CN109840908A - 一种基于对抗生成网络的金属轴缺陷图像生成方法 - Google Patents

一种基于对抗生成网络的金属轴缺陷图像生成方法 Download PDF

Info

Publication number
CN109840908A
CN109840908A CN201910099010.8A CN201910099010A CN109840908A CN 109840908 A CN109840908 A CN 109840908A CN 201910099010 A CN201910099010 A CN 201910099010A CN 109840908 A CN109840908 A CN 109840908A
Authority
CN
China
Prior art keywords
model
defect image
metal shaft
dummy copy
copy collection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910099010.8A
Other languages
English (en)
Inventor
计时鸣
郑启明
蔡超鹏
黄程
张利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910099010.8A priority Critical patent/CN109840908A/zh
Publication of CN109840908A publication Critical patent/CN109840908A/zh
Pending legal-status Critical Current

Links

Abstract

本发明公开了一种基于对抗生成网络的金属轴缺陷图像生成方法，包括如下步骤：将一组随机噪声数组赋给对抗生成模型中还未经训练的生成模型G，通过生成模型G生成一组金属轴缺陷图像的假样本集集；通过人为标定的方法，将生成的金属轴缺陷图像的假样本集集定义类标签，其中类标签1代表真样本集，类标签0代表假样本集；将标记了类标签1的金属轴缺陷图像的假样本集集通过鉴别模型D进行判别；在生成模型G训练完后，根据用新的生成模型对先前的噪声Z生成新的金属轴缺陷图像假样本集，此时生成的假样本集更接近真样本；循环步骤二、步骤三和步骤四的过程，最终达到稳态。本发明可以能够获得无限且丰富的缺陷图像数据。

Description

一种基于对抗生成网络的金属轴缺陷图像生成方法
技术领域
本发明涉及图像增强和目标检测领域，更具体的说，尤其涉及一种基于对抗生成网络的金属轴缺陷图像生成方法。
背景技术
近年来随着人工智能领域硬件和软件的不断提升，深度学习技术得到了飞速发展。深度学习技术可以运用在各个领域，比如计算机视觉、自然语言处理、音频分析等。在金属表面缺陷检测领域深度学习技术由于泛化强，检测准确率更高的特点，逐渐有取代传统检测的趋势。然而通常训练一个深度学习模型需要大量的样本数据，样本的质量和数量对模型的性能影响非常大，通常来讲学习的样本越丰富，模型的泛化能力就越强，因此对数据的增强在深度学习领域是非常重要的。
通常金属轴加工厂生产出来的金属轴缺陷率是比较低的，很难得到大量丰富的数据。本发明将设计一种基于对抗生成网络的金属轴缺陷图像生成方法，通过该方法可产生无限的而且丰富的缺陷图像数据。
发明内容
本发明的目的在于解决现有训练深度学习需要大量的数据，然而金属轴加工厂生产出的有缺陷的轴相对较少、原始获取的缺陷数据丰富度较低的问题，，提出了一种基于对抗生成网络的金属轴缺陷图像生成方法，能够获得无限且丰富的缺陷图像数据。
本发明通过以下技术方案来实现上述目的：一种基于对抗生成网络的金属轴缺陷图像生成方法，包括如下步骤：
步骤一：将一组随机噪声数组赋给对抗生成模型中还未经训练的生成模型G，通过生成模型G生成一组金属轴缺陷图像的假样本集；假样本集为生成模型G生成的数据集，真样本集为用于与假样本集进行对比的真的金属轴缺陷图像的数据集；
步骤二：通过人为标定的方法，将生成的金属轴缺陷图像的假样本集定义类标签，其中类标签1代表真样本集，类标签0代表假样本集；
步骤三：将标记了类标签1的金属轴缺陷图像的假样本集通过鉴别模型D进行判别；由于样本集为类标签为1的假样本集，鉴别模型D进行判别时会生成误差，误差回传则使得生成器生成的假样本集逐渐逼近为真样本，从而通过得到的误差完成了对生成模型G的训练；
步骤四：在生成模型G训练完后，根据用新的生成模型对先前的噪声Z生成新的金属轴缺陷图像假样本集，此时生成的假样本集更接近真样本；
步骤五：得到的新金属轴缺陷图像假样本集继续循环步骤二、步骤三和步骤四的过程，在这鉴别模型D和生成模型G训练的过程中，鉴别模型D和生成模型G的能力越来越强，最终达到稳态。
进一步的，生成模型G是一个用来生成新的数据实例的神经网络，通过噪声的一维序列生成样本，尽力混淆鉴别模型D的鉴定。随机噪声通过多层感知机生成。
由于当前生成模型G还不是最终的生成模型，致使生成网络处于劣势，导致生成的金属轴缺陷图像的样本集很容易被鉴别模型判别为假。
进一步的，当金属轴缺陷图像的假样本集不真实，类标签却为1时，鉴别模型给出的误差会很大，这就迫使生成模型进行很大的调整；反之，当假样本集足够真实，类标签为1时，判别器给出的误差就会减小，这就完成了假样本集向真样本逐渐逼近的过程。
本发明的有益效果在于：对于基于深度学习的缺陷检测需要大量缺陷样本进行学习，有时会因得不到足够缺陷样本的问题导致检测精度低下。本发明能够通过制造无限且丰富的缺陷图像数据，解决上述问题；通过生成模型G多层感知机输入映射到数据空间G(z)，同时训练生成模型G来最小化概率log(1-D(G(z)))，使得从噪声生成的数据足够真实。数值D(x)代表x是由真实数据获得并非由生成模型G生成的概率，训练鉴别模型D来最大化概率D(x)，使得鉴别模型D精于鉴别噪声数据。
附图说明
图1是本发明一种基于对抗生成网络的金属轴缺陷图像生成方法的工作流程图。
具体实施方式
下面结合附图对本发明作进一步说明：
如图1所示，步骤一：将一组随机噪声数组赋给对抗生成模型中还未经训练的生成模型G，通过生成模型G生成一组金属轴缺陷图像的假样本集；假样本集为生成模型G生成的数据集，真样本集为用于与假样本集进行对比的真的金属轴缺陷图像的数据集；
步骤二：通过人为标定的方法，将生成的金属轴缺陷图像的假样本集定义类标签，其中类标签1代表真样本集，类标签0代表假样本集；
步骤三：将标记了类标签1的金属轴缺陷图像的假样本集通过鉴别模型D进行判别；由于样本集为类标签为1的假样本集，鉴别模型D进行判别时会生成误差，误差回传则使得生成器生成的假样本集逐渐逼近为真样本，从而通过得到的误差完成了对生成模型G的训练；
步骤四：在生成模型G训练完后，根据用新的生成模型对先前的噪声Z生成新的金属轴缺陷图像假样本集，此时生成的假样本集更接近真样本；
步骤五：得到的新金属轴缺陷图像假样本集继续循环步骤二、步骤三和步骤四的过程，在这鉴别模型D和生成模型G训练的过程中，鉴别模型D和生成模型G的能力越来越强，最终达到稳态。生成模型G是一个用来生成新的数据实例的神经网络，通过噪声的一维序列生成样本，尽力混淆鉴别模型D的鉴定。随机噪声通过多层感知机生成。
由于当前生成模型G还不是最终的生成模型，致使生成网络处于劣势，导致生成的金属轴缺陷图像的样本集很容易被鉴别模型判别为假。
当金属轴缺陷图像的假样本集不真实，类标签却为1时，鉴别模型给出的误差会很大，这就迫使生成模型进行很大的调整；反之，当假样本集足够真实，类标签为1时，判别器给出的误差就会减小，这就完成了假样本集向真样本逐渐逼近的过程。
上述实施例只是本发明的较佳实施例，并不是对本发明技术方案的限制，只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案，均应视为落入本发明专利的权利保护范围内。

