CN115810013A - 一种融合vit和gan的焊接异常检测方法 - Google Patents

一种融合vit和gan的焊接异常检测方法 Download PDF

Info

Publication number
CN115810013A
CN115810013A CN202310070536.XA CN202310070536A CN115810013A CN 115810013 A CN115810013 A CN 115810013A CN 202310070536 A CN202310070536 A CN 202310070536A CN 115810013 A CN115810013 A CN 115810013A
Authority
CN
China
Prior art keywords
layer
welding
encoder
image data
abnormity detection
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
CN202310070536.XA
Other languages
English (en)
Inventor
姚志豪
李波
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.)
Suxin Iot Solutions Nanjing Co ltd
Original Assignee
Suxin Iot Solutions Nanjing Co ltd
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 Suxin Iot Solutions Nanjing Co ltd filed Critical Suxin Iot Solutions Nanjing Co ltd
Priority to CN202310070536.XA priority Critical patent/CN115810013A/zh
Publication of CN115810013A publication Critical patent/CN115810013A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种融合VIT和GAN的焊接异常检测方法，首先采集实际焊接图像数据并划分数据集；搭建包括生成对抗网络Net A和约束网络Net B在内的焊接异常检测模型，基于该模型，构建损失函数并训练模型；接着基于测试集数据对训练好的焊接异常检测模型进行测试；设置分类阈值并不断迭代，基于带有真实标签的输入图像数据，计算不同分类阈值下的焊接异常检测准确率，最终选取异常检测准确率最高时对应的分类阈值；本发明设计的焊接异常识别模型，根据用于测试的数据集不同，在有效识别各种焊接异常缺陷的同时，可以兼顾异常检测的准确率。

