CN114943673A - 瑕疵图像生成方法、装置、电子设备及存储介质 - Google Patents
瑕疵图像生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114943673A CN114943673A CN202110183339.XA CN202110183339A CN114943673A CN 114943673 A CN114943673 A CN 114943673A CN 202110183339 A CN202110183339 A CN 202110183339A CN 114943673 A CN114943673 A CN 114943673A
- Authority
- CN
- China
- Prior art keywords
- image
- generator
- loss value
- flaw
- generating
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007547 defect Effects 0.000 title claims description 31
- 238000012549 training Methods 0.000 claims abstract description 75
- 230000002950 deficient Effects 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像生成领域,提供一种瑕疵图像生成方法、装置、电子设备及存储介质。所述方法包括:根据无瑕疵样本图像和第一噪声向量生成第一输入数据,将自编码器作为生成对抗网络的生成器,将第一输入数据输入至生成器,选择瑕疵样本图像作为第一输出图像,通过生成器生成瑕疵训练图像,计算第一损失值,将瑕疵训练图像输入判别器计算第二损失值,由第一、第二损失值得到第三损失值,优化得到瑕疵图像对抗网络,获取无瑕疵测试图像,将无瑕疵测试图像和第二噪声输入生成器生成瑕疵图像。本发明可以生成与瑕疵样本图像近似的瑕疵图像,产生多样的瑕疵样本图像。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种瑕疵图像生成方法、装置、电子设备及存储介质。
背景技术
对产品做表面瑕疵进行检测时,由于表面瑕疵样本不易收集,很难建立全面的瑕疵样本数据,在使用样本图像训练分类网络进行瑕疵检测时,因为没有各种瑕疵样本的型态,使得瑕疵检测结果精度不高。
发明内容
鉴于以上内容,有必要提出一种瑕疵图像生成方法、装置、电子设备及存储介质以生成与真实瑕疵样本图像类似的瑕疵图像。
本申请的第一方面提供一种瑕疵图像生成方法,包括:
根据无瑕疵样本图像和第一噪声向量生成第一输入数据,将自编码器作为生成对抗网络的生成器,将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像;
使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值;
将所述瑕疵训练图像输入所述生成对抗网络的判别器,通过所述生成对抗网络的损失函数计算第二损失值;
根据所述第一损失值和所述第二损失值得到第三损失值,根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,将优化后的所述生成对抗网络作为瑕疵图像对抗网络;
获取无瑕疵测试图像,将所述无瑕疵测试图像和第二噪声输入所述瑕疵图像对抗网络的生成器,通过所述瑕疵图像对抗网络的生成器对所述无瑕疵测试图像和所述第二噪声进行处理后生成瑕疵图像。
优选地,所述根据无瑕疵样本图像和第一噪声向量生成第一输入数据包括:
将所述无瑕疵样本图像进行向量化处理,得到所述无瑕疵样本图像的特征向量;
使用预设的噪声生成方法生成符合高斯随机分布的所述第一噪声向量;
拼接所述无瑕疵样本图像的特征向量与所述第一噪声向量,得到所述第一输入数据。
优选地,所述将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像包括:
将所述第一输入数据输入所述生成器;
利用所述生成器中的编码层对所述第一输入数据进行运算,得到所述第一输入数据的隐向量;
选择所述瑕疵样本图像作为第一输出图像;
利用所述生成器中的解码层根据所述第一输入数据的隐向量重建所述第一输出图像,得到瑕疵训练图像。
优选地,所述使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值包括:
根据所述无瑕疵样本图像得到所述无瑕疵样本图像的第一像素矩阵;
根据所述瑕疵训练图像得到所述瑕疵训练图像的第二像素矩阵;
计算所述第一像素矩阵与所述第二像素矩阵的均方差,并将所述均方差作为所述第一损失值。
