[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

说明书

本发明涉及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，包括：将原始采集的小样本精密零件瑕疵图像提取瑕疵区域，构成原始小样本瑕疵块数据集，并利用该数据集训练DCGAN模型并生成全新的瑕疵块；将原始小样本精密零件瑕疵数据集中的每一张完整图像拆分成若干图像块数据，构成图像拆分训练数据集，并将数据集与生成瑕疵块数据集一起作为训练集训练Faster R‑CNN模型；对待检测的零件瑕疵图像进行图形块拆分，并通训练好的Faster R‑CNN模型行瑕疵检测及分类。本发明解决了小样本瑕疵检测问题、提高了小目标对象的检测及分类精度。

技术领域

本发明属于深度学习领域的，具体涉及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。

背景技术

产品外观瑕疵既会影响产品整体的美观，还会影响产品的后续使用。因此，产品外观瑕疵检测已经成为众多科研机构研究的重点。瑕疵检测主要包含两个部分：(1)瑕疵特征提取，(2)对提取出的瑕疵特征进行分类。有效的特征提取方法可以充分获得瑕疵特征信息，有助于提高分类任务的精度。有效的分类方法能够更加准确区分不同类别的瑕疵信息，获得更好的分类效果。

目前，瑕疵检测的方法主要包括：基于阈值分割目标对象的瑕疵检测方法，基于机器学习的瑕疵检测方法，以及基于深度学习的瑕疵检测方法。基于阈值分割目标对象的瑕疵检测方法通过设置灰度阈值，面积阈值等阈值信息，提取出瑕疵区域并对每一个瑕疵区域进行分类。基于机器学习的瑕疵检测方法主要通过支持向量机或其改进算法作为分类器，提高分类精度。基于深度学习的瑕疵检测方法通常采用卷积神经网络提取目标对象的特征信息，既提高了特征提取的效果也提高了特征提取的速度。

基于阈值分割目标对象的瑕疵检测方法,主要是针对目标对象不同特征信息设置阈值，进而提取出目标区域并对目标对象进行分类。这类方法具有针对性，难以实现对不同产品外观瑕疵的检测，并且这类算法提取特征信息的能力差、分类精度低。

基于机器学习的瑕疵检测方法，这类方法可以实现高精度分类，但特征提取过程与分类过程分离，使整个检测流程耗时较长，保存瑕疵特征需要占用额外内存空间，导致空间开销大。

基于深度学习的瑕疵检测方法，采用卷积神经网络提取表面瑕疵特征信息，将已提取特征输入分类器，实现了表面瑕疵检测与分类且效果较好。但是，这类方法仍然存在特征提取过程与分类过程分离问题，并且基于深度学习的检测方法需要大量数据样本训练神经网络，否则会导致网络过拟合等问题。

发明内容

为了解决现有技术中的上述问题，即为了解决精密零件的多种瑕疵分类精度不高的问题，本发明的一方面，提供了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，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完整瑕疵图像进行图像块拆分后得到的数据集。

在一些优选实施例中，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。

在一些优选实施例中，所述瑕疵生成器G训练目标是最小化对数似然函数：