本发明属于金属检测领域，尤其是涉及生成对抗网络辅助的金属疲劳影像增强方法及系统。
背景技术：
1、在金属疲劳裂纹和损伤检测中，清晰度和细节对于准确性至关重要，现有技术存在以下一些不足之处：
2、传统的图像增强方法可能在捕捉金属疲劳影像中复杂的非线性特征方面受到限制；
3、传统方法通常依赖于预定义的图像处理规则，这可能不足以应对各种金属疲劳情况的复杂性；金属疲劳图像常常具有多样性和噪声，传统方法可能在处理这些方面存在困难；
4、传统方法可能较难有效地利用金属的特定属性和疲劳损伤特征进行图像增强，且传统方法在定义图像增强的损失函数时可能较为困难。
技术实现思路
1、有鉴于此，本发明旨在提出生成对抗网络辅助的金属疲劳影像增强方法及系统，以期解决上述部分技术问题中的至少之一。
2、为达到上述目的，本发明的技术方案是这样实现的：
3、第一方面本发明提供了生成对抗网络辅助的金属疲劳影像增强方法，包括：
4、收集包含金属疲劳裂纹和损伤的金属表面图像，并对金属表面图像进行预处理，得到金属表面图像数据集；
5、构建生成对抗网络模型，将金属的特定属性以及金属的疲劳损伤特征作为条件信息输入生成对抗网络模型中；
6、将金属表面图像数据集划分为训练集和测试集，使用训练集对生成对抗网络模型进行训练；
7、通过最小化生成图像与真实图像之间的差异来优化网络参数，并使用损失函数平衡生成器和判别器的训练过程；
8、使用测试集评估生成对抗网络模型是否满足要求，评估标准包括图像增强效果和疲劳损伤的检测精度；
9、将待增强的金属表面图像输入生成对抗网络模型，生成高分辨率的增强图像。
10、进一步的，收集包含金属疲劳裂纹和损伤的金属表面图像数据集，并对金属表面图像数据集中的数据进行预处理的过程包括：
11、使用相机拍摄需检测的金属，采集金属表面图像，并将金属表面图像的尺寸调整为统一尺寸；
12、对包含金属疲劳裂纹和损伤的金属表面图像进行旋转、调光处理，扩充图像中金属疲劳裂纹和损伤部分的数据量；
13、手工标注金属表面图像中的金属疲劳裂纹和损伤部分，得到预处理后的金属表面图像数据集。
14、进一步的，构建生成对抗网络模型的过程包括：
15、使用googlenet作为生成对抗网络模型的生成器，该生成器为：
16、
17、使用alexnet作为生成对抗网络模型的判别器，该判别器为：
18、
19、其中，z为随机噪声；g(z)表示生成器将随机噪声数据转换为合成数据；d(x)表示判别器对真实数据x的真假判别；d(g(z))表示判别器对合成数据g(z)的真假判别；pdata(x)表示真实数据的数据分布；pz(z)表示随机噪声的数据分布。
20、进一步的，金属的特定属性包括连续属性和离散属性，将金属的特定属性作为条件信息输入生成对抗网络模型前，需要进行归一化、独热编码处理，具体为：
21、将金属的特定属性中具有连续取值范围的属性数据缩放至均值为0，标准差为1的范围内；
22、将金属的特定属性中具有有限个取值的每一个属性数据分别映射为单独的唯一向量。
23、进一步的，将金属的疲劳损伤特征作为条件信息，输入生成对抗网络模型的过程包括：
24、使用高斯疲劳损伤公式以及马氏体疲劳损伤公式，计算待检测金属的疲劳损伤的特征值；
25、将疲劳损伤的特征值向量化，并与输入生成器的随机噪声向量进行连接，将连接结果与金属的特定属性结合输入生成对抗网络模型的生成器中。
26、进一步的，通过最小化生成图像与真实图像之间的差异来优化网络参数的过程包括：
27、使用均方误差函数作为损失函数，根据损失函数的梯度更新网络参数；
28、反复训练生成器并不断更新网络参数，直到生成图像与真实图像之间的损失函数收敛到一个较小的值。
29、第二方面本发明提供了生成对抗网络辅助的金属疲劳影像增强系统，包括：
30、高清摄像机，高清摄像机与模拟服务器之间通过模拟服务器内的通信模块进行信号交换，将拍摄的金属表面图像传输至模拟服务器内；
31、模拟服务器，模拟服务器内置有生成对抗网络模型，生成对抗网络模型接收传入的金属表面图像，处理后输出高分辨率的增强图像至用户操作平台；
32、用户操作平台，工作人员在用户操作平台上手工标注金属表面图像中的金属疲劳裂纹和损伤部分，并查看输出的增强图像。
33、相对于现有技术，本发明所述的生成对抗网络辅助的金属疲劳影像增强方法及系统具有以下有益效果：
34、1)图像增强：通过生成对抗网络模型，能够有效地增强金属表面图像，提高图像的质量和分辨率，使金属疲劳裂纹和损伤等特征更清晰可见。
35、2)条件信息利用：通过将金属的特定属性和疲劳损伤特征作为条件信息输入模型，有助于网络更好地理解金属疲劳过程，提高生成图像的准确性。
36、3)数据扩充：预处理过程中的数据扩充步骤，如旋转、调光处理等，有助于增加包含疲劳裂纹和损伤的数据量，提高模型的泛化能力。
37、4)网络模型选择：使用了经典的生成器(googlenet)和判别器(alexnet)，这些经过验证的模型可以有效地用于图像生成任务。
38、5)属性处理：对金属的特定属性进行归一化和独热编码处理，有助于更好地将这些属性融入模型，提高模型对金属属性的理解和处理能力。
39、6)损失函数选择与训练策略：采用均方误差函数作为损失函数，通过梯度更新网络参数，并采用反复训练的策略，有助于模型的快速收敛和优化。
1.生成对抗网络辅助的金属疲劳影像增强方法，其特征在于，包括：
2.根据权利要求1所述的生成对抗网络辅助的金属疲劳影像增强方法，其特征在于：
3.根据权利要求1所述的生成对抗网络辅助的金属疲劳影像增强方法，其特征在于：
4.根据权利要求1所述的生成对抗网络辅助的金属疲劳影像增强方法，其特征在于：
5.根据权利要求1所述的生成对抗网络辅助的金属疲劳影像增强方法，其特征在于：
6.根据权利要求1所述的生成对抗网络辅助的金属疲劳影像增强方法，其特征在于：
7.应用权利要求1-6任一所述的生成对抗网络辅助的金属疲劳影像增强方法的生成对抗网络辅助的金属疲劳影像增强系统，其特征在于，包括：
