[发明专利]一种基于对抗生成网络的锂电池瑕疵图像生成方法

说明书

本发明公开了一种基于对抗生成网络的锂电池瑕疵图像生成方法，基于已有的锂电池瑕疵图像构建了基于生成对抗网络的模拟瑕疵图像生成基础模型，通过目标函数的优化，并使用了渐进式生成的训练算法，使模拟瑕疵图像生成基础模型能够生成更高质量的复杂纹理的锂电池模拟瑕疵图像。将模型生成的锂电池瑕疵图像作为输入数据，通过引入了自动编码器将输入数据压缩到高度抽象的特征空间，然后进行重构的过程。通过mixup的融合方法，将生成的图融合到背景图像中，该算法融合了背景驱动的锂电池瑕疵定向生成对抗网络。

技术领域

本发明涉及一种基于对抗生成网络的锂电池瑕疵图像生成方法，属于锂电池瑕疵检测技术领域。

背景技术

在锂电池的生产过程中，锂电池的质检工作大部分还是由人工来完成，目前有许多工作开始使用深度学习模型来改善这一情况。深度学习的有效性极大程度上依赖于样本的多样性，而对于锂电池瑕疵样本来说，并非所有类型的瑕疵样本都具有充足的多样性，因实际工厂生产中，缺陷存在情况不多，导致实际缺陷数据样本不足。传统生成图像模型方法经常出现的模式崩溃与训练不稳定等问题，且传统生成图像模型中无法控制生成瑕疵类别与形态等问题，造成传统瑕疵图像生成的实际适用性较差。因此如何有效的提高稀缺样本的多样性，对于深度学习模型在锂电池瑕疵检测应用等工作来说至关重要。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供一种基于对抗生成网络的锂电池瑕疵图像生成方法，有效的生成可以用于实际使用的瑕疵检测。

针对传统模型中出现的模式崩溃与训练不稳定等问题，本方法进行了目标函数的优化，使用了渐进式生长的训练算法，使模型能够生成更高质量的复杂纹理的锂电池模拟瑕疵图像。

针对基础模型中无法控制生成瑕疵类别与形态等问题，本方法引入了生成对抗网络的隐空间分解与特征解耦算法的研究，设计了锂电池瑕疵定向生成网络，并通过在模型中添加辅助分类器的方法，实现了锂电池瑕疵类别的控制生成，实现了锂电池瑕疵类别可控、形态可调的图像生成算法。

针对瑕疵图像生成的实际适用性考虑，提出了一种背景驱动的锂电池瑕疵定向生成对抗网络。

技术方案：一种基于对抗生成网络的锂电池瑕疵图像生成方法，首先，基于已有的锂电池瑕疵图像构建了基于生成对抗网络的模拟瑕疵图像生成基础模型，通过目标函数的优化，并使用了渐进式生成的训练算法，使模拟瑕疵图像生成基础模型能够生成更高质量的复杂纹理的锂电池模拟瑕疵图像。

然后，将模拟瑕疵图像生成基础模型生成的锂电池瑕疵图像作为输入数据，通过引入了自动编码器将输入数据压缩到高度抽象的特征空间，然后进行锂电池图像重构的过程。一开始对于输入数据X进行压缩重构成一个向量z，再经过解码器进行解码，使输出的图像特征和输入的图像特征之间欧式距离尽可能趋近于0(使输出的图像特征和输入的图像特征之间的欧式距离小于设定阈值)，这一步的操作的目的是为了更好的欺骗判别器，然后，通过侧面图像和正面图像相互欺骗优化的方法，实现了锂电池瑕疵类别可控、形态可调的锂电池瑕疵图像生成方法。

通过侧面图像和正面图像相互欺骗优化的方法指的是，将电池瑕疵图像的不同方向(电池正面的图片和电池侧面的图片)之间的联系，通过CNN模型提取正面侧面图像的特征，然后通过用正面图片向量生成的特征欺骗侧面向量生成的判别器，用侧面图像向量生成的特征欺骗正面向量生成的判别器，从而起到联合优化的效果。

最后，考虑到瑕疵图像生成的实际落地需求，由于上面两步生成的图像处于一个纯色背景中，但实际使用过程中容易受到环境特征的干扰，为了减少干扰，需要采集实际检测器的背景图像，然后通过mixup的融合方法，将生成的锂电池瑕疵图像融合到背景图像中，该算法融合了背景驱动的锂电池瑕疵定向生成对抗网络。

一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如上所述的基于对抗生成网络的锂电池瑕疵图像生成方法。