基于神经批采样的轮胎X光图像异常检测研究

轮胎缺陷检测对轮胎定级有重要参考意义,研究高性能的轮胎异常检测方法尤为重要。本文以强化学习算法为基础,提出一个以损失值异常变化作为判断异常特征的图像自动分类算法。该方法首先通过大量的正向样本输入来降低数据在经过梯度更新之后的损失值,从而与少量异常样本输入时的损失值形成明显差异,再引入神经批采样器,放大异常样本与正向样本之间的损失轮廓差异并为空间变分编码器提供训练批次,然后将训练结果作为异常分类器的输入,最后完成异常检测的分类与定位工作,经过对比研究发现本文提出的异常检测算法在轮胎缺陷样本集上性能明显优于其他传统图像异常检测方法。     

基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。     

基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。     

基于Cycle-GAN的绝缘子图像生成方法

深度学习模型应用于输电线路绝缘子目标检测时,在训练样本方面存在公开样本集缺乏和优质样本不足的问题,为此提出一种基于循环一致性生成对抗网络(cycle-generative adversarial networks,Cycle-GAN)的绝缘子图像生成方法。首先分析绝缘子样本集,对绝缘子图像基于背景色彩特征进行风格域划分;之后在划分好的绝缘子风格域样本集基础上,采用Cycle-GAN生成绝缘子图像样本;最后,搭建分类网络验证生成图像用于扩充的有效性,并进一步探究了生成图像不同扩增比例对分类性能的影响。结果表明:绝缘子生成样本可一定程度上替代真实样本;生成图像不同扩充比例对网络性能影响不同,当扩充比例在40%~50%时,分类网络性能提升效果最佳。     

基于卷积神经网络的轮胎缺陷X光图像分类

轮胎缺陷的类型直接决定着轮胎是否为残次品或废品,对于轮胎定级具有重要参考价值,探索高性能的轮胎缺陷分类方法至关重要.采用卷积神经网络技术,提出一个端到端的图像自动分类算法.首先,从国内某轮胎生产线上通过现场运行的轮胎X光射线缺陷检测系统采集胎侧异物缺陷、胎冠异物缺陷、气泡缺陷、胎冠劈缝、胎侧开根5种最常见缺陷类型和1种正常胎侧图像作为分类目标,并且依据缺陷图像的缺陷尺度,将每幅图像缩放到127×127像素的统一大小;然后,设计含有5个卷积层、3个池化层、3个全连接层的网络结构.最后,用采集的缺陷样本对所设计的深度网络进行训练学习与测试.并将该算法和大量传统分类算法进行实验对比,取得更好的分类效果,平均测试识别率高达96.51％.     

基于改进生成对抗网络的无监督晶圆缺陷检测

为实现晶圆表面缺陷的无监督检测,提出了一种改进生成对抗网络的无监督晶圆表面缺陷检测模型,该模型通过目标图像与重构图像之间的差异来检测缺陷。该方法使用带有两层跳跃连接和记忆模块的编码器-解码器卷积神经网络来搭建生成器,跳跃连接用以捕获多尺度的输入图像特征,记忆模块对潜在特征实施约束,扩大真实缺陷样本与重构样本间的距离。该方法还通过改进判别器网络结构,使模型轻量化。实验结果表明,该模型能够准确分辨具有缺陷的晶圆样本,ROC曲线下的面积值达到0.934,与已有的无监督学习检测方法相比性能更优,同时判别器网络的参数量和计算量分别降低到1 M和60 M以下。     

基于生成对抗网络的电力设施图像去雾方法

电力设施监控可有效避免重大电力事故的发生,但在恶劣天气下大雾等自然现象的影响会使电力设施监控图像模糊不清,难以正常工作。针对该问题,提出了一种基于生成对抗网络(GAN)的电力设施图像去雾方法,其通过将监控彩色图像分解为RGB三通道来进行深度去雾。设计了新型联合损失函数以加强生成对抗网络的学习能力。在电力图像去雾数据集上的实验验证得出,与对比方法相比,所提出的方法的PSNR提升了1.1,SD提升了2.97,具备更好的图像去雾性能。     

基于DAGAN的电气设备小样本红外图像生成技术与应用

面向电力设备的红外图像由于其高度敏感性和机密性,缺乏公开数据集,严重制约了面向电力红外图像的深度学习目标检测网络的发展。针对该问题,使用改进后的数据增强生成对抗网络(DAGAN)对数据进行扩充。首先改变其生成器结构,提出一种全新的生成器结构MUL-U-ResNet3+,该结构对网络结构和残差模块都进行了优化,U-Net结构优化为MUL-U-Net3+结构,并将其残差块改变为SandGlass模块,另外其损失函数的梯度惩罚改变为随机梯度惩罚,从而降低网络训练的难度。使用某220 kV和某500 kV变电站的数据对该算法进行测试,试验结果表明数据扩充后的样本在目标检测中有了更好的效果。     

基于生成对抗网络的自爆绝缘子检测模型设计

随着输电线路的持续建设,无人机逐步代替人工成为巡线工作的主要工作方式。绝缘子在输电线路中具有重要作用,然而,因自爆绝缘子导致的事故尤为频繁,从大量的航拍图像中识别自爆绝缘子,是一个亟待解决的任务。在航拍图像中,大部分绝缘子数据均是无损绝缘子,自爆绝缘子数量较少,因而无法满足识别算法的训练要求。针对现有输电线路无人机巡检中自爆绝缘子数据量稀缺的问题,该文提出了一种基于生成对抗网络的自爆绝缘子检测模型。通过生成器和鉴别器的对抗训练,该模型仅使用无损绝缘子数据训练即能完成对自爆绝缘子的检测。在此基础上,该文优化了生成对抗网络的训练过程。通过引入指导网络,解决了生成对抗网络的模式崩塌问题,提高了对自爆绝缘子检测的召回率;通过对鉴别器的输入添加扰动,解决了生成对抗网络中的样本不均衡问题,提高了对自爆绝缘子检测的精确度。通过与其他异常检测算法的对比实验,证明了该文方法的可靠性。并通过对模型各部分的消融实验,证明了该文方法各部分的可靠性。实验结果证明,该生成对抗网络模型有效避免了传统生成对抗网络中的缺陷,完成了对自爆绝缘子的高效自动检测。     

基于关键点的遥感图像旋转目标检测

高分辨率的遥感图像与普通图像相比,遥感图像目标具有方向多样性和尺度变化较大等特点.针对遥感图像目标检测问题,提出一种R-CenterNet遥感图像目标检测算法.首先,对CenterNet网络重新设计,在网络结构中加入旋转因子为检测框提供角度信息;其次,增加网络深度,提高网络检测性能;最后,为聚合不同区域的信息,进一步提...     

基于平行图像的糖尿病视网膜病变智能诊断

针对深度学习诊断糖尿病视网膜病变（diabetic retinopathy, DR）面临数据集小、类别不均衡及诊断效果不佳等问题,本文提出基于平行图像和Swin Transformer的DR分级模型。首先基于StyleGAN2-ada构建平行图像生成模型,解决训练图像过少和类别失衡问题。经FID、KID和目视评估,构建的平行图像符合后续工作要求。然后,基于注意力与窗口滑动机制构建DR诊断模型改善诊断效果。最后,使用平行图像训练诊断模型。经验证,本文提出的诊断模型准确率为93.5%、特异性最高为99%、F1分数最高为0.96。与原始图像相比,使用平行图像训练模型后其准确率提升20%、精确率最高提升70%。与其他三种深度学习模型对比,本文所提方法各项指标均达到最优。以上结果表明,本文构建的模型可在小样本数据集下实现较好的诊断效果。     

基于生成对抗网络的数字图像修复技术

针对破损区域面积大的图像,在现有的图像修复方法中,往往会产生与周围区域不一致的扭曲结构或模糊的纹理。随着深度学习的发展和应用,基于生成对抗网络的方法,通过调节可用数据来生成缺失的内容。对于一个数据集,先将数据集中的样本解析成概率分布中的样本点,利用生成对抗网络快速生成出大量伪造图像,通过搜索最接近的已损坏图像的编码,然后这个编码通过生成模型来推断缺失内容。在此基础上,结合了语义损失函数和感知损失函数,并通过改进激活函数Sigmoid函数扩大了不饱和区域,解决了梯度易消失的问题。通过实验表明,方法成功的预测了图像中大面积缺失区域的信息,并实现了照片的真实感,比先前的方法产生更清晰更连贯的结果。     

基于 EfficientDet 的风机叶片缺陷检测方法

受工作环境恶劣等原因影响,风机叶片常会出现裂纹、凹坑等缺陷。针对当前常用目标检测算法对风机叶片小尺寸缺陷检测准确率低的问题,提出一种基于EfficientDet算法的风机叶片缺陷检测方法。首先采集图像数据并建立Pascal VOC格式的风机叶片缺陷图像数据集,然后对EfficientDet算法中的主干特征提取网络进行改进,减少向下采样次数并调整有效特征层从而增强主干特征提取网络对小尺寸缺陷的检测能力,同时为特征融合网络增加融合路径提升算法的多尺度特征融合能力,选用FReLU作为激活函数实现像素级空间信息建模,并通过Mosaic数据增强和Focal Loss损失函数增加小尺寸缺陷样本对于检测器的贡献。在建立的风机叶片缺陷图像数据集上的测试结果表明改进后的算法模型平均类别精度达到了96.15%,相较于原版的EfficientDet提升了3.77%,对小目标的检测性能有明显提升。     

轮胎气泡边缘检测算法的研究

针对轮胎激光剪切散斑干涉图像背景中存在大量条纹的特点,为避免其对气泡边缘检测产生妨碍,主要对其边缘检测算法进行了研究.给出了对常用的几种算子进行边缘检测后的轮胎激光剪切散斑干涉图像,并分析了其在处理图像时的不适用性,设计出基于模糊理论的小波多尺度边缘检测算法.在多尺度边缘检测过程中,设计了适合的模糊算子,改善了轮胎气泡边缘检测的效果.由仿真结果可知:本文设计的算法与常用边缘检测算法相比,更好地标记出了轮胎气泡的边缘图像,滤除图像中的伪边缘.     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。     

基于深度学习的PCB缺陷检测研究

印刷电路板(PCB)是保障电子设备产品可靠性的关键因素.因此,对于PCB板的缺陷检测是一项基本和必要的工作.当前PCB缺陷检测方面已经取得了很大进步,但由于PCB板缺陷的多样性、复杂性以及微小性,传统检测方法仍然难以应对.针对PCB板复杂性和微小性问题,文中提出了一种基于深度学习的PCB微小缺陷检测网络,命名为UF-N...     

基于深层次多分类生成对抗网络的红外与可见光图像融合方法

为了实现红外和可见光图像信息的良好平衡,本文利用生成对抗网络技术,提出了一种深层次多分类的生成对抗网络红外与可见光图像融合方法。该方法将主辅思想引入到生成器的梯度和强度信息提取中,并提高了生成器卷积层的深度及浅层网络信息提取能力。在鉴别器中使用多分类器同时估计可见光和红外区域的分布。经过连续的对峙学习,使融合结果中具有显著的对比度和丰富的纹理细节信息。实验获得的信息熵及香农熵值为6.86、互信息值为13.72、标准差值为34.82、结构相似性值为0.71。对比实验结果表明,在主客观评价中,本文提出的方法获得更好的红外与可见光图像融合性能。