一种基于生成对抗网络的矿物图像数据增强方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115908213A(43)申请公布日2023.04.04(21)申请号202211378092.8G06N3/0464(2023.01)(22)申请日2022.11.04G06N3/048(2023.01)G06N3/0475(2023.01)(71)申请人北京理工大学G06N3/094(2023.01)地址100081北京市海淀区中关村南大街5号(72)发明人邓方刘洋王雪旖陈杰(74)专利代理机构北京理工大学专利中心11120专利代理师张丽娜(51)Int.Cl.G06T5/50(2006.01)G06T5/00(2006.01)G06T7/136(2017.01)G06T3/40(2006.01)G06V10/764(2022.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于生成对抗网络的矿物图像数据增强方法(57)摘要本发明公开了一种基于生成对抗网络的矿物图像数据增强方法，通过矿物单粒图像的特征信息提取与表示实现无重复新图像数据。利用SRGAN矿物图像数据增强模型，可快速、高效地批量生成无重复矿物单粒图像新数据；相较于传统单样本图像数据增强方法，本发明能够有效扩充现有矿物图像数据中的图像特征丰富度。相较于传统多样本图像数据增强方法，本方明无需额外的复杂前处理流程，简化了矿物图像数据增强的步骤。通过拓展传统GAN模型的损失函数，提高了生成模型在矿物图像特征中的提取能力，能够充分提取矿物图像中的纹理、颜色、轮廓、反光、边缘、沟壑等重要图像信息。CN115908213ACN115908213A权利要求书1/2页1.一种基于生成对抗网络的矿物图像数据增强方法，其特征在于包括以下步骤：步骤1：获取待处理矿物的多张原始图像数据；步骤2：采用包含边缘颗粒处理的阈值分割算法对步骤1中获取的多张原始图像数据进行分割，获得矿物单粒图像数据；步骤3：搭建步骤2获得的矿物单粒图像数据的数据增强SRGAN深度学习模型；步骤4：对步骤3搭建的数据增强SRGAN深度学习模型进行训练；步骤5：终止数据增强SRGAN深度学习模型的训练，得到训练后的SRGAN矿物图像数据增强模型；步骤6:通过步骤5训练后的SRGAN矿物图像数据增强模型对步骤2获得的矿物单粒图像数据进行数据增强处理，完成矿物单粒图像数据增强过程。2.根据权利要求1所述的一种基于生成对抗网络的矿物图像数据增强方法，其特征在于：所述的步骤1中，获取待处理矿物的多张原始图像数据时，搭建矿物图像数据采集平台；所述的待处理矿物的多张原始图像数据是在工业相机在传送带正上方拍摄的。3.根据权利要求1或2所述的一种基于生成对抗网络的矿物图像数据增强方法，其特征在于：所述的步骤3中，搭建的数据增强SRGAN深度学习模型包括生成器G与判别器D，其中，生成器采用带有残差连接的卷积神经网络，包含16个残差特征提取模块和2个反卷积模块，该带有残差连接的卷积神经网络能够实现矿物图像特征信息的高效提取，在生成器后端采用反卷积层实现特征的重映射和新图像的生成；判别器采用卷积神经网络，卷积神经网络共包含8个卷积段、2个全连接层和一个Sigmoid激活层，采用LeakyReLU激活函数，实现对生成伪造图像与真实对象进行对比、识别与判断，并将判断结果反馈至生成器，以实现数据增强SRGAN深度学习模型权重的整体优化。4.根据权利要求3所述的一种基于生成对抗网络的矿物图像数据增强方法，其特征在于：所述的步骤4中，进行训练的过程包括：第一步，确定数据增强SRGAN深度学习模型的对抗损失函数为：式中，ILR为低分辨率矿物图像，通过对生成器G的高分辨率输入矿物图像进行高斯滤波处理后获得；n＝1，2，3…N，N为每个批次的图像数据量；第二步，确定数据增强SRGAN深度学习模型的内容损失函数为：式中，W，H，r分别为所述生成器G中卷积层提取特征图像的宽度、高度和下采样因子，x，y分别为生成器G中卷积层提取特征图像的横、纵坐标，ILR为生成器G的低分辨率输入矿物图2CN115908213A权利要求书2/2页像；为输入的高分辨率图像；x＝1，2，3，…，rW，y＝1，2，3，…，rH；第三步，确定数据增强SRGAN深度学习模型的感知损失函数lSR为：式中，为内容损失函数，为对抗损失函数。5.根据权利要求4所述的一种基于生成对抗网络的矿物图像数据增强方法，其特征在于：根据感知损失函数lSR确定数据增强SRGAN深度学习模型的损失值，在训练过程中能够获得学习速率。6.根据权利要求5所述的一种基于生成对抗网络的矿物图像数据增强方法，其特征在于：根据步骤4得到的损失值和学习速率，终止数据增强SRGAN深度学习模型的训练，得到训练后的SRGAN矿物图像数据增强模型。7.根据权