【技术实现步骤摘要】
本专利技术涉及计算机视觉和深度学习，尤其涉及一种缺陷图像生成方法、装置、设备及介质。
技术介绍
1、缺陷检测对确保工业生产过程中的产品质量至关重要。传统的缺陷检测方法依赖于人工检查或简单的图像处理技术，这些方法不仅效率低下，而且准确率受限于操作者的经验和疲劳程度。
2、近年来，基于深度学习的方法显著提高了缺陷检测的速度和准确性。然而，这些方法的性能在很大程度上依赖于大量、多样化且标注精确的训练数据。在真实工业场景中，尤其是对于特定类型的缺陷，我们无法获取足够多的缺陷数据，并且标注这些数据既困难又昂贵。
3、受限于数据问题，许多无监督、半监督、弱监督方法被提出并应用于缺陷检测。无监督方法虽然节省了标注成本且大多数情况下只需要正常样本，但由于缺乏缺陷的先验知识，不能对缺陷进行分类。半监督方法利用大量无标注数据及少量标注数据，在降低标注成本的同时得到不错的检测效果，但如果未标记数据的分布与标记数据不一致，可能会导致模型偏差，影响最终的性能。弱监督方法相较于无监督方法，使用粗粒度标签改善缺陷识别，但是其识别精度较弱，监督方法仍需改进。分析上述方法不难发现，这些方法可以看作是在工业应用中当获取足够多的标记良好的缺陷数据不可行且成本高昂时，相对于监督缺陷检测方法的一种妥协。
4、为了解决数据问题，许多方法被提出。在近年来的研究和实践中，生成对抗网络(gans)已经展现出其在多个领域的强大潜力，尤其是在图像生成、图像修复和风格转换等方面。gans利用其对抗学习的特性，能够拟合真实数据的高层特征分布，许多方法
5、第一，方法本身就需要大量的缺陷数据。
6、第二，无法在生成缺陷数据的同时提供缺陷图像的像素级标签；少部分方法可以在生成缺陷图像的同时提供其像素级标签，但是这些方法要么仍需要人工的参与，要么无法保证生成的缺陷图像和像素级标签的严格对齐。
7、第三，方法只适用于纹理类别缺陷。
技术实现思路
1、本专利技术提供一种缺陷图像生成方法、装置、设备及介质，解决现有技术中的缺陷检测方法依赖于大量的缺陷数据，而缺陷图像生成方法无法在生成缺陷数据的同时提供缺陷图像的像素级标签，成本高，且适用范围窄，只适用于纹理类别缺陷的问题。
2、为解决上述技术问题，本专利技术采用的技术方案是提供一种缺陷图像生成方法，包括步骤：获取多个正常样本图像，将所述正常样本图像和高斯噪声输入第一生成网络中；根据多个所述正常样本图像和高斯噪声，计算获取每个所述正常样本图像对应的缺陷掩码；将所述正常样本图像和其对应的所述缺陷掩码输入第二生成网络中，计算获取每个所述正常样本图像对应的缺陷样本图像。
3、在一些实施例中，在所述根据多个所述正常样本图像和高斯噪声，计算获取每个所述正常样本图像对应的缺陷掩码的步骤中，具体包括：对所述正常样本图像进行特征提取，获取每个所述正常样本图像对应的中间缺陷特征；对所述中间缺陷特征进行上采样处理，并将所得的值进行归一化，根据所述高斯噪声的引导，得到每个所述正常样本图像对应的多个所述缺陷掩码。
4、在一些实施例中，在所述计算获取每个所述正常样本图像对应的缺陷样本图像的步骤中，具体包括：提取所述正常样本图像的特征并进行调制激活，通过所述缺陷掩码，引导生成所述正常样本图像对应的缺陷前景；将所述正常样本图像、缺陷掩码以及缺陷前景进行融合，得到每个所述正常样本图像对应的所述缺陷样本图像。
5、在一些实施例中，所述第一生成网络通过第一初始生成网络训练得到，训练方法包括步骤：获取真实缺陷样本图像对应的真实缺陷掩码，并通过所述第一初始生成网络生成所述正常样本图像对应的训练缺陷掩码；使用第一区域对抗损失函数，对所述真实缺陷掩码和训练缺陷掩码进行比对，并根据比对结果相应的修改优化所述第一初始生成网络的参数；根据所述真实缺陷样本图像和所述真实缺陷掩码，计算获取真实缺陷掩码化图像；根据所述正常样本图像和训练缺陷掩码，计算获取训练缺陷掩码化图像；使用第一图像对抗损失函数，对所述真实缺陷掩码化图像和训练缺陷掩码化图像进行比对，并根据比对结果相应的修改优化所述第一初始生成网络的参数；当所述第一区域对抗损失函数和第一图像对抗损失函数的值均达到最小化，即得到训练好的所述第一生成网络。
6、在一些实施例中，所述第一生成网络的训练方法还包括步骤：对所述正常样本图像进行阈值处理，得到所述正常样本图像对应的分割掩码；使用目标边界感知损失函数，对所述分割掩码和训练缺陷掩码进行比对，并根据比对结果相应的修改优化所述第一初始生成网络的参数；当所述第一区域对抗损失函数、第一图像对抗损失函数以及目标边界感知损失函数的值均达到最小化，即得到训练好的所述第一生成网络。
