【技术实现步骤摘要】
本申请属于装备零组件缺陷检测领域，尤其涉及一种基于改进dcgan的装备零组件缺陷图像生成方法及装置。
技术介绍
1、智能装备零组件在生产过程中主要采用半自动化生产方式。考虑到原材料、生产工艺和生产环境方面的限制，成品中不可避免地存在表面污渍、裂纹、不规则形状和缺陷等问题。限制次品进入市场是减少客户投诉、保障设备性能和提高产品质量的重要途径。因此，所有智能装备制造商都在大力投资以提高测试的效率和准确性，并降低测试成本。然而，由于零组件形状复杂且多变，传统的自动检测方法难以实现。随着深度学习技术的发展，利用神经网络模型进行在线产品缺陷检测可以取代当前的手动检测，提高检测效率和准确性，该方法已广泛应用于工业生产的各个检测环节。
2、然而，由于缺乏足够数量的零组件缺陷图像，难以训练出理想的缺陷检测模型。传统数据增强通过对现有图像数据样本执行几何仿射变换、颜色空间变换、旋转失真变换、极坐标变换等方法，扩展训练样本，另外，传统的dcgan生成器在小样本环境下容易出现模式崩溃（mode collapse）和生成样本的质量不高，难以捕捉到零组件图像中的细节信息。这些方法操作简单，但不能丰富高维特征空间中样本的分布。
技术实现思路
1、本专利技术目的是提供一种基于改进dcgan的组件缺陷图像生成方法，通过深度卷积生成对抗网络（dcgan）的扩充智能装备行业零组件小样本库，旨在通过丰富故障信息，在小样本条件下提高故障诊断准确率。
2、第一方面，提供了一种基于改进dcgan的装备
3、优选地，所述silu激活函数为：
4、
5、其中，x为真实样本数据分布，为激活函数。
6、优选地，所述改进的dcgan算法模型包括：生成器g和判别器d，所述生成器g包括全连接层、反卷积层、批量归一化层、上采样层和激活层5层卷积神经网络结构,在所述生成器g的网络中,最后一层激活层使用tanh作为激活函数,其他层则采用leakyrelu作为激活函数,并且在所述上采样层前放入ppa 注意力模块；
7、所述判别器d包括输入层、卷积层、批量归一化层、激活层和全连接层5层网络,其中，在所述输入层之前嵌入 注意力模块,所述全连接层用sigmoid激活函数,其他层则采用silu激活函数。
8、优选地，所述生成装备零组件缺陷图像数据后，包括：
9、利用 inception 网络提取特征向量，比较生成样本数据与真实样本数据在特征向量空间分布的差异得到 fid值；基于所述fid值对所述生成装备零组件缺陷图像数据进行评估，所述fid值计算公式为：
10、
11、其中，为真实样本数据分布，为生成样本数据分布，、分别为提取特征后特征向量的均值和协方差， 为矩阵的迹。
12、第二方面，提供了一种基于改进dcgan的装备零组件缺陷图像生成装置，其特征在于，所述装置包括：采集模块，通过高清摄像头获取所述零组件的图像数据；划分模块，基于所述图像数据按照缺陷类型分类标签，将所述图像数据切块分成背景集和缺陷集；处理模块，对所述背景集和所述缺陷集进行去重、归一化以及数据增强处理，获得处理后的背景集和缺陷集；模型构建模块，构建改进的dcgan算法模型进行模型训练，所述改进的dcgan算法包括：在所述改进的dcgan算法模型的判别器中，采用 silu激活函数，且引入parallelized patch-aware attention（ppa）模块；生成模块，基于所述处理后的背景集和所述缺陷集，使用训练好的改进的dcgan算法模型的生成器，生成装备零组件缺陷图像数据。
13、第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面提供的一种基于改进dcgan的装备零组件缺陷图像生成方法。
14、第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面提供的一种基于改进dcgan的装备零组件缺陷图像生成方法。
15、针对现有技术，本专利技术的有益效果在于：
16、改进的dcgan算法结合ppa模块和silu激活函数能够生成高质量的虚拟缺陷样本。这些生成的缺陷样本具有更高的细节准确性和多样性，能够有效弥补实际生产中缺乏足够缺陷样本的问题。通过使用这些生成的缺陷样本来扩充训练数据集，模型可以在训练过程中接触到更为丰富的缺陷类型，从而提升其在实际生产环境中的缺陷检测能力。生成的虚拟样本不仅增强了数据集的多样性，还有效避免了训练中的过拟合问题，帮助模型提高对未见数据的适应性，尤其是在样本稀缺的情况下，能够大幅提升检测系统的性能。在实际应用中，改进的dcgan能够显著提高缺陷检测系统的性能，尤其是在缺陷样本难以获取的场景下，它能够为训练提供更多高质量样本，解决数据稀缺问题，并确保系统在实际生产环境中的准确性和稳定性。
本文档来自技高网...【技术保护点】
1.一种基于改进DCGAN的装备零组件缺陷图像生成方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述SiLU激活函数为：
3.如权利要求1所述的