优选地,所述生成对抗网络的损失函数的计算公式为 其中,G为所述生成器,t~Pdata(t)表示瑕疵样本训练数据集t的分布,D(t)表示判别器D对瑕疵样本训练数据集t中的样本进行真假判别,E表示输出期望,条件变量d为所述第一输出图像,z~pz(z)表示随机高斯噪声z的先验高斯分布,D(G(z|d|))表示判别器D对条件变量d下的生成器G的输出是否属于所述瑕疵样本训练数据集的判别结果。
优选地,所述根据所述第一损失值和所述第二损失值得到第三损失值包括:
依据公式Loss=αLoss1+βLoss2对所述第一损失值和所述第二损失值加权求和得到所述第三损失值,其中,Loss为所述第三损失值,α为所述第一损失值的权重,Loss1为所述第一损失值,β为第二损失值的权重,Loss2为所述第二损失值。
优选地,所述根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,得到瑕疵图像对抗网络包括:
以所述第三损失值为损失函数,调整所述生成器与所述判别器的参数;
当所述判别器对所述生成器的输出的判断准确率满足预设条件时,停止对所述生成器和所述判别器的优化。
本申请的第二方面提供一种瑕疵图像生成装置,所述装置包括:
训练图像生成模块,用于根据无瑕疵样本图像和第一噪声向量生成第一输入数据,将自编码器作为生成对抗网络的生成器,将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像;
第一损失值计算模块,用于使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值;
第二损失值计算模块,用于将所述瑕疵训练图像输入所述生成对抗网络的判别器,通过所述生成对抗网络的损失函数计算第二损失值;
对抗网络优化模块,用于根据所述第一损失值和所述第二损失值得到第三损失值,根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,将优化后的所述生成对抗网络作为瑕疵图像对抗网络;
瑕疵图像生成模块,用于获取无瑕疵测试图像,将所述无瑕疵测试图像和第二噪声输入所述瑕疵图像对抗网络的生成器,通过所述瑕疵图像对抗网络的生成器对所述无瑕疵测试图像和所述第二噪声进行处理后生成瑕疵图像。
本申请的第三方面提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述瑕疵图像生成方法。
本申请的第四方面提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的瑕疵图像生成方法。
利用本发明,可以生成与瑕疵样本图像近似的瑕疵图像,可以产生多样且全面的瑕疵图像,以实现后续利用瑕疵图像对基于深度学习或神经网络的图像瑕疵检测模型进行训练和优化,从而最终提高瑕疵检测的准确率。
附图说明
图1为本发明一实施方式中瑕疵图像生成方法的流程图。
图2为本发明一实施方式中瑕疵图像生成装置的结构图。
图3为本发明一实施方式中电子设备的示意图。
主要元件符号说明
瑕疵图像生成装置 | 30 |
训练图像生成模块 | 301 |
第一损失值计算模块 | 302 |
第二损失值计算模块 | 303 |
对抗网络优化模块 | 304 |
瑕疵图像生成模块 | 305 |
电子设备 | 6 |
存储器 | 61 |
处理器 | 62 |
计算机程序 | 63 |
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体地实施例的目的,不是旨在于限制本发明。
优选地,本发明瑕疵图像生成方法应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述电子设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例1
图1是本发明一实施方式中瑕疵图像生成方法的流程图。所述瑕疵图像生成方法应用于电子设备中。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
参阅图1所示,所述瑕疵图像生成方法具体包括以下步骤:
步骤S11,根据无瑕疵样本图像和第一噪声向量生成第一输入数据,将自编码器作为生成对抗网络的生成器,将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像。
在本发明的至少一个实施例中,所述方法包括:
获取无瑕疵样本训练数据集与瑕疵样本训练数据集,所述无瑕疵样本数据集包括无瑕疵样本图像,所述瑕疵样本训练数据集包括瑕疵样本图像。
在本发明的至少一个实施例中,所述根据无瑕疵样本图像和第一噪声向量生成第一输入数据包括:
将所述无瑕疵样本图像进行向量化处理,得到所述无瑕疵样本图像的特征向量;
使用预设的噪声生成方法生成符合高斯随机分布的所述第一噪声向量;
拼接所述无瑕疵样本图像的特征向量与所述第一噪声向量,得到所述第一输入数据。