Description

一种融合VIT和GAN的焊接异常检测方法
技术领域
本发明属于智慧焊接技术领域，特别涉及一种融合VIT和GAN的焊接异常检测方法。
背景技术
生成对抗网络（GAN, Generative Adversarial Networks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生符合预期的输出。
生成对抗网络作为一种无监督学习网络被广泛应用于图像识别领域，如何应用于焊接质量诊断，目前尚无具体应用。
发明内容
发明目的：针对上述背景技术中提出的思路，本发明提供了一种融合VIT和GAN的焊接异常检测方法，在传统生成对抗网络的基础上，融合了VIT结构，并新增了约束网络结构，构建了特殊的损失函数，通过输入正常焊接图像对模型进行训练，获得正样本下的模型权重。由于训练好的模型是基于正样本的模型权重，因此在测试异常数据集时，重建图像与实际异常图像必然存在较大差异，以此来进行焊接异常的识别。
技术方案：一种融合VIT和GAN的焊接异常检测方法，包括以下步骤：
步骤S1、采集实际焊接图像数据并划分数据集；
步骤S2、搭建焊接异常检测模型；所述焊接异常检测模型融合VIT结构和GAN结构，包括生成对抗网络Net A和约束网络Net B；
Net A包括生成器和判别器部分；所述生成器采用自编码器Autoencoder架构，包括编码器Encoder部分和解码器Decoder部分；编码器Encoder采用VIT结构，包括依次连接的一层embedding层、一层Transform Encoder层和一层线性层；所述Transform Encoder层包括不少于2层的Encoder block进行堆叠；输入原始图像信息X，经过编码器Encoder部分转换为特征集合Z；
解码器Decoder部分包括依次连接的一层线性层、一层Transform Encoder层；其中线性层和Transform Encoder层与编码器Encoder部分对应结构相同；特征集合Z输入至解码器Decoder部分，输出重建图像信息X1；
所述判别器部分的输入包括原始图像信息X和经过解码器Decoder的重建图像信息X1，具体结构包括依次连接的一层线性层和一层Transform Encoder层，结构与编码器Encoder部分对应相同；Transform Encoder层的输出连接至激活函数层；
约束网络Net B结构包括依次连接的一层embedding层、一层Transform Encoder层和一层线性层，输入为重建后的图像信息X1，约束网络将X1转换为特征集合Z1；
步骤S3、基于步骤S2所述焊接异常检测模型构建损失函数，并基于损失函数训练焊接异常检测模型；
步骤S4、基于测试集数据对训练好的焊接异常检测模型进行测试；设置分类阈值并不断迭代，基于带有真实标签的输入图像数据，计算不同分类阈值下的焊接异常检测准确率，最终选取异常检测准确率最高时对应的分类阈值；
步骤S5、保存步骤S3训练的焊接异常检测模型权重及步骤S4中获取的分类阈值，将焊接异常检测模型部署于云端或边缘侧；当进行焊接异常检测时，接收实际焊接过程的图像数据，计算特征集合Z和Z1间的均方误差，并归一化处理；当归一化结果大于分类阈值时，则认为发生焊接异常；否则判断为未发生异常。
进一步地，所述步骤S1中采集的焊接图像数据包括正常焊接图像数据和异常图像数据；分别对正常焊接图像数据和异常图像数据进行随机切分，切分大小相同；选取80%的正常焊接图像数据作为训练集，剩余20%的正常焊接图像数据和全部异常图像数据作为测试集；其中测试集数据包含真实标签。
进一步地，所述步骤S2中编码器部分embedding层还包括一层卷积层，生成器中输入图像至embedding层，通过一层卷积层将输入图像信息先进行卷积，再展平后输入至Transform Encoder层；
解码器部分特征集合Z进过线性层和Transform Encoder层后，先进行展平操作恢复维度，后经过一层卷积层进行转置卷积，输出重建后的图像信息X1。
进一步地，所述步骤S2中Transform Encoder层包括不少于2层的Encoder block进行堆叠，每层Encoder block包括依次连接的第一级Layer Norm层、多头注意力层和第一级Dropout层；将Encoder block输入与第一级Dropout层的输出相加后输入至第二级LayerNorm层；第二级Layer Norm层顺序连接MLP线性层和第二级Dropout层；将第二级LayerNorm层的输入与第二级Dropout层的输出相加后作为每层Encoder block的输出。
