本发明专利技术公开了一种语义引导的缺陷图像生成方法、装置、设备及存储介质，涉及图像生成领域，该方法包括：获取真实样本图像，将所述真实样本图像转换为语义引导的隐变量；对所述隐变量进行重参数化处理，得到随机变量；获取预设的掩膜图像，将所述随机变量和所述掩膜图像合成为第一缺陷图像。本发明专利技术通过真实样本图像对缺陷图像的生成进行语义引导，使生成的缺陷图像在语义方面接近真实样本图像，实现了提高生成的缺陷图像真实度的技术效果。成的缺陷图像真实度的技术效果。成的缺陷图像真实度的技术效果。
【技术实现步骤摘要】
语义引导的缺陷图像生成方法、装置、设备及存储介质
[0001]本专利技术涉及图像生成领域，尤其涉及一种语义引导的缺陷图像生成方法、装置、设备及存储介质。
技术介绍
[0002]在工业实际生产场景中，工业产品所使用的材质和工艺流程多样，难免会出现表面缺陷的样品。表面缺陷会影响产品的品质，造成原材料的浪费，应尽量避免。随着工业智能化的发展，使用缺陷检测模型检测产品表面图像的技术有可能成为人工观测缺陷的替代方案。
[0003]模型训练是使缺陷检测模型具备足够的检测能力的关键阶段，此阶段往往需要使用大量的训练样本。然而，实际生产中无缺陷良品的数量总是远远超过有缺陷产品，导致材料表面缺陷图像数据量少，难以快速构建满足性能需求的缺陷检测模型。目前，图像生成是扩充缺陷图像的数据量的可行方式之一，但有些生成的图像在人眼观测下真实性不高，可能对缺陷检测模型的实际检测准确度存在较大影响。
技术实现思路
[0004]本专利技术的主要目的在于提供一种语义引导的缺陷图像生成方法、装置、设备及存储介质，旨在解决通过图像生成的方式产生的缺陷图像真实性低的问题。
[0005]为实现上述目的，本专利技术提供一种语义引导的缺陷图像生成方法，该方法包括：获取真实样本图像，将所述真实样本图像转换为语义引导的隐变量；对所述隐变量进行重参数化处理，得到随机变量；获取预设的掩膜图像，将所述随机变量和所述掩膜图像合成为第一缺陷图像。
[0006]可选地，所述将所述真实样本图像转换为语义引导的隐变量的步骤包括：提取所述真实样本图像的语义特征；根据所述语义特征将所述真实样本图像编码为隐变量，以对所述隐变量进行语义引导。
[0007]可选地，所述对所述隐变量进行重参数化处理的步骤包括：确定所述隐变量在图像语义范围内的概率分布特征；根据所述概率分布特征对所述隐变量进行随机分布采样。
[0008]可选地，所述将所述随机变量和所述掩膜图像合成为第一缺陷图像的步骤包括：将所述随机变量解码重构为背景图像；确定所述掩膜图像中的指示区域，在所述背景图像与所述指示区域的对应位置生成缺陷区域图像，得到完整的第一缺陷图像。
[0009]可选地，所述语义引导的缺陷图像生成方法还包括：获取待训练缺陷图像，将所述待训练缺陷图像输入初始对抗学习网络中，对所述初始对抗学习网络进行迭代训练，其中，所述初始对抗学习网络包括初始生成器和初始判
别器；当迭代训练次数超过预设的迭代次数阈值，或者预设的总损失函数收敛时，结束训练，得到目标生成器和目标判别器。
[0010]可选地，所述对所述初始对抗学习网络进行迭代训练的步骤包括：固定所述初始生成器的生成参数，将所述待训练缺陷图像和所述掩膜图像输入所述初始生成器中，得到第二缺陷图像；分别将真实缺陷图像和所述第二缺陷图像输入所述初始判别器，得到第一判别结果；根据所述第一判别结果确定所述初始生成器的特征匹配损失，根据所述特征匹配损失更新所述初始判别器的判别参数。
[0011]可选地，所述训练所述初始判别器的步骤包括：固定所述初始判别器的判别参数，将所述待训练缺陷图像和所述掩膜图像输入所述初始生成器中，得到第三缺陷图像；将所述第三缺陷图像输入所述初始判别器，得到第二判别结果；根据所述第二判别结果和所述第三缺陷图像之间的差异确定所述初始生成器的图像生成损失，根据所述图像生成损失更新所述初始生成器的生成参数。
[0012]此外，为实现上述目的，本专利技术还提供一种语义引导的缺陷图像生成装置，所述语义引导的缺陷图像生成装置包括：转换模块，用于获取真实样本图像，将所述真实样本图像转换为语义引导的隐变量；处理模块，用于对所述隐变量进行重参数化处理，得到随机变量；合成模块，用于获取预设的掩膜图像，将所述随机变量和所述掩膜图像合成为第一缺陷图像。
[0013]此外，为实现上述目的，本专利技术还提供一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的语义引导的缺陷图像生成程序，所述语义引导的缺陷图像生成程序配置为实现如上文所述的语义引导的缺陷图像生成方法的步骤。