例如,当无瑕疵样本图像的特征向量为[x1,x2,x3,…,xn],第一噪声向量为[y1,y2,y3,…,ym]时,拼接所述无瑕疵样本图像的特征向量与所述第一噪声向量,得到所述第一输入数据[x1,x2,x3,…,xn,y1,y2,y3,…,ym]
在本发明的至少一个实施例中,所述将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像包括:
将所述第一输入数据输入所述生成器;
利用所述生成器中的编码层对所述第一输入数据进行运算,得到所述第一输入数据的隐向量;
选择所述瑕疵样本图像作为第一输出图像;
利用所述生成器中的解码层根据所述第一输入数据的隐向量重建所述第一输出图像,得到瑕疵训练图像。
步骤S12,使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值。
在本发明的至少一个实施例中,所述使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值包括:
根据所述无瑕疵样本图像得到所述无瑕疵样本图像的第一像素矩阵;
根据所述瑕疵训练图像得到所述瑕疵训练图像的第二像素矩阵;
计算所述第一像素矩阵与所述第二像素矩阵的均方差,并将所述均方差作为所述第一损失值。
具体地,计算所述第一像素矩阵与所述第二像素矩阵的均方差的公式为 其中MSE为所述均方差,n为所述第一像素矩阵与所述第二像素矩阵的像素数量,yi为所述第一像素矩阵的第i个向量,为所述第二像素矩阵中的第i个向量。
步骤S13,将所述瑕疵训练图像输入所述生成对抗网络的判别器,通过所述生成对抗网络的损失函数计算第二损失值。
在本发明的至少一个实施例中,所述判别器用于判断所述瑕疵训练图像是否属于所述瑕疵样本训练数据集。
在本发明的至少一个实施例中,所述生成对抗网络的损失函数的计算公式为其中,G为所述生成器,t~Pdata(t)表示瑕疵样本训练数据集t的分布,D(t)表示判别器D对瑕疵样本训练数据集t中的样本进行真假判别,E表示输出期望,条件变量d为所述第一输出图像,z~pz(z)表示随机高斯噪声z的先验高斯分布,D(G(z|d|))表示判别器D对条件变量d下的生成器G的输出是否属于所述瑕疵样本训练数据集的判别结果。
步骤S14,根据所述第一损失值和所述第二损失值得到第三损失值,根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,将优化后的所述生成对抗网络作为瑕疵图像对抗网络。
在本发明的至少一个实施例中,所述根据所述第一损失值和所述第二损失值得到第三损失值包括:
依据公式Loss=αLoss1+βLoss2对所述第一损失值和所述第二损失值加权求和得到所述第三损失值,其中,Loss为所述第三损失值,α为所述第一损失值的权重,Loss1为所述第一损失值,β为第二损失值的权重,Loss2为所述第二损失值。
在本发明的至少一个实施例中,所述根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,得到瑕疵图像对抗网络包括:
以所述第三损失值为损失函数,调整所述生成器与所述判别器的参数;
当所述判别器对所述生成器的输出的判断准确率满足预设条件时,停止对所述生成器和所述判别器的优化。
步骤S15,获取无瑕疵测试图像,将所述无瑕疵测试图像和第二噪声输入所述瑕疵图像对抗网络的生成器,通过所述瑕疵图像对抗网络的生成器对所述无瑕疵测试图像和所述第二噪声进行处理后生成瑕疵图像。
在本发明的至少一个实施例中,所述将所述无瑕疵测试图像和第二噪声输入所述瑕疵图像对抗网络的生成器,通过所述瑕疵图像对抗网络的生成器对所述无瑕疵测试图像和所述第二噪声进行处理后生成瑕疵图像包括:
将所述无瑕疵测试图像进行向量化处理,得到所述无瑕疵测试图像的特征向量;
使用预设的噪声生成方法生成符合高斯随机分布的第二噪声向量;
拼接所述无瑕疵样本图像的特征向量与所述第二噪声向量,得到第二输入数据;
将所述第二输入数据输入所述瑕疵图像对抗网络的生成器;
利用所述瑕疵图像对抗网络的生成器中的编码层对第二输入数据进行运算,得到所述第二输入数据的隐向量;
利用所述瑕疵图像对抗网络的生成器根据所述第一输入数据的隐向量得到瑕疵图像。
利用本申请,可以生成与瑕疵样本图像近似的瑕疵图像,可以产生多样且全面的瑕疵图像,以实现后续利用瑕疵图像对基于深度学习或神经网络的图像瑕疵检测模型进行训练和优化,从而最终提高瑕疵检测的准确率。
实施例2
图2为本发明一实施方式中瑕疵图像生成装置30的结构图。
在一些实施例中,所述瑕疵图像生成装置30运行于电子设备中。所述瑕疵图像生成装置30可以包括多个由程序代码段所组成的功能模块。所述瑕疵图像生成装置30中的各个程序段的程序代码可以存储于存储器中,并由至少一个处理器所执行,以执行瑕疵图像生成功能。
