本发明涉及人工智能技术领域，具体地说，涉及一种ai的微小孔壁检测算法。
背景技术：
目前，缺陷检测方法大多采用传统的机器学习方法，但只可解决单一模式缺陷，人工智能方法可实现多模式缺陷的检测；
但数据增广主要采用颜色变换、随机裁剪等方法，该方法生成的样本缺陷情况单一，无法生成复杂情况下的缺陷样本图片，另外，现有的基于生成对抗网络方法生成图像采用生成网络一次生成带有缺陷的图像，生成内容多，网络不容易训练，极易出现梯度消失和不收敛的情况。
技术实现要素：
本发明的目的在于提供一种ai的微小孔壁检测算法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供一种ai的微小孔壁检测算法，包括如下步骤：
s1：利用缺陷位置的像素值与正常样本不同，生成微小孔壁缺陷位置图像的生成网络；
s2：将生成的带有缺陷的图像与正常图像相加，得到利用生成网络生成的缺陷的图像；
s3：设计对抗网络并将所述s2得到的图像和真实图像送入对抗网络，用于判断生成图像的真假，直至判断生成图像为真；
s4：根据损失函数计算微小孔壁缺陷值，再将该缺陷值反传至生成网络和对抗网络。
作为本技术方案的进一步改进，所述s1中生成网络采用全卷积网络生成大小为512×512的缺陷图像，其具体方法如下：
s1.1、将微小孔壁缺陷位置图像分解为r、g、b三个通道，其中r、g、b是通过颜色发光的原理来设计定的，颜色混合方式有红、绿、蓝三种颜色，这三种颜色分别表示为r、g、b，当它们的颜色值相互叠合的时候，色彩相混，而亮度却等于三者亮度之总和，越混合亮度越高，即加法混合，且每个值介于0-255之间；
s1.2、对分解后的图像进行运算；
s1.3、利用激活函数对全卷积网络激活；
s1.4、通过池化的方式对图像的特征进行提取，以减少向下一个阶段传递的数据量；
s1.5、利用全连接的方式将提取的特征进行分类。
作为本技术方案的进一步改进，所述s1.2中运算步骤如下：
s2.1、利用步长为2，卷积核大小为5的反卷积扩大图像的尺度，从而将原始维度为512的特征上采样至512x512的缺陷像素图片；
s2.2、计算图像的输入矩阵，其计算公式如下：
其中，rec为输入矩阵；k为卷积核；r为r通道；g为g通道；b为b通道。
作为本技术方案的进一步改进，所述s1.3中最后一层的激活函数采用sigmoid函数，其函数公式如下：
其中，sigmoid函数为单侧抑制，相对宽阔的兴奋边界，具有稀疏激活性的特点。
作为本技术方案的进一步改进，所述s1.5中特征分类采用softmax函数，其分类方法如下：
s3.1、提取m个微小孔壁缺陷位置图像的特征，构成训练集{(x1，y1)，(xm，ym)}；
s3.2、训练模型参数θ，其代价函数如下：
作为本技术方案的进一步改进，所述s2中生成网络采用relu函数，relu函数会使一部分神经元的输出为0，从而造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解softmax函数过拟合问题的发生，其函数公式如下：
其中，l为步长。
作为本技术方案的进一步改进，所述s3中判断生成图像真假的方法如下：
s4.1、利用生成器和真实无缺陷样本生成布匹图像数据；
s4.2、将所述s4.1生成的数据和真实的数据一起送入判别器，计算损失，此时固定生成器参数，根据损失更新判别器参数；
s4.3、当判别器训练完成后，固定判别器参数，同时将生成器生成的图像的标签设置为真实图像，从而计算损失，并将损失反传至生成器，使得生成器能够生成更好的缺陷图片；
s4.4、重复所述s4.2和s4.3直至生成器生成的图片和真实缺陷图片一致。
作为本技术方案的进一步改进，所述s4.1中生成器的数据生成方法如下：
s5.1、生成器是一次生成一个值的函数；
s5.2、调用该函数将返回一个可用于生成连续值的generator，其中，在函数的执行过程中，yield语句会把你需要的值返回给调用生成器的地方，然后退出函数，下一次调用生成器函数的时候又从上次中断的地方开始执行，而生成器内的所有变量参数都会被保存下来供下一次使。
