[发明专利]一种基于生成式对抗网络的小样本缺陷检测方法

说明书

本发明公开一种基于生成式对抗网络的小样本缺陷检测方法，缺陷检测过程分为缺陷样本生成，缺陷样本重建，缺陷定位三个步骤，陷样本生成步骤包括：搜集大量正常样本和少量缺陷样本，通过人工添加缺陷以及Cycle‑GAN的方式扩充缺陷样本，且，在此基础上，提出缺陷样本重建网络，该网络使用自编码网络的方式，将缺陷样本重建为正常样本，而正常样本保持不变，同时为了提升重建效果，提出结构性重建损失，以此优化重建效果，在最后的缺陷定位过程中，计算缺陷样本与重建样本的结构相似性指数，并进行阈值处理从而定位缺陷。本发明基于生成式对抗网络可以在仅有少量缺陷样本的情况下实现较高准确率的缺陷检测，方法鲁棒性强，适用于工业级的缺陷检测。

技术领域

本发明涉及计算机视觉技术，具体地说，涉及一种基于生成式对抗网络的小样本缺陷检测方法，基于生成式对抗网络，可以用于输电线设备表面缺陷检测与定位。

背景技术

在电网巡检中，输电线设备表面的缺陷检测与定位对于维护电网安全有着至关重要的作用，在传统的巡检中，缺陷的发现通过是通过人工完成的，需要耗费大量人力。且存在主观因素，从而造成缺陷的漏检与误检，严重的会造成巨大经济损失。随着人工智能算法的发展，机器在缺陷检测上的精度不断提高，使用机器的成本远小于人力,精度反而接近甚至超过人类，因此使用成本更低的缺陷检测算法代替人力对于输电线设备表面的缺陷检测是十分有意义的。

目前缺陷检测算法在输电线设备表面检测仍然会遇到很多问题与挑战。缺陷检测应用传统的机器学习算法往往受环境因素干扰过大，泛化性不强。而随着数据和算力的爆炸式发展，深度学习技术在图像识别，目标检测，实景分割上都取得了接近人类甚至超过人类的结果，这些结果让越来越多的研究者将深度学习技术应用在缺陷检测中。

然而，一个现实的问题是输电线设备的正常样本很多，然而缺陷样本量是极其不足的，这与深度学习算法需要大量标注数据的样本是相互矛盾的。也就是说，小样本已经成为深度学习应用于输电线设备缺陷检测的瓶颈。因此针对输电线设备缺陷检测需要从一个全新角度设计有效使用的方案

大量研究已经表明，生成式对抗网络不仅具有强大的生成能力，而且有很强的区分异常的能力，可以实现大规模的缺陷检测。针对上述输电线设备缺陷检测存在的问题，本发明提出了一种基于生成式对抗网络的小样本缺陷检测方法。基于生成式对抗网络，缺陷检测过程通过缺陷样本生成，缺陷样本重建，缺陷定位三个步骤就可以完成较高精度的输电线设备缺陷检测。

发明内容

本发明针对上述输电线设备缺陷检测存在的问题，而提出了一种基于生成式对抗网络的小样本缺陷检测方法，用于克服上述问题。通过缺陷样本生成，缺陷样本重建，缺陷定位三个步骤就可以完成较高精度的输电线设备缺陷检测，极大减少人力成本。

为实现上述目的，本发明采取的技术方案为：设计一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，具体包括以下步骤：

S1：缺陷样本生成，对于搜集的大量正常样本和少量缺陷样本，通过添加人造缺陷噪声及利用Cycle-GAN的方式训练正常样本到缺陷样本的域转换，从而扩充缺陷样本；

S2：缺陷样本重建，使用自编码网络的方式，可以将上述缺陷样本重建为正常样本，而正常样本保持不变，同时为了提升重建效果，提出结构性重建损失，以此优化重建效果；

S3：缺陷定位，计算缺陷样本与重建样本的结构相似性指数，并进行阈值处理从而定位缺陷。

进一步的，所述S1中通过人造缺陷噪声，以增加不同大小、不同位置以及不同灰度值的缺陷块的人工缺陷扩充缺陷样本，同时也使用随机剪切、缩放以及添加高斯噪声的方式以增加人工缺陷样本的多样性。

进一步的，所述S1在缺陷样本的生成中，通过Cycle-GAN的方式生成缺陷样本，其具体步骤为：