本实施例中,所述瑕疵图像生成装置30根据其所执行的功能,可以被划分为多个功能模块。参阅图2所示,所述瑕疵图像生成装置30可以包括训练图像生成模块301,第一损失值计算模块302,第二损失值计算模块303、对抗网络优化模块304及瑕疵图像生成模块305。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。所述在一些实施例中,关于各模块的功能将在后续的实施例中详述。
所述训练图像生成模块301根据无瑕疵样本图像和第一噪声向量生成第一输入数据,将自编码器作为生成对抗网络的生成器,将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像。
在本发明的至少一个实施例中,所述训练图像生成模块301获取无瑕疵样本训练数据集与瑕疵样本训练数据集,所述无瑕疵样本数据集包括无瑕疵样本图像,所述瑕疵样本训练数据集包括瑕疵样本图像。
在本发明的至少一个实施例中,所述训练图像生成模块302根据无瑕疵样本图像和第一噪声向量生成第一输入数据包括:
将所述无瑕疵样本图像进行向量化处理,得到所述无瑕疵样本图像的特征向量;
使用预设的噪声生成方法生成符合高斯随机分布的所述第一噪声向量;
拼接所述无瑕疵样本图像的特征向量与所述第一噪声向量,得到所述第一输入数据。
在本发明的至少一个实施例中,所述训练图像生成模块302将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像包括:
将所述第一输入数据输入所述生成器;
利用所述生成器中的编码层对所述第一输入数据的所述特征向量进行运算,得到所述第一输入数据的隐向量;
选择所述瑕疵样本图像作为第一输出图像;
利用所述生成器中的解码层根据所述第一输入数据的隐向量重建所述第一输出图像,得到瑕疵训练图像。
所述第一损失值计算模块302使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值。
在本发明的至少一个实施例中,所述使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值包括:
根据所述无瑕疵样本图像得到所述无瑕疵样本图像的第一像素矩阵;
根据所述瑕疵训练图像得到所述瑕疵训练图像的第二像素矩阵;
计算所述第一像素矩阵与所述第二像素矩阵的均方差,并将所述均方差作为所述第一损失值。
具体地,计算所述第一像素矩阵与所述第二像素矩阵的均方差的公式为 其中MSE为所述均方差,n为所述第一像素矩阵与所述第二像素矩阵的像素数量,yi为所述第一像素矩阵的第i个向量,为所述第二像素矩阵中的第i个向量。
所述第二损失值计算模块303将所述瑕疵训练图像输入所述生成对抗网络的判别器,通过所述生成对抗网络的损失函数计算第二损失值。
在本发明的至少一个实施例中,所述判别器用于判断所述瑕疵训练图像是否属于所述瑕疵样本训练数据集。
在本发明的至少一个实施例中,所述生成对抗网络的损失函数的计算公式为其中,G为所述生成器,t~Pdata(t)表示瑕疵样本训练数据集t的分布,D(t)表示判别器D对瑕疵样本训练数据集t中的样本进行真假判别,E表示输出期望,条件变量d为所述第一输出图像,z~pz(z)表示随机高斯噪声z的先验高斯分布,D(G(z|d|))表示判别器D对条件变量d下的生成器G的输出是否属于所述瑕疵样本训练数据集的判别结果。
所述对抗网络优化模块304根据所述第一损失值和所述第二损失值得到第三损失值,根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,将优化后的所述生成对抗网络作为瑕疵图像对抗网络。
在本发明的至少一个实施例中,所述对抗网络优化模块305根据所述第一损失值和所述第二损失值得到第三损失值包括:
依据公式Loss=αLoss1+βLoss2对所述第一损失值和所述第二损失值加权求和得到所述第三损失值,其中,Loss为所述第三损失值,α为所述第一损失值的权重,Loss1为所述第一损失值,β为第二损失值的权重,Loss2为所述第二损失值。
在本发明的至少一个实施例中,所述对抗网络优化模块305根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,得到瑕疵图像对抗网络包括:
以所述第三损失值为损失函数,调整所述生成器与所述判别器的参数;
当所述判别器对所述生成器的输出的判断准确率满足预设条件时,停止对所述生成器和所述判别器的优化。
所述瑕疵图像生成模块305获取无瑕疵测试图像,将所述无瑕疵测试图像和第二噪声输入所述瑕疵图像对抗网络的生成器,通过所述瑕疵图像对抗网络的生成器对所述无瑕疵测试图像和所述第二噪声进行处理后生成瑕疵图像。
在本发明的至少一个实施例中,所述瑕疵图像生成模块305将所述无瑕疵测试图像和第二噪声输入所述瑕疵图像对抗网络的生成器,通过所述瑕疵图像对抗网络的生成器对所述无瑕疵测试图像和所述第二噪声进行处理后生成瑕疵图像包括:
