[发明专利]一种基于异常合成与分解的纹理表面缺陷检测方法与系统

权利要求书

1.一种基于异常合成与分解的纹理表面缺陷检测方法，其特征在于，包括：

S1.构建分割引导的缺陷生成网络；所述缺陷生成网络包括生成器和分割引导的判别器；所述生成器用于将第一类合成负样本图像I_cn转变为与真实缺陷图像更相似的第一类异常负样本图像I_n；所述第一类合成负样本图像I_cn由无缺陷纹理背景I_p与缺陷图像I_d的缺陷标签图像I_l通过分区域叠加合成；所述分割引导的判别器用于分别对异常负样本图像I_n与真实缺陷图像I_d进行缺陷分割；

S2.以缺陷分割为目的，利用对抗学习方法训练缺陷生成网络；

S3.利用训练好的生成器转化第二类合成负样本图像I′_cn，得到第二类异常负样本图像I′_n；所述第二类合成负样本图像由无缺陷纹理背景I_p与随机采样生成的异常掩膜图像I_a通过分区域叠加合成；

S4.构建异常分解网络，并以无缺陷纹理背景I_p和第二类异常负样本图像I′_n作为训练集训练异常分解网络；所述异常分解网络用于将缺陷图像分解为纹理背景图像与异常图像；

S5.将待检测的纹理表面图像输入训练好的异常分解网络，得到对应的纹理背景图像与异常图像，将缺陷图像与纹理背景图像间的残差图像与异常图像融合，得到缺陷检测结果得到缺陷检测结果。

2.根据权利要求1所述的一种基于异常合成与分解的纹理表面缺陷检测方法，其特征在于，第一类合成负样本图像I_cn由无缺陷纹理背景I_p与缺陷标签图像I_l利用以下表达式分区域叠加合成；

I_cn(x,y)＝(1-I_l(x,y))·I_p(x,y)+λ·I_l(x,y)

其中，λ表示随机变量，x＝1,...,W,y＝1,...,H，W,H分别表示图像宽度与高度。

3.根据权利要求1或2所述的一种基于异常合成与分解的纹理表面缺陷检测方法，其特征在于，采用以下损失函数训练缺陷生成网络：

其中，L_dis(θ_sd)表示训练判别器的损失函数，L_gen(θ_g)表示训练生成器的损失函数；*,||·||₁,||·||₂分别表示期望、矩阵点乘、L₁、L₂范数，λ_a、λ_b表示各项损失对应的权重。

4.根据权利要求1-3任一项所述的一种基于异常合成与分解的纹理表面缺陷检测方法，其特征在于，随机采样包括高斯采样、学生t分布采样、均匀采样。