CN113674263A - 一种基于生成式对抗网络的小样本缺陷检测方法 - Google Patents
一种基于生成式对抗网络的小样本缺陷检测方法 Download PDFInfo
- Publication number
- CN113674263A CN113674263A CN202110993562.0A CN202110993562A CN113674263A CN 113674263 A CN113674263 A CN 113674263A CN 202110993562 A CN202110993562 A CN 202110993562A CN 113674263 A CN113674263 A CN 113674263A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- samples
- normal
- network
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 184
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 4
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 208000012639 Balance disease Diseases 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种基于生成式对抗网络的小样本缺陷检测方法,缺陷检测过程分为缺陷样本生成,缺陷样本重建,缺陷定位三个步骤,陷样本生成步骤包括:搜集大量正常样本和少量缺陷样本,通过人工添加缺陷以及Cycle‑GAN的方式扩充缺陷样本,且,在此基础上,提出缺陷样本重建网络,该网络使用自编码网络的方式,将缺陷样本重建为正常样本,而正常样本保持不变,同时为了提升重建效果,提出结构性重建损失,以此优化重建效果,在最后的缺陷定位过程中,计算缺陷样本与重建样本的结构相似性指数,并进行阈值处理从而定位缺陷。本发明基于生成式对抗网络可以在仅有少量缺陷样本的情况下实现较高准确率的缺陷检测,方法鲁棒性强,适用于工业级的缺陷检测。
Description
技术领域
本发明涉及计算机视觉技术,具体地说,涉及一种基于生成式对抗网络的小样本缺陷检测方法,基于生成式对抗网络,可以用于输电线设备表面缺陷检测与定位。
背景技术
在电网巡检中,输电线设备表面的缺陷检测与定位对于维护电网安全有着至关重要的作用,在传统的巡检中,缺陷的发现通过是通过人工完成的,需要耗费大量人力。且存在主观因素,从而造成缺陷的漏检与误检,严重的会造成巨大经济损失。随着人工智能算法的发展,机器在缺陷检测上的精度不断提高,使用机器的成本远小于人力,精度反而接近甚至超过人类,因此使用成本更低的缺陷检测算法代替人力对于输电线设备表面的缺陷检测是十分有意义的。
目前缺陷检测算法在输电线设备表面检测仍然会遇到很多问题与挑战。缺陷检测应用传统的机器学习算法往往受环境因素干扰过大,泛化性不强。而随着数据和算力的爆炸式发展,深度学习技术在图像识别,目标检测,实景分割上都取得了接近人类甚至超过人类的结果,这些结果让越来越多的研究者将深度学习技术应用在缺陷检测中。
然而,一个现实的问题是输电线设备的正常样本很多,然而缺陷样本量是极其不足的,这与深度学习算法需要大量标注数据的样本是相互矛盾的。也就是说,小样本已经成为深度学习应用于输电线设备缺陷检测的瓶颈。因此针对输电线设备缺陷检测需要从一个全新角度设计有效使用的方案
大量研究已经表明,生成式对抗网络不仅具有强大的生成能力,而且有很强的区分异常的能力,可以实现大规模的缺陷检测。针对上述输电线设备缺陷检测存在的问题,本发明提出了一种基于生成式对抗网络的小样本缺陷检测方法。基于生成式对抗网络,缺陷检测过程通过缺陷样本生成,缺陷样本重建,缺陷定位三个步骤就可以完成较高精度的输电线设备缺陷检测。
发明内容
本发明针对上述输电线设备缺陷检测存在的问题,而提出了一种基于生成式对抗网络的小样本缺陷检测方法,用于克服上述问题。通过缺陷样本生成,缺陷样本重建,缺陷定位三个步骤就可以完成较高精度的输电线设备缺陷检测,极大减少人力成本。
为实现上述目的,本发明采取的技术方案为:设计一种基于生成式对抗网络的小样本缺陷检测方法,其特征在于,具体包括以下步骤:
S1:缺陷样本生成,对于搜集的大量正常样本和少量缺陷样本,通过添加人造缺陷噪声及利用Cycle-GAN的方式训练正常样本到缺陷样本的域转换,从而扩充缺陷样本;
S2:缺陷样本重建,使用自编码网络的方式,可以将上述缺陷样本重建为正常样本,而正常样本保持不变,同时为了提升重建效果,提出结构性重建损失,以此优化重建效果;
