[发明专利]一种基于改进的DCGAN的太阳能电池板缺陷样本生成方法

权利要求书

1.一种基于改进的DCGAN的太阳能电池板缺陷样本生成方法，其特征在于，该生成方法包括下述步骤：

步骤1：获取一定数量的同一缺陷类型的真实的太阳能电池板缺陷图片，将其进行尺寸归一化处理，得到相同分辨率的真实缺陷样本集合；

步骤2：设计改进的DCGAN模型，所述改进的DCGAN模型包括一个生成器、一个图像转换模块和两个判别器，所述生成器包括依次连接的全连接层、上采样模块和通道调整模块；生成器的输入为一维随机噪声向量，输出为通道调整模块的输出，生成器将一维随机噪声向量生成太阳能电池板缺陷样本；生成器的全连接层用于扩展向量维度，将一维向量调整为特征图格式的四维张量；所述上采样模块包括BN层和两个上采样层，即第一上采样层和第二上采样层，BN层的输出输入到第一上采样层，第一上采样层的输出输入到第二上采样层，上采样模块将来自全连接层的特征图的通道数保持不变，分辨率提高4倍；所述通道调整模块包括第一通道调整模块和第二通道调整模块，第一通道调整模块包括依次连接的卷积层、BN层和Leaky-ReLU激活函数层，卷积层将来自上采样模块特征图的通道数减半，BN层加快网络的训练和收敛速度，并在一定程度上抑制了模型的梯度消失问题，Leaky-ReLU激活函数层给经过BN层处理后所得到的所有负值赋予一个非零斜率，使得神经网络可以任意逼近任何非线性函数；第二通道调整模块包括卷积层和Tanh激活函数层，该卷积层将来自第一通道调整模块的特征图的通道数变为真实缺陷样本的通道数，然后再经过Tanh激活函数层的处理，得到生成器的输出；

图像转换模块将一张图片分割成M张分辨率相同的一个局部图片组；

所述两个判别器结构相同，但参数不共享，均包括一个多感受野特征提取模块、三个卷积模块、一个全连接层、一个sigmoid激活函数层，6个部分依次线性顺接；所述多感受野特征提取模块包括一个1*1卷积层、一个3*3卷积层、一个5*5卷积层，三个卷积层的步幅均为2，使特征图的长宽减倍，在每个卷积层之后均顺接BN层、ReLU激活函数层，缺陷样本输入到判别器后，首先分别经过多感受野特征提取模块的三组的卷积层、BN层、ReLU激活函数层的处理，每组的ReLU激活函数层均将输出输入到特征拼接层，特征拼接层将提取后的特征在通道维度上进行特征拼接，然后输入到通道注意力层，由通道注意力层输出第一尺度特征图；所述卷积模块包括依次连接的卷积层、BN层、Leaky-ReLU激活函数层和Dropout层，卷积层的卷积核大小为3*3，步长为2，作用表现在将输入特征图的通道数加倍、长宽减倍；Dropout层的失活率设置为0.25，防止模型的过拟合；判别器的三个卷积模块结构相同，三者依次输出第二、三、四尺度特征图；所述全连接层将四维特征张量调整为一维向量，sigmoid激活函数层将值置于[0,1]之间；

判别器D1对缺陷样本进行全局判别，其输入为整张缺陷样本，其输出为一个经过sigmoid激活函数层处理后的对于整张缺陷样本的二分类判别值，该值位于[0,1]之间，并且输出四个尺度的特征图；判别器D2对缺陷样本进行局部判别，其输入为整张缺陷样本经过图像转换模块处理后的局部缺陷样本组，其输出为一个包含对于各个局部缺陷样本判别值的判别向量，向量中的元素值均位于[0,1]之间；

步骤3：利用真实缺陷样本集合和一维随机噪声向量训练步骤2中改进的DCGAN模型，具体包括如下步骤：

步骤3.1：从真实缺陷样本集合中随机不重复的选取K个样本作为一个训练样本集，由真实缺陷样本集合得到N个训练样本集；选取K个不重复的服从高斯分布的一维随机噪声向量，得到一个随机噪声向量集；一个训练样本集对应一个随机噪声向量集，N个训练样本集对应N个不同的随机噪声向量集；

