[发明专利]产线异常的判断方法及系统

说明书

本发明提供一种产线异常的判断方法及系统，其中判断方法基于生成式对抗网络进行判断，该判断方法具体包括：将工序前的图像输入至预先训练的生成网络，输出预测的工序后的图像，作为预测图像；将所述预测图像以及与该预测图像配对的实际的工序后的图像一同输入至预先训练的判别网络，获得所述判别网络的输出值，所述输出值的值域为(0,1)；根据所述输出值靠近的值域端点，判断产线是否异常。发明为分析工序后图像判断产线缺陷异常提供了更可信、高效的自动化方法。

技术领域

本发明涉及产线质检技术领域，更具体地，涉及产线异常的判断方法及系统。

背景技术

借助工业生产线的单工序前后收集到的成对图像信息，人们可以判断工序运行是否出现缺陷异常。随着工业生产流水线的机械化、自动化，上述图像信息的分析工作需要大量的人工成本，且对于产线缺陷异常的判断标准难以清晰界定。

生成式对抗网络(GAN)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的产线异常的判断方法及系统。

根据本发明的一个方面，提供一种产线异常的判断方法，该判断方法基于生成式对抗网络进行判断，该判断方法具体包括：

将工序前的图像输入至预先训练的生成网络，输出预测的工序后的图像，作为预测图像；

将所述预测图像以及与该预测图像配对的实际的工序后的图像一同输入至预先训练的判别网络，获得所述判别网络的输出值，所述输出值的值域为(0,1)；

根据所述输出值靠近的值域端点，判断产线是否异常。

优选地，所述根据所述输出值靠近的值域端点，判断产线是否异常的步骤，具体包括：

当所述输出值靠近1时，判断产线正常；当所述输出值靠近0时，判断产线异常。

优选地，所述将工序前的图像输入至预先训练的生成网络的步骤之前，还包括对所述生成网络和判别网络进行单独交替迭代训练的步骤：

获取训练集，所述训练集中包括一定数量的工序前的图像以及与每个工序前的图像对应的实际的工序后的图像；

在当前的迭代过程中，将训练集中的工序前的图像输入至训练中的生成网络，输出预测的工序后的图像；

将预测的工序后图像和实际的工序后图像分别与工序前图像进行配对，将配对后的图像输入至训练中的判别网络，获得所述判别网络的判决结果；

若判决结果与0.5的差值的绝对值在预设的极小量ε以内，则停止迭代过程；若判决结果与0.5的差值的绝对值在预设的极小量ε以外，则根据所述判别网络的判决结果调节所述生成网络和判别网络的参数，之后进入下一次迭代过程。

优选地，所述对生成网络和判别网络进行单独交替迭代训练的步骤，具体通过以下损失函数进行训练：

其中，G和D分别表示生成网络和判别网络；X表示所有工序前图像的集合；Y表示所有真实的工序后图像的集合；D(y)表示输入实际的工序后的图像y时判别网络的判别结果；G(x)表示向生成网络输入工序前的图像x时输出的预测图像；D(G(x))表示向判别网络输入G(x)时输出的判别结果；表示实际的工序后的图像y取到集合Y中所有值时f的均值；表示工序前的图像x取到集合X中所有值时k的均值。

优选地，所述生成网络包括：

编码模块，包括若干个卷积层，所述若干个卷积层用于提取工序前的图像的特征向量；