S3:缺陷定位,计算缺陷样本与重建样本的结构相似性指数,并进行阈值处理从而定位缺陷。
进一步的,所述S1中通过人造缺陷噪声,以增加不同大小、不同位置以及不同灰度值的缺陷块的人工缺陷扩充缺陷样本,同时也使用随机剪切、缩放以及添加高斯噪声的方式以增加人工缺陷样本的多样性。
进一步的,所述S1在缺陷样本的生成中,通过Cycle-GAN的方式生成缺陷样本,其具体步骤为:
S1:定义两个生成器网络G1和G2,G1用于正常样本x生成缺陷样本y,G2用于生成的缺陷样本y逆变换生成与输入正常样本x尽可能一致的样本x;
S2:定义两个辨别器网络D1和D2,D1用于判别生成器G1生成缺陷样本的真实程度,D2用于判断生成器G2生成正常样本的真实程度;
S3:在缺陷样本生成网络训练过程中,存在两个Cycle过程,其中,第一个Cycle过程中,输入正常样本x到G1产生缺陷样本y,然后输入y到G2生成x,最后使用均方误差损失评估x和x的差异,在第二个Cycle过程中,输入缺陷样本y到G2生成正常样本x,然后输入x到G1产生缺陷样本y,最后评估y和y的差异,循环往复,最后G1产生足够多样化的缺陷样本,扩充缺陷样本的基数。
进一步的,使用对抗损失函数,使生成器生成接近真实的数据分布,损失函数定义为:
其中,G(x)表示生成的样本,DY表示辨别器,用于判断G(x)是否接近Y。
进一步的,整个缺陷样本生成网络还包括循环一致性损失,用于两个生成器G1和G2可以生成相对应的已知样本,损失函数表达为:
其中|| ||1表示了L1损失,用于衡量Cycle过程中相互转换的一致性;
进一步的,整个缺陷样本生成网络的总损失可以表达为:
L(G1,G2,D1,D2)=LGAN(G1,D2,X,Y)+LGAN(G2,D1,Y,X)+λLcyc(G1,G2) (9)
进一步的,使用自编码网络的方式,将缺陷样本重建为正常样本,而正常样本保持不变,自编码网络采用GAN网络的生成器G,然后通过GAN网络的判别器D判断重建样本与正常样本的差距,在训练的过程中,判别器会尽可能的区分正常样本,而生成器会将输入的正常或者缺陷样本都重建为正常样本,通过判别器与生成器之间的相互博弈,生成器逐渐提升会与缺陷样本的发现能力,缺陷样本重建网络的损失函数定义为:
其中y表示正常样本,G(x)表示重建样本,pdata(x)表示正常样本满足的概率分布。
进一步的,缺陷样本重建网络采用GAN网络的形式进行模型的训练,同时为了提升重建效果,提出结构性重建损失,以此优化重建效果,结构性重建损失定义:
其中,x表示输入的样本,x.label表示输入样本的属性,1表示正常样本,-1表示缺陷样本,结构性重建损失的目的是保证重建的正常样本与缺陷样本的不同,确保尽可能的与正常样本相同。
进一步的,缺陷样本重建网络的总损失包含GAN网络损失和相应的结构性重建损失,具体表示为:
其中,β表示平衡损失的参数。
进一步的,所述S3中在缺陷定位的过程中,计算缺陷样本与重建样本的结构相似性指数,并进行阈值处理从而定位缺陷。
本发明相对于现有技术具有以下有益效果:
1、有效减少了对缺陷样本的依赖,通过人工添加缺陷噪声方法和缺陷样本生成网络可以产生大量可用的缺陷样本,这为深度学习在输电线设备缺陷检测的大规模应用提供了基础;
2、有效减少了对精细位置标注的依赖,仅需要计算缺陷样本与重建样本的结构相似性指数,并进行阈值处理就能较准确地定位缺陷;
3、使用的样本增强方法,提升了缺陷检测在光照变化、背景复杂、随机噪声的抗干扰能力,使缺陷检测算法具有更强的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其它的附图。
图1为本发明一种基于生成式对抗网络的小样本缺陷检测方法具体训练过程的流程图;
图2为本发明一种基于生成式对抗网络的小样本缺陷检测方法具体测试过程的流程图;
图3为本发明一种基于生成式对抗网络的小样本缺陷检测方法生成缺陷样本实例的二值化图;
图4为本发明一种基于生成式对抗网络的小样本缺陷检测方法中缺陷样本生成的Cycle过程;
图5为本发明一种基于生成式对抗网络的小样本缺陷检测方法中全局结构相似性系数计算示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
参考说明书附图1-2所示,本发明中将缺陷检测过程分为缺陷样本生成、缺陷样本重建以及缺陷定位过程。
在缺陷样本生成通过添加人造缺陷及利用Cycle-GAN的方式训练正常样本到缺陷样本的域转换,从而扩充缺陷样本。
参考说明书附图3所示,人造缺陷主要生成一些较易可视的缺陷,例如设备表面生锈,脱落等,通过增加不同大小、不同位置以及不同灰度值的缺陷块等人工缺陷扩充缺陷样本,同时也使用随机剪切,缩放,添加高斯噪声等方式增加人工缺陷样本的多样性。
参考说明书附图4所示,通过Cycle-GAN的方式训练正常样本到缺陷样本的域转换实现缺陷样本扩充也是本发明的核心方法之一,其具体步骤为:
S1:定义两个生成器网络G1和G2,G1用于正常样本x生成缺陷样本y,G2用于生成的缺陷样本y逆变换生成与输入正常样本x尽可能一致的样本x。
S2:定义两个辨别器网络D1和D2,D1用于判别生成器G1生成缺陷样本的真实程度,D2用于判断生成器G2生成正常样本的真实程度。
S3:在缺陷样本生成网络训练过程中,存在两个Cycle过程,第一个Cycle过程中,输入正常样本x到G1产生缺陷样本y,然后输入y到G2生成x,最后使用均方误差损失评估x和x的差异,在第二个Cycle过程中,输入缺陷样本y到G2生成正常样本x,然后输入x到G1产生缺陷样本y,最后评估y和y的差异。循环往复,最后G1产生足够多样化的缺陷样本,扩充缺陷样本的基数。
整个Cycle-GAN过程包括对抗生成生成损失和循环一致性损失,对抗生成损失是保证生成器生成接近真实的数据分布,对抗生成损失函数定义为:
其中G(x)表示生成的样本,DY表示辨别器,用于判断G(x)是否接近Y
循环一致性损失定义为:
其中,x表示输入的样本,x.label表示输入样本的属性,1表示正常样本,-1表示缺陷样本,结构性重建损失的目的是保证重建的正常样本与缺陷样本的不同,确保尽可能的与正常样本相同。
缺陷样本生成网络总的损失定义为:
L(G1,G2,D1,D2)=LGAN(G1,D2,X,Y)+LGAN(G2,D1,Y,X)+λLcyc(G1,G2)
缺陷样本生成网络实施例如下:
使用自编码网络的方式,将缺陷样本重建为正常样本,而正常样本保持不变,自编码网络采用GAN网络的生成器G,然后通过GAN网络的判别器D判断重建样本与正常样本的差距,在训练的过程中,判别器会尽可能的区分正常样本,而生成器会将输入的正常或者缺陷样本都重建为正常样本,通过判别器与生成器之间的相互博弈,生成器逐渐提升会与缺陷样本的发现能力。缺陷样本重建网络的损失函数定义为:
同时为了提升重建效果,提出结构性重建损失,以此优化重建效果。结构性重建损失定义为:
其中,x表示输入的样本,x.label表示输入样本的属性,1表示正常样本,-1表示缺陷样本,结构性重建损失的目的是保证重建的正常样本与缺陷样本的不同,确保尽可能的与正常样本相同。
结合对抗损失和结构性重建损失,缺陷样本生成网络的优化目标为:
其中,β表示平衡损失的参数。
缺陷定位过程的实施例如下:
在缺陷定位的过程中,计算缺陷样本与重建样本的结构相似性指数,用于判断样本是否存在缺陷以及缺陷定位,首先计算输入样本与全局样本的全局结构相似性系数。
参考说明书附图5所示,全局结构相似性系数有三个组合特征计算得到,分别为亮度,对比度,结构。
本实施例中,亮度是通过计算其平均灰度得到的,以图片x为例,亮度定义为:
其中,N表示像素数量,xi表示i点的灰度。
定义两个样本x,y的亮度对比函数:
对比度与亮度类似,本实例中其定义为:
以此定义对比度函数:
其中,C2=(K2L)2,与亮度对比函数中C1定义一致
结构比较与亮度和对比度有关,本实施例定义为:
本实例中,全局结构相似性系数最终被定义为:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中,α,β,γ用于调整三个特征的重要性。
在本发明所述方法中,定义缺陷与正常的阈值,当低于某阈值可判断该样本为正常样本,否则通过滑动窗口的方式计算局部结构性系数,用于完成缺陷定位。
滑动窗口计算的是局部的结构相似性系数,当局部结构相似性系数大于所指定阈值时,定义该区域为缺陷区域,通过定义不同大小的滑动窗口,可以更准确的定位缺陷。在滑动窗口计算局部相似性系数时,为了避免出现“分块效应”,本实例使用高斯加权系数W={wi|i=1,2,...k},k表示窗口的像素总数,使用标准差为1.6,且满足:
重写亮度,对比度以及结构公式为:
通过上述公式,本实例计算每个窗口的局部结构相似性系数,计算方法与全局结构相似性系数一致,但每个窗口的像素是单独计算的。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未违背本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包括在本发明的保护范围之内。
Claims (10)
1.一种基于生成式对抗网络的小样本缺陷检测方法,其特征在于,具体包括以下步骤:
S1:缺陷样本生成,对于搜集的大量正常样本和少量缺陷样本,通过添加人造缺陷噪声及利用Cycle-GAN的方式训练正常样本到缺陷样本的域转换,从而扩充缺陷样本;
S2:缺陷样本重建,使用自编码网络的方式,可以将上述缺陷样本重建为正常样本,而正常样本保持不变,同时为了提升重建效果,提出结构性重建损失,以此优化重建效果;
