將深度學習引入缺陷檢測領(lǐng)域是近年來發(fā)展的一個方向,由于深度學習模型普遍泛化能力強,在不同領(lǐng)域圖像之間兼容性高,避免了工業(yè)生產(chǎn)應(yīng)用中數(shù)據(jù)采集困難、數(shù)據(jù)量小的缺點,將深度學習技術(shù)引入工業(yè)領(lǐng)域也是當前的趨勢。提出了用于檢測鋁鑄件缺陷的卷積神經(jīng)網(wǎng)絡(luò),并對比了不同的池化函數(shù),但是卷積神經(jīng)網(wǎng)絡(luò)只能檢測鋁鑄件的表面缺陷位置信息,不能實現(xiàn)缺陷分割。提出了用于提取高位特征空間中的孔隙率信息的深度學習網(wǎng)絡(luò),并引入?yún)?shù)傳遞機制減輕神經(jīng)網(wǎng)絡(luò)中的過擬合現(xiàn)象,該網(wǎng)絡(luò)可以相對提高精度檢測缺陷,但需要大量原始標記數(shù)據(jù)集提出了可以自動從缺陷區(qū)域提取幾何特征的深度卷積神經(jīng)網(wǎng)絡(luò),但幾何特征提取精度低,限制了缺陷等級的判定精度。O RONNEBERGER等針對生物醫(yī)學圖像分割問題提出UNet網(wǎng)絡(luò),過對稱的U形網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)造對稱的編碼器與解碼器,還使用了跳躍連接,將解碼器與編碼器中具有相同分辨率的子模塊的輸出進行連接,作為解碼器中下一個采樣的輸入,該方法實現(xiàn)了像素的精確定位克服了小訓練集邊緣不夠精確的難點在UNet網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上提出了UNet++結(jié)構(gòu),抓取不同層次的特征,使分割結(jié)果進一步精細化系列網(wǎng)絡(luò)在裂紋檢測、礦石分割領(lǐng)域均表現(xiàn)優(yōu)秀,但較少有研究者將其用于鋁鑄件表面缺陷分割。
生成對抗網(wǎng)絡(luò)是通過生成器與判別器相互博弈對數(shù)據(jù)進行學習的方法。PLUC等提出將對抗網(wǎng)絡(luò)用于語義分割任務(wù),通過判別器結(jié)果與語義分割網(wǎng)絡(luò)的博弈來提高分割網(wǎng)絡(luò)的性能,與對抗網(wǎng)絡(luò)結(jié)合后的語義分割網(wǎng)絡(luò)在查準率和查全率上均超出原方法的3%-5%,表明將GAN與原始分割結(jié)果相結(jié)合具有更好的分割精度與魯棒性。汽車鋁鑄件生產(chǎn)過程中產(chǎn)生的缺陷具有邊緣復(fù)雜、不確定性強的特點,且現(xiàn)有公開缺陷數(shù)據(jù)集沒有圖像標記,需要手動標記,因此需要尋找一種對樣本需求量小,分割效果好的圖像分割方法。現(xiàn)旨在用少量樣本集獲得更精確的分割結(jié)果,提出一種基于GAN-UNet++的鋁鑄件缺陷檢測方法,首先對圖像進行預(yù)處理,并通過Labelme進行圖像分割制作標記圖,再將UNet++網(wǎng)絡(luò)作為生成器,將生成器結(jié)果與標簽圖同時輸入判別器網(wǎng)絡(luò),通過提取圖像特征判斷圖像來源,通過生成器和判別器的相互博弈,提升圖像分割質(zhì)量,通過試驗驗證并與UNet. UNet++. GAN-UNet分割結(jié)果進行對比,表明了GAN-UNet++的可行性。http://www.procwell.com/
Copyright © 2023-2028 淄博蘭勝機械廠 版權(quán)所有 本站部分圖片和內(nèi)容來源于網(wǎng)絡(luò),版權(quán)歸原作者或原公司所有,如果您認為我們侵犯了您的版權(quán)請告知我們將立即刪除 備案號:魯ICP備80011969號-1