如何在缺陷樣本少的情況下實現高精度的檢測

01

主要內容

論文的主體框架思想是基于GAN網絡的結構。GAN 主要包括了兩個部分，即生成器 G與判別器 D。生成器主要用來學習真實圖像分布從而讓自身生成的圖像更加真實，以“騙過”判別器。判別器則需要對接收的圖片進行真假判別。在整個過程中，生成器努力地讓生成的圖像更加真實，而判別器則努力地去識別出圖像的真假，這個過程相當于一個博弈過程，隨著時間的推移，生成器和判別器在不斷地進行對抗，最終兩個網絡達到了一個動態均衡：生成器生成的圖像接近于真實圖像分布，而判別器識別不出真假圖像，對于給定圖像的預測為真的概率基本接近 0.5（這段話從李宏毅老師那引用的，致敬李老師）。

訓練階段

在訓練階段，模型采用一些圖像處理技術，人為的在正常樣本圖像上產生一些缺陷（示意圖中的紅色框模塊），使用由自編碼器構成的G模塊進行缺陷修復學習，學習的目標是與正常樣本之間的L1范數最小，通過一定數量的樣本訓練可以獲得有缺陷修復能力的G模塊。GAN用于圖像修復的一些資料可以參考[3][4]，當然也可以參考論文里的參考文獻。 訓練階段 ?

測試階段

在測試階段，將上步驟訓練好的G模塊作為測試階段的圖片修復模塊，對于輸出的圖像樣本，假如存在缺陷區域，通過修復模塊G將得到修復后的圖像，與原缺陷樣本圖像一起作為LBP算法的輸入，通過LBP算法對其缺陷區域進行精確定位。 測試階段 ?

02

其他細節

2.1缺陷生成 在實際訓練中，論文作者手工生成一些缺陷樣本，如圖3所示，訓練網絡自動修復缺陷。另外作者也通過一些技術進行了樣本的擴充，比如加入高斯噪聲、隨機resize大小等。 缺陷生成 ? 3.2缺陷圖像重建 缺陷圖像重建部分主要的作用是：缺陷圖像重建后盡量和正常樣本一樣，作者在這部分在文獻[5][6]基礎上進行框架修改的，比如使用L1 distance作為衡量重建差異的目標函數。 ? 然后實驗中作者又發現只使用L1不行，圖像邊緣等細節可能會衡量不準確，又加入GAN loss來提升網絡的重建效果。 ? ? 最后，得到了下面目標函數。 ? ? 2.3缺陷檢測 因為使用GAN修復后的圖片和原始缺陷樣本圖片之間在像素級的細節上有一些差異，作者使用了前幾年在人臉領域應用比較好的LBP算法進行缺陷區域的檢測，這里不介紹算法的細節，示意圖如下。

03

實驗

文章對DAGM 2007數據集和織物密集圖像進行了驗證實驗。實驗表明，提出的GAN+LBP算法和有足夠訓練樣本的監督訓練算法具有較高的檢測準確率。實驗使用兩種類型的數據集，4.1是印花紋表面，4.2是織物表面。

4.1Texture surface 測試樣本 ? 結果 ? a.原始圖像，b.修復圖像，c.論文方法，d. FCN方法，e.真實標簽 ? 3.2 Fabric Picture 實驗中缺陷樣本的類型有五種。實驗樣本按背景分有三類，每類包含5個缺陷樣本，25個正常樣本。 測試樣本 ? 結果 ? a.原始圖像，b.修復圖像，c.論文方法，d. FCN方法，e.真實標簽 ? 本人水平有限，表述不清楚或錯誤的地方請指出，一起進步！??