将步骤3.2：初始化步骤2中的改进的DCGAN模型，卷积层的权重初始值的设置符合均值为0、方差为0.02的正态分布；BN层的权重初始值的设置符合均值为1、方差为0.02的正态分布；初始偏置设置为0；将一个随机噪声向量集中的一个一维随机噪声向量z输入到生成器中，依次经过全连接层、上采样模块和通道调整模块处理，输出生成缺陷样本G(z)；由一个随机噪声向量集得到一个生成缺陷样本集，一个生成缺陷样本集与相应的训练样本集对应；

步骤3.3：将一个训练样本集中的一个真实缺陷样本x和由对应的随机噪声向量集得到的生成缺陷样本集中的一个生成缺陷样本G(z)分别输入到图像转换模块，分别输出一个局部真实缺陷样本组x^*和一个局部生成缺陷样本组G(z)^*；将真实缺陷样本x与生成缺陷样本G(z)输入到判别器D1中，分别输出对二者的判别结果以及四个尺度特征图，完成对K组样本的处理后，将所有的结果输入到判别器D1的损失函数中，利用损失函数值反向传播，更新一次判别器D1的参数；与此同时，将局部真实缺陷样本组x^*与局部生成缺陷样本组G(z)^*分别输入到判别器D2中，输出判别结果，完成对K组局部样本组的处理后，将所有的判别向量输入到判别器D2的损失函数中，根据损失函数值反向传播，更新一次判别器D2的参数；

判别器D1的损失函数包括判别器D1与生成器G的对抗损失和四个尺度特征损失：

其中，X表示一个训练样本集,x～X表示真实缺陷样本x为训练样本集X中的一个；Z表示一个与训练样本集X对应的服从高斯分布的随机噪声向量集，z～Z表示一维随机噪声向量z为随机噪声向量集Z中的一个；D₁(x)表示判别器D1对真实缺陷样本x的判别值，以此类推；1表示判别器D1的真实目标值；E_x～X[logD₁(x)]表示函数logD₁(x)在训练样本集X中的不同真实缺陷样本下的取值的平均值，以此类推；

所述四个尺度特征损失可表示为：

其中，分别表示判别器D1对第k个生成缺陷样本、第k个真实缺陷样本输出的分辨率为i的特征图；

判别器D2的损失函数为判别器D2与生成器G的对抗损失：

其中，X₁表示局部真实缺陷样本组集合，x^*～X₁表示局部真实缺陷样本组x^*为集合X₁中的一个；D₂(x^*)表示判别器D2对局部真实缺陷样本组x^*的判别向量，以此类推；I表示判别器D2的真实目标向量，其为M×1维度、元素均为1的向量；

步骤3.4：冻结判别器D1和判别器D2的参数，将K组的真实缺陷样本x与生成缺陷样本G(z)分别输入到更新参数后的判别器D1中，输出对生成缺陷样本G(z)的判别结果及四尺度特征图，同时将K个局部生成缺陷样本组G(z)^*输入到参数更新后的判别器D2中，输出对K个G(z)^*的判别结果；将判别器D1对生成缺陷样本G(z)的判别结果及四尺度特征图和判别器D2对G(z)^*的判别结果带入到生成器的损失函数L_G中，根据损失函数值反向传播，使生成器更新一次参数，一个训练样本集的训练完成；

生成器G的损失函数L_G包括生成器G与判别器D1的对抗损失、四尺度特征损失以及生成器G与判别器D2的对抗损失：

其中，D₁(G(z))表示判别器D1对生成缺陷样本G(z)的判别值，D₂(G(z)^*)表示判别器D2对局部生成缺陷样本组G(z)^*的判别向量；

步骤3.5：将上一个训练样本集的训练完成时的网络参数值作为下一个训练样本集开始训练时的网络模型的初始值，参照步骤3.2-步骤3.4的过程，依次完成N个训练样本集的训练，即完成一次网络模型的迭代训练；

步骤3.6：重复步骤3.1-3.5的过程，观察每一次网络模型迭代训练完成时的判别器D1、判别器D2及生成器G的损失函数值，当三者的损失函数值均收敛稳定，保存网络模型权重参数，获得训练好的生成网络模型；

步骤4：将一个服从高斯分布的一维随机噪声向量输入到步骤3中训练好的生成网络模型中，生成器输出一张生成缺陷图像。