将所述无瑕疵测试图像进行向量化处理,得到所述无瑕疵测试图像的特征向量;
使用预设的噪声生成方法生成符合高斯随机分布的第二噪声向量;
拼接所述无瑕疵样本图像的特征向量与所述第二噪声向量,得到第二输入数据;
将所述第二输入数据输入所述瑕疵图像对抗网络的生成器;
利用所述瑕疵图像对抗网络的生成器中的编码层对第二输入数据进行运算,得到所述第二输入数据的隐向量;
利用所述瑕疵图像对抗网络的生成器根据所述第一输入数据的隐向量得到瑕疵图像。
利用本申请,可以生成与瑕疵样本图像近似的瑕疵图像,可以产生多样且全面的瑕疵图像,以实现后续利用瑕疵图像对基于深度学习或神经网络的图像瑕疵检测模型进行训练和优化,从而最终提高瑕疵检测的准确率。
实施例3
图3为本发明一实施方式中电子设备6的示意图。
所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述瑕疵图像生成方法实施例中的步骤,例如图1所示的步骤S11~S15。或者,所述处理器62执行所述计算机程序63时实现上述瑕疵图像生成装置实施例中各模块/单元的功能,例如图2中的模块301~305。
示例性的,所述计算机程序63可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器62执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如,所述计算机程序63可以被分割成图2中的训练图像生成模块301,第一损失值计算模块302,第二损失值计算模块303、对抗网络优化模块304及瑕疵图像生成模块305,各模块具体功能参见实施例2。
本实施方式中,所述电子设备6可以是桌上型计算机、笔记本、掌上电脑、服务器及云端终端装置等计算设备。本领域技术人员可以理解,所述示意图仅仅是电子设备6的示例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器62可以是中央处理模块(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器62也可以是任何常规的处理器等,所述处理器62是所述电子设备6的控制中心,利用各种接口和线路连接整个电子设备6的各个部分。
所述存储器61可用于存储所述计算机程序63和/或模块/单元,所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元,以及调用存储在存储器61内的数据,实现所述电子设备6的各种功能。所述存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备6的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子设备6集成的模块/单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能模块可以集成在相同处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他模块或步骤,单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种瑕疵图像生成方法,其特征在于,所述方法包括:
根据无瑕疵样本图像和第一噪声向量生成第一输入数据,将自编码器作为生成对抗网络的生成器,将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像;
使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值;
将所述瑕疵训练图像输入所述生成对抗网络的判别器,通过所述生成对抗网络的损失函数计算第二损失值;
根据所述第一损失值和所述第二损失值得到第三损失值,根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,将优化后的所述生成对抗网络作为瑕疵图像对抗网络;
获取无瑕疵测试图像,将所述无瑕疵测试图像和第二噪声输入所述瑕疵图像对抗网络的生成器,通过所述瑕疵图像对抗网络的生成器对所述无瑕疵测试图像和所述第二噪声进行处理后生成瑕疵图像。
2.如权利要求1所述的瑕疵图像生成方法,其特征在于,所述根据无瑕疵样本图像和第一噪声向量生成第一输入数据包括:
将所述无瑕疵样本图像进行向量化处理,得到所述无瑕疵样本图像的特征向量;
使用预设的噪声生成方法生成符合高斯随机分布的所述第一噪声向量;
拼接所述无瑕疵样本图像的特征向量与所述第一噪声向量,得到所述第一输入数据。
3.如权利要求2所述的瑕疵图像生成方法,其特征在于,所述将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像包括:
将所述第一输入数据输入所述生成器;
利用所述生成器中的编码层对所述第一输入数据进行运算,得到所述第一输入数据的隐向量;