作为本技术方案的进一步改进，所述s4中损失函数为对抗损失函数。
作为本技术方案的进一步改进，所述对抗损失函数的函数表达式如下：
其中r为r通道；g为g通道；b为b通道。
与现有技术相比，本发明的有益效果：该ai的微小孔壁检测算法中，通过生成网络生成的图像与正常样本相加的方式，减少生成网络的难度，降低训练难度，加快训练时间，并且降低出现梯度消失和不收敛的情况的可能性，另外，采用生成对抗网络方式能够产生更多接近于实际缺陷的样本。
附图说明
图1为实施例1的整体的算法流程图；
图2为实施例1的全卷积网络生成缺陷图像的算法流程图；
图3为实施例1的图像运算算法流程图；
图4为实施例1的softmax函数的算法流程图；
图5为实施例1的微小孔壁图像数据生成的算法流程图；
图6为实施例1的生成器的数据生成的算法流程图；
图7为实施例1的全卷积网图像卷积方式流程图；
图8为实施例1的relu函数图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。
实施例1
本发明提供一种ai的微小孔壁检测算法，请参阅图1-8，包括如下步骤：
s1：利用缺陷位置的像素值与正常样本不同，生成微小孔壁缺陷位置图像的生成网络；
s2：将生成的带有缺陷的图像与正常图像相加，得到利用生成网络生成的缺陷的图像，从而减少生成网络的难度，降低训练难度，加快训练时间；
s3：设计对抗网络并将s2得到的图像和真实图像送入对抗网络，用生成对抗网络方式能够产生更多接近于实际缺陷的样本，用于判断生成图像的真假，直至判断生成图像为真；
s4：根据损失函数计算微小孔壁缺陷值，再将该缺陷值反传至生成网络和对抗网络。
本实施例中，s1中生成网络采用全卷积网络生成大小为512×512的缺陷图像，其具体方法如下：
s1.1、将微小孔壁缺陷位置图像分解为r、g、b三个通道，其中r、g、b是通过颜色发光的原理来设计定的，颜色混合方式有红、绿、蓝三种颜色，这三种颜色分别表示为r、g、b，当它们的颜色值相互叠合的时候，色彩相混，而亮度却等于三者亮度之总和，越混合亮度越高，即加法混合，且每个值介于0-255之间；
s1.2、对分解后的图像进行运算；
s1.3、利用激活函数对全卷积网络激活；
s1.4、通过池化的方式对图像的特征进行提取，以减少向下一个阶段传递的数据量；
s1.5、利用全连接的方式将提取的特征进行分类。
进一步的，s1.2中运算步骤如下：
s2.1、利用步长为2，卷积核大小为5的反卷积扩大图像的尺度，从而将原始维度为512的特征上采样至512x512的缺陷像素图片；
s2.2、计算图像的输入矩阵，其计算公式如下：
其中，rec为输入矩阵；k为卷积核；r为r通道；g为g通道；b为b通道。
具体的，s1.3中最后一层的激活函数采用sigmoid函数，其函数公式如下：
其中，sigmoid函数为单侧抑制，相对宽阔的兴奋边界，具有稀疏激活性的特点。
此外，s1.5中特征分类采用softmax函数，其分类方法如下：
s3.1、提取m个微小孔壁缺陷位置图像的特征，构成训练集{(x1，y1)，(xm，ym)}；
s3.2、训练模型参数θ，其代价函数如下：
对于给定的微小孔壁缺陷位置图像的特征输入x，然后代价函数针对每一个类别j估算出概率值p(y＝j|x)，因此，我们假设函数将要输出一个k维的向量来表示k个估计的概率值，具体的说，假设函数hθ(x)形式如下：
其中，θ是模型的参数，另外
除此之外，s2中生成网络采用relu函数，relu函数会使一部分神经元的输出为0，从而造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解softmax函数过拟合问题的发生，其函数公式如下：
其中，l为步长。
进一步的，s3中判断生成图像真假的方法如下：
s4.1、利用生成器和真实无缺陷样本生成布匹图像数据；
s4.2、将s4.1生成的数据和真实的数据一起送入判别器，计算损失，此时固定生成器参数，根据损失更新判别器参数；
s4.3、当判别器训练完成后，固定判别器参数，同时将生成器生成的图像的标签设置为真实图像，从而计算损失，并将损失反传至生成器，使得生成器能够生成更好的缺陷图片；