进一步地，所述步骤S2中判别器部分激活函数层选用sigmoid函数。
进一步地，步骤S3中构建焊接异常检测模型损失函数具体如下：
（1）Net A中判别器的损失函数
Figure SMS_1
：
判别器损失函数选用BCE损失函数，分别计算获得真实图像数据经过判别器的损失
Figure SMS_2
和重建图像数据经过判别器的损失
Figure SMS_3
，最终获得判别器损失函数
Figure SMS_4
表达如下：
Figure SMS_5
；
（2）重建损失函数
Figure SMS_6
：
重建损失函数包括以下3部分：
1）真实图像和重建图像分别输入判别器后，Transform Encoder层输出的特征图之间的均方误差，记为
Figure SMS_7
；
2）真实图像和重建图像间的曼哈顿距离，记为
Figure SMS_8
；
3）生成器中特征集合Z和约束网络Net B输出的特征集合Z1间的均方误差，记为
Figure SMS_9
；
通过加权融合，最终重建损失函数表示如下：
Figure SMS_10
其中
Figure SMS_11
为权重参数；
模型训练时，首先基于判别器损失函数更新Net A中的判别器参数，再基于重建损失函数更新生成器的网络参数，最终获得基于正样本的焊接异常检测模型权重。
进一步地，所述步骤S4中获取分类阈值具体方法包括：
选取测试集图像数据输入至焊接异常检测模型，输入图像数据x后，Net A中生成器首先将异常图像x通过编码器部分映射至特征集合z，接着重建输出图像x1并输入至约束网络Net B，经过解码后生成的特征集合z1；计算z和z1间的均方误差，并进行归一化处理，使均方误差取值范围为[0,1]；设置分类阈值，在[0,1]范围内不断迭代，当z和z1间的均方误差值大于分类阈值时，则认为当前输入图像发生焊接异常，否则未发生焊接异常；将模型判断结果与实际带有标签的测试集数据进行比较，计算焊接异常识别模型的检测准确率；通过迭代分类阈值，计算不同分类阈值情况下，分类结果的准确率，选取分类结果准确率最高时的分类阈值。
本发明采用的技术方案与现有技术方案相比，具有以下有益效果：
（1）本发明在传统生成对抗网络的基础上，融合了VIT结构，将输入图像信息转换为特征集合，并基于此重建图像。通过构建约束网络，将重建图像进一步解码成对应的特征集合，计算两个特征集合间的均方误差，进一步约束模型生成器的生成效果。
（2）在训练焊接异常检测模型时，通过两个特征集合间的均方误差结果迭代分类阈值，进而找到识别准确率最高时的分类阈值，这里的核心焊接异常检测原理是完全原创，且具备较高准确率。
（3）本发明设计的焊接异常识别模型根据用于测试的数据集不同，在有效识别各种焊接异常缺陷的同时，可以兼顾异常检测的准确率。
附图说明
图1为正常焊缝示意图；
图2为漏焊异常下焊缝示意图；
图3为本发明提供的融合VIT和GAN的焊接异常检测模型结构示意图；
图4为本发明提供的Encoder block具体结构示意图；
图5为本发明实施例中迭代模型10次后图像重建情况示意图；
图6为本发明实施例中迭代模型120次后图像重建情况示意图；
图7为本发明实施例中迭代模型10000次后图像重建情况示意图；
图8为本发明实施例中将漏焊图像输入至训练好的焊接异常检测模型后重建图像情况及残差情况示意图；
图9为本发明实施例中将正常焊接图像输入至训练好的焊接异常检测模型后重建图像情况及残差情况示意图。
实施方式
下面结合附图对本发明做更进一步的解释。
本发明提供了一种融合VIT和GAN的焊接异常检测方法，首先分别采集正常焊缝和存在异常的图像数据并进行随机切分，获取正常焊接数据集和异常数据集；选取部分正常焊接数据集训练焊接异常检测模型。本发明设计的焊接异常检测模型融合了VIT和GAN结构，包括生成对抗网络（GAN）部分Net A和约束网络部分Net B，并且构建相应损失函数用于模型训练。用全部为正样本（即正常焊接样本）的数据集训练焊接异常检测模型，获得基于正样本的模型权重。接着利用包含异常数据集的测试数据对模型进行测试，由于训练好的模型是基于正样本的模型权重，因此在测试异常数据集时，重建图像与实际异常图像必然存在较大差异，以此来进行焊接异常的识别。需要说明的是，本发明设计的焊接异常检测方法并非针对特定的焊接异常，而是通过异常图像在异常检测模型下的图像重建与实际异常图像间存在明显差异进行判断。下面给出具体实施方式：
步骤S1、采集实际焊接图像数据并划分数据集。
