一种基于Cycle-Gan的酒瓶表面缺陷样本生成方法技术

本发明专利技术涉及酒瓶表面包装工艺生产技术领域,尤其是一种基于Cycle

【技术实现步骤摘要】
一种基于Cycle
‑
Gan的酒瓶表面缺陷样本生成方法


[0001]本专利技术涉及酒瓶表面包装工艺生产
,尤其是一种基于Cycle
‑
Gan的酒瓶表面缺陷样本生成方法。

技术介绍

[0002]随着人工智能技术的迅速发展以及生产和工艺的不断改进，白酒产品外观印刷趋于自动化，印刷质量是大多数酒瓶生产企业关注的问题。在印刷过程中受到机械设备以及随机因素的影响，酒瓶表面在喷印过程中可能会出现多种多样的缺陷，这些缺陷主要表现为未印漏印、断笔缺划、表面划痕、产品破损、文字模糊、二维码产品收码不全等。当前企业对酒瓶印刷成品的检测主要是靠人眼来识别，由于人眼在精度、速度上的限制，人工检验酒瓶印刷质量是无法满足实际的需求。
[0003]近年来，随着深度学习的发展，计算机视觉逐渐应用到缺陷检测中，机器视觉检测与人工检测相比具有检测速度快、精度高、永不疲劳、信息集成化、标准一致等优点。刘培勇等针对磁瓦表面缺陷检测难度大和精度低的问题，提出了基于多支路卷积神经网络的磁瓦表面缺陷检测算法，在实际检测工作中，对磁瓦表面缺陷的检测准确率保持在99％以上，检测速度达到129块/min；王年涛等针对绝缘子缺陷检测准确率低且检测网络参数量和计算量大的问题，提出一种改进的YOLOv5神经网络用于绝缘子的缺陷检测，缺陷检测mAP达98.43％，很好的满足绝缘子缺陷检测要求。国内在缺陷检测方面的研究重点与难点是检测速度和准确度的提升，并且在众多对象的应用上都取得了不错的效果。然而，针对酒瓶表面缺陷检测的实现项目并不多，酒瓶表面缺陷检测在深度学习领域的应用依旧是个难点。
[0004]深度学习数据集的质量和规模在很大程度上会影响模型训练的效果，质量越高、规模越大的数据集，在进行模型训练时能够拥有更好的泛化能力，从而影响模型的鲁棒性，因此也影响了模型的学习能力，决定了模型的好坏。而在酒瓶包装工艺生产中，酒瓶表面缺陷样本出现的频率较低，通常导致缺陷样本难以收集，数据集的质量和规模受到了限制，从而影响模型的泛化能力，限制了检测精度的提升，导致基于深度学习的酒瓶表面缺陷检测算法无法成为产业化技术。

