[发明专利]一种机器人视觉工业产品缺陷图像数据增广方法

权利要求书

1.一种机器人视觉工业产品缺陷图像数据增广方法，其特征在于，具体包括以下步骤：

步骤1、将原始图像按照类别生成原始图像集，并将每类所述原始图像的编号作为其对应的真实标签；将所述原始图像输入数据加载器中，按照批量大小将原始图像集分为若干批，并确定预设训练轮数；

步骤2、遍历数据加载器，获取所述原始图像和真实标签，生成对应批量大小组随机噪声和随机标签；

步骤3、将随机噪声和随机标签输入生成器模块中，使所述随机标签进行反卷积得到的特征图后，与随机噪声对应特征图叠加并进行反卷积得到生成图像；

步骤4、将所述随机标签和生成图像输入判别器中，使所述随机标签进行反卷积得到的特征图后，再与生成图像对应特征图叠加并卷积后得到判别结果；

步骤5、将所述判别结果处理后得到生成器的损失，利用所述生成器的损失更新生成器的参数；

步骤6、将原始图像和对应的真实标签输入判别器模块中，使所述真实标签进行反卷积得到的特征图后，再与原始图像对应特征图叠加并卷积后得到判别结果；

步骤7、将所述判别结果处理后得到判别器判别原始图像的损失；

步骤8、将所述随机标签和生成图像输入判别器模块中进行卷积得到判别结果，将判别结果处理后得到判别器判别生成图像的损失，并结合判别原始图像的损失得到判别器的损失，利用所述判别器的损失对判别器参数进行迭代更新；

步骤9、将所述判别结果处理后得到判别器判别生成图像的损失，将所述判别原始图像的损失和判别生成图像的损失处理后更新判别器的参数；

步骤10、返回步骤2，进行下一次迭代，直至训练所有原始图像集；

步骤11、返回步骤10，进行下一轮的训练，直至完成所有预设训练轮数的训练，得到缺陷图像数据增广模型。

2.根据权利要求1所述的一种机器人视觉工业产品缺陷图像数据增广方法，其特征在于，步骤3具体包括：

步骤3.1、将所述随机标签通过Pytorch的Embedding函数扩展为多维随机标签，将所述多维随机标签利用生成器的标签数据反卷积网络依次进行反卷积得到A，B，…N的第一特征图，所述第一特征图A-N尺寸依次增大；

步骤3.2、将输入的随机噪声利用生成器的标签数据反卷积网络反卷积为尺寸与第一特征图A相同的第二特征图A，将所述第二特征图A与第一特征图A相加后，通过噪声数据反卷积网络进行反卷积得到尺寸与第二特征图B相同的第二特征图B；以此类推，将第二特征图N与第一特征图N相加后，通过噪声数据反卷积网络进行反卷积得到生成图像。

3.根据权利要求1所述的一种机器人视觉工业产品缺陷图像数据增广方法，其特征在于，步骤4具体包括：

步骤4.1、将所述随机标签扩展为多维随机标签，将所述多维随机标签利用判别器的标签数据反卷积网络依次反卷积为A，B，…N的第三特征图，所述第三特征图A-N尺寸依次增大；

步骤4.2、将所述生成图像利用判别器的图像卷积网络卷积为第四特征图N；将所述第四特征图N与第三特征图N相加后，通过图像卷积网络进行卷积得到第四特征图N-1；以此类推，将所述第四特征图A与第三特征图A相加后，通过图像卷积网络进行卷积得到0-1判别结果。

4.根据权利要求1或2所述的一种机器人视觉工业产品缺陷图像数据增广方法，其特征在于，步骤5具体包括：

步骤5、将所述判别结果和1比较，通过MSE均方误差函数进行误差计算，作为生成器的损失，并反向传播，通过Adam优化算法更新生成器的参数。

5.根据权利要求3所述的一种机器人视觉工业产品缺陷图像数据增广方法，其特征在于，步骤6具体包括：

步骤6.1、将所述真实标签扩展为多维真实标签，将所述多维真实标签利用判别器的标签数据反卷积网络依次反卷积为A，B，…N的第五特征图，所述第五特征图A-N尺寸依次增大；

步骤6.2、将原始图像利用判别器的图像卷积网络卷积为第六特征图N；将所述第六特征图N与第五特征图N相加后，通过图像卷积网络进行卷积得到第六特征图N-1；以此类推，将所述第四特征图A与第三特征图A相加后，通过图像卷积网络进行卷积得到0-1判别结果。