[发明专利]基于生成式对抗网络的热轧带钢表面缺陷检测方法

摘要

本发明是一种基于生成式对抗网络的热轧带钢表面缺陷检测方法，具体步骤为：(1)提取工业现场热轧带钢表面缺陷图像，并进行图像预处理；(2)构建生成式对抗网络GAN的生成器模型和判别器模型。具体做法是，在生成器的输入中加入条件标签向量c，用于输出分类图像；在生成器训练中引入像素损失Lp，提高生成图像的质量；在判别器中设置判别支路和多分类支路，实现多分类功能并提高分类精度；(3)用粒子群算法PSO对构造的生成式对抗网络参数进行优化；(4)将生成图像和真实图像合并为热轧带钢表面缺陷样本集。本发明提出方法能够解决样本数据不足的问题，提高缺陷图像特征提取的速度和准确度，为热轧带钢表面缺陷检测提供新的有效方法。

主权项

1.一种基于生成式对抗网络的热轧带钢表面缺陷检测方法，其特征在于，包括以下步骤：步骤一、结合工业生产现场的情况，在钢厂提取工业现场热轧带钢表面缺陷图像，并进行预处理；步骤二、构建生成式对抗网络GAN的生成器模型和判别器模型；对生成式对抗网络中的生成器模型作以下改进；(1)，在生成器输入中加入条件标签向量c，即生成器的输入由随机噪声z和条件标签c组成；(2)，在生成器训练时引入像素损失L_p，提高生成图像的质量；改进生成器的网络模型结构为：输入为由随机向量和标签向量连接构成的向量，依次经过卷积层Conv、激活层Relu、残差结构Residual Block和反卷积层Deconv；对生成式对抗网络中的判别器模型作以下改进：在原始GAN的判别器中引入一个条件标签c作为判别支路，增加一个多分类支路共同构成GAN的判别器；其中判别支路用来判断输入图像是真实图像还是由生成器生成的图像，多分类支路的作用有两个，一是判断输入图像的分类，二是生成分类损失L_cls；判别支路和多分类支路的网络模型类似，由卷积层Conv、激活层LeakyRelu和反卷积层Deconv构成；步骤三、用粒子群算法PSO对构造的生成式对抗网络参数进行优化；生成式对抗网络的训练采用交替训练方式，GAN模型的训练优化函数为由于所用GAN模型的生成器和判别器结构较为复杂，提出一种基于粒子群算法PSO的生成式对抗网络优化方法；具体优化过程为将模型中训练的参数作为PSO算法中的一个粒子，则粒子长度n就是这个网络中参与训练的参数个数；用损失函数L作为PSO算法的适应度函数，得到粒子的局部最优解和全局最优解；再用迭代方式更新粒子的位置和速度，得到的粒子就是更新后的网络权值，以此迭代下去，直至适应值，即训练误差，收敛到阈值范围的极小值，根据数据样本决定，完成生成式对抗网络的生成器和判别器的参数优化；步骤四、将采集的真实热轧带钢表面缺陷图像和条件标签c作为生成器G的输入，输出图像与真实图像混合作为热轧带钢表面缺陷样本集；取其中部分样本图片作为测试样本集，其余作为训练样本集；步骤五、提取训练后的判别器D，除去最后一层，并进行结构微调，对热轧带钢缺陷样本图像数据进行有效识别并分类。