Claims (3)

1.一种基于对抗生成网络的金属轴缺陷图像生成方法，其特征在于：包括如下步骤：
步骤一：将一组随机噪声数组赋给对抗生成模型中还未经训练的生成模型G，通过生成模型G生成一组金属轴缺陷图像的假样本集；假样本集为生成模型G生成的数据集，真样本集为用于与假样本集进行对比的真的金属轴缺陷图像的数据集；
步骤二：通过人为标定的方法，将生成的金属轴缺陷图像的假样本集定义类标签，其中类标签1代表真样本集，类标签0代表假样本集；
步骤三：将标记了类标签1的金属轴缺陷图像的假样本集通过鉴别模型D进行判别；由于样本集为类标签为1的假样本集，鉴别模型D进行判别时会生成误差，误差回传则使得生成器生成的假样本集逐渐逼近为真样本，从而通过得到的误差完成了对生成模型G的训练；
步骤四：在生成模型G训练完后，根据用新的生成模型对先前的噪声Z生成新的金属轴缺陷图像假样本集，此时生成的假样本集更接近真样本；
步骤五：得到的新金属轴缺陷图像假样本集继续循环步骤二、步骤三和步骤四的过程，在这鉴别模型D和生成模型G训练的过程中，鉴别模型D和生成模型G的能力越来越强，最终达到稳态。
2.根据权利要求1所述的一种基于对抗生成网络的金属轴缺陷图像生成方法，其特征在于：生成模型G是一个用来生成新的数据实例的神经网络，通过噪声的一维序列生成样本，尽力混淆鉴别模型D的鉴定。随机噪声通过多层感知机生成。
3.根据权利要求1所述的一种基于对抗生成网络的金属轴缺陷图像生成方法，其特征在于：当金属轴缺陷图像的假样本集不真实，类标签却为1时，鉴别模型给出的误差会很大，这就迫使生成模型进行很大的调整；反之，当假样本集足够真实，类标签为1时，判别器给出的误差就会减小，这就完成了假样本集向真样本逐渐逼近的过程。
CN201910099010.8A 2019-01-31 2019-01-31 一种基于对抗生成网络的金属轴缺陷图像生成方法 Pending CN109840908A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910099010.8A CN109840908A (zh) 2019-01-31 2019-01-31 一种基于对抗生成网络的金属轴缺陷图像生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910099010.8A CN109840908A (zh) 2019-01-31 2019-01-31 一种基于对抗生成网络的金属轴缺陷图像生成方法

