[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

说明书

本发明公开了一种机器人视觉工业产品缺陷图像数据增广方法，对原始图像按照类别进行编号，将编号作为真实标签；将原始图像输入数据加载器中分为若干批后进行训练，得到对应的随机噪声、随机标签；将随机噪声、随机标签输入生成器得到生成图像，将生成图像和随机标签输入判别器，根据判别结果计算生成器损失并更新生成器参数；将原始图像和真实标签输入判别器，根据判别结果计算判别器判别原始图像损失，将生成图像和随机标签输入判别器，根据判别结果计算判别器判别生成图像损失，计算判别器损失并更新判别器参数，迭代后得到缺陷图像数据增广模型。解决小样本数据增广问题，提高了工业产品缺陷检测效果。

技术领域

本发明属于缺陷检测方法技术领域，涉及一种机器人视觉工业产品缺陷图像数据增广方法。

背景技术

制造业是国民经济的基础行业，随着科学技术的发展，智能制造已经成为从制造大国向制造强国转变的突破口和必由之路。工业机器人作为智能制造中不可替代的重要装备和手段，已成为衡量一个国家制造业水平和科技水平的重要标志。传统制造业离不开人工劳动，更离不开人眼检测和人脑判断，要实现机器换人，关键问题在于实现机器人视觉的智能化，这是破解制造业成本上升、环境制约问题的重要途径。在智能制造业中,采用工业机器人视觉技术对工业产品的检测，将有利于发现生产过程的工艺问题、及时改进生产工艺问题、提高产品质量。

近年来，随着人工智能和深度学习的发展，越来越多的制造企业开始引入深度学习技术来解决传统机器视觉难以解决的检测难题。深度学习要实现零件的准确识别，首先需要大量的训练数据，也就是零件图片，否则，会出现欠拟合等问题，影响检测效果。但是，在实际情况中，人工拍摄的图片数量是有限的，甚至在一些复杂的工业条件下，只能采集到很少的图片样本。要实现小样本条件下的深度学习检测，需要对小样本图片数据集进行扩充，传统的处理方法是对原始图片进行旋转、缩放、裁剪、加噪声等操作，这些方法并没有从本质上完成图片数据集的扩充，无法充分学习图像特征，更无法明显改善深度学习检测效果。

GAN生成对抗网络是一种无监督的深度学习模型，由生成器和判别器两部分组成，生成器负责生成图像，而判别器负责区分原始图像和生成的图片，不断对抗，直到生成器可以生成逼真的图片。现有的GAN生成对抗网络在生成多种类别的图像时，会出现类别混乱的情况，影响图像数据増广效果，进而影响缺陷检测的深度学习训练，导致缺陷检测准确率不高，容易出现漏检或误检的情况。

发明内容

本发明的目的是提供一种机器人视觉工业产品缺陷图像数据增广方法，解决了现有缺陷图像数据增广方法生成图像类别混乱的问题。

本发明所采用的技术方案是，一种机器人视觉工业产品缺陷图像数据增广方法，包括：

对原始图像按照类别进行编号，将编号作为真实标签；将原始图像输入数据加载器中分为若干批后进行迭代训练，得到对应的随机噪声、随机标签；将每批随机噪声、随机标签输入生成器得到生成图像，将生成图像和随机标签输入判别器，根据判别结果计算生成器损失并更新生成器参数；将原始图像和真实标签输入判别器，根据判别结果计算判别器判别原始图像的损失，将生成图像和随机标签输入判别器，根据判别结果计算判别器判别生成图像的损失，计算判别器损失并更新判别器参数，迭代后得到缺陷图像数据增广模型。

本发明的特点还在于：

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，并将每类原始图像的编号作为其对应的真实标签；将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；