CN113850335B - 一种用于卫浴陶瓷缺陷检测的数据增广方法 - Google Patents

一种用于卫浴陶瓷缺陷检测的数据增广方法 Download PDF

Info

Publication number
CN113850335B
CN113850335B CN202111144398.2A CN202111144398A CN113850335B CN 113850335 B CN113850335 B CN 113850335B CN 202111144398 A CN202111144398 A CN 202111144398A CN 113850335 B CN113850335 B CN 113850335B
Authority
CN
China
Prior art keywords
image
bathroom ceramic
bathroom
layer
ceramic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111144398.2A
Other languages
English (en)
Other versions
CN113850335A (zh
Inventor
高会军
任昕炀
杨宪强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202111144398.2A priority Critical patent/CN113850335B/zh
Publication of CN113850335A publication Critical patent/CN113850335A/zh
Application granted granted Critical
Publication of CN113850335B publication Critical patent/CN113850335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

一种用于卫浴陶瓷缺陷检测的数据增广方法，涉及缺陷检测领域。本发明是为了解决目前的卫浴陶瓷缺陷检测方法中对数据的扩增无法使训练集和数据集满足独立分布的先验假设进而导致卫浴陶瓷缺陷的检测能力低的问题。本发明包括：获取待生成图像的随机向量，并将待生成图像的随机向量输入到训练好的GAN网络中，获得增广后的卫浴陶瓷图像集；所述GAN网络包括：生成器、鉴别器；所述生成器用于利用随机向量生成卫浴陶瓷图像，包括：多层感知机、全连接层和卷积层、串联块；所述生成块包括：Modulation、Demodulation和卷积；所述串联块包括生成块和上采样块；所述待生成图像的随机向量采用混合高斯模型控制。本发明用于对卫浴陶瓷数据集增广进而进行卫浴陶瓷缺陷检测。

