基于生成式对抗网络的FPCB板缺陷检测方法及装置转让专利
申请号 : CN202110263862.3
文献号 : CN112686894B
文献日 : 2021-06-04
发明人 : 李辉 , 申胜男 , 郭思谊 , 朱文康
申请人 : 武汉大学
摘要 :
权利要求 :
1.基于生成式对抗网络的FPCB板缺陷检测方法,其特征在于,包括以下步骤:步骤1.采集获取真实FPCB板缺陷图像;
步骤2.将获取的系列真实FPCB板缺陷图像和表示类别信息的条件标签作为具有双层对抗和双输出通道的改进GAN模型的输入,通过生成器和判别器的对抗训练,生成高度近似真实缺陷分布的模拟缺陷图像,并由第一输出通道输出;然后将第一输出通道输出的模拟缺陷图像与真实缺陷图像混合作为FPCB板缺陷样本集,按照一定比例分割成互不交叉的训练集和测试集;
步骤3.对分割好的所述训练集和测试集数据进行平滑处理,生成无缺陷数据集,再成对输入到分类定位器中进行对抗性训练,由第二输出通道输出缺陷类别独热码和锚框坐标,实现分类和定位,
其中,在所述改进GAN模型中,判别器处设有一个平行的分类定位器,判别器判别图像的真假,其损失函数为LD,逐层求损失函数对判别器每层神经元参数的偏导数,实现参数的迭代更新;分类定位器进行缺陷的分类和定位,其损失函数为LF,进行反向传播更新参数;
所述生成器的参数更新由所述判别器和所述分类定位器的损失函数共同作用。
2.根据权利要求1所述的基于生成式对抗网络的FPCB板缺陷检测方法,其特征在于:其中,所述分类定位器的损失函数公式如下:T
式中,y为真实值,f(x)为预测的概率分布,c为类别标签,y表示y的转置。
3.根据权利要求1所述的基于生成式对抗网络的FPCB板缺陷检测方法,其特征在于:其中,在步骤1中,是采集FPCB板生产线上相机拍摄的FPCB板缺陷图像,并进行预处理得到真实FPCB板缺陷图像。
4.根据权利要求1所述的基于生成式对抗网络的FPCB板缺陷检测方法,其特征在于:其中,采用Adam优化器引导所述改进GAN模型更新参数。
5.基于生成式对抗网络的FPCB板缺陷检测装置,其特征在于,包括:获取部,采集获取真实FPCB板缺陷图像;
改进GAN模型部,与所述获取部通信相连,将真实FPCB板缺陷图像和表示类别信息的条件标签作为具有双层对抗和双输出通道的改进GAN模型的输入,通过生成器和判别器的对抗训练,生成高度近似真实缺陷分布的模拟缺陷图像,并由第一输出通道输出;然后将第一输出通道输出的模拟缺陷图像与真实缺陷图像混合作为FPCB板缺陷样本集,按照一定比例分割成互不交叉的训练集和测试集;对分割好的所述训练集和测试集数据进行平滑处理,生成无缺陷数据集,再成对输入到分类定位器中进行对抗性训练,由第二输出通道输出缺陷类别独热码和锚框坐标,实现缺陷分类和定位;以及控制部,与所述获取部和所述改进GAN模型部通信相连,并控制它们的运行,其中,在所述改进GAN模型中,判别器处设有一个平行的分类定位器,判别器判别图像的真假,其损失函数为LD,逐层求损失函数对判别器每层神经元参数的偏导数,实现参数的迭代更新;分类定位器进行缺陷的分类和定位,其损失函数为LF,进行反向传播更新参数;
所述生成器的参数更新由所述判别器和所述分类定位器的损失函数共同作用。
6.根据权利要求5所述的基于生成式对抗网络的FPCB板缺陷检测装置,其特征在于:其中,所述分类定位器的损失函数公式如下:T
式中,y为真实值,f(x)为预测的概率分布,c为类别标签,y表示y的转置。
7.根据权利要求5所述的基于生成式对抗网络的FPCB板缺陷检测装置,其特征在于:其中,所述获取部通过对FPCB板生产线上相机拍摄的FPCB板缺陷图像进行预处理得到真实FPCB板缺陷图像。
8.根据权利要求5所述的基于生成式对抗网络的FPCB板缺陷检测装置,其特征在于:其中,在所述改进GAN模型部中是采用Adam优化器引导所述改进GAN模型更新参数。
9.根据权利要求5所述的基于生成式对抗网络的FPCB板缺陷检测装置,其特征在于,还包括:
输入显示部,与所述获取部、所述改进GAN模型部、所述控制部均通信相连,用于让用户输入操作指令,并进行相应显示。
10.根据权利要求9所述的基于生成式对抗网络的FPCB板缺陷检测装置,其特征在于:其中,所述输入显示部根据所述改进GAN模型部输出的缺陷类别独热码和锚框坐标,在相应的缺陷图像上显示缺陷位置和缺陷类别。
说明书 :
基于生成式对抗网络的FPCB板缺陷检测方法及装置
