[发明专利]光纤端面缺陷检测方法、设备及存储介质

说明书

本发明涉及一种光纤端面缺陷检测方法、设备及存储介质，具体包括以下步骤：采集光纤端面的正常样本数据集和缺陷样本数据集，构建并训练条件生成对抗网络，能够进行缺陷样本数据扩充，解决了缺陷检测样本数据不足的问题，避免了过拟合现象的产生；构建并训练循环生成对抗网络，在使用生成器对光纤端面进行缺陷检测的同时，也生成新的缺陷样本，进一步扩充缺陷样本数据集；根据扩充后的缺陷样本集与正常样本数据集通过对抗训练后的循环生成对抗网络模型进行缺陷识别，获得缺陷区域。本方法属于无监督学习方法，为缺陷检测提供一种全新的方法，不仅可以省去为图片标记的麻烦，同时可以大大提高缺陷检测的准确率。

技术领域

本发明属于人工智能技术领域，具体涉及一种光纤端面缺陷检测方法、设备及存储介质。

背景技术

当前缺陷检测的方法主要有人工目视法、基于机器视觉的缺陷检测方法和基于深度学习的缺陷检测方法三种。基于深度学习的缺陷检测方法是当前的主流方法，深度学习能够通过训练学习某种深层神经网络来拟合复杂函数，表征输入数据分布式表示，具有较强的从有限样本中自动学习数据本质特征的能力。虽然目前己存在大量优秀的深度学习算法，但这些算法往往需要大量的数据驱动才能将性能发挥到极致。在实际的生产过程中，存在着缺陷样本较少且缺陷样本种类不均匀等问题，因此神经网络利用有限的数据集在训练中容易出现过拟合的情况；与此同时，目前常用的缺陷检测方法往往是有监督学习方法，这类方法需要对数据集一一打上标签，非常耗费人力、时间。

发明内容

为了解决现有技术中常用的缺陷检测方法检测效率低、检测效果差的技术问题，本发明提供一种光纤端面缺陷检测方法，主要包括：

步骤一，采集光纤端面的第一正常样本数据集和第一缺陷样本数据集；

步骤二，构造条件生成对抗网络模型，通过所述条件生成对抗网络模型对所述第一正常样本数据集的特征和高斯噪声进行处理，获得第一生成图像；

步骤三，根据所述第一生成图像、第一缺陷样本数据集和所述特征对条件生成对抗网络模型进行对抗训练；

步骤四，将所述第一生成图像加入第一缺陷样本数据集中，构成第二缺陷样本数据集；

步骤五，构造循环生成对抗网络模型，根据所述第一正常样本数据集和第二缺陷样本数据集对所述循环对抗网络模型进行对抗训练，获得第二生成图像和第二正常样本数据集。

步骤六，将所述第二生成图像加入第二缺陷样本数据集进行扩充，获得扩充后的第二缺陷样本数据集，扩充后的所述第二缺陷样本数据集用于继续对抗训练所述循环生成对抗网络模型；

根据第二缺陷样本数据集与所述第二正常样本数据集进行差分处理，获得缺陷区域。

进一步地，将所述第一正常样本数据集输入到深度卷积神经网络中提取特征，使用格拉姆矩阵表示所述特征；将所述格拉姆矩阵作为条件c输入到所述条件生成对抗网络模型中，输出第一生成图像；将所述第一生成图像、第一缺陷样本数据集和所述条件c输入判别器网络进行对抗训练。

进一步地，所述循环生成对抗网络模型包括正向生成器、反向生成器和判别器，将所述第二缺陷样本数据集输入所述正向生成器，获得第二正常样本数据集；将所述第二正常样本数据集与所述第一正常样本数据集输入判别器中，利用判别器优化损失函数，使所述正向生成器学习正常样本的分布；将所述第二生成图像输入到所述反向生成器中生成缺陷图像，通过循环一致性损失函数使所述反向生成器学习所述缺陷图像的分布。

进一步地，所述循环对抗网络模型的训练过程还包括输入所述第二缺陷样本数据集到正向生成器中，获得第二正常样本数据集；将第二正常样本数据集输入到反向生成器中，获得第二生成图像；将所述第二生成图像加入所述第二缺陷样本数据集，用于扩充第二缺陷样本数据集。