技术实现思路

[0005]针对上述现有技术中存在的不足，本专利技术的目的在于提供了一种基于Cycle
‑
Gan的酒瓶表面缺陷样本生成方法，解决当前酒瓶缺陷样本数据难以供目标检测神经网络模型训练使用的问题，为解决酒瓶缺陷样本不足的问题提供了一种新的思路。
[0006]为解决上述问题，本专利技术公开了一种基于Cycle
‑
Gan的酒瓶表面缺陷样本生成方法，包括以下步骤：
[0007]S1.采集并分析某一种酒瓶的表面缺陷样本集；
[0008]S2.针对酒瓶数据集独有的特征，以酒瓶表面有无各类常见缺陷为依据进行X、Y风格域的划分，将X风格域划分为瓶身无缺陷图像、Y风格域划分为瓶身有缺陷图像；
[0009]S3.根据Cycle
‑
GAN模型针对两个不同风格域数据集划分的原则，以某种款式酒瓶在相同采样背景下的真实正常样本及缺陷样本为基础，利用Cycle
‑
Gan进行缺陷样本生成。
[0010]作为优选，S1的具体方法如下：通过对采集到的各个款式酒瓶部分图像样本的分析，不同材质类型酒瓶所受光照影响不同，各类酒瓶表面存在的各形状缺陷较为统一。
[0011]作为优选，S2所述的酒瓶常见缺陷包括表面划痕、产品破损或文字模糊。
[0012]作为优选，S3的具体方法如下：
[0013]以Cycle
‑
Gan为主要网络架构，将实际的非缺陷酒瓶样本集以及缺陷酒瓶样本集分别设置为源域X以及目标域Y，目的是让网络学习一种映射G：X
→
Y，使G(X)的图像分布与使用对抗性损失的分布Y难以区分；由于该映射是高度欠约束的，将它与一个逆映射F：Y
→
X相呼应，并在此基础上引入循环一致性损失来强制约束使F(G(X))≈X。
[0014]作为优选，还包括以下步骤：S4.搭建YOLOX检测网络验证生成缺陷图像用于样本扩充的有效性。
[0015]由于采用上述技术方案，本专利技术的有益效果如下：
[0016]以Cycle
‑
Gan为主要网络架构，将实际的非缺陷酒瓶样本集以及缺陷酒瓶样本集分别设置为源域X以及目标域Y，目的是让网络学习一种映射G：X
→
Y，使G(X)的图像分布与使用对抗性损失的分布Y难以区分。由于该映射是高度欠约束的，将它与一个逆映射F：Y
→
X相呼应，并在此基础上引入循环一致性损失来强制约束使F(G(X))≈X(反之亦然)。可使小样本缺陷数据进行成倍的扩增，且其学习映射的随机性保证了生成缺陷样本的多样性。
[0017]本专利技术基于小样本酒瓶表面缺陷数据，采用了一种基于Cycle
‑
Gan的方法，解决当前酒瓶缺陷样本数据难以供目标检测神经网络模型训练使用的问题，为解决酒瓶缺陷样本不足的问题提供了一种新的思路。
附图说明
[0018]图1是本专利技术Cycle
‑
GAN网络模型结构示意图；
[0019]图2是本专利技术酒瓶表面缺陷图像样本生成方法流程图。
具体实施方式
[0020]以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。
[0021]Cycle
‑
GAN：
[0022]Cycle
‑
GAN作为基本GAN的衍生模型，针对基本GAN模型普遍存在的难训练、不稳定、梯度消失、模式崩溃等问题进行了很大的改进，其输入由随机噪声数据改为图片数据，结构简单且对样本要求相对较低，适用于当前缺陷样本集条件。利用Cycle
‑
GAN，可以完成从一个特定场景模式图到另外一个场景模式图的转移，两张场景模式图中的物体完全相同，实现图像的风格迁移，且Cycle
‑
GAN的对抗思想建立在初始的GAN模型对抗训练策略之上。
[0023]Cycle
‑
GAN以基本GAN模型为基础，基于pix2pix的网络架构设计了两个相互对称的GAN网络，利用两个生成器G和两个判别器D来实现原图像和生成图像之间的相互映射，其目标是学习X域和Y域之间的映射函数：G
(x
→
y)
以及F
(y
→
x)
，X域和Y域分别代表给定的训练样本
集以及训练样本集其中，x
i
∈X且y
j
∈Y，x和y的数据分布分别被表示为P
data(x)
和P
data(y)
。此外，该网络还引入了两个对抗的判别器D
x
和D
y
，判别器D
x
用于辨别真实样本图像{x...

【技术保护点】

【技术特征摘要】
1.一种基于Cycle
‑
Gan的酒瓶表面缺陷样本生成方法，其特征在于，包括以下步骤：S1.采集并分析某一种酒瓶的表面缺陷样本集；S2.针对酒瓶数据集独有的特征，以酒瓶表面有无各类常见缺陷为依据进行X、Y风格域的划分，将X风格域划分为瓶身无缺陷图像、Y风格域划分为瓶身有缺陷图像；S3.根据Cycle
‑
GAN模型针对两个不同风格域数据集划分的原则，以某种款式酒瓶在相同采样背景下的真实正常样本及缺陷样本为基础，利用Cycle
‑
Gan进行缺陷样本生成。2.根据权利要求1所述的一种基于Cycle
‑
Gan的酒瓶表面缺陷样本生成方法，其特征在于，S1的具体方法如下：通过对采集到的各个款式酒瓶部分图像样本的分析，不同材质类型酒瓶所受光照影响不同，各类酒瓶表面存在的各形状缺陷较为统一。3.根据权利要求2所述的一种基于Cycle
‑
...

【专利技术属性】
技术研发人员：郭少杰，王小刚，熊兴中，奉志强，杨中凡，杨洁，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：