Description

一种用于卫浴陶瓷缺陷检测的数据增广方法
技术领域
本发明涉及缺陷检测领域，特别涉及一种用于卫浴陶瓷缺陷检测的数据增广方法。
背景技术
卫浴陶瓷制品在日常生活中比较常见，同时也容易损坏，其缺陷需要在生产过程中人工手动进行检测。然而手工测试不仅成本高，而且很难统一测试标准，故而需要一种高效的自动化检测方案。传统的图像处理方法依赖专业的背景知识和复杂的检测流水线设计，通用性差，处理场景单一。近些年来，基于深度学习的图像处理方法发展迅速，与传统方法相比，基于深度学习的方法可以自动地从数据集中提取特征并拥有更强的泛化能力，因此得到了更广泛的应用。基于深度学习的图像处理方法需要大量的数据集训练模型，而在卫浴陶瓷的缺陷检测过程中获得大量的数据集是非常困难的。因此基于卫浴陶瓷数据的扩充进而获得更多的数据集就成为了本领域的研究重点。
目前获取卫浴陶瓷数据集主要采用人工筛选缺陷并标记的方法，但是卫浴陶瓷检测的特点是训练集和测试集的图像有显著的差异。在实际的生产流水线中，修改生成流程具有很高的成本，在检测工人人工筛选过的缺陷产品中进行收集具有缺陷的卫浴陶瓷产品数据，会导致收集到的数据中会带上人工标记的痕迹，然而在实际的检测测试中，是不会出现这些标记的，同时由于检测工人各自的习惯上的不同，其标记方式也不尽相同。这些原因导致深度学习方法的训练集和测试集的图像存在差异，使得模型的训练集和测试集数据不满足独立同分布的先验假设，影响深度学习模型的缺陷检测能力，进使卫浴陶瓷缺陷的检测能力低。
发明内容
本发明目的是为了解决目前的卫浴陶瓷缺陷检测方法中对数据的扩增无法使训练集和数据集满足独立分布的先验假设进而导致卫浴陶瓷缺陷的检测能力低的问题，而提出了一种用于卫浴陶瓷缺陷检测的数据增广方法。
一种用于卫浴陶瓷缺陷检测的数据增广方法具体过程为：
获取待生成卫浴陶瓷图像的随机向量，并将待生成卫浴陶瓷图像的随机向量输入到训练好的GAN网络中，获得增广后的卫浴陶瓷图像数据集；所述待生成卫浴陶瓷图像的随机向量的维度是512维；所述待生成卫浴陶瓷图像的随机向量利用高斯混合模型获得；所述高斯混合模型的参数使用迭代公式更新，直至收敛，完成迭代更新后，随机生成若干个待生成卫浴陶瓷图像的随机向量；
所述GAN网络包括：生成器、鉴别器；
所述生成器用于利用随机向量生成卫浴陶瓷图像，生成器包括：多层感知机、全连接层和卷积层、串联块单元；
所述多层感知机包括：多层全连接层；所述串联块单元包括多层依次连接的串联块，每层串联块包括一个生成块和一个上采样块；
所述上采样块用于生成块的输出进行上采样；
所述生成块包括：一个Modulation、一个Demodulation和一个卷积；
所述卷积的卷积核的大小为3x3，步距为1，填充像素为1，激活函数为leakyReLU；
其中，多层感知机的输出是每一层串联块中生成块的输入也是全连接层和卷积层的输入，全连接层和卷积层的输出是第一层串联块中生成块的输入，除第一层串联块以外的其他层串联块中的生成块的输入为上一层串联块的输出和多层感知机的输出；
所述鉴别器用于鉴别生成器生成的图像真伪。本发明的有益效果为：
本发明使用传统的图像处理的方法，增加GAN网络在训练集中的没有标记的样本，解决了训练集数据分布不均匀问题。本发明利用辅助参数FID判断GAN网络的训练过程，避免了由于鉴别器的损失函数值会随着训练过程出现交替震荡，螺线上升的情况，从而导致鉴别器的损失函数值难以判断网络的训练状态的问题。本发明将GAN网络与高斯混合模型结合处理随机向量，使训练集和数据集可以满足独立分布的先验假设，同时还可以控制生成图像的特征，从而提高卫浴陶瓷缺陷的检测能力。
