[发明专利]一种基于GAN的图像修复的缺陷检测方法

说明书

本发明公开了一种基于GAN的图像修复的缺陷检测方法。该方法设计了基于GAN的图像修复网络，通过对于无缺陷样本图像数据进行预处理，实现了基于少量无缺陷样本的学习任务，解决了实际工业应用场景当中的正负样本不均衡问题；通过将该网络结合边缘检测Loss，增强了网络的元件复原能力；与此同时，采用了感兴趣区域(ROI)提取以及边缘移除的后处理方法，大幅度地提升了网络的缺陷检测精度，较好地实现了工业元件产品的缺陷检测任务。在150幅工业元件产品测试图像数据(其中139幅有缺陷，11幅无缺陷)上的测试结果验证了本发明针对于工业元件产品上的缺陷进行检测的有效性。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于GAN的图像修复的缺陷检测方法。

背景技术

在工业元件的生产过程当中，缺陷检测环节对于保证元件的出厂质量而言是非常关键的，含有缺陷的工业元件产品需要被准确检出，以保证工业元件出厂的良品率。

传统的缺陷检测方法，如：图像预处理与机器学习相结合等，虽然在某些特定的应用中已经取得了较好的效果，但其仍然存在许多的不足之处，如：鲁棒性差、计算量巨大以及无法精确的检测到缺陷的大小与形状等。

近年来，随着深度学习领域的迅速发展，基于深度学习的方法也逐渐地被广泛应用到工业场景之中，基于深度学习的缺陷检测方法相较于传统的缺陷检测方法而言，可以获得更好的检测效果，并且进一步地节省了大量的人力与物力资源，提高了工业元件的生产效率。

但是考虑到在实际的工业应用场景之中，无缺陷样本的数量要远远大于有缺陷样本，正负样本的不均衡问题会加大缺陷检测网络的训练难度，令缺陷检测网络难以得到充分的训练，从而影响最终的缺陷检测效果。

发明内容

针对目前基于深度学习的缺陷检测方法存在的问题，本发明提供了一种基于GAN的图像修复的缺陷检测方法。

本发明采用如下技术方案来实现：

一种基于GAN的图像修复的缺陷检测方法，包括以下步骤：

1)针对于原始的1000幅无缺陷样本训练图像数据进行预处理，即对其依次进行图像数据增广、图像数据灰度值调整以及图像数据加噪，生成4000幅用于GAN网络训练的训练图像数据；

2)增加边缘检测Loss，将其同GAN网络的生成器Loss与判别器Loss进行加权求和，作为GAN网络的生成器的总损失，用于生成器的训练；

3)针对于待检测图像提取感兴趣区域ROI，生成ROI图像，将其同残差图像进行图像融合，随后进行阈值处理，生成初步的缺陷检测图像；

4)针对于GAN网络的重建图像进行边缘检测，利用该检测结果去除初步的缺陷检测图像中所不需要的边缘区域，得到最终的缺陷检测结果。

本发明进一步的改进在于，步骤1)中，通过分析元件的主要缺陷类型，包括：缺陷的大小与颜色、缺陷的具体形态以及缺陷在元件中所处的位置，结合元件本身的颜色特征，针对于原始的1000幅无缺陷样本训练图像数据进行预处理。

本发明进一步的改进在于，步骤1)中，具体实现方法如下：

首先是图像数据增广，对图像数据分别进行水平翻转、垂直翻转以及对角线翻转处理，并在此基础之上采用50％的概率进行滤波，令图像更加平滑，滤波方式随机选取均值滤波、中值滤波以及高斯滤波这三种类型，共生成4000幅数据增广图像；

其次是图像数据灰度值调整，对数据增广后的4000幅图像数据，进行灰度值取值范围的更改，在原灰度值取值的基础上，令其灰度值取值随机整体上调0～80，灰度值取值小于50的黑色部分仍保持原灰度值取值，不进行更改，令训练图像数据更加接近于测试图像数据；