也可以看知乎：
還有以前寫的誤刪的原版:gan用於表面缺陷檢測
今年的一篇會議**，很不錯的乙個**，作者使用gan做無缺陷樣本表面缺陷檢測，效果還不錯。
本人水平有限，表述不清楚或錯誤的地方請指出，一起進步！
文章的思路是：缺陷檢測的核心是找出一些顯著性的差異區域，可以借助gan建立乙個重構網路，如果影象樣本存在缺陷（人為製造的缺陷也可以），可以對其缺陷區域進行修復，然後將輸入的樣本與恢復的樣本進行比較，以確定準確的缺陷區域。具體實施使用gan進行影象樣本重建，利用lbp演算法進行影象缺陷檢測。在演算法的訓練過程中，只需要正樣本，沒有缺陷樣本和手工標籤。
通俗說：
作者利用gan在影象修復（重建）上的能力，在工業現場收集一些正常（無缺陷）樣本，人工ps一些缺陷，比如線條、斑點等。
訓練時，將ps的人工製作的缺陷影象和原影象做輸入樣本訓練gan，得到乙個具有影象修復重建能力的網路。
測試時，直接使用訓練好的gan對採集到的影象進行重建修復，如果樣本中中有缺陷區域，缺陷區域按照網路設計，肯定需要修復，將修復後的影象和原缺陷影象使用lbp找出顯著差異區域即為缺陷區域。
2.1defect repair model based on positive samples
**的主體框架思想是基於gan網路的結構。gan 主要包括了兩個部分，即生成器 generator g與判別器 discriminator d。生成器主要用來學習真實影象分布從而讓自身生成的影象更加真實，以「騙過」判別器。判別器則需要對接收的進行真假判別。在整個過程中，生成器努力地讓生成的影象更加真實，而判別器則努力地去識別出影象的真假，這個過程相當於乙個博弈過程，隨著時間的推移，生成器和判別器在不斷地進行對抗，最終兩個網路達到了乙個動態均衡：生成器生成的影象接近於真實影象分布，而判別器識別不出真假影象，對於給定影象的**為真的概率基本接近 0.5（相當於隨機猜測類別）。
1、訓練階段
在訓練階段，模型採用一些影象處理技術人為的做一些缺陷在正常樣本影象上（示意圖中的紅色框模組），使用由自編碼器構成的g模組進行缺陷修復學習，學習的目標是與正常樣本之間的l1範數最小，通過一定數量的樣本訓練可以獲得有缺陷修復能力的g模組 。
2、測試階段
在測試階段，將上步驟訓練好的g模組作為測試階段的修復模組，對於輸出的影象樣本，假如存在缺陷區域，通過修復模組g將得到修復後的影象，與原缺陷樣本影象一起作為lbp演算法的輸入，通過lbp演算法對其缺陷區域進行精確定位。
首先，使用乙個沒有缺陷的樣本訓練乙個gan模型，然後，在修復乙個已知位置的缺陷時，我們隊g的輸入z進行優化，獲得最優的z使得y和乙個缺陷影象的正常部分在最大程度上相似，影象y是恢復後的影象。
文章對dagm 2007資料集和織物密集影象進行了驗證實驗。實驗表明，提出的gan+lbp演算法和有足夠訓練樣本的監督訓練演算法具有較高的檢測準確率。實驗使用兩種型別的資料集，4.1是印花紋表面，4.2是織物表面。
實驗中缺陷樣本的型別有五種。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。
人工缺陷樣本的影象處理方法，比如加入雜訊、ps；gan中g模組和d模組的構建；lbp缺陷精確檢測方法。
[1] zhao z, li b, dong r, et al. a su***ce defect detection method based on positive samples[c]// pacific rim international conference on artificial intelligence. springer, cham, 2018:473-481.
[2] wu x. fully convolutional networks for semantic segmentation[j]. computer science, 2015.
[3] isola p, zhu j y, zhou t, et al. image-to-image translation with conditional adversarial networks[j]. 2016:5967-5976.
[4] ronneberger o, fischer p, brox t. u-net: convolutional networks for biomedical image segmentation[c]// international conference on medical image computing and computer-assisted intervention. springer, cham, 2015:234-241.
mysql安裝與配置（無缺省密碼）
1.安裝 2.安裝成功後啟動mysql systemctl start mysqld 3.mysql的初始化配置 進入mysql，設定密碼，一開始資料庫預設沒有密碼 mysql u root 4.在mysql中設定密碼 set password for root localhost password...
GAN學習系列2 GAN的起源
本文大約 5000 字，閱讀大約需要 10 分鐘 這是 gan 學習系列的第二篇文章，這篇文章將開始介紹 gan 的起源之作，鼻祖，也就是 ian goodfellow 在 2014 年發表在 iclr 的 generative adversarial networks 當然由於數學功底有限，所以會...
gan網路損失函式 GAN的損失函式
理解生成對抗網路的關鍵在於理解gan的損失函式 js散度 gan實際是通過對先驗分布施加乙個運算g,來擬合乙個新的分布 如果從傳統的判別式網路的思路出發，只要選定合適的loss，就可以使生成分布和真實分布之間的距離盡可能逼近 kl散度經常用來衡量分布之間距離 但kl散度是不對稱的。不對稱意味著，對於...