附图说明
图1为本发明的示意图；
图2为特征解耦网络示意图；
图3为生成块网络示意图；
图4为生成器网络示意图；
图5为FID参数随迭代次数变化曲线图；
图6为实际图像和生成图像的对比图；
图7为生成器生成的100张具有标记的卫浴陶瓷图像；
图8为生成器生成的100张不具有标记的卫浴陶瓷图像；
图9为三组对比实验的准确率对比图。
具体实施方式
具体实施方式一：本实施方式一种用于卫浴陶瓷缺陷检测的数据增广方法具体过程为：
获取待生成卫浴陶瓷图像的随机向量，并将待生成卫浴陶瓷图像的随机向量输入到训练好的GAN网络中，获得增广后的卫浴陶瓷图像数据集；(如图1)
所述待生成卫浴陶瓷图像的随机向量的维度是512维；所述待生成卫浴陶瓷图像的随机向量利用高斯混合模型获得；所述高斯混合模型的参数使用迭代公式更新，直至收敛，完成迭代更新后，随机生成30000个待生成图像的随机向量输入到GAN网络中，生成并保存30000张图像。高斯混合模型分别拟合了有标记和无标记的图像对应待生成图像的随机向量的分布。
所述GAN网络包括：生成器、鉴别器；
所述生成器用于利用随机向量生成卫浴陶瓷图像，生成器包括：多层感知机、全连接层和卷积层、串联块单元；(如图4)
所述多层感知机包括：8层全连接层；
所述串联块单元包括多层依次连接的串联块，每层串联块包括一个生成块和一个上采样块；
所述生成块包括：一个Modulation、一个Demodulation和一个卷积(如图3)；
所述卷积的卷积核的大小为3x3，步距为1，填充像素为1，激活函数为LeakyReLU；
所述生成块和上采样块间隔串联；
所述上采样块用于生成块的输出进行上采样；
其中，多层感知机的输出是每一层串联块中生成块的输入也是全连接层和卷积层的输入，全连接层和卷积层的输出是第一层串联块中生成块的输入，除第一层串联块以外的其他层串联块中的生成块的输入为上一层串联块的输出和多层感知机的输出；
所述鉴别器用于鉴别生成器生成的图像真伪。
具体实施方式二：所述训练好的GAN网络，通过以下方式获得：
S1、获取人工筛选过的卫浴陶瓷图像，并对人工筛选过的卫浴陶瓷图像中有标记的图像进行处理，获得卫浴陶瓷图像训练集；
所述人工筛选过的卫浴陶瓷图像包括：有标记的卫浴陶瓷图像(有缺陷的)、无标记的卫浴陶瓷图像(无缺陷的)；
所述人工筛选过的卫浴陶瓷图像中有标记的图像进行处理，包括以下步骤：
S101、获取人工筛选过的卫浴陶瓷图像，提取有标记的卫浴陶瓷缺陷图像中的缺陷，并将提取出的缺陷融合到无缺陷的卫浴陶瓷图像中，获得新的有标记的卫浴陶瓷图像即有标记的样本；
S102、将有标记的样本中缺陷部分周边的标记物清除，然后将清除部分进行填充周围白色的插值再对样本进行平滑操作；
所述将清除部分进行填充为周围白色的差值。
本步骤的效果为：在实际的生产流水线中，修改生成流程具有很高的成本，收集具有缺陷的卫浴陶瓷产品数据需要在检测工人人工筛选过的缺陷产品中进行，故而收集到的数据中会带上人工标记的痕迹，故使用图像处理的方法，增加GAN网络在训练集中的没有标记的样本，解决训练集数据分布不均匀问题。
S2、利用S1获取的训练集训练GAN网络，获取训练好的GAN网络：
步骤S201、获取随机向量，将随机向量作为输入z输入到多层感知机(MLP)中，获取输出向量w，结构见图2；
所述随机向量的维度为512维；
步骤S202、将输出向量w输入到全连接层和卷积层中，获得风格输入变量；
步骤S203、首先，将固定参数矩阵和风格输入变量的加权和、输出向量w输入到第一层串联块中的生成块中获得第一个生成图像，再将第一层串联块中的生成块处理后的输出向量w1输入到第一层串联块中的上采样块中，获得第一层串联块输出结果；然后，将第一层串联块输出结果和输出向量w输入到串联块的第二个生成块中获得第二个生成图像，依次类推生成多个不同分辨率的图像，再将所有不同分辨率的图像加权求和获得最终输出图像，多个最终输出图像组成生成图像数据集；(如图4，通过不断叠加生成块，可以生成更高分辨率的图像)；
所述固定参数矩阵是可训练的参数矩阵，在GAN网络参数初始化时固定参数矩阵被初始化为随机数，网络训练完成之后，固定参数矩阵则为固定的常数矩阵；
其中，输出向量w输入生成块中对生成块的卷积核归一化，归一化后的卷积核参数如下：
Figure BDA0003284836310000041
其中，
w′ijn＝si·wijn
其中wijn代表卷积核的原参数，si代表训练过程中GAN网络学习到的缩放系数，w'ijn代表卷积核缩放后的参数，w″ijn代表卷积核归一化后的参数，∈是常数，实验中取10-8，n表示第几个卷积核(i，j)卷积核的位置坐标。
步骤S204、采用Wasserstein距离代替JS散度，训练GAN网络中的参数，获得训练好的GAN网络，所述Wasserstein距离表达式如下：
Figure BDA0003284836310000051
其中，Π(Pr,Pg)是Pr,Pg所有可能的联合概率分布，Pr,Pg分别是训练集的分布和生成图像数据集的分布，x和y分别是服从Pr,Pg分布的随机变量，r和g表示两个不同的随机分布，
Figure BDA0003284836310000053
是期望，inf是取下确界运算符，c是Pr,Pg所有可能的联合概率分布中任意一个分布；
本实施方式中，Wasserstein距离与JS散度相比，前者可以度量两个完全没有重合区域的分布的距离，而在训练初始时，生成器生成的数据完全随机，与训练集有较大差距，故选择用Wasserstein距离优化迭代过程。
具体实施方式三：所述训练GAN过程中，在线对卫浴陶瓷训练集中的卫浴陶瓷图像使用几何变换、颜色调整等传统的数据增广的方法，增加卫浴陶瓷训练集中的样本的数量，其中每一种数据增广的方式都以相同的概率p决定是否发生。通常情况下，取0＜p＜0.8较合适，此时可以避免将增广的数据泄露到生成器中，而且会减少生成器和鉴别器恶性竞争的情况。
具体实施方式四：所述利用训练集训练GAN过程中利用辅助参数FID值判断GAN网络训练状态；所述FID值通过以下方式获得：
首先，使用图像分类器(InceptionV3等)网络提取卫浴陶瓷图像训练集和生成图像数据集中的图像特征；
然后、利用提取的图像特征获取辅助参数FID值：
Figure BDA0003284836310000052
其中，b是卫浴陶瓷训练集中的图像特征，d是生成图像数据集中的图像特征，μb和μd分别表示b和d的均值，Σb和Σd分别表示b和d的协方差矩阵，Tr()是矩阵求迹函数，(如图5)。
由于计算FID参数需要的资源比较多，每训练一次后计算一次开销较大影响速度，故选择间隔一定的训练次数计算一次FID参数，所述FID越低越好。
本实施方式效果为：在GAN网络的训练过程中，鉴别器的损失函数值的大小由生成器的生成能力以及鉴别器的辨识能力共同决定，所以鉴别器的损失函数值会随着训练过程出现交替震荡，螺线上升的情况，故仅通过鉴别器的损失函数值难以判断网络的训练状态。由于GAN的目的生成和训练集在统计上尽量接近的图片，故而可以通过训练集图像和生成集图像的分布距离来判断网络的训练状态，所以选取辅助参数FID用于判断网络训练过程
具体实施方式五：所述高斯混合模型的参数使用迭代公式更新，直至收敛，所述迭代公式如下：