实际焊接图像数据中应当包括正常焊接图像数据和异常图像数据。基于焊接的实际情况，发生焊接异常属于小样本事件，因此获取的样本数据也较少。接着对正常焊接图像数据和异常图像数据进行随机切分，切分大小相同，如图1-图2所示。本实施例中，选取80%的正常焊接图像数据作为训练集，剩余20%的正常焊接图像数据和全部异常图像数据作为测试集。
步骤S2、搭建焊接异常检测模型。
本实施例中搭建了一种融合VIT结构和GAN结构的焊接异常检测模型，具体结构如图3所示，该模型包括生成对抗网络结构Net A和约束网络结构Net B。
Net A主体框架为生成对抗网络结构，包括生成器和判别器部分。
生成器部分采用自编码器Autoencoder架构，包括编码器Encoder部分和解码器Decoder部分。编码器Encoder采用VIT结构，包括依次连接的一层embedding层、一层Transform Encoder层和一层线性层。输入图像信息X通过embedding层，通过一层卷积层将输入图像信息先进行卷积，再展平后输入至Transform Encoder层。Transform Encoder层包括不少于2层的Encoder block进行堆叠，每层Encoder block具体结构如图4所示，包括依次连接的第一级Layer Norm层、多头注意力层和第一级Dropout层。将Encoder block输入与第一级Dropout层的输出相加后输入至第二级Layer Norm层。第二级Layer Norm层顺序连接MLP线性层和第二级Dropout层。将第二级Layer Norm层的输入与第二级Dropout层的输出相加后作为每层Encoder block的输出。Transform Encoder层输出通过一层线性层后将输入图像信息X转换为特征集合Z。
解码器Decoder部分包括依次连接的一层线性层、一层Transform Encoder层，这里线性层和Transform Encoder层与编码器Encoder部分对应结构相同。特征集合Z进过线性层和Transform Encoder层后，先进行展平操作恢复维度，后经过一层卷积层进行转置卷积。解码器输出重建后的图像信息X1。
输入图像信息X和重建后的图像X1分别输入至判别器，判别器包括依次连接的一层线性层和一层Transform Encoder层，结构与编码器Encoder部分相同。TransformEncoder层的输出连接至激活函数层，激活函数选用sigmoid函数。
约束网络Net B同样采用如编码器Encoder部分的结构，生成器输出重建后的图像信息X1至约束网络，约束网络包括依次连接的一层embedding层、一层Transform Encoder层和一层线性层，最终将输入的X1转换为特征集合Z1。
步骤S3、构建焊接异常检测模型损失函数，基于该损失函数，通过梯度下降进行模型训练。
本发明中构造的损失函数包括以下两部分：
（1）Net A中判别器的损失函数
Figure SMS_12
：
判别器损失函数选用BCE损失函数，分别计算获得真实图像数据经过判别器的损失
Figure SMS_13
和重建图像数据经过判别器的损失
Figure SMS_14
，最终获得判别器损失函数
Figure SMS_15
表达如下：
Figure SMS_16
；
（2）重建损失函数
Figure SMS_17
：
重建损失函数包括以下3部分：
1）真实图像和重建图像分别输入判别器后，Transform Encoder层输出的特征图之间的均方误差，记为
Figure SMS_18
；
2）真实图像和重建图像间的曼哈顿距离，记为
Figure SMS_19
；
3）生成器中特征集合Z和约束网络Net B输出的特征集合Z1间的均方误差，记为
Figure SMS_20
；
通过加权融合，最终重建损失函数表示如下：
Figure SMS_21
其中
Figure SMS_22
为权重参数；
模型训练时，首先基于判别器损失函数更新Net A中的判别器参数，再基于重建损失函数更新生成器的网络参数，最终获得基于正样本的焊接异常检测模型权重。
其中设置
Figure SMS_23
、
Figure SMS_24
的目的在于尽量使生成器重建的图像与原始图像接近，使生成器生成图像更加逼真，设置
Figure SMS_25
的目的在于在于使得模型推理过程中效果越来越好。
模型训练时，首先基于判别器损失函数更新Net A中的判别器部分参数，再基于重建损失函数更新生成器的网络参数，最终获得基于正样本的焊接异常检测模型权重。