选择所述瑕疵样本图像作为第一输出图像;
利用所述生成器中的解码层根据所述第一输入数据的隐向量重建所述第一输出图像,得到瑕疵训练图像。
4.如权利要求1所述的瑕疵图像生成方法,其特征在于,所述使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值包括:
根据所述无瑕疵样本图像得到所述无瑕疵样本图像的第一像素矩阵;
根据所述瑕疵训练图像得到所述瑕疵训练图像的第二像素矩阵;
计算所述第一像素矩阵与所述第二像素矩阵的均方差,并将所述均方差作为所述第一损失值。
6.如权利要求1所述的瑕疵图像生成方法,其特征在于,所述根据所述第一损失值和所述第二损失值得到第三损失值包括:
依据公式Loss=αLoss1+βLoss2对所述第一损失值和所述第二损失值加权求和得到所述第三损失值,其中,Loss为所述第三损失值,α为所述第一损失值的权重,Loss1为所述第一损失值,β为第二损失值的权重,Loss2为所述第二损失值。
7.如权利要求1所述的瑕疵图像生成方法,其特征在于,所述根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,得到瑕疵图像对抗网络包括:
以所述第三损失值为损失函数,调整所述生成器与所述判别器的参数;
当所述判别器对所述生成器的输出的判断准确率满足预设条件时,停止对所述生成器和所述判别器的优化。
8.一种瑕疵图像生成装置,其特征在于,所述装置包括:
训练图像生成模块,用于根据无瑕疵样本图像和第一噪声向量生成第一输入数据,将自编码器作为生成对抗网络的生成器,将所述第一输入数据输入至所述生成器,选择瑕疵样本图像作为所述生成器的第一输出图像,通过所述生成器根据所述第一输入数据及所述第一输出图像生成瑕疵训练图像;
第一损失值计算模块,用于使用预设的误差函数计算所述无瑕疵样本图像与所述瑕疵训练图像之间的第一损失值;
第二损失值计算模块,用于将所述瑕疵训练图像输入所述生成对抗网络的判别器,通过所述生成对抗网络的损失函数计算第二损失值;
对抗网络优化模块,用于根据所述第一损失值和所述第二损失值得到第三损失值,根据所述第三损失值优化所述生成对抗网络的所述生成器和所述判别器,将优化后的所述生成对抗网络作为瑕疵图像对抗网络;
瑕疵图像生成模块,用于获取无瑕疵测试图像,将所述无瑕疵测试图像和第二噪声输入所述瑕疵图像对抗网络的生成器,通过所述瑕疵图像对抗网络的生成器对所述无瑕疵测试图像和所述第二噪声进行处理后生成瑕疵图像。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任一项所述的瑕疵图像生成方法。
10.一种计算机存储介质,其上存储有计算机程序,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7中任一项所述的瑕疵图像生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110183339.XA CN114943673A (zh) | 2021-02-09 | 2021-02-09 | 瑕疵图像生成方法、装置、电子设备及存储介质 |
US17/588,190 US20220254145A1 (en) | 2021-02-09 | 2022-01-28 | Method for generating defective image, electronic device using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110183339.XA CN114943673A (zh) | 2021-02-09 | 2021-02-09 | 瑕疵图像生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943673A true CN114943673A (zh) | 2022-08-26 |
Family
ID=82705028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110183339.XA Pending CN114943673A (zh) | 2021-02-09 | 2021-02-09 | 瑕疵图像生成方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220254145A1 (zh) |
CN (1) | CN114943673A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167923A (zh) * | 2023-04-26 | 2023-05-26 | 无锡日联科技股份有限公司 | x射线图像的样本扩充方法、样本扩充装置 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230153982A1 (en) * | 2021-11-12 | 2023-05-18 | Hitachi, Ltd. | Damage transfer method with a region-based adversarial learning |
