[发明专利]一种基于循环生成对抗网络的弧面缺陷图像生成方法

说明书

本发明属于缺陷图像生成技术领域，涉及一种基于循环生成对抗网络的弧面缺陷图像生成方法，包括：步骤1、构建缺陷集和无缺陷集；步骤2、初始化循环生成对抗网络；循环生成对抗网络包括用于从无缺陷的弧面图像转换为含缺陷的弧面图像的GAN_B→A和用于从含缺陷的弧面图像转换为无缺陷的弧面图像的GAN_A→B，GAN_B→A和GAN_A→B网络结构完全一致；步骤3、训练循环生成对抗网络；步骤4、基于训练好的循环生成对抗网络将无缺陷的弧面图像生成含缺陷的弧面图像。本发明实现了弧面缺陷图像的快速生成，生成缺陷的形状以及面积具有随机性，仅需前期少量的标注工作就可以实现大量缺陷样本的自动化生成。

技术领域

本发明涉及缺陷图像生成技术领域，特别涉及一种基于循环生成对抗网络的弧面缺陷图像生成方法。

背景技术

手机外壳作为手机组成中覆盖面最广的部分，体现着手机质感和体验，因此手机外壳质量问题的重要性不言而喻。手机外壳的制造过程中会经过粗铣、精铣、抛光等十几道复杂工艺流程，边框弧面可能会产生凹痕、碰伤或细小裂纹，所以手机外壳生产过程中间，会加上一道人工质检过程，确保产品质量过关可以进行下一道工艺流程。因此如果能够实现检测自动化，将会让手机外壳的制造过程进一步高效化，而基于深度学习的边框缺陷检测技术则是目前最具实用性和发展前景的技术。

一个好的缺陷检测算法，特别是基于深度学习的缺陷自动检测算法需要大量的缺陷样本作为支撑，而低次品率使有些缺陷样本较难大量收集。因此，需要一种能大量、自动生成仿真缺陷样本的方法来增加缺陷样本的数量。

目前缺陷图像生成方法主要有几种。第一种为基于CAD模型的缺陷图像生成方法，该类方法需要设计缺陷的三维模型，用时较长且不能呈现缺陷的多样性。第二种为基于图像处理方法的缺陷图像生成方法，该方法需要先根据真实缺陷的特征创建各种符合要求的模板，再由模板生成缺陷图像。虽然该类方法比较简单，适合大量生成图像，但其生成的图像与真实缺陷图像有一定的差距，因此对检测算法的检测精度会有一定的影响。第三种是基于传统图像处理算法进行缺陷样本的生成，但这类方法一般还是源于对原有缺陷的合成，对检测算法的泛化能力提升有限。

发明内容

针对现有技术的不足和缺点，本发明提供一种基于循环生成对抗网络的弧面缺陷图像生成方法。

本发明采用如下技术方案实现：

一种基于循环生成对抗网络的弧面缺陷图像生成方法，包括：

步骤1、获取含缺陷的弧面图像和无缺陷的弧面图像；对含缺陷的弧面图像，使用矩形框标注出所有带缺陷的位置；对无缺陷的弧面图像，使用矩形框标注出若干可能出现缺陷的位置；从标注的弧面图像中提取标注区域形成缺陷集和无缺陷集；

步骤2、初始化循环生成对抗网络；循环生成对抗网络包括两个生成对抗网络：GAN_B→A和GAN_A→B，其中：GAN_B→A用于从无缺陷的弧面图像转换为含缺陷的弧面图像，GAN_A→B用于从含缺陷的弧面图像转换为无缺陷的弧面图像，GAN_B→A和GAN_A→B网络结构完全一致；

步骤3、训练循环生成对抗网络；

步骤4、基于训练好的循环生成对抗网络将无缺陷的弧面图像生成含缺陷的弧面图像。

优选地，对无缺陷的弧面图像，采用以下两种标注方案之一进行标注：

①、人工精确标注出可能生成缺陷的区域；

②、首先对无缺陷的弧面图像粗略标注较大的区域，较大的区域为经常出现缺陷的位置；然后以固定分辨率的矩形框在较大的区域中随机选取子区域。

优选地，从标注的弧面图像中提取标注区域形成缺陷集和无缺陷集包括：