步骤S4、测试阶段，利用测试集中包含的少量异常图像数据进行测试。具体地，当输入异常图像x时，Net A中生成器首先将异常图像x通过编码器部分映射至特征集合z，由于焊接异常检测模型是基于正常焊接图像数据进行训练的，因此当模型接接收异常焊接数据时，重建后的图像数据x1则会遗漏异常特征。x1输入至Net B中后，经过解码后生成的特征集合z1时，z1与z之间则必然遗漏了关于异常部分的特征表示。
计算步骤S3中的
Figure SMS_26
并进行归一化处理，使其值域范围为[0,1]。设置分类阈值，使其在[0,1]不断迭代，并设置当
Figure SMS_27
的值大于分类阈值时，则认为当前输入图像发生焊接异常，否则未发生异常。由于测试集中包含了正常焊接图像数据和少量焊接异常图像数据的，因此测试集是带有真实标签的图像数据。通过迭代分类阈值，计算不同分类阈值情况下，分类结果的准确率，选取分类结果准确率最高时的分类阈值。
需要注意的是，针对不同焊接异常，这里分类阈值的迭代结果是不同的，实际对焊接异常进行检测时，可以根据不同异常情况迭代分类阈值，实现不同焊接异常的精准检测。
步骤S5、保存模型权重，及获取的分类阈值，将模型部署于云端或边缘侧。接收实际焊接过程中的各种数据，重复上述判断过程，当发生焊接异常时，模型报警。
下面给出一份实验结果辅助说明本专利提供的焊接异常检测方法。
首先训练模型，如图5所示，模型迭代10次后输出的重建图像与实际图像相差较远，图6中模型迭代120次后，模型输出的重建图像质量逐渐改善，图7中模型迭代10000次后，输出的重建图像已经可以很好地表征正常焊缝了。
接着进行模型测试，如图8所示，本发明中以漏焊为代表，可以看出，与真实漏焊图像（左一）相比，通过正常焊接的数据迭代出的重建输出图像（中间）并不能很好的重构该图像，二者残差如右一所示，非常明显。而如图9所示，正常焊接图像（左一）与重建输出图像（中间）相比，残差如右一所示，几乎没有残差。这证明了本发明采用的焊接异常判断方法是准确有效的。
最终获取的分类阈值极其准确率。当分类阈值为0.195829时，焊接异常检测准确率可以达到99.56%。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种融合VIT和GAN的焊接异常检测方法，其特征在于，包括以下步骤：
步骤S1、采集实际焊接图像数据并划分数据集；
步骤S2、搭建焊接异常检测模型；所述焊接异常检测模型融合VIT结构和GAN结构，包括生成对抗网络Net A和约束网络Net B；
Net A包括生成器和判别器部分；所述生成器采用自编码器Autoencoder架构，包括编码器Encoder部分和解码器Decoder部分；编码器Encoder采用VIT结构，包括依次连接的一层embedding层、一层Transform Encoder层和一层线性层；所述Transform Encoder层包括不少于2层的Encoder block进行堆叠；输入原始图像信息X，经过编码器Encoder部分转换为特征集合Z；
解码器Decoder部分包括依次连接的一层线性层、一层Transform Encoder层；其中线性层和Transform Encoder层与编码器Encoder部分对应结构相同；特征集合Z输入至解码器Decoder部分，输出重建图像信息X1；
所述判别器部分的输入包括原始图像信息X和经过解码器Decoder的重建图像信息X1，具体结构包括依次连接的一层线性层和一层Transform Encoder层，结构与编码器Encoder部分对应相同；Transform Encoder层的输出连接至激活函数层；
约束网络Net B结构包括依次连接的一层embedding层、一层Transform Encoder层和一层线性层，输入为重建后的图像信息X1，约束网络将X1转换为特征集合Z1；
步骤S3、基于步骤S2所述焊接异常检测模型构建损失函数，并基于损失函数训练焊接异常检测模型；
步骤S4、基于测试集数据对训练好的焊接异常检测模型进行测试；设置分类阈值并不断迭代，基于带有真实标签的输入图像数据，计算不同分类阈值下的焊接异常检测准确率，最终选取异常检测准确率最高时对应的分类阈值；
步骤S5、保存步骤S3训练的焊接异常检测模型权重及步骤S4中获取的分类阈值，将焊接异常检测模型部署于云端或边缘侧；当进行焊接异常检测时，接收实际焊接过程的图像数据，计算特征集合Z和Z1间的均方误差，并归一化处理；当归一化结果大于分类阈值时，则认为发生焊接异常；否则判断为未发生异常。
