本发明属于缺陷检测的样本生成领域,具体涉及一种基于对抗网络的样本缺陷生成方法。
背景技术:
1、在工业缺陷检测领域,往往一开始只有少量的缺陷样本,由于缺少足够缺陷样本数据,直接通过深度学习训练的模型很难获得较好的检测效果。故需要一种通过小样本数据快速生成缺陷的技术来扩充数据集。
技术实现思路
1、为了克服现有技术的不足,本发明的目的在于提供一种基于对抗网络的样本缺陷生成方法,其能解决上述问题。
2、一种基于对抗网络的样本缺陷生成方法,方法包括:
3、s1、构建gan网络模型;
4、s2、采集工业缺陷样本并标注;
5、s3、将标注的缺陷数据经过编码器预处理后输入缺陷生成模块进行模型训练,得到优化的模型作为缺陷生成模型;
6、s4、采集ok样本,并在ok样本指定区域绘制mask;
7、s5、将经绘制的ok样本集数据输入缺陷生成模块生成更多的缺陷样本,从而扩充数据集。
8、进一步的,s1中的gan网络模型函数为:
9、
10、式中,表示模型计算最小损失训练生成器,表示模型计算最大损失训练判别器,x为真实数据,服从pdata(x)分布,z为噪声数据,服从pz(z)分布;d为判别器,g为生成器,v(d,g)为gan网络模型总损失;
11、loss_identity为生成数据的循环一致性损失;
12、为求解判别真实数据损失期望;
13、为求解判别生成数据损失期望;
14、为求解生成数据的循环一致性损失期望。
15、进一步的,s3中模型训练中生成器的优化方法为:计算生成数据循环一致性损失及生成数据判别损失,然后沿生成器权重参数θg梯度方向减小这部分损失优化生成器,对应的生成器的优化公式为:
16、
17、式中,θg为生成器权重参数,m为输入训练集样本数,loss_identity为生成数据的循环一致性损失。
18、进一步的,s3中模型训练中判别器的优化方法为:计算真实数据判别损失及生成数据判别损失,然后沿判别器权重参数θd梯度方向增加这部分损失优化判别器,对应的判别器的优化公式为:
19、
20、式中,θd为判别器权重参数,m为输入训练集样本数。
21、进一步的,s3中模型训练中干扰层处理方法为:模型权重参数采样处理,求模型近似解,模型干扰层权重参数θ,服从n(μ,σ2),其中,μ为干扰层权重参数分布均值,σ2为干扰层权重参数分布方差。
22、进一步的,步骤s4中,在ok样本上绘制的mask为按照已知小样本的缺陷图样进行绘制。
23、进一步的,含随机采样干扰层的模型的生成器工作流程包括:输入缺陷数据、输入层、下采样、含随机采样干扰层的残差网络、上采样、输出层和输出重建缺陷数据。
24、相比现有技术,本发明的有益效果在于:本申请的方案隐藏层添加随机采样干扰层,近似处理信息,防止网络过拟合,改善缺陷生成质量。实际采集的真实数据集可以是小样本集,通过在可控区域绘制mask生成缺陷数据,扩充缺陷数据集。缺陷生成操作简单快捷,可以在图像检测等领域推广应用。
1.一种基于对抗网络的样本缺陷生成方法,其特征在于,方法包括:
2.根据权利要求1所述的样本缺陷生成方法,其特征在于:s1中的gan网络模型函数为:
3.根据权利要求1所述的样本缺陷生成方法,其特征在于:s3中模型训练中生成器的优化方法为:计算生成数据循环一致性损失及生成数据判别损失,然后沿生成器权重参数θg的梯度方向减小这部分损失优化生成器,对应的生成器的优化公式为:
4.根据权利要求1所述的样本缺陷生成方法,其特征在于:s3中模型训练中判别器的优化方法为:计算真实数据判别损失及生成数据判别损失,然后沿判别器权重参数θd梯度方向增加这部分损失优化判别器,对应的判别器的优化公式为:
5.根据权利要求1所述的样本缺陷生成方法,其特征在于:s3中模型训练中干扰层处理方法为:模型权重参数采样处理,求模型近似解,模型干扰层权重参数θ,服从n(μ,σ2),其中,μ为干扰层权重参数分布均值,σ2为干扰层权重参数分布方差。
6.根据权利要求1所述的样本缺陷生成方法,其特征在于:步骤s4中,在ok样本上绘制的mask为按照已知小样本的缺陷图样进行绘制。
7.根据权利要求5所述的样本缺陷生成方法,其特征在于:含随机采样干扰层的模型的生成器工作流程包括: