[发明专利]一种生成对抗网络的缺陷合成方法、系统、设备、及介质

说明书

本发明涉及一种生成对抗网络的缺陷合成方法、系统、设备、及介质，其技术方案要点是：所述方法包括：对预先获取的坯布缺陷图像进行多边形标注，得到缺陷标注图像；对所述缺陷标注图像的多边形标注部分进行mask遮罩，得到缺陷遮罩图像；将所述缺陷遮罩图像输入生成器中，在缺陷遮罩图像中的遮罩区域生成缺陷形态得到网络缺陷图像；将所述网络缺陷图像与缺陷遮罩图像输入判别器进行判别，得到生成对抗网络模型；将坯布良品图片中需要生成缺陷的区域进行mask遮罩，得到良品遮罩图像；将良品遮罩图像输入生成对抗网络模型，得到合成缺陷图像；本申请具有使缺陷纹理和良品布面纹理的对齐，提高检测模型的性能的优点。

技术领域

本发明涉及图像处理技术领域，更具体地说，它涉及一种生成对抗网络的缺陷合成方法、系统、设备、及介质。

背景技术

深度神经网络因具备自动提取图像特征的能力，在图像识别、目标检测等计算机视觉领域逐步取代手工制作特征的传统视觉特征提取的方法，在工业质检领域的应用也越来越广泛。布匹缺陷检测是纺织工业领域一项重要任务，随着数字化产业升级这一国家战略的推进，利用机器设备自动化坯布瑕疵缺陷检测替代人工检测是业务场景中的一种需求，深度学习也成了工业视觉缺陷检测的主流的方法。

然而深度学习模型的有监督训练需要依赖人工标注的数据，而坯布缺陷类别在实际生产场景中的形态众多，部分缺陷出现的频次很低，缺陷数据的采集存在较大的困难，因此，利用良品坯布的图像数据生成缺陷图像，成为落地过程中的一个重要环节。软件合成方法成为低成本扩充数据的一种重要方案。而目前用于坯布良品布种中生成疵点的方法，主要是通过泊松融合等克隆方法，但这种合成的方法，瑕疵缺陷纹理与良品布的纹理难以对齐，导致合成的边界感特别重，容易使模型学习到合成痕迹的特征信息，对模型迁移精度的提升比较有限。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种生成对抗网络的缺陷合成方法、系统、设备、及介质，具有使缺陷纹理和良品布面纹理的对齐，提高检测模型的性能的优点。

本发明的上述技术目的是通过以下技术方案得以实现的：一种生成对抗网络的缺陷合成方法，包括：

对预先获取的坯布缺陷图像进行多边形标注，得到缺陷标注图像；

对所述缺陷标注图像的多边形标注部分进行mask遮罩，得到缺陷遮罩图像；

将所述缺陷遮罩图像输入生成器中，在缺陷遮罩图像中的遮罩区域生成缺陷形态得到网络缺陷图像；

将所述网络缺陷图像与缺陷遮罩图像输入判别器进行判别，得到生成对抗网络模型；

将坯布良品图片中需要生成缺陷的区域进行mask遮罩，得到良品遮罩图像；

将良品遮罩图像输入生成对抗网络模型，得到合成缺陷图像。

可选的，所述生成器的优化目标为最小化生成器损失函数；所述生成器损失函数包括：

cGAN_loss＝min G max D E_x,z[log(1-D(x,G(x,z)))]+E_x,y[log D(x,

y)]；

L1_loss＝E_x,y[||y-G(x,z)||₁]；

其中cGAN_loss为条件生成对抗网络的生成器的损失函数；L1_loss为L1正则损失函数；x是输入的图片，z是随机噪声，y是由判别器判定的真实图像；所述真实图像包括坯布缺陷图像和由判别器判定真实的网络缺陷图像；G为生成器模型；D为判别器模型。

可选的，所述生成器通过ResNet18进行下采样，然后使用反卷积实现上采样，中间使用横向连接获取底层特征信息。