[发明专利]基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法

权利要求书

1.一种基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法，其特征在于，包括以下步骤：

步骤S1，对所采集的精密零件瑕疵图像，按照第一预设尺度进行图像块拆分，构建图像拆分检测数据集；

步骤S2，利用预先训练好的Faster R-CNN模型，对图像拆分检测数据集中图像分别进行瑕疵检测及分类；

步骤S3，然后对步骤S2得到的图像拆分检测数据集中每个图像块瑕疵分类结果进行合并处理，得到完整瑕疵图像上瑕疵分类结果；

其中，

所述Faster R-CNN模型的训练数据集包括生成瑕疵块数据集和图像拆分训练数据集；所述生成瑕疵块数据集，是利用原始小样本瑕疵块数据集通过DCGAN模型生成的全新瑕疵数据而构建的数据集；所述图像拆分训练数据集，是按照第一预设尺度对原始小样本精密零件瑕疵数据集中的每一张完整瑕疵图像进行图像块拆分后得到的数据集；

所述DCGAN模型包括瑕疵生成器G、瑕疵判别器D；所述瑕疵生成器G用于将随机噪声z通过多层反卷积处理生成瑕疵块数据G(z)；所述瑕疵判别器D用于判断输入数据属于原始小样本瑕疵块数据的概率；

所述瑕疵生成器G训练目标是最小化对数似然函数：

其中，z代表输入噪声，P_z(z)表示噪声分布；

所述瑕疵判别器训练目标是最大化对数似然函数：

其中，P_data(x_i)表示原始小样本瑕疵块数据的分布；P_z(z)表示噪声分布；x_i代表原始小样本瑕疵块数据，i∈[1，3]，i为整数，x₁表示垫伤、x₂表示划痕、x₃表示麻点，D(x_i)为原始瑕疵样本的数据分布，D(G(z))为生成瑕疵块数据分布；

所述DCGAN模型的性能判别函数为：

其中，p_g表示生成瑕疵块数据的分布；

所述的DCGAN模型的目标函数为：

其中，P_data(x_i)表示原始小样本瑕疵块数据的分布；P_z(z)表示噪声分布；x_i代表原始小样本瑕疵块数据，i∈[1，3]，i为整数，x₁表示垫伤、x₂表示划痕、x₃表示麻点，D(x_i)为原始瑕疵样本的数据分布，D(G(z))为生成瑕疵块数据分布。

2.根据权利要求1所述的基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法，其特征在于，所述原始小样本瑕疵块数据集的构建方法为：

采集原始瑕疵图像并将其构成原始小样本精密零件瑕疵数据集；

对该数据集中的全部图像提取瑕疵区域，进而构建原始小样本瑕疵块数据集。

3.根据权利要求1所述的基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法，其特征在于，所述DCGAN模型，其训练数据集为所述原始小样本瑕疵块数据集。

4.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-3任一项所述的基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法。

5.一种处理装置，包括

处理器，适于执行各条程序；以及

存储设备，适于存储多条程序；

其特征在于，所述程序适于由处理器加载并执行以实现：

权利要求1-3任一项所述的基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法。