[发明专利]一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法

权利要求书

1.一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法，其特征在于：

Step1：获取铝板电涡流检测图像，并对图像进行数据扩充，选择其中部分数据集作为训练集，其余作为做测试集，每一张图像都对应一张手工标注的语义分割标签；

Step2：构建生成对抗网络，生成对抗网络包括生成器和判别器两个部分，生成器通过学习训练集的数据分布得到铝板电涡流检测图像的分割图像，判别器通过学习输入真假样本对之间的分布差异对其进行二分类；真样本对由铝板涡流图像与通过标注软件得到的手工标注缺陷的铝板涡流图像组成，假样本对由生成器分割图像与铝板涡流图像组成；

采用注意力机制，考虑到生成器特征图的信息整合方式未考虑到整合时的权重分布问题，通过注意力机制调整不同尺寸卷积层的特征图权重，提高图像特征信息的利用，增强目标特征并抑制背景特征，使得生成器能够充分学习到缺陷图像的特征分布,提高模型的分割精度；

注意力机制通过注意力权重0≤α_i≤1来识别铝板涡流缺陷图像缺陷特征的显著性区域，注意力权重由包含丰富语义信息的高级特征图和包含全局上下文信息的低级特征图得到，计算公式如下：

其中，和分别为第i层低级特征图和高级特征图，W_x、W_g和Ψ为1×1卷积操作，b_g和b_ψ为卷积的偏置项，通过1×1卷积操作，可以有效减少参数数量，降低模型计算复杂度，σ₁为ReLU激活函数，σ₂为Sigmoid激活函数，通过Sigmoid激活函数将注意力权重归一化至[0,1]，输出是输入低级特征图与注意力权重的乘积：

Step3：设计生成对抗网络的损失函数，对模型进行训练，

生成器G从铝板涡流检测图像x学习到标签图像y的映射，然后，判别器D对真假样本进行二进制分类，其中真样本对由铝板涡流检测图像与标签图像构成，假样本对由铝板涡流检测图像与生成的分割图像G(x)构成假样本对，训练模型是最小化交叉熵的过程，对分割问题GAN的目标函数可以表述为：

L_GAN(G,D)＝E_{x,y～pdata(x,y)}[logD(x,y)]+E_x～pdata(x)[log(1-D(x,G(x)))]

人工标签与生成器生成的分割图像之间距离的损失函数采用二元交叉熵的形式，人工标签与生成器分割的缺陷图像的分割损失表示为：

L_SEG(G)＝E_{x,y～pdata(x,y)}-y·log(G(x))-(1-y)·log(1-G(x))

模型总的损失函数可以表示为：

G^*＝arg min[maxL_GAN(G,D)]+L_SEG(G)。