技术领域
技术背景
线错误少,可挠性及可弹性改变形状等特性,被广泛应用于军工、国防和消费性电子产品如
数码相机、手表、笔记本电脑等领域。
计算机检测方法,如SIFT及SURF图像匹配算法、基于Faster‑RCNN的机器学习算法、基于ROI
的模板匹配算法,在一定程度上提高了FPCB板缺陷检测的效率。但是,这些方法适用范围狭
窄、可迁移性差,并且对于数据量有严重的依赖性。
发明内容
能够有效提高缺陷分类和定位精度。
近似真实缺陷分布的模拟缺陷图像,并由第一输出通道输出;然后将第一输出通道输出的
模拟缺陷图像与真实缺陷图像混合作为FPCB板缺陷样本集,按照一定比例分割成互不交叉
的训练集和测试集;
缺陷类别独热码和锚框坐标,实现分类和定位,
迭代更新;分类定位器进行缺陷的分类和定位,其损失函数为LF,进行反向传播更新参数;
生成器的参数更新由判别器和分类定位器的损失函数共同作用。
公式如下:
得到真实FPCB板缺陷图像。
型更新参数。
抗训练,生成高度近似真实缺陷分布的模拟缺陷图像,并由第一输出通道输出;然后将第一
输出通道输出的模拟缺陷图像与真实缺陷图像混合作为FPCB板缺陷样本集,按照一定比例
分割成互不交叉的训练集和测试集;对分割好的训练集和测试集数据进行平滑处理,生成
无缺陷数据集,再成对输入到分类定位器中进行对抗性训练,由第二输出通道输出缺陷类
别独热码和锚框坐标,实现缺陷分类和定位;以及
器即可生成模拟缺陷图像;并且,在改进GAN模型中,判别器处设有一个平行的分类定位器,
判别器判别图像的真假,其损失函数为LD,逐层求损失函数对判别器每层神经元参数的偏
导数,实现参数的迭代更新;分类定位器进行缺陷的分类和定位,其损失函数为LF,进行反
向传播更新参数;生成器的参数更新由判别器和分类定位器的损失函数共同作用。
实FPCB板缺陷图像。
进行相应显示。
缺陷图像上显示缺陷位置和缺陷类别。
据样本进行了有效增强,避免了过拟合现象。
陷图像成对输入到分类定位器中进行对抗性训练,能有效提高缺陷的分类速度和准确度,
且经过差分操作后能实现缺陷的快速准确定位。
时间,且能获得较好的生成和识别效果。
附图说明
具体实施方式
片和真实的图片分辨开来。通过生成器和判别器的对抗训练,生成高度近似的模拟缺陷图
像,提取输出通道1(对应生成器G)输出的模拟缺陷图像,与真实图像混合构建FPCB板缺陷
样本集,按照合适的比例分割成互不交叉的训练集和测试集。一般情况下,设置训练集和测
试集的分割比例为70%:30%,如果数据量特别大的话,可设置为98%:2%。
应分类定位器F)输出缺陷类别独热码和锚框坐标,实现分类和定位。
签c对模型增加约束条件,指导生成器G和判别器D对抗训练,生成器G生成高度近似真实数
据分布的模拟数据,由输出通道1输出;在判别器D处增加一个平行的分类定位器F,真实缺
陷图像和模拟缺陷图像混合构建成样本集,经频域高斯滤波进行平滑处理后生成无缺陷样
本集,再将互不交叉的训练集和测试集与平滑后的无缺陷样本集成对输入到分类定位器F
中进行对抗性训练,由输出通道2输出缺陷的类别和位置。
动量, 为修正后的二阶动量。
128的矩阵,然后通过4个反卷积层进行反卷积操作。最后的输出结果是100×100×1的灰度
图像,也就是生成器G所生成的图片。
和2个全连接层,最后输出预测结果,为一个2×1的矩阵,对图片的真假性进行判别。
连接层,输出一个11×1的矩阵。其中前7位是FPCB板的类别,含有FPCB板是否有缺陷以及缺
陷种类的信息,后4位是锚框的4个边角位置,如果有缺陷的话用于缺陷的定位。
抗训练,生成高度近似真实缺陷分布的模拟缺陷图像,并由第一输出通道输出;然后将第一
输出通道输出的模拟缺陷图像与真实缺陷图像混合作为FPCB板缺陷样本集,按照一定比例
分割成互不交叉的训练集和测试集;对分割好的训练集和测试集数据进行平滑处理,生成
无缺陷数据集,再成对输入到分类定位器中进行对抗性训练,由第二输出通道输出缺陷类
别独热码和锚框坐标,实现缺陷分类和定位。
还能够根据改进GAN模型部输出的缺陷类别独热码和锚框坐标在相应的缺陷图像上显示缺
陷位置和缺陷类别,并能够对系列图像的缺陷分类情况和缺陷位置信息以表格形式进行显
示。
而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的
任何修改或补充或等效替换,都在本发明的权利要求所要求保护的范围内。