CN115311526B (zh) * | 2022-10-11 | 2023-04-07 | 江苏智云天工科技有限公司 | 基于改进的Cycle GAN网络的缺陷样本生成方法和系统 |
CN116563674B (zh) * | 2023-07-12 | 2023-10-20 | 菲特(天津)检测技术有限公司 | 样本图像增强方法、系统、电子设备及可读存储介质 |
-
2021
- 2021-02-09 CN CN202110183339.XA patent/CN114943673A/zh active Pending
-
2022
- 2022-01-28 US US17/588,190 patent/US20220254145A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167923A (zh) * | 2023-04-26 | 2023-05-26 | 无锡日联科技股份有限公司 | x射线图像的样本扩充方法、样本扩充装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220254145A1 (en) | 2022-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114943673A (zh) | 瑕疵图像生成方法、装置、电子设备及存储介质 | |
CN109345553B (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
CN114764765A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN112257578B (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN114764768A (zh) | 缺陷检测分类方法、装置、电子设备及存储介质 | |
CN111340616A (zh) | 线上贷款的审批方法、装置、设备及介质 | |
CN113947336A (zh) | 评估投标企业风险的方法、装置、存储介质及计算机设备 | |
CN109409504A (zh) | 一种数据处理方法、装置、计算机及存储介质 | |
CN111597309A (zh) | 相似企业推荐方法、装置、电子设备及介质 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN112967272A (zh) | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 | |
CN111815748B (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN113392241A (zh) | 测井图像清晰度的识别方法、装置、介质及电子设备 | |
CN115035017A (zh) | 细胞密度分群方法、装置、电子设备及存储介质 | |
CN111400440A (zh) | 一种意图识别的方法及装置 | |
CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN114511393B (zh) | 财务数据处理方法及系统 | |
CN114881913A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN112801960B (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN110083807B (zh) | 合同的修改影响自动预测方法、装置、介质及电子设备 | |
TWI778519B (zh) | 瑕疵圖像生成方法、裝置、電子設備及存儲介質 | |
TWI795729B (zh) | 圖像瑕疵檢測方法、電子設備及存儲介質 | |
CN114943672A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
TWI792134B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 | |
TWI762193B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 |
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 |