[发明专利]工业视觉检测中基于深度学习的样本生成方法

说明书

本发明涉及一种工业视觉检测中基于深度学习的样本生成方法，以解决现有视觉检测样本少、样本训练时间长，样本之间相似度高的问题，包括以下步骤：a）、提取真实缺陷图片中的缺陷；b）、将提取出来的缺陷与无缺陷图片融合，从而产生伪缺陷图片；c）、伪缺陷图片经处理后送入对抗神经网络中的生成网络，生成缺陷图片；d）、按步骤b）继续生成伪缺陷图片，然后按步骤c）反复迭代训练网络；e）、在步骤d）训练至符合要求时，将生成缺陷图片添加到真实缺陷图片的序列之中，继续迭代训练，本发明能够利用有限的样本，生成大量符合要求的样本，缩短训练时间，同时样本之间相似度低。

技术领域

本发明涉及样本生成方法，尤其是一种工业视觉检测中基于深度学习的样本生成方法。

背景技术

随着人工智能时代的开启，深度学习作为一项先进的，被广泛应用于各个领域。在机器视觉领域，基于深度学习的算法软件检测效果以及易操作性都远比传统方法要好，但仍然存在如下问题：

1、深度学习需要大量的样本图片来训练神经网络，但考虑到实际情况，有可能由于产品缺陷率低、缺陷类型分布不均等原因，会导致缺少缺陷样本的问题。

2、目前存在尝试使用对抗神经网络生成样本图片的方法来解决上述问题，但现有的对抗神经网络生成缺陷样本技术，由于运用的是真实的缺陷样本图片和随机一维噪声点作为对抗神经网络的输入，导致其训练速度很慢，最终且生成的样本与原样本图片有很高的相似度，在输入检测网络进行训练时，会出现收敛很快，在训练集上的效果很好，但在训练完成后，用未参与训练的、真实的缺陷样本作为测试集对训练好的检测网络进行测试时，效果却很差，即出现过拟合的现象。

简单的说在利用深度学习进行工业视觉检测时，存在难以获得足够的、质量符合要求的缺陷样本，同时存在常规的对抗神经网络来生成样本之间相似度高，无法满足训练检测神经网络的问题。

发明内容

本发明要解决的技术问题是：为了解决现有工业视觉检测存在样本少、常规的对抗神经网络生成样本的训练时间长，生成的样本之间相似度高的问题：提供一种工业视觉检测中基于深度学习的样本生成方法。

本发明解决其技术问题所采用的技术方案是：提供一种工业视觉检测中基于深度学习的样本生成方法，包括如下步骤：

a）、提取真实缺陷图片中的缺陷；

b）、将提取出来的缺陷与无缺陷样本图片融合，从而产生伪缺陷图片；

c）、伪缺陷图片经预处理后送入对抗神经网络中的生成网络，生成缺陷图片；

d）、按步骤b）继续生成伪缺陷图片，然后按步骤c）反复迭代，训练网络；

e）、在步骤d）训练至符合要求时，将生成缺陷图片添加到真实缺陷图片的序列之中，继续迭代训练。

进一步的，所述步骤b）中，将提取出来的缺陷采用P图算法，将其融合到无缺陷图片的对应位置上，从而产生伪缺陷图片。

进一步的，所述步骤c）中的伪缺陷图片经以下预处理：首先伪缺陷图片按照像素数与生成网络中输入一维信号的长度进行下采样，使下采样得到的小图像素数与一维信号的长度一致，然后将其拉直成一维信号，最后将该一维信号将输入到对抗神经网络的生成网络中。

进一步的，所述一维信号为一个向量，该向量由小图的像素值按从左到右，从上到下排列而成。

进一步的，所述步骤e）采用样本可用性判断，判断训练是否达到要求；判断的标准为：当迭代轮数超过预设的轮数，且在对抗神经网络中由判别网络输出的损失得分在预设的范围值内时，判定训练符合要求。