S3:缺陷定位,计算缺陷样本与重建样本的结构相似性指数,并进行阈值处理从而定位缺陷。
2.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法,其特征在于:所述S1中通过人造缺陷噪声,以增加不同大小、不同位置以及不同灰度值的缺陷块的人工缺陷扩充缺陷样本,同时也使用随机剪切、缩放以及添加高斯噪声的方式以增加人工缺陷样本的多样性。
3.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法,其特征在于,所述S1在缺陷样本的生成中,通过Cycle-GAN的方式生成缺陷样本,其具体步骤为:
S1:定义两个生成器网络G1和G2,G1用于正常样本x生成缺陷样本y,G2用于生成的缺陷样本y逆变换生成与输入正常样本x尽可能一致的样本x;
S2:定义两个辨别器网络D1和D2,D1用于判别生成器G1生成缺陷样本的真实程度,D2用于判断生成器G2生成正常样本的真实程度;
S3:在缺陷样本生成网络训练过程中,存在两个Cycle过程,其中,第一个Cycle过程中,输入正常样本x到G1产生缺陷样本y,然后输入y到G2生成x,最后使用均方误差损失评估x和x的差异,在第二个Cycle过程中,输入缺陷样本y到G2生成正常样本x,然后输入x到G1产生缺陷样本y,最后评估y和y的差异,循环往复,最后G1产生足够多样化的缺陷样本,扩充缺陷样本的基数。
6.根据权利要求3或4任意一项所述的一种基于生成式对抗网络的小样本缺陷检测方法,其特征在于,整个缺陷样本生成网络的总损失可以表达为:
L(G1,G2,D1,D2)=LGAN(G1,D2,X,Y)+LGAN(G2,D1,Y,X)+λLcyc(G1,G2) (3)。
10.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法,其特征在于,所述S3中在缺陷定位的过程中,计算缺陷样本与重建样本的结构相似性指数,并进行阈值处理从而定位缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993562.0A CN113674263A (zh) | 2021-08-27 | 2021-08-27 | 一种基于生成式对抗网络的小样本缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993562.0A CN113674263A (zh) | 2021-08-27 | 2021-08-27 | 一种基于生成式对抗网络的小样本缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113674263A true CN113674263A (zh) | 2021-11-19 |
Family
ID=78547074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110993562.0A Pending CN113674263A (zh) | 2021-08-27 | 2021-08-27 | 一种基于生成式对抗网络的小样本缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674263A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693685A (zh) * | 2022-06-02 | 2022-07-01 | 深圳市华汉伟业科技有限公司 | 无监督的缺陷检测模型的训练方法、缺陷检测方法 |
CN114972375A (zh) * | 2022-05-09 | 2022-08-30 | 梅卡曼德(北京)机器人科技有限公司 | 图像生成模型的训练方法及装置、设备和存储介质 |
CN115690090A (zh) * | 2022-11-16 | 2023-02-03 | 北京阿丘科技有限公司 | 缺陷样本图像生成方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN111724372A (zh) * | 2020-06-19 | 2020-09-29 | 深圳新视智科技术有限公司 | 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质 |
CN112668623A (zh) * | 2020-12-22 | 2021-04-16 | 中国铁道科学研究院集团有限公司 | 基于生成对抗网络的双耳销钉缺陷样本的生成方法及装置 |
CN112906769A (zh) * | 2021-02-04 | 2021-06-04 | 国网河南省电力公司电力科学研究院 | 一种基于CycleGAN的输变电设备图像缺陷样本增广方法 |
-
2021
- 2021-08-27 CN CN202110993562.0A patent/CN113674263A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN111724372A (zh) * | 2020-06-19 | 2020-09-29 | 深圳新视智科技术有限公司 | 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质 |
CN112668623A (zh) * | 2020-12-22 | 2021-04-16 | 中国铁道科学研究院集团有限公司 | 基于生成对抗网络的双耳销钉缺陷样本的生成方法及装置 |
CN112906769A (zh) * | 2021-02-04 | 2021-06-04 | 国网河南省电力公司电力科学研究院 | 一种基于CycleGAN的输变电设备图像缺陷样本增广方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972375A (zh) * | 2022-05-09 | 2022-08-30 | 梅卡曼德(北京)机器人科技有限公司 | 图像生成模型的训练方法及装置、设备和存储介质 |
CN114693685A (zh) * | 2022-06-02 | 2022-07-01 | 深圳市华汉伟业科技有限公司 | 无监督的缺陷检测模型的训练方法、缺陷检测方法 |
CN115690090A (zh) * | 2022-11-16 | 2023-02-03 | 北京阿丘科技有限公司 | 缺陷样本图像生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674263A (zh) | 一种基于生成式对抗网络的小样本缺陷检测方法 | |
CN109977790A (zh) | 一种基于迁移学习的视频烟雾检测与识别方法 | |
CN113554125B (zh) | 结合全局与局部特征的目标检测装置、方法和存储介质 | |
CN112381098A (zh) | 基于目标分割领域自学习的半监督学习方法和系统 | |
CN109934200A (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN110781924A (zh) | 一种基于全卷积神经网络的侧扫声纳图像特征提取方法 | |
CN108710777B (zh) | 基于多卷积自编码神经网络的多元化探异常识别方法 | |
CN105260998A (zh) | 基于mcmc采样和阈值低秩逼近的图像去噪方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
Liu et al. | An automatic loose defect detection method for catenary bracing wire components using deep convolutional neural networks and image processing | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN112465057A (zh) | 一种基于深度卷积神经网络的目标检测识别方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN105956570A (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN102289677B (zh) | 一种基于主元分析的图像分析方法及应用于织物瑕疵检测的方法 | |
CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
CN116630989A (zh) | 智能电表可视故障检测方法、系统、电子设备及存储介质 | |
CN108985216A (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN112801955B (zh) | 种群分布不平衡条件下的浮游生物检测方法 | |
CN112215868B (zh) | 基于生成对抗网络的去除手势图像背景的方法 | |
CN114283280A (zh) | 一种基于改进卷积神经网络的水面漂浮垃圾识别方法 | |
CN111914751A (zh) | 一种图像人群密度识别检测方法及系统 |
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 |