[发明专利]基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法

权利要求书

1.一种基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，所述方法包括以下步骤：

步骤1，获取若干船舶焊缝图像，构建焊缝数据集；

步骤2，构建卷积置信生成对抗网络模型；

步骤3，利用焊缝数据集训练卷积置信生成对抗网络模型，生成用于焊缝缺陷检测的卷积置信生成对抗网络模型；

步骤4，采集待检测船舶焊缝的图像，利用训练好的卷积置信生成对抗网络模型进行焊缝缺陷检测。

2.根据权利要求1所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，步骤2所述构建卷积置信生成对抗网络模型，具体为：将深度卷积置信神经网络作为生成对抗网络的生成器G和判别器D。

3.根据权利要求2所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，所述深度卷积置信神经网络包括5个卷积层、2个全连接层和1个置信层，输入图像依次经过5个卷积层、2个全连接层后，通过置信层输出。

4.根据权利要求3所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，所述置信层的基本组成单元为受限波尔茨曼机RBM，受限波尔茨曼机包括可见层和隐含层，上一个RBM的隐含层即为下一个RBM的可见层，上一个RBM的输出即为下一个RBM的输入；

可见层包括若干个显性神经元，简称为显元，单个显元用v_i表示；隐含层包括若干个隐性神经元，简称为隐元，单个隐元用h_i表示，i＝1，2，3…；

受限波尔茨曼机的能量函数表示为：

E(v,y,h)＝-h^TWv-a^Tv-b^Th-c^Ty-h^TUy

式中，v＝(v₁,v₂,…,v_m)，h＝(h₁,h₂,…,h_k)和y＝(y₁,y₂,…,y_p)分别表示可见层、隐含层和输出层的状态，m、k、p分别为可见层、隐含层和输出层的神经元个数；θ＝{W,a,b,c,U}是训练中需要学习的结构参数，W为可见层节点和隐含层节点的连接权重；a为可见层节点的偏置；b为隐含层节点的偏置；c为输出层节点的偏置；U为隐含层和输出层的连接权重；

由上述能量函数得到联合概率分布：

式中，Z(θ)为配分函数，表达式如下：

5.根据权利要求4所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，步骤3所述利用焊缝数据集训练卷积置信生成对抗网络模型，生成用于焊缝缺陷检测的卷积置信生成对抗网络模型，具体过程包括：

步骤3-1，初始化生成器G和判别器D两个网络的参数；

步骤3-2，从焊缝数据集抽取n个样本，作为真实样本，对于生成器G，加入随机噪声z生成n个样本，作为假样本，并标注缺陷类别；

步骤3-3，固定生成器G，训练基于深度卷积置信网络的判别器D，具体地：一层一层地进行训练，待一层网络训练最优化时，开始下一层网络的训练；对置信层的训练，不断调整隐含层中受限波尔茨曼机的个数与结构参数，直至置信层的训练达到所要求的最佳状态；

步骤3-4，通过上述过程循环更新k次判别器D，之后按照同样的方式更新1次生成器G；

步骤3-5，更新迭代达到预设次数后，判断判别器判别船舶焊缝图像为真实样本还是假样本的概率是否为0.5，若是，则完成训练，否则返回步骤3-2。

6.根据权利要求5所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，步骤3-3具体利用无监督式贪心思想训练基于深度卷积置信网络的判别器D。