[发明专利]一种基于生成式对抗网络的小样本缺陷检测方法

权利要求书

1.一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，具体包括以下步骤：

S1：缺陷样本生成，对于搜集的大量正常样本和少量缺陷样本，通过添加人造缺陷噪声及利用Cycle-GAN的方式训练正常样本到缺陷样本的域转换，从而扩充缺陷样本；

S2：缺陷样本重建，使用自编码网络的方式，可以将上述缺陷样本重建为正常样本，而正常样本保持不变，同时为了提升重建效果，提出结构性重建损失，以此优化重建效果；

S3：缺陷定位，计算缺陷样本与重建样本的结构相似性指数，并进行阈值处理从而定位缺陷。

2.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于：所述S1中通过人造缺陷噪声，以增加不同大小、不同位置以及不同灰度值的缺陷块的人工缺陷扩充缺陷样本，同时也使用随机剪切、缩放以及添加高斯噪声的方式以增加人工缺陷样本的多样性。

3.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，所述S1在缺陷样本的生成中，通过Cycle-GAN的方式生成缺陷样本，其具体步骤为：

S1:定义两个生成器网络G1和G2，G1用于正常样本x生成缺陷样本y，G2用于生成的缺陷样本y逆变换生成与输入正常样本x尽可能一致的样本x；

S2:定义两个辨别器网络D₁和D₂，D₁用于判别生成器G1生成缺陷样本的真实程度，D₂用于判断生成器G2生成正常样本的真实程度；

S3:在缺陷样本生成网络训练过程中，存在两个Cycle过程，其中，第一个Cycle过程中，输入正常样本x到G1产生缺陷样本y，然后输入y到G2生成x，最后使用均方误差损失评估x和x的差异，在第二个Cycle过程中，输入缺陷样本y到G2生成正常样本x，然后输入x到G1产生缺陷样本y，最后评估y和y的差异,循环往复，最后G1产生足够多样化的缺陷样本，扩充缺陷样本的基数。

4.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于,使用对抗损失函数，使生成器生成接近真实的数据分布，损失函数定义为：

其中，G(x)表示生成的样本，D_Y表示辨别器，用于判断G(x)是否接近Y。

5.根据权利要求4所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，整个缺陷样本生成网络还包括循环一致性损失，用于两个生成器G1和G2可以生成相对应的已知样本，损失函数表达为：

其中||||₁表示了L1损失，用于衡量Cycle过程中相互转换的一致性。

6.根据权利要求3或4任意一项所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，整个缺陷样本生成网络的总损失可以表达为：

L(G1,G2,D1,D2)＝L_GAN(G1,D2,X,Y)+L_GAN(G2,D1,Y,X)+λL_cyc(G1,G2) (3)。

7.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，使用自编码网络的方式，将缺陷样本重建为正常样本，而正常样本保持不变，自编码网络采用GAN网络的生成器G，然后通过GAN网络的判别器D判断重建样本与正常样本的差距，在训练的过程中，判别器会尽可能的区分正常样本，而生成器会将输入的正常或者缺陷样本都重建为正常样本，通过判别器与生成器之间的相互博弈，生成器逐渐提升会与缺陷样本的发现能力，缺陷样本重建网络的损失函数定义为：

其中y表示正常样本，G(x)表示重建样本，p_data(x)表示正常样本满足的概率分布。