2.根据权利要求1所述的一种融合VIT和GAN的焊接异常检测方法，其特征在于，所述步骤S1中采集的焊接图像数据包括正常焊接图像数据和异常图像数据；分别对正常焊接图像数据和异常图像数据进行随机切分，切分大小相同；选取80%的正常焊接图像数据作为训练集，剩余20%的正常焊接图像数据和全部异常图像数据作为测试集；其中测试集数据包含真实标签。
3.根据权利要求1所述的一种融合VIT和GAN的焊接异常检测方法，其特征在于，所述步骤S2中编码器部分embedding层还包括一层卷积层，生成器中输入图像至embedding层，通过一层卷积层将输入图像信息先进行卷积，再展平后输入至Transform Encoder层；
解码器部分特征集合Z进过线性层和Transform Encoder层后，先进行展平操作恢复维度，后经过一层卷积层进行转置卷积，输出重建后的图像信息X1。
4.根据权利要求1所述的一种融合VIT和GAN的焊接异常检测方法，其特征在于，所述步骤S2中Transform Encoder层包括不少于2层的Encoder block进行堆叠，每层Encoderblock包括依次连接的第一级Layer Norm层、多头注意力层和第一级Dropout层；将Encoderblock输入与第一级Dropout层的输出相加后输入至第二级Layer Norm层；第二级LayerNorm层顺序连接MLP线性层和第二级Dropout层；将第二级Layer Norm层的输入与第二级Dropout层的输出相加后作为每层Encoder block的输出。
5.根据权利要求1所述的一种融合VIT和GAN的焊接异常检测方法，其特征在于，所述步骤S2中判别器部分激活函数层选用sigmoid函数。
6.根据权利要求1所述的一种融合VIT和GAN的焊接异常检测方法，其特征在于，步骤S3中构建焊接异常检测模型损失函数具体如下：
（1）Net A中判别器的损失函数
Figure QLYQS_1
：
判别器损失函数选用BCE损失函数，分别计算获得真实图像数据经过判别器的损失
Figure QLYQS_2
和重建图像数据经过判别器的损失
Figure QLYQS_3
，最终获得判别器损失函数
Figure QLYQS_4
表达如下：
Figure QLYQS_5
；
（2）重建损失函数
Figure QLYQS_6
：
重建损失函数包括以下3部分：
1）真实图像和重建图像分别输入判别器后，Transform Encoder层输出的特征图之间的均方误差，记为
Figure QLYQS_7
；
2）真实图像和重建图像间的曼哈顿距离，记为
Figure QLYQS_8
；
3）生成器中特征集合Z和约束网络Net B输出的特征集合Z1间的均方误差，记为
Figure QLYQS_9
；
通过加权融合，最终重建损失函数表示如下：
Figure QLYQS_10
其中
Figure QLYQS_11
为权重参数；
模型训练时，首先基于判别器损失函数更新Net A中的判别器参数，再基于重建损失函数更新生成器的网络参数，最终获得基于正样本的焊接异常检测模型权重。
7.根据权利要求1所述的一种融合VIT和GAN的焊接异常检测方法，其特征在于，所述步骤S4中获取分类阈值具体方法包括：
选取测试集图像数据输入至焊接异常检测模型，输入图像数据x后，Net A中生成器首先将异常图像x通过编码器部分映射至特征集合z，接着重建输出图像x1并输入至约束网络Net B，经过解码后生成的特征集合z1；计算z和z1间的均方误差，并进行归一化处理，使均方误差取值范围为[0,1]；设置分类阈值，在[0,1]范围内不断迭代，当z和z1间的均方误差值大于分类阈值时，则认为当前输入图像发生焊接异常，否则未发生焊接异常；将模型判断结果与实际带有标签的测试集数据进行比较，计算焊接异常识别模型的检测准确率；通过迭代分类阈值，计算不同分类阈值情况下，分类结果的准确率，选取分类结果准确率最高时的分类阈值。
CN202310070536.XA 2023-02-07 2023-02-07 一种融合vit和gan的焊接异常检测方法 Pending CN115810013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310070536.XA CN115810013A (zh) 2023-02-07 2023-02-07 一种融合vit和gan的焊接异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310070536.XA CN115810013A (zh) 2023-02-07 2023-02-07 一种融合vit和gan的焊接异常检测方法

