[发明专利]一种多尺度的基于生成对抗网络的工业零件缺陷检测方法

权利要求书

1.一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，其特征在于，包括以下步骤：

步骤一：获取正常类与缺陷类的工业零件表面图像，构建模型训练所需的训练集及测试集，所述训练集包含部分正常类图像，所述测试集包含缺陷类图像及正常类图像；

步骤二：使用生成对抗网络作为骨干网络，所述骨干网络包含生成网络与判别网络，所述生成网络包含编码器与解码器；

步骤三：构建多尺度的浅层与深层图像信息融合模块，作为基本特征融合单元，桥接步骤二所述的编码器与解码器并构建成新的生成网络，将编码器中由浅层卷积层获得的图像特征与深层卷积层获得的图像特征共同输入至该模块，由所述模块获得的图像特征输入至解码器；

步骤四：在训练阶段，将步骤一中训练集的工业零件表面图像输入至步骤三所述的生成网络，获得正常类的重构图像，再将原始图像及重构图像共同输入至判别网络中，获得训练完成的缺陷检测模型；

步骤五：在测试阶段，将步骤一中测试集的工业零件表面图像输入至步骤三所述的生成网络，获得重构图像，再将原始图像及重构图像共同输入至判别网络中，输出图像的异常分数向量；

步骤六：通过步骤五中输出的异常分数向量和计算得到的异常分数值区分正常类的图像与缺陷类的图像，实现工业零件表面图像缺陷检测。

2.根据权利要求1所述的一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，其特征在于，所述步骤二中所述生成对抗网络为Skip-GANomaly。

3.根据权利要求2所述的一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，其特征在于，在编码器与解码器的卷积层分别插入SE注意力机制与空间注意力机制。

4.根据权利要求1、2或3所述的一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，其特征在于，所述步骤三具体包括：

3.1构建卷积处理单元；

3.2构建由卷积处理单元和SoftPool组成的特征提取单元；

3.3利用特征提取单元，对编码器中第一空间注意力层输出的特征图进行特征提取；

3.4利用卷积处理单元，对(3.3)输出的特征图进行特征提取；

3.5利用特征提取单元，对编码器中第二空间注意力层输出的特征图进行特征提取；

3.6利用特征提取单元，对(3.5)输出的特征图进行特征提取；

3.7将3.4和3.6的输出进行通道合并，之后利用步长为1的1×1卷积，对特征图进行特征提取；

3.8构建由步长为1的1×1卷积，批标准化和ReLU激活函数组成的1×1卷积处理单元；

3.9将3.7和编码器中第五空间注意力层的输出特征图进行通道合并，之后利用1×1卷积处理单元，对特征图进行特征提取；

3.10将3.9和编码器中第五空间注意力层的输出进行通道合并，输入至解码器。

5.根据权利要求4所述的一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，其特征在于，所述3.1中卷积处理单元是由步长为2的3×3卷积,批标准化BatchNormalization和ReLU激活函数组成的3×3卷积处理单元。

6.根据权利要求1、2或3所述的一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，其特征在于，所述步骤四还包括：

使用上下文损失函数l_con、潜在损失函数l_lat、对抗损失函数l_adv，将以上三种损失函数加权组合，构建模型的整体损失函数公式l_total，具体公式为：

l_total＝ω_advl_adv+ω_conl_con+ω_latl_lat

其中，ω_adv、ω_con、ω_lat为超参数，表示各损失函数的权重系数；D代表判别网络，E_x～p(x)代表原始图像取样于原始数据分布p(x)；x为输入数据，为重建图像。

7.根据权利要求1、2或3所述的一种多尺度的基于生成对抗网络的工业零件缺陷检测方法，其特征在于，所述步骤六具体包括：

将步骤五中输出的异常分数向量通过Sigmoid激活函数并归一化至[0,1]范围，利用所述的异常分数的数值大小区分正常类的图像与缺陷类的图像，实现工业零件表面图像缺陷检测；

异常分数的计算公式如下所示：

D(x)＝λL_con(x)+(1-λ)L_lat(x)

式中，λ为权重系数，L_con(x)为基于上下文损失函数的重构分数，L_lat(x)为基于潜在损失的潜在差异分数。