s4.4、重复s4.2和s4.3直至生成器生成的图片和真实缺陷图片一致。
具体的，s4.1中生成器的数据生成方法如下：
s5.1、生成器是一次生成一个值的函数；
s5.2、调用该函数将返回一个可用于生成连续值的generator，其中，在函数的执行过程中，yield语句会把你需要的值返回给调用生成器的地方，然后退出函数，下一次调用生成器函数的时候又从上次中断的地方开始执行，而生成器内的所有变量参数都会被保存下来供下一次使。
此外，s4中损失函数为对抗损失函数。
除此之外，对抗损失函数的函数表达式如下：
其中r为r通道；g为g通道；b为b通道。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
1.一种ai的微小孔壁检测算法，其特征在于，包括如下步骤：
s1：利用缺陷位置的像素值与正常样本不同，生成微小孔壁缺陷位置图像的生成网络；
s2：将生成的带有缺陷的图像与正常图像相加，得到利用生成网络生成的缺陷的图像；
s3：设计对抗网络并将所述s2得到的图像和真实图像送入对抗网络，用于判断生成图像的真假，直至判断生成图像为真；
s4：根据损失函数计算微小孔壁缺陷值，再将该缺陷值反传至生成网络和对抗网络。
2.根据权利要求1所述的ai的微小孔壁检测算法，其特征在于：所述s1中生成网络采用全卷积网络生成大小为512×512的缺陷图像，其具体方法如下：
s1.1、将微小孔壁缺陷位置图像分解为r、g、b三个通道；
s1.2、对分解后的图像进行运算；
s1.3、利用激活函数对全卷积网络激活；
s1.4、通过池化的方式对图像的特征进行提取；
s1.5、利用全连接的方式将提取的特征进行分类。
3.根据权利要求2所述的ai的微小孔壁检测算法，其特征在于：所述s1.2中运算步骤如下：
s2.1、利用步长为2，卷积核大小为5的反卷积扩大图像的尺度；
s2.2、计算图像的输入矩阵，其计算公式如下：
其中，rec为输入矩阵；k为卷积核；r为r通道；g为g通道；b为b通道。
4.根据权利要求2所述的ai的微小孔壁检测算法，其特征在于：所述s1.3中最后一层的激活函数采用sigmoid函数，其函数公式如下：
其中，sigmoid函数为单侧抑制。
5.根据权利要求2所述的ai的微小孔壁检测算法，其特征在于：所述s1.5中特征分类采用softmax函数，其分类方法如下：
s3.1、提取m个微小孔壁缺陷位置图像的特征，构成训练集{(x1，y1)，(xm，ym)}；
s3.2、训练模型参数θ，其代价函数如下：
6.根据权利要求1所述的ai的微小孔壁检测算法，其特征在于：所述s2中生成网络采用relu函数，relu函数会使一部分神经元的输出为0，从而造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解softmax函数过拟合问题的发生，其函数公式如下：
其中，l为步长。
7.根据权利要求6所述的ai的微小孔壁检测算法，其特征在于：所述s3中判断生成图像真假的方法如下：
s4.1、利用生成器和真实无缺陷样本生成布匹图像数据；
s4.2、将所述s4.1生成的数据和真实的数据一起送入判别器，计算损失，此时固定生成器参数，根据损失更新判别器参数；
s4.3、当判别器训练完成后，固定判别器参数，同时将生成器生成的图像的标签设置为真实图像，从而计算损失，并将损失反传至生成器；
s4.4、重复所述s4.2和s4.3直至生成器生成的图片和真实缺陷图片一致。
8.根据权利要求7所述的ai的微小孔壁检测算法，其特征在于：所述s4.1中生成器的数据生成方法如下：
s5.1、生成器是一次生成一个值的函数；
s5.2、调用该函数将返回一个可用于生成连续值的generator。
9.根据权利要求1所述的ai的微小孔壁检测算法，其特征在于：所述s4中损失函数为对抗损失函数。
10.根据权利要求9所述的ai的微小孔壁检测算法，其特征在于：所述对抗损失函数的函数表达式如下：
其中r为r通道；g为g通道；b为b通道。
技术总结