Publications (1)

Publication Number Publication Date
CN115810013A true CN115810013A (zh) 2023-03-17

Family

ID=85487522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310070536.XA Pending CN115810013A (zh) 2023-02-07 2023-02-07 一种融合vit和gan的焊接异常检测方法

Country Status (1)

Country Link
CN (1) CN115810013A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984584A (zh) * 2023-03-20 2023-04-18 广东石油化工学院 基于交替图像注意力机制的油罐商标颜色纯正检测方法
CN116794553A (zh) * 2023-04-07 2023-09-22 浙江万能弹簧机械有限公司 用于高频电源的智能故障诊断方法及其系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643292A (zh) * 2021-10-14 2021-11-12 高视科技(苏州)有限公司 基于无监督学习的异常检测方法、装置及存储介质
CN114913396A (zh) * 2022-07-15 2022-08-16 西北工业大学 一种电机轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643292A (zh) * 2021-10-14 2021-11-12 高视科技(苏州)有限公司 基于无监督学习的异常检测方法、装置及存储介质
CN114913396A (zh) * 2022-07-15 2022-08-16 西北工业大学 一种电机轴承故障诊断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984584A (zh) * 2023-03-20 2023-04-18 广东石油化工学院 基于交替图像注意力机制的油罐商标颜色纯正检测方法
CN116794553A (zh) * 2023-04-07 2023-09-22 浙江万能弹簧机械有限公司 用于高频电源的智能故障诊断方法及其系统
CN116794553B (zh) * 2023-04-07 2024-03-08 浙江万能弹簧机械有限公司 用于高频电源的智能故障诊断方法及其系统

Similar Documents

Publication Publication Date Title
CN115810013A (zh) 一种融合vit和gan的焊接异常检测方法
CN109615582B (zh) 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
US20230022943A1 (en) Method and system for defending against adversarial sample in image classification, and data processing terminal
CN110929736B (zh) 多特征级联rgb-d显著性目标检测方法
CN113658115B (zh) 一种基于深度卷积生成对抗网络的图像异常检测方法
CN110766056B (zh) 一种融合图像生成和多标签分类的异常图像检测方法
JP6798614B2 (ja) 画像認識装置、画像認識方法および画像認識プログラム
CN104318261A (zh) 一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法
CN113657383B (zh) 一种基于轻量化分割模型的缺陷区域检测方法及装置
CN109919921B (zh) 基于生成对抗网络的环境影响程度建模方法
CN114693942A (zh) 一种仪器仪表智能运维的多模态故障理解及辅助标注方法
CN111612718A (zh) 一种引入注意力机制的人脸图像修复方法
CN116522265A (zh) 工业互联网时序数据异常检测方法及装置
CN111612078A (zh) 一种基于条件变分自动编码器的变压器故障样本增强方法
CN113298689B (zh) 一种大容量图像隐写方法
Wilmet et al. A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images
CN115205650B (zh) 基于多尺度标准化流的无监督异常定位与检测方法及装置
CN116662866A (zh) 基于数据插补和表征学习的端到端不完整时间序列分类方法
Dastbaravardeh et al. Channel Attention-Based Approach with Autoencoder Network for Human Action Recognition in Low-Resolution Frames
CN112818978B (zh) 基于多分辨自动编码器的光学符号识别方法
CN113591685B (zh) 一种基于多尺度池化的地理对象空间关系识别方法及系统
CN112949344B (zh) 一种用于异常检测的特征自回归方法
CN112541469B (zh) 基于自适应分类的人群计数方法及系统
CN114821714A (zh) 基于协同特征补全的有遮挡场景下的人脸表情识别方法
Marseguerra et al. The autoassociative neural network in signal analysis: I. The data dimensionality reduction and its geometric interpretation

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