申请/专利权人：中南大学

申请日：2020-01-07

公开（公告）日：2024-04-16

公开（公告）号：CN111192221B

主分类号：G06T5/77

分类号：G06T5/77;G06N3/045;G06N3/0464;G06N3/0475;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.06.16#实质审查的生效;2020.05.22#公开

摘要：本发明公开了一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法。在实际铝电解过程中，电解过程中会有大量碳渣脱落，还有火焰的干扰，使得大量火眼图像无法识别，大大降低了图像识别的准确率。本发明公开一种DCGAN与WGAN方法结合的图像修补方法，其中包括两部分：首先是对图像做个简单的预处理，取以火眼为中心，边长为400像素的正方形的火眼图像，这样可以防止其余图像的干扰特征。其次，对于本发明模型，综合DCGAN和WGAN的特点，使用其相结合的模型—Wasserstein深度卷积生成对抗网络W‑DCGAN模型。利用卷积网络特征提取能力加上使用Wasserstein函数辅以训练，最后使用RMSProp优化算法优化损失函数，之后将训练好的W‑DCGAN中的生成器模型部分抽取出来，用于图像修补的新网络结构。

主权项：1.一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法，其特征在于，所述方法包括：步骤1，对图像进行预处理：提取以火眼中心为中心，边长为400像素的正方形的火眼图像；步骤2，使用Wasserstein距离定义为生成器的loss；所述步骤2进一步包括：Wasserstein距离，定义如下： 其中，ΠPr,Pg是Pr和Pg组合起来的所有可能的联合分布的集合，ΠPr,Pg中每一个分布的边缘分布都是Pr和Pg，对于每一个可能的联合分布γ而言，从中采样x,y～γ得到一个真实样本x和一个生成样本y，并算出这对样本的距离||x-y||，计算该联合分布γ下样本对距离的期望值Ex,y～γ[||x-y||]；在所有可能的联合分布中能够对这个期望值取到的下界定义为Wasserstein距离，然后，把Wasserstein函数定义为生成器的loss，但是Wasserstein距离定义中的没法直接求解，转化为如下形式： 其中，在一个连续函数f上面额外施加了一个限制，要求存在一个常数K≥0使得定义域内的任意两个元素x1和x2都满足：|fx1-fx2|≤K|x1-x2|，此时函数f的Lipschitz常数为K，要求函数f的Lipschitz常数||f||L不超过K的条件下，对所有可能满足条件的f取到的上界，然后再除以K；此时下式可以近似变为： 而f可以用一个带参数ω的神经网络来表示，同时满足下式中||fω||L≤K这个限制，再构造一个含参数ω、最后一层不是非线性激活层的判别器网络fω，在限制ω不超过某个范围的条件下，使得： 此时L就会近似真实分布与生成分布之间的Wasserstein距离，其数值越小，表示真实分布与生成分布的Wasserstein距离越小，模型训练得越好；步骤3，优化算法改为RMSProp优化算法；步骤4，根据提取W-DCGAN生成模型进行图像修补；所述步骤4进一步包括：使用W-DCGAN在Chars74K公共数据集上进行训练，实验收敛后提取本方法的生成模型，再将火眼图像当做训练集微调生成模型的参数。

全文数据：

权利要求：

百度查询： 中南大学 基于深度卷积生成对抗网络的铝电解火眼图像修补方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD