[发明专利]基于神经网络的虚拟食品盒缺陷生成方法及系统

权利要求书

1.一种基于神经网络的虚拟食品盒缺陷生成方法，其特征在于，该方法包括以下步骤：

通过预先训练得到的生成对抗网络，获取图像数据；

筛选所述图像数据，获取第一样本、第二样本；

其中，所述第一样本用于训练图像分割网络，以获取图像分割网络模型；

所述第二样本用于迭代训练所述生成对抗网络；

获取原始贴图；

其中，所述原始贴图，由所述图像分割网络模型接收所述生成对抗网络输出的模拟缺陷图像，并提取特征获得；

基于所述原始贴图，转化为法线贴图，并输出于三维虚拟食品盒中预选区域中，实现虚拟食品盒的缺陷生成。

2.根据权利要求1所述的基于神经网络的虚拟食品盒缺陷生成方法，其特征在于，所述生成对抗网络的预先训练过程包括：

将所述食品盒的真实缺陷图像和缺陷类型标签编码后输入到鉴别器中进行训练，并通过损失函数更新所述鉴别器；

将随机噪声z与随机缺陷类型标签输入生成器，由所述生成器生成随机的模拟缺陷图像，同时所述生成器指定与输入数据相同的模拟缺陷类型标签，将所述模拟缺陷图像与所述模拟缺陷类型标签输入到所述鉴别器中进行训练，并通过所述损失函数更新所述鉴别器。

3.根据权利要求2所述的基于神经网络的虚拟食品盒缺陷生成方法，其特征在于，所述生成对抗网络的预先训练过程还包括：

训练所述生成器：将所述随机噪声z与所述随机缺陷类型标签输入所述生成器后，由所述生成器生成随机图像并指定与输入数据相同的缺陷类型标签，将实时随机图像与所述缺陷类型标签输入到所述生成器中进行训练，最后通过损失反向传播更新所述生成器权重。

4.根据权利要求1所述的基于神经网络的虚拟食品盒缺陷生成方法，其特征在于，所述第一样本包括所筛选出符合预设要求的模拟缺陷图像数据集、真实缺陷图像；

所述第二样本包括不符合预设要求的模拟缺陷图像。

5.根据权利要求3或4任一项所述的基于神经网络的虚拟食品盒缺陷生成方法，其特征在于，所述筛选所述图像数据包括以下步骤：

基于真实缺陷图像、模拟缺陷图像，获取RGB彩色特征图；

将RGB彩色特征图转化为灰度图；

根据灰度图相邻像素的差异值，获取哈希序列；

基于哈希序列，获取食品盒模拟缺陷图像与真实缺陷图像的相似度数值；

当所述相似度数值小于预设的相似度阈值，则符合预设要求；否则，不符合预设要求。

6.根据权利要求5所述的基于神经网络的虚拟食品盒缺陷生成方法，其特征在于，所述获取哈希序列具体包括：

首先按照像素位置先后顺序依次遍历灰度图像素，判断每行后面像素大于与前面一行像素的大小；

当每行后面像素大于与前面一行像素时，输出数字1；反之，输出数字0，形成哈希序列。

7.根据权利要求5所述的基于神经网络的虚拟食品盒缺陷生成方法，其特征在于，所述获取RGB彩色特征图包括：

将真实缺陷图像与模拟缺陷图像投喂给已有的卷积神经网络中，通过卷积神经网络处理生成RGB彩色特征图。

8.根据权利要求1所述的基于神经网络的虚拟食品盒缺陷生成方法，其特征在于，所述获取原始贴图包括：

首先所述生成对抗网络模型输出模拟缺陷图像，所述图像分割网络模型接收模拟缺陷图像，并生成模拟缺陷图像的彩色掩码，然后所述图像分割网络模型将彩色掩码进行二值化，并利用彩色掩码与原图像的叠加，提取缺陷掩码区域的实例图片，最后图像分割网络模型将分割后缺陷示例图片保存作为原始贴图。