一种基于同类融合的工业数据扩充算法

在基于深度网络的工业板材表面缺陷检测应用中,缺陷图像的类别不平衡和数量不足严重制约了深度网络的应用性能.为了解决此问题,提出一种基于同类融合的工业数据扩充方法以丰富表面缺陷图像训练集.首先根据缺陷特征将表面缺陷图像集中的样本进行分类,随机选择属于同一类别的多个样本执行融合操作以扩充数据量和丰富样本类型,然后将原始数据和扩充的人工数据组合起来作为新训练集,以提升模型分类和检测的能力.以实际生产中采集的钢材表面缺陷图像进行实验,并与生成算法扩充的样本进行比较.实验结果表明,该算法不仅在扩充表面缺陷图像质量上超过了卷积生成对抗网络(DCGAN)和循环一致生成对抗网络(CycleGAN)等生成算法,并在缺陷目标分类和检测任务上取得了更有效的扩充效果.     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.     

基于改进DCGAN轮胎缺陷图像生成方法

针对深度卷积生成对抗网络的数据扩充方法存在生成图像质量差、模型框架不稳定、模型收敛速度慢等问题，提出一种改进DCGAN轮胎缺陷图像生成模型。将残差网络和注意力机制嵌入到DCGAN模型中，提升模型特征的提取能力；同时摒弃DCGAN损失函数JS散度，使用带有梯度惩罚项的Wasserstein距离，提高模型训练的稳定性。实验结果表明，使用给定模型生成的轮胎缺陷图像质量优于使用DCGAN，WGAN，CGAN与SAGAN所生成图像，其平均FID值可以达到116.28，最小FID值可以达到84.94。所提出的模型可以稳定生成质量更好的轮胎缺陷图像，为轮胎缺陷样本数据集的扩充提供了一种有效途径，有助于有效解决深度学习在缺陷检测领域发展所面临的小样本问题。     

基于M-DCGAN的缺陷检测数据集增广方法

针对智能制造中表面缺陷检测数据集不足问题，提出基于M-DCGAN的数据集增广方法。首先，向判别器添加上采样模块，搭建类U-Net结构并提升判别器与生成器的网络深度；设计基于Canny边缘检测的缺陷位置二值化掩膜提取方法；定义图像掩膜依赖的损失函数，建立缺陷目标位置关注引导机制；插入谱归一化层和Dropout层以提高训练稳定性，保持生成图像数据多样性。带钢缺陷数据集实验结果表明，该模型生成图片质量高于DCGAN、WGAN-GP和InfoGAN。采用本文M-DCGAN算法增广训练数据，能够显著提升并超过传统增广算法在YOLOv5、SSD、Faster R-CNN、YOLOv3等八种经典方法中的缺陷检测精度，验证了本文算法的有效性。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

基于改进YOLOv5算法的钢铁表面缺陷检测

根据以往钢铁表面缺陷检测技术的检测效能较低、准确性低的情况,提出一种改进YOLOv5s的钢材表面缺陷检测算法。主要改进为：加入坐标注意力机制(Coordinate Attention,CA)的空洞空间卷积池化金字塔 (Atrous Spatial Pyramid Pooling,ASPP),扩大模型感受野和多尺度感知能力的同时能更好的获取特征位置信息;加入改进的选择性内核注意力机制(Selective Kernel Attention,SK),使模型能更好的利用特征图中的频率信息,提升模型的表达能力;将损失函数替换为SIoU,提升模型性能的同时加快模型的收敛。实验数据表明,改进的YOLOv5s网络模型在NEU-DET数据集上的mAP值为78.13%,相比原网络模型提高了2.85%。改进的模型具有良好的检测型性能的同时检测速度为103.9 FPS,能够满足实际应用场景中钢材表面缺陷实时检测的需求。     

基于循环生成对抗网络的壁画色彩修复算法

针对敦煌唐代壁画修复所面临的褪、变色以及修复后的壁画图像色彩存在假色和伪影的问题,提出基于循环生成对抗网络和多尺度融合协调注意力机制的壁画色彩修复算法。首先在循环一致性损失中添加同一映射损失,然后改进协调注意力机制,提出多尺度融合的协调注意力机制,最后在生成器中引入多尺度融合的协调注意力机制,对图像进行卷积核大小为1×1、3×3、5×5、7×7的多尺度卷积运算,提高生成图像的协调性。实验结果表明,与CycleGAN、WGAN等经典算法相比,本文算法在构造的壁画数据集上精度更高,可以在不依赖专家知识的情况下修复褪色壁画图像的颜色。     

基于Self-Attention的单样本ConSinGAN模型的工业缺陷样本图像生成

在工业生产中,基于机器视觉的产品质量检测方法已逐步引入生产线,但绝大多数检测模型都需要充足的缺陷样本集以完成训练.随着生产工艺的改进,缺陷样本出现的概率逐渐降低.缺陷样本过少导致工业缺陷的检测或分割任务难以实施模型训练.采用GAN模型进行样本生成可以有效增广训练样本集.主要研究了面向小样本集的工业缺陷样本生成模型,对单...     

多通道特征增强风格迁移算法

针对风格迁移算法在迁移过程中图像内容特征映射出错,无法保证特征映射完整性,使生成图像出现内容失真的问题,提出多通道特征增强风格迁移算法.该算法在CycleGAN(Cycle Generative Adver-sarial Networks)风格迁移网络基础上,引入多通道特征增强机制,增强每个通道对图像特征的非线性表达能力,不仅可保持通道的独立,还能提取更加丰富的内容特征,在确保特征映射一致的同时,提高风格迁移质量.经仿真实验表明,本文所提算法与CycleGAN相比:在风景方面,冬-夏季节场景数据集在评价指标IS和FID上分别提高6.2％和25.7％;在静物方面,苹果-橘子水果静物数据集在评价指标IS和FID上分别提高9.3％和24.4％.     

基于改进生成对抗网络的抽油机故障诊断方法

针对抽油机故障数据不足、样本分布不均衡的问题,提出一种基于自注意力机制的条件深度卷积生成对抗网络(CDCGAN:Conditional Deep Convolutional Generative Adversarial Networks)模型。该模型在CDCGAN的基础上引入自注意力机制,并在损失函数中加入约束生成图像分布的正则项,提高了生成图像的质量和多样性,有效地防止了模式崩溃的发生。采用Alexnet、VGG16等网络对生成的抽油机故障样本进行分类测试,实验结果表明,改进网络的生成数据质量更高,能够有效平衡抽油机故障数据,进一步提升了抽油机故障诊断的准确率。     

基于半稠密COLMAP自监督单目内窥镜深度估计

在单目内窥镜场景下人体内组织表面纹理稀疏,视野受限给图像的深度估计带来了一定的困难。针对以上问题,提出了一种基于半稠密COLMAP(structure-from-motion and multi-view stereo generation pipeline)结合动态卷积注意力机制的自监督单目深度估计方法。通过改进的COLMAP进行图像序列预处理,产生加权半稠密深度图作为监督信号,该过程引入加权可靠度对半稠密深度图中的干扰点和不准确点进行丢弃或抑制操作,在训练网络中加入了具有动态卷积的注意力机制模型(Selective Kernel Networks, SKNet),这种注意力机制模型可以对输入的特征图进行动态卷积以获得更多感受野的信息,加强网络对特征的提取能力。在肝脏数据集上进行试验,结果表明,绝对相对差为0.135,阈值T<1.25³时,准确率为0.985,对监督数据、SKNet模型进行了消融实验,证明了半稠密重建、SKNet模型以及加权半稠密深度图的有效性。     

基于改进YOLOv5的O型密封圈缺陷检测方法

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。     

基于机器视觉的轴承外圈表面图像拼接方法

尽管基于机器视觉的缺陷检测技术已较为成熟,但应用在轴承外圈表面缺陷检测的理论研究还相对较少。应用图像拼接方法,将拍摄到的含有不完整缺陷区域的轴承外圈表面图像拼接为一幅缺陷信息完整的图像,以便后续进行缺陷的识别。在图像拼接过程中,同时采用SURF算法和图像柱面投影原理,还原了图像边缘缺陷区域的真实空间信息。建立Hessian矩阵(基于SURF算法)提取并匹配特征点,运用加权平均融合算法实现对含有缺陷信息的轴承外圈表面图像无缝拼接。经实验分析,结果表明该方法有效还原了轴承的空间几何特性,保留了边缘特征信息,能为图像拼接的准确性及拼接质量提供有效保障。无论从理论还是实践的角度来说,均有研究和探索的必要性。     

带钢表面缺陷图像小波融合方法

采用两个CCD图像传感器在多种采集方式下获得不同缺陷图像,运用小波变换法对缺陷图像进行融合,结合带钢表面缺陷特征对融合算法和规则进行了探讨,并对融合后的缺陷图像质量进行评价.实验结果显示了小波融合方法的优越性,该方法能更全面、更准确、更大限度地获得缺陷图像信息,解决了单一CCD缺陷采集模式下存在的缺陷特征丢失问题,为后续的缺陷识别与分类提供有效、可靠的数据支持.     

基于距离度量学习的SAR图像识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）图像样本数据有限,且不同类别间的图像区分度不高导致识别困难的问题,提出一种应用于SAR图像识别的距离度量学习方法.该方法使用CNN网络得到图像的特征分布,利用LSTM网络加强图像间的关联性,基于余弦相似距离度量方法计算图像之间的匹配度,通过注意力机制后对结果进行分类.训练过程结合小样本学习的训练方式,采取预训练的策略进行实验.实验以公开的MSTAR数据集进行SAR图像识别,结果表明该方法准确率达到99.3%,比SVM方法提升2.5%.      

高斯差分空间的多尺度改进CLBP对带钢表面缺陷的分类

提出一种引入高斯差分空间的改进多尺度完全局部二值模式对带钢表面进行分类,解决由于带钢表面缺陷纹理存在复杂性和多样性,导致对带钢表面缺陷进行分类难度大的问题.首先,根据人类的视觉注意机制,采用高斯差分空间对带钢表面缺陷进行预处理.然后,采用多尺度改进的完全局部二值模式对预处理之后的图片进行特征提取.最后,采用非线性流行学习的方式对特征进行降维,并导入分类器中进行分类.实验结果表明:该方法具有较好的区分性;针对常见的冲孔、污渍、刮边、黑氧化条、结疤等带钢表面缺陷,其最终的分类精度能达到95.7%,优于目前传统的方式.     

精密仪器承载板的多尺度轻量化设计

针对过载下航空零件精密仪器承载板的结构轻量化和力学性能提升的需求，融合拓扑优化和点阵优化的优点，以结构最小柔顺度为约束、质量最小化为目标，提出了一种拓扑优化与点阵优化相结合的多尺度轻量化设计方法，并对关键参数格栅结构、格栅填充比和体积约束设计了三因素三水平正交实验，在保证安全性能的前提下使优化件达到质量最轻。结果表明，多尺度轻量化后的仪器承载板的质量减轻了85.2%,过载下的变形降低了29.07%,结构的动力学性能得到提升。在拓扑优化基础上再采用格栅结构填充的多尺度优化设计方法可降低优化件的质量，为航空领域中承载板类零件的轻量化设计提供了参考。