主要目的是为了提出一种数据增广的监督学习图像缺陷分类方法与系统，以解决上述技术问题。

本发明实施例提出一种数据增广的监督学习图像缺陷分类方法，其中，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。

本发明提出一种数据增广的监督学习图像缺陷分类方法，首先获取待训练图像；将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，再构建数据增广模型，对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；再构建监督学习神经网络模型，利用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；最后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。本发明通过感兴趣区域特征提取模块进行缺陷图像提取后，利用数据增广神经网络，能够减少计算量，解决不同缺陷图像数量不够以及不平衡的问题；此外，监督学习神经网络模型增加图像负值特征信息、减少相对应的神经网络层数，能够加快拟合速率、减少训练时间。本发明具有人工标记需求小，分类识别性能良好，鲁棒性较高，可扩展性强的数据增广优点。

所述一种数据增广的监督学习图像缺陷分类方法，其中，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。

所述一种数据增广的监督学习图像缺陷分类方法，其中，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；