Figure BDA0003284836310000061
Figure BDA0003284836310000062
Figure BDA0003284836310000063
Figure BDA0003284836310000064
其中，k∈[1,K]，K是混合高斯模型中高斯模型的总个数，m∈[1,M]，M代表从高斯混合分布中采样的总个数，ym是第m个采样值，γmk是第k个高斯分模型对采样数据ym的响应程度，θk是第k个高斯模型的参数总称，包括均值μk和方差
Figure BDA0003284836310000065
φ是高斯模型的分布函数，αk高斯混合模型中第k个高斯模型的系数，^是估计值符号。
实施例：
(1)实验环境使用的电脑有两颗E5-21678 v3 CPU，四块2080Ti显卡和128GB内存。
选用在卫浴陶瓷生产流水线中采集到的269张棕眼缺陷图像和48张釉料杂质缺陷图像。在棕眼缺陷的图像中有大部分的图像中有质检工人人工标记的红色标记，而在釉料杂质图像中有记号的图像的比例相当小，在实际检测中，出现这两种缺陷的样本中都不会有红色的记号。按照S1的方法，在棕眼缺陷图像中增加4张没有红色标记的图片，在釉料杂质图像中增加4张带有红色标记的图片，最后得到325张训练集图像。统一以缺陷位置为中心，以原始大小裁剪为1024x1024、512x512像素大小的图像，最后统一缩放成1024x1024像素大小。选用244张有棕眼缺陷的图像，83张有釉料杂质缺陷的图像，共计327张作为测试集。
为进一步说明本发明的有效性，设计三组对比试验。
实验组1中的训练集使用原始的325张图像。
实验组2中的训练集使用传统的概率的方法进行增广。每张图像以0.9的概率被旋转90°，0.6的概率被旋转180°，0.6的概率被上下或左右镜像，0.9的概率被轻微扭曲。最后得到1325张图像。
实验组3中的训练集按照本发明中的方法进行增广，得到602张图像。
三组对比实验，每组均使用resnet50、resnet101、alexnet、vgg16、squezzenet、densent、inception共七个不同的分类网络进行训练，之后在测试集上统计准确率。三组对比实验除训练集增广方法不同以外，其他条件均一致。
(2)实验结果：
按照本发明所提出的方法，经过42天的时间训练以后，人中终止训练过程，此时FID参数已降至35，其随迭代次数变化曲线图见图5。可以看出FID参数任有下降的趋势，但是下降速度缓慢故而人工终止了训练过程。实际图像和生成图像的对比图见图6。此时真实图像和生成图像基本已经无法肉眼区分，可以看出生成的图像具有丰富的变化，同时没有发生模式坍塌。生成器生成的100张具有标记的卫浴陶瓷图像见图7。生成器生成的100张不具有标记的卫浴陶瓷图像见图8。可以看出通过控制高斯混合模型的参数，已经可以控制生成的图像中有无标记，故而可以使用该方法生成具有特定特征的图像。
图9为三组对比实验的准确率对比图。使用原始数据集后，分类网络的准确率基本都在0.75左右，而传统的数据增广方法，使得准确率有微小的提升，而本发明提供的数据增广方法，使得准确率有10％左右的提升。
从以上仿真结果可知，本发明所公开的一种基于卫浴陶瓷缺陷检测的数据增广方法，能够有效的从缺陷样本中提取有效的特征并将其进行组合和生成，使得生成的图像达到以假乱真的效果，同时还可以控制生成的图像摆脱原始图像中存在的人工标记的痕迹，具有一定的理论和实际工程价值。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。

