【技术实现步骤摘要】
基于深度学习的小样本火箭弹粘接缺陷检测方法
[0001]本专利技术属于计算机视觉领域,具体为一种基于深度学习的小样本火箭弹粘接缺陷检测方法。
技术介绍
[0002]武器是战争的关键。战场上武器装备内部的微小瑕疵,都有可能导致先进武器装备系统或整体功能的失效,甚至导致作战失利和被动受制的后果。随着科学的不断发展,部队的装备水平和现代化程度不断提高,同时也对武器装备检测技术提出了更高的要求。
[0003]在火箭弹生产过程中,由于生产工艺的限制和现场环境的复杂性,会产生脱粘、开裂、分层等多种类型的粘接缺陷。目前,对于火箭弹粘接缺陷类别的识别还停留在由工人凭借个人经验对缺陷进行判断,由于缺陷种类多样,有的缺陷体积小不易察觉,往往需要投入大量人力成本用于产品质检,费时费力且存在着一定的主观性,难以保证判定的准确率。高效、可靠的自动化质检能够降低大量人工成本,提高缺陷识别的准确率。对此,本专利技术提出了一种基于深度学习的小样本火箭弹粘接缺陷检测方法。
技术实现思路
[0004]为了解决现有的火箭弹粘接缺陷检测存在样本不足和检测费时费力且存在着一定的主观性,难以保证判定的准确率等问题,本专利技术提供了一种基于深度学习的小样本火箭弹粘接缺陷检测方法,以满足现阶段的需要,可进一步提升火箭弹粘接缺陷检测的检测效率和检测速率。
[0005]为了达到上述目的,本专利技术采用了下列技术方案:
[0006]本专利技术提供一种基于深度学习的小样本火箭弹粘接缺陷检测方法,包括以下步骤:
[0007]S ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的小样本火箭弹粘接缺陷检测方法,其特征在于,包括以下步骤:S1、对火箭弹粘接缺陷图像进行收集与预处理,得到缺陷数据集;S2、在步骤S1数据集基础上,设计深度卷积生成对抗网络,再次扩充缺陷数据集;S3、搭建基于YOLOv5架构的目标检测器模型;S4、构建缺陷检测模型;S5、使用多进程和多线程技术部署缺陷检测模型,进行火箭弹粘接缺陷检测。2.根据权利要求1所述的一种基于深度学习的小样本火箭弹粘接缺陷检测方法,其特征在于,所述步骤S1具体为:S11、通过终端设备收集火箭弹粘接的缺陷图像;S12、利用MAKE SENSE工具对步骤S11收集的火箭弹粘接缺陷图像依次进行标注,并将标注的信息记录在txt文件中;S13、通过非生成式数据增强方法对步骤S12获得的数据集进行数据增强,扩充小样本缺陷图像。3.根据权利要求1所述的一种基于深度学习的小样本火箭弹粘接缺陷检测方法,其特征在于,所述步骤S2具体为:S21、使用以下目标函数得到生成对抗网络:式中,D是判别网络,G是生成对抗网络,pdta(x)表示真实样本x的分布,p
z
(z)表示随机噪声z的分布,D(G(z))表示D网络判断G生成的图片是否真实的概率;E表示分批次的输入网络;S22、使用公开的图像数据集对生成对抗网络进行训练,固定判别网络D,优化生成对抗网络G的参数,完成缺陷数据集的扩充。4.根据权利要求1所述的一种基于深度学习的小样本火箭弹粘接缺陷检测方法,其特征在于,所述步骤S3具体为:S31、搭建YOLOv5s深度学习模型;S32、使用公开的COCO图像数据集,对YOLOv5s深度学习模型进行预训练并保存YOLOv5s深度学习模型的参数;S33、对训练好的YOLOv5s深度学习模型的结构进行改造,在YOLOv5s深度学习模型网络的C3模块引入稠密模块;所述稠密模块包括Conv(1
×
1)+BN+SiLU+Conv(3
×
3)+BN+SiLU,SiLU作为非线性激活函数,实现网络的非线性化;其中,1
×
1卷积和3
×
3卷积可以看作是一个组合,1
×
1卷积可以减少输入特征图的数量、提高计算效率,3
×
3卷积层可以提取空间特征;整个模块的输出是将输入和3
×
3卷积的输出堆叠在一起,然后通过卷积核为1
×
1的过渡层减少通道数,降低模型复杂度;S34、为了加强网络特征融合的能力、减少计算量,利用四个卷积核大小不同的最大池化层实现不同尺度的特征融合;S35、搭建PANet模块通过采样操作实现特征融合,搭建Output模块对图像特征进行预测,生成边界框并预测类别,完成基于YOLOv5架构的目标检测器模型的搭建。5.根据权利要求4所述的一种基于深度学习的小样本火箭弹粘接缺陷检测方法,其特
征在于,所述步骤S4具体为:在步骤S35搭建的基于YOLOv5架构的目标检测器模型中,先加载步骤S32得到的模型参数,再将步骤S2...
【专利技术属性】
技术研发人员:金永,赵子文,高慧芳,王召巴,陈友兴,
申请(专利权)人:中北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。