[0014]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有语义引导的缺陷图像生成程序，所述语义引导的缺陷图像生成程序被处理器执行时实现如权上文所述的语义引导的缺陷图像生成方法的步骤。
[0015]本专利技术提供的语义引导的缺陷图像生成方法，获取真实样本图像，将真实样本图像转换为语义引导的隐变量，对隐变量进行重参数化处理，得到随机变量，获取预设的掩膜图像，将随机变量和掩膜图像合成为第一缺陷图像，通过真实图像对生成的第一缺陷图像进行语义引导，使生成的第一缺陷图像语义真实度更高，且通过重参数化处理使第一缺陷图像的多样性更加丰富，即使在相同的输入下也能得到不同的输出结果，为缺陷检测模型的构建提供了有利条件。
附图说明
[0016]图1为本专利技术实施例方案涉及的硬件运行环境的电子设备的结构示意图；
图2为本专利技术语义引导的缺陷图像生成方法第一实施例的流程示意图；图3为本专利技术语义引导的缺陷图像生成方法涉及的基于对抗学习的网络结构示意图；图4为本专利技术语义引导的缺陷图像生成方法第二实施例的流程示意图；图5为本专利技术语义引导的缺陷图像生成装置的示意图。
[0017]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0018]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0019]在工业实际生产场景中，真实的材料表面缺陷图像数据量少，难以快速构建满足性能需求的缺陷检测模型。图像生成方法的出现为解决图像数据量少的问题提供了新的思路。生成对抗网络（GAN，Generative Adversarial Networks ）支持无监督方法实现数据生成，在图像生成方面具有一定的优势。比如，将服从均匀分布的随机噪声输入具有反卷积结构的生成器中，输出生成样本，但是生成样本的真实度不高。还有将无缺陷样本与掩膜标注输入生成网络，使网络输出一张残差图，将残差图与无缺陷样本叠加后得到生成缺陷样本的方式，而残差图与无缺陷样本叠加可能会导致伪迹现象，单一的无缺陷图像输入生成网络，生成的缺陷样本缺乏多样性。
[0020]本专利技术的主要技术方案是：获取真实样本图像，将所述真实样本图像转换为语义引导的隐变量；对所述隐变量进行重参数化处理，得到随机变量；获取预设的掩膜图像，将所述随机变量和所述掩膜图像合成为第一缺陷图像。通过真实缺陷图像对生成的缺陷图像进行语义引导，提高语义真实度，重参数化处理丰富缺陷图像的多样性。
[0021]参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的电子设备结构示意图。
[0022]如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种语义引导的缺陷图像生成方法，其特征在于，所述语义引导的缺陷图像生成方法包括以下步骤：获取真实样本图像，将所述真实样本图像转换为语义引导的隐变量；对所述隐变量进行重参数化处理，得到随机变量；获取预设的掩膜图像，将所述随机变量和所述掩膜图像合成为第一缺陷图像。2.如权利要求1所述的语义引导的缺陷图像生成方法，其特征在于，所述将所述真实样本图像转换为语义引导的隐变量的步骤包括：提取所述真实样本图像的语义特征；根据所述语义特征将所述真实样本图像编码为隐变量，以对所述隐变量进行语义引导。3.如权利要求2所述的语义引导的缺陷图像生成方法，其特征在于，所述对所述隐变量进行重参数化处理的步骤包括：确定所述隐变量在图像语义范围内的概率分布特征；根据所述概率分布特征对所述隐变量进行随机分布采样。4.如权利要求3所述的语义引导的缺陷图像生成方法，其特征在于，所述将所述随机变量和所述掩膜图像合成为第一缺陷图像的步骤包括：将所述随机变量解码重构为背景图像；确定所述掩膜图像中的指示区域，在所述背景图像与所述指示区域的对应位置生成缺陷区域图像，得到完整的第一缺陷图像。5.如权利要求1
‑
4任一项所述的语义引导的缺陷图像生成方法，其特征在于，所述语义引导的缺陷图像生成方法还包括：获取待训练缺陷图像，将所述待训练缺陷图像输入初始对抗学习网络中，对所述初始对抗学习网络进行迭代训练，其中，所述初始对抗学习网络包括初始生成器和初始判别器；当迭代训练次数超过预设的迭代次数阈值，或者预设的总损失函数收敛时，结束训练，得到目标生成器和目标判别器。6.如权利要求5所述的语义引导的缺陷图像生成方法，其特征在于，所述对所述初始对抗学习网络进行迭代训练...
【专利技术属性】
技术研发人员：朱云龙，郑杨婷，李佩文，陈殷齐，
申请(专利权)人：季华实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。