Claims (8)

1.一种用于卫浴陶瓷缺陷检测的数据增广方法，其特征在于所述方法具体过程为：
获取待生成卫浴陶瓷图像的随机向量，并将待生成卫浴陶瓷图像的随机向量输入到训练好的GAN网络中，获得增广后的卫浴陶瓷图像数据集；利用增广后的卫浴陶瓷图像数据集训练卫浴陶瓷缺陷检测网络获得训练好的卫浴陶瓷缺陷检测网络，将待检测缺陷的卫浴陶瓷输入到训练好的卫浴陶瓷缺陷检测网络中获得缺陷检测结果；
所述待生成卫浴陶瓷图像的随机向量的维度是512维；所述待生成卫浴陶瓷图像的随机向量利用高斯混合模型获得；所述高斯混合模型的参数使用迭代公式更新，直至收敛，完成迭代更新后，随机生成若干个待生成卫浴陶瓷图像的随机向量；
所述GAN网络包括：生成器、鉴别器；
所述生成器用于利用随机向量生成卫浴陶瓷图像，生成器包括：多层感知机、全连接层和卷积层、串联块单元；
所述多层感知机包括：多层全连接层；
所述串联块单元包括多层依次连接的串联块，每层串联块包括一个生成块和一个上采样块；
所述上采样块用于生成块的输出进行上采样；
所述生成块包括：一个调制单元、一个解调单元和一个卷积；
所述卷积的卷积核的大小为3x3，步距为1，填充像素为1，激活函数为leakyReLU；
其中，多层感知机的输出是每一层串联块中生成块的输入也是全连接层和卷积层的输入，全连接层和卷积层的输出是第一层串联块中生成块的输入，除第一层串联块以外的其他层串联块中的生成块的输入为上一层串联块的输出和多层感知机的输出；
所述鉴别器用于鉴别生成器生成的图像真伪；
训练GAN网络的过程中利用辅助参数FID值判断GAN网络训练状态；所述FID值通过以下方式获得：
首先，提取卫浴陶瓷图像训练集和生成图像数据集中的图像特征；
然后、利用提取的图像特征获取辅助参数FID值：
Figure FDA0003627417620000011
其中，b是卫浴陶瓷训练集中的图像特征，d是生成图像数据集中的图像特征，μb和μd分别是b和d的均值，Σb和Σd分别是b和d的协方差矩阵，Tr()是矩阵求迹函数；
其中，间隔L次训练计算一次FID的值；
高斯混合模型的参数使用迭代公式更新，迭代公式如下：
Figure FDA0003627417620000021
Figure FDA0003627417620000022
Figure FDA0003627417620000023
Figure FDA0003627417620000024
其中，k∈[1,K]，K是混合高斯模型中高斯模型的总个数，m∈[1,M]，M代表从高斯混合分布中采样的总个数，ym是第m个采样值，γmk是第k个高斯分模型对采样数据ym的响应程度，θk是第k个高斯模型的参数总称，包括均值μk和方差
Figure FDA0003627417620000025
φ是高斯模型的分布函数，αk高斯混合模型中第k个高斯模型的系数，^是估计值符号。
2.根据权利要求1所述的一种用于卫浴陶瓷缺陷检测的数据增广方法，其特征在于：所述训练好的GAN网络，通过以下方式获得：
S1、获取人工筛选过的卫浴陶瓷图像，并对人工筛选过的卫浴陶瓷图像中有标记的图像进行处理，获得卫浴陶瓷图像训练集；
所述人工筛选过的卫浴陶瓷图像包括：有标记的卫浴陶瓷图像、无标记的卫浴陶瓷图像；
S2、利用S1获取的卫浴陶瓷图像训练集训练GAN网络，获取训练好的GAN网络，包括以下步骤：
S201、获取随机向量，将随机向量作为输入z输入到多层感知机中，获得输出向量w；
所述随机向量的维度是512维；
S202、将输出向量w输入到全连接层和卷积层中，获得风格输入变量；
S203、首先，将固定参数矩阵和风格输入变量的加权和、输出向量w输入到第一层串联块中的生成块中获得第一个生成图像，再将第一层串联块中的生成块处理后的输出向量w1输入到第一层串联块中的上采样块中，获得第一层串联块输出结果；然后，将第一层串联块输出结果和输出向量w输入到串联块的第二个生成块中获得第二个生成图像，依次类推生成多个不同分辨率的图像，再将所有不同分辨率的图像加权求和获得最终输出图像，多个最终输出图像组成生成图像数据集；
所述固定参数矩阵是可训练的参数矩阵；
其中，输出向量w输入到生成块中对生成块的卷积核归一化；
S204、利用卫浴陶瓷图像训练集和生成图像数据集训练GAN网络，获得训练好的GAN网络。
3.根据权利要求2所述的一种用于卫浴陶瓷缺陷检测的数据增广方法，其特征在于：所述S1中对人工筛选过的卫浴陶瓷图像中有标记的图像进行处理，包括以下步骤：
S101、获取人工筛选过的卫浴陶瓷图像，提取有标记的卫浴陶瓷缺陷图像中的缺陷，并将提取出的缺陷融合到无缺陷的卫浴陶瓷图像中，获得新的有标记的卫浴陶瓷图像即有标记的样本；
S102、将有标记的样本中缺陷部分周边的标记物清除，然后将清除部分进行填充周围白色的插值再对样本进行平滑操作，获得处理后的图像。
4.根据权利要求3所述的一种用于卫浴陶瓷缺陷检测的数据增广方法，其特征在于：所述S203中输出向量w输入到生成块中对生成块的卷积核归一化，归一化后的卷积核参数如下：
Figure FDA0003627417620000031
其中wijn代表卷积核的原参数，w'ijn代表卷积核缩放后的参数，w″ijn代表卷积核归一化后的参数，∈是常数，n表示第几个卷积核，(i，j)是卷积核的位置坐标。
5.根据权利要求4所述的一种用于卫浴陶瓷缺陷检测的数据增广方法，其特征在于：所述w′ijn＝si·wijn；
其中，si是缩放系数。
6.根据权利要求5所述的一种用于卫浴陶瓷缺陷检测的数据增广方法，其特征在于：所述S204中利用卫浴陶瓷图像训练集和生成图像数据集训练GAN网络，采用如下公式：
Figure FDA0003627417620000032
其中，Π(Pr,Pg)是Pr,Pg所有可能的联合概率分布，Pr,Pg分别是训练集的分布和生成图像数据集的分布，x和y分别是服从Pr,Pg分布的随机变量，W(·)是Wasserstein距离，
Figure FDA0003627417620000033
是期望，inf是取下确界运算符。
7.根据权利要求6所述的一种用于卫浴陶瓷缺陷检测的数据增广方法，其特征在于：所述训练GAN网络的过程中，在线对卫浴陶瓷图像训练集中的卫浴陶瓷图像使用几何变换、颜色调整的数据增广的方法增加卫浴陶瓷图像训练集中的样本数量；
其中，每一种数据增广的方式都以相同的概率p决定是否发生。
8.根据权利要求7所述的一种用于卫浴陶瓷缺陷检测的数据增广方法，其特征在于：0＜p＜0.8。
CN202111144398.2A 2021-09-28 2021-09-28 一种用于卫浴陶瓷缺陷检测的数据增广方法 Active CN113850335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111144398.2A CN113850335B (zh) 2021-09-28 2021-09-28 一种用于卫浴陶瓷缺陷检测的数据增广方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111144398.2A CN113850335B (zh) 2021-09-28 2021-09-28 一种用于卫浴陶瓷缺陷检测的数据增广方法