7、在一些实施例中，所述第二生成网络通过第二初始生成网络训练得到，训练方法包括步骤：获取真实缺陷样本图像，并通过所述第二初始生成网络生成所述正常样本图像对应的训练缺陷样本图像；使用第二图像对抗损失函数，对所述真实缺陷样本图像和训练缺陷样本图像进行比对，并根据比对结果相应的修改优化所述第二初始生成网络的参数；获取所述真实缺陷样本图像对应的真实缺陷掩码，利用所述真实缺陷掩码分别提取所述真实缺陷样本图像和训练缺陷样本图像的缺陷区域，形成对应的真实缺陷区域图和训练缺陷区域图；使用第二区域对抗损失函数，对所述真实缺陷区域图和训练缺陷区域图进行比对，并根据比对结果相应的修改优化所述第二初始生成网络的参数；当所述第二区域对抗损失函数和第二图像对抗损失函数的值均达到最小化，即得到训练好的所述第二生成网络。
8、本专利技术还提供一种缺陷图像生成装置，包括：获取单元，用于获取多个正常样本图像；第一生成网络，用于根据多个所述正常样本图像和高斯噪声，计算获取每个所述正常样本图像对应的缺陷掩码；第二生成网络，用于根据所述正常样本图像和其对应的所述缺陷掩码，计算获取每个所述正常样本图像对应的缺陷样本图像。
9、在一些实施例中，所述第一生成网络包括第一生成器和第一双层次判别器，所述第二生成网络包括第二生成器和第二双层次判别器；所述第一生成器用于根据多个所述正常样本图像和高斯噪声，计算获取每个所述正常样本图像对应的缺陷掩码，所述第一双层次判别器用于根据所述缺陷掩码训练所述第一生成网络；所述第二生成器用于根据所述正常样本图像和其对应的所述缺陷掩码，计算获取每个所述正常样本图像对应的缺陷样本图像，所述第二双层次判别器用于根据所述缺陷样本图像训练所述第二生成网络；所述第一生成器包括依次相连的第一编码器和第一解码器，所述第一双层次判别器包括第一缺陷图像级判别器和第一缺陷区域级判别器；所述第二生成器包括依次相连的第二编码器、第二解码器和缺陷聚焦模块，所述第二双层次判别器包括第二缺陷图像级判别器和第二缺陷区域级判别器；所述第二解码器包括两个依次相连的特征调制模块。
10、本专利技术还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可本文档来自技高网...
【技术保护点】
1.一种缺陷图像生成方法，其特征在于，包括步骤：
2.根据权利要求1所述的缺陷图像生成方法，其特征在于，在所述根据多个所述正常样本图像和高斯噪声，计算获取每个所述正常样本图像对应的缺陷掩码的步骤中，具体包括：
3.根据权利要求1所述的缺陷图像生成方法，其特征在于，在所述计算获取每个所述正常样本图像对应的缺陷样本图像的步骤中，具体包括：
4.根据权利要求1所述的缺陷图像生成方法，其特征在于，所述第一生成网络通过第一初始生成网络训练得到，训练方法包括步骤：
5.根据权利要求4所述的缺陷图像生成方法，其特征在于，所述第一生成网络的训练方法还包括步骤：
6.根据权利要求1所述的缺陷图像生成方法，其特征在于，所述第二生成网络通过第二初始生成网络训练得到，训练方法包括步骤：
7.一种缺陷图像生成装置，其特征在于，包括：
8.根据权利要求7所述的缺陷图像生成装置，其特征在于，所述第一生成网络包括第一生成器和第一双层次判别器，所述第二生成网络包括第二生成器和第二双层次判别器；
9.一种电子设备，其特征
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
...【技术特征摘要】
1.一种缺陷图像生成方法，其特征在于，包括步骤：
2.根据权利要求1所述的缺陷图像生成方法，其特征在于，在所述根据多个所述正常样本图像和高斯噪声，计算获取每个所述正常样本图像对应的缺陷掩码的步骤中，具体包括：
3.根据权利要求1所述的缺陷图像生成方法，其特征在于，在所述计算获取每个所述正常样本图像对应的缺陷样本图像的步骤中，具体包括：
4.根据权利要求1所述的缺陷图像生成方法，其特征在于，所述第一生成网络通过第一初始生成网络训练得到，训练方法包括步骤：
5.根据权利要求4所述的缺陷图像生成方法，其特征在于，所述第一生成网络的训练方法还包括步骤：
6.根据权利要求1所述的缺陷图像生成方法，其特...
【专利技术属性】
技术研发人员：姜晓恒，徐明亮，李英杰，卢洋，崔丽莎，南晓斐，
申请(专利权)人：郑州大学，
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。