申请/专利权人：广州民航职业技术学院

申请日：2023-05-12

公开（公告）日：2024-06-21

公开（公告）号：CN116542891B

主分类号：G06T5/50

分类号：G06T5/50;G06T3/4053;G06F16/53;G06V10/764;G06V10/774;G06T7/10

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.08.22#实质审查的生效;2023.08.04#公开

摘要：本申请公开了一种高分辨率飞机蒙皮表面损伤图像合成方法及系统，其中方法包括以下步骤：建立飞机蒙皮损伤图像数据库，并提取训练用图像；对所述训练用图像进行语义标记，得到与所述训练用图像相对应的语义损伤图；基于所述训练用图像和所述语义损伤图进行CGAN模型训练，得到图像合成模型；将手绘损伤分割图输入至所述图像合成模型，得到合成损伤图像。本申请利用对抗网络进行飞机蒙皮表面损伤图像合成，可以有效地解决收集飞机蒙皮表面损伤图像耗时耗力的问题，为自动生成飞机蒙皮表面损伤图像奠定了基础。

主权项：1.一种高分辨率飞机蒙皮表面损伤图像合成方法，其特征在于，包括以下步骤：建立飞机蒙皮损伤图像数据库，并提取训练用图像；对所述训练用图像进行语义标记，得到与所述训练用图像相对应的语义损伤图；语义标记的方法包括：将训练用图像中的背景、划痕和采样分别标记为不同颜色，得到标记损伤图；根据训练用图像，语义损伤图在像素级别被手动标记，背景、划痕和采样分别设置为白色、深红色和绿色；损伤图像和相应的语义损伤图是成对的，与语义分割网络不同，CGAN的输入是语义损伤图，输出是与输入相对应的合成损伤图像；基于所述训练用图像和所述语义损伤图进行CGAN模型训练，得到图像合成模型；将手绘损伤分割图输入至所述图像合成模型，得到合成损伤图像；所述语义标记的方法包括：将所述训练用图像中的背景、划痕和采样分别标记为不同颜色，得到所述标记损伤图；所述CGAN模型的训练过程包括：将所述训练用图像按照预设比例划分为训练集和测试集；将所述训练集输入至所述CGAN模型的生成器和鉴别器中进行对抗训练，得到初始合成模型；基于所述测试集对所述初始合成模型进行测试，得到所述图像合成模型；所述对抗训练的方法包括：S301.训练低分辨率生成器和鉴别器；S302.将所述训练集输入至所述低分辨率生成器中，得到低分辨率损伤图像；S303.将所述低分辨率损伤图像与相应的所述语义损伤图进行合成，得到高分辨率损伤图像；S304.将所述高分辨率损伤图像输入至所述鉴别器中，并由所述鉴别器发出反馈信息；S305.所述低分辨率生成器基于所述反馈信息增强生成质量；S306.重复所述S302-所述S305，使所述低分辨率生成器和所述鉴别器收敛至纳什均衡，完成所述对抗训练；据五重交叉验证原理，在收集的500幅图像中，按照4:1的预设比例，随机选择400幅图像训练CGAN模型，并将剩余的100幅图像用作测试数据集；选用pix2pixHD模型作为待训练的CGAN模型，pix2pixHD模型包括低分辨率生成器和鉴别器，pix2pixHD模型的低分辨率生成器包括两个子网络：全局生成器网络和局部增强器网络，pix2pixHD模型使用三个具有相同网络结构但以不同图像比例操作的鉴别器；pix2pixHD模型在训练过程中，将在低分辨率生成器中合成的低分辨率损伤图像和与其相应的语义高分辨率图像合成为高分辨率损伤图像，将高分辨率损伤图像输入至鉴别器中，并由鉴别器发出反馈信，低分辨率生成器基于反馈信息增强生成质量，重训练步骤，使低分辨率生成器和鉴别器收敛至纳什均衡，完成对抗训练。

全文数据：

权利要求：

百度查询： 广州民航职业技术学院 一种高分辨率飞机蒙皮表面损伤图像合成方法及系统

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