[发明专利]基于生成对抗网络的缺陷数据合成方法

权利要求书

1.基于生成对抗网络的缺陷数据合成方法，其特征在于，具体步骤如下：

一、基于现有样本，使用深度卷积生成对抗网络生成缺陷前景；

二、对于不同的背景图片，使用基于颜色和纹理的gPb-UCM分割算法确定缺陷前景放置的区域位置S集合；

三、对步骤二得到的S集合中随机选择一个区域R，并通过基于全卷积神经网络的深度预测算法得到该区域对应的透视变化矩阵M；

四、从步骤一生成的缺陷前景数据库中随机选取，并利用边缘提取算法得到缺陷前景的Mask图像：首先使用泛洪填充算法去除背景，再利用Canny边缘检测保留边缘内的像素值，提取缺陷Mask；

五、利用透视变化矩阵M对Mask图像进行透视变换，并对变换后的缺陷前景添加颜色信息；

六、使用泊松图像融合技术将缺陷前景与背景图片融合，合成新的图片，同时生成新的标注信息；至此，一张新的缺陷样本合成完成。

2.根据权利要求1所述的基于生成对抗网络的缺陷数据合成方法，其特征在于，在步骤一中，深度卷积生成对抗网络根据现有的缺陷样本对缺陷前景进行裁剪，调整大小至100*100像素，并对裁剪后的样本进行数据增强并送入DCGAN中进行训练。

3.根据权利要求2所述的基于生成对抗网络的缺陷数据合成方法，其特征在于，生成对抗网络由生成网络和判别网络组成，其中：

生成网络输入为取自于正态分布的100维度的均匀随机噪声，使用大小为5*5的卷积核，步长为2的反卷积实现上采样过程，整个过程中使用批归一化方法且不使用池化，在生成网络的最后一层使用Tanh激活函数，其余全部使用ReLU激活函数，最终可以得到分辨率为100*100的三通道合成图像；

判别网络的输入为大小100*100的三通道的合成图像或者真实图像，使用大小为5*5的卷积核，步长为2的卷积过程实现下采样过程，且在整个过程也使用了批归一化方法，在判别网络的所有层使用LeakyReLU的激活函数，最终使用全连接层映射到1维，以便Sigmoid函数对其分类，输出为0判别网络将输入判定为合成的假数据，输出为1则为真实数据。