Publications (1)

Publication Number Publication Date
CN109840908A true CN109840908A (zh) 2019-06-04

Family

ID=66884477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910099010.8A Pending CN109840908A (zh) 2019-01-31 2019-01-31 一种基于对抗生成网络的金属轴缺陷图像生成方法

Country Status (1)

Country Link
CN (1) CN109840908A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796174A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 多类型虚拟样本的生成方法、装置、电子设备及存储介质
CN111292396A (zh) * 2020-01-16 2020-06-16 武汉轻工大学 图像样本集生成方法、设备、装置及存储介质
CN113763320A (zh) * 2021-07-29 2021-12-07 国网江苏省电力有限公司电力科学研究院 一种电缆附件封铅施工缺陷检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016406A (zh) * 2017-02-24 2017-08-04 中国科学院合肥物质科学研究院 基于生成式对抗网络的病虫害图像生成方法
CN108961272A (zh) * 2018-07-02 2018-12-07 浙江工业大学 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016406A (zh) * 2017-02-24 2017-08-04 中国科学院合肥物质科学研究院 基于生成式对抗网络的病虫害图像生成方法
CN108961272A (zh) * 2018-07-02 2018-12-07 浙江工业大学 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IAN J. GOODFELLOW ET AL.: "Generative Adversarial Nets", 《ARXIV》 *
时光杂货店: "生成对抗网络（GAN）简单梳理", 《CSDN》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796174A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 多类型虚拟样本的生成方法、装置、电子设备及存储介质
CN111292396A (zh) * 2020-01-16 2020-06-16 武汉轻工大学 图像样本集生成方法、设备、装置及存储介质
CN111292396B (zh) * 2020-01-16 2023-08-29 武汉轻工大学 图像样本集生成方法、设备、装置及存储介质
CN113763320A (zh) * 2021-07-29 2021-12-07 国网江苏省电力有限公司电力科学研究院 一种电缆附件封铅施工缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN110543878B (zh) 一种基于神经网络的指针仪表读数识别方法
CN109840908A (zh) 一种基于对抗生成网络的金属轴缺陷图像生成方法
CN109635108B (zh) 一种基于人机交互的远程监督实体关系抽取方法
CN111459491B (zh) 一种基于树形神经网络的代码推荐方法
CN106919903A (zh) 一种鲁棒的基于深度学习的连续情绪跟踪方法
CN113298151A (zh) 一种基于多级特征融合的遥感图像语义描述方法
CN111127454A (zh) 基于深度学习生成工业缺陷样本的方法及系统
CN112949408A (zh) 一种过鱼通道目标鱼类实时识别方法和系统
CN109670559A (zh) 手写汉字的识别方法、装置、设备和存储介质
CN108986091A (zh) 基于深度哈希网络的铸件缺陷图像检测方法
CN111125370A (zh) 一种适应小样本的关系抽取方法
CN112699218A (zh) 模型建立方法及系统及段落标签获得方法及介质
CN113947597B (zh) 一种基于屏蔽重建的工业缺陷检测方法、装置及介质
CN116861303A (zh) 一种变电站数字孪生多源信息融合诊断方法
CN111311460A (zh) 面向儿童的开发型教学系统
CN111353603A (zh) 一种深度学习模型个体预测解释方法
CN116626753B (zh) 一种基于多模态神经网络的微地震事件识别方法及系统
Zheng et al. Sketch-segformer: Transformer-based segmentation for figurative and creative sketches
Zhu et al. Convolution with rotation invariance for online detection of tiny defects on magnetic tile surface
CN110231165B (zh) 一种基于期望差异约束置信网络的机械设备故障诊断方法
CN111582493A (zh) 一种深度学习模型训练的管理系统
Zheng et al. Talking face generation via learning semantic and temporal synchronous landmarks
Han et al. Improving the Conditional Fine-grained Image Generation with Part Perception
Ni et al. Fusion learning model for mobile face safe detection and facial gesture analysis
Zhang et al. Enhancing Class-semantics Features' Locating Performance for Temporal Action Localization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190604