Publications (2)

Publication Number Publication Date
CN113850335A CN113850335A (zh) 2021-12-28
CN113850335B true CN113850335B (zh) 2022-06-21

Family

ID=78980408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111144398.2A Active CN113850335B (zh) 2021-09-28 2021-09-28 一种用于卫浴陶瓷缺陷检测的数据增广方法

Country Status (1)

Country Link
CN (1) CN113850335B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445785B (zh) * 2022-04-11 2022-06-21 广东省农业科学院植物保护研究所 基于物联网的荔枝虫害监测预警方法、系统及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038853B (zh) * 2017-12-18 2020-05-26 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
US11551034B2 (en) * 2019-10-09 2023-01-10 Ancestry.Com Operations Inc. Adversarial network for transforming handwritten text
CN110826416B (zh) * 2019-10-11 2023-05-30 佛山科学技术学院 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN111340791A (zh) * 2020-03-02 2020-06-26 浙江浙能技术研究院有限公司 一种基于gan改进算法的光伏组件无监督缺陷检测方法

Also Published As

Publication number Publication date
CN113850335A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN111080629B (zh) 一种图像拼接篡改的检测方法
CN111368342B (zh) 图像篡改识别模型训练方法、图像篡改识别方法及装置
CN108416266B (zh) 一种利用光流提取运动目标的视频行为快速识别方法
CN111127374B (zh) 一种基于多尺度密集网络的Pan-sharpening方法
WO2016165082A1 (zh) 基于深度学习的图像隐写检测方法
CN113673590B (zh) 基于多尺度沙漏密集连接网络的去雨方法、系统和介质
CN110569730B (zh) 一种基于U-net神经网络模型的路面裂缝自动识别方法
CN109671071A (zh) 一种基于深度学习的地下管道缺陷定位及等级判定方法
CN112926652B (zh) 一种基于深度学习的鱼类细粒度图像识别方法
CN111178121B (zh) 基于空间特征和深度特征强化技术的害虫图像定位识别方法
CN111524144A (zh) 一种基于GAN和Unet网络的肺结节智能诊断方法
CN110751195A (zh) 一种基于改进YOLOv3的细粒度图像分类方法
CN113850335B (zh) 一种用于卫浴陶瓷缺陷检测的数据增广方法
CN116205876A (zh) 基于多尺度标准化流的无监督笔记本外观缺陷检测方法
CN112528058A (zh) 基于图像属性主动学习的细粒度图像分类方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN114529730A (zh) 一种基于lbp特征的卷积神经网络地面材质图像分类方法
CN111401209B (zh) 一种基于深度学习的动作识别方法
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN112270404A (zh) 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法
CN111325724A (zh) 隧道裂纹区域检测方法和装置
CN106934344B (zh) 一种基于神经网络的快速行人检测方法
CN115953678A (zh) 一种基于局部灰度极值点和特征融合的路面破损检测方法
CN114821098A (zh) 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法
CN114862883A (zh) 一种目标边缘提取方法、图像分割方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant