欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022112778422
申请人: 浙大宁波理工学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于对抗生成网络的工业缺陷样本生成方法,其特征在于,包括以下步骤:S01:构建对抗生成网络,所述对抗生成网络包括至少一个生成器网络和至少一个判别器网络;

S02:生成随机噪声z,将生成的随机噪声z通过生成器生成伪缺陷图像G(z),通过缺陷增强算法将伪缺陷图像G(z)和真实缺陷图像x分别进行缺陷增强得到图像yf和y′f;

S03:使用缺陷增强后的图像yf和y′f训练判别器网络,使其区分缺陷图像的真伪;

S04:更新生成器网络,使其不能区分缺陷图像的真伪,得到工业缺陷样本;所述判别器网络和生成器网络采用交替训练的方式训练,交替训练方法,包括:S30:固定生成器网络参数,执行判别器优化k次,判别器优化包括:S31:从先验分布p(z)随机生成m个随机噪声向量z;

S32:从数据集分布p(x)里随机获取m个真实缺陷图像x;

S33:将经过数据增强的真实缺陷图像输入到判别器网络D中,计算判别器网络的损失函数时,标签设为真,然后以反向传播算法更新判别器网络;

S34:将生成的伪缺陷图像输入到判别器网络D中,计算判别器网络损失函数时,标签设为假,然后以反向传播算法更新判别器网络;

S35:使用随机梯度上升优化判别器的代价函数:最大化代价函数;

其中,表示对应判别器参数的梯度,i表示第i个随机噪声向量;

S40:更新k次判别器网络之后,更新1次生成器,包括以下步骤:S41:从先验分布p(z)随机生成m个随机噪声向量z;

S42:使用随机梯度下降优化生成器的代价函数:最小化代价函数;

其中,表示生成器G的参数梯度。

2.根据权利要求1所述的基于对抗生成网络的工业缺陷样本生成方法,其特征在于,所述步骤S02中缺陷增强算法包括:通过傅里叶变换将伪缺陷图像和真实缺陷图像由空域转到频域;

通过带通滤波器对图像数据进行过滤,放大缺陷特征;

利用傅里叶反变换将图像转到空域。

3.根据权利要求1所述的基于对抗生成网络的工业缺陷样本生成方法,其特征在于,所述生成器网络包括一层或多层的全连接层,以及一个或多个卷积块;

所述全连接层将均匀概率分布或高斯分布映射成某一个特定分布,并生成一张分辨率较符合第一设置范围的工业缺陷图像;

每个卷积块包括一个或多个卷积层,以及一次上采样操作,将输入的分辨率较符合第一设置范围的工业缺陷图像和噪声相加,生成一张分辨率符合第二设置范围的工业缺陷图像,并丰富其上的语义内容;

得到均匀概率分布或高斯分布被生成器网络映射成工业缺陷的高清图像。

4.根据权利要求3所述的基于对抗生成网络的工业缺陷样本生成方法,其特征在于,所述判别器网络包括一个或多个卷积块,每个卷积块包括一层或多层卷积层,用于区分真实缺陷图像和生成器网络生成的伪缺陷图像。

5.根据权利要求1所述的基于对抗生成网络的工业缺陷样本生成方法,其特征在于,所述判别器网络和生成器网络交替训练的目标函数如下:其中,表示对真实的数据分布进行采样,然后求函数logD(x)的期望,表示从高斯噪声中进行采样,并且求log(1-D(G(z))的期望,表示目标函数实现生成器优化,表示最大化目标函数实现判别器优化。

6.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现权利要求1-5任一项所述的基于对抗生成网络的工业缺陷样本生成方法。

7.一种基于对抗生成网络的工业缺陷样本生成系统,其特征在于,包括:对抗生成网络构建模块,构建对抗生成网络,所述对抗生成网络包括至少一个生成器网络和至少一个判别器网络;

缺陷增强模块,生成随机噪声z,将生成的随机噪声z通过生成器生成伪缺陷图像G(z),通过缺陷增强算法将伪缺陷图像G(z)和真实缺陷图像x分别进行缺陷增强得到图像yf和y′f;

判别器网络训练模块,使用缺陷增强后的图像yf和y′f训练判别器网络,使其区分缺陷图像的真伪;

生成器网络更新模块,更新生成器网络,使其不能区分缺陷图像的真伪,得到工业缺陷样本;所述判别器网络和生成器网络采用交替训练的方式训练,交替训练方法,包括:S30:固定生成器网络参数,执行判别器优化k次,判别器优化包括:S31:从先验分布p(z)随机生成m个随机噪声向量z;

S32:从数据集分布p(x)里随机获取m个真实缺陷图像x;

S33:将经过数据增强的真实缺陷图像输入到判别器网络D中,计算判别器网络的损失函数时,标签设为真,然后以反向传播算法更新判别器网络;

S34:将生成的伪缺陷图像输入到判别器网络D中,计算判别器网络损失函数时,标签设为假,然后以反向传播算法更新判别器网络;

S35:使用随机梯度上升优化判别器的代价函数:最大化代价函数;

其中,表示对应判别器参数的梯度,i表示第i个随机噪声向量;S40:更新k次判别器网络之后,更新1次生成器,包括以下步骤:S41:从先验分布p(z)随机生成m个随机噪声向量z;

S42:使用随机梯度下降优化生成器的代价函数:最小化代价函数;

其中,表示生成器G的参数梯度。

8.根据权利要求7所述的基于对抗生成网络的工业缺陷样本生成系统,其特征在于,所述缺陷增强算法包括:通过傅里叶变换将伪缺陷图像和真实缺陷图像由空域转到频域;

通过带通滤波器对图像数据进行过滤,放大缺陷特征;

利用傅里叶反变换将图像转到空域。

9.根据权利要求7所述的基于对抗生成网络的工业缺陷样本生成系统,其特征在于,所述判别器网络和生成器网络交替训练的目标函数如下:其中,表示对真实的数据分布进行采样,然后求函数logD(x)的期望,表示从高斯噪声中进行采样,并且求log(1-D(G(z))的期望,表示目标函数实现生成器优化,表示最大化目标函数实现判别器优化。