缺陷检测~GAN网络

采用GAN结构:

1、<A Surface Defect Detection Method Based on Positive Samples>

思路：

 训练目的：abnormal输入经过GAN结构恢复得到normal输出。

 测试阶段：abnormal输入和normal输出计算LBP值，比较得到瑕疵区域。

训练和测试：

训练：

仅仅基于normal图像做训练。normal图像x经过瑕疵添加模块G(x~|x)得到有瑕疵的图像x~。x~参与实际的GAN网络训练得到修复好的y。

训练过程模型学习两个能力：a、瑕疵位置的定位。b、瑕疵修复。

测试阶段：

任意输入一张测试图像x：

如果没有瑕疵，网络作出反应：没有找到瑕疵、不进行修复。应该输出和x类似的normal图像。

如果有瑕疵，网络做出反应：有瑕疵，定位瑕疵区域，对瑕疵做修复。应该输出对x进行修复后的normal图像。

 

 

 问题：

1、 训练数据中的缺陷如何生成。即G(x~|x)构造问题。

       文中是用ps得到的，但是能否做到和实际的瑕疵十分接近有待考证。

2、 瑕疵检测的有效性完全依赖于瑕疵区域的恢复效果。对于瑕疵区域恢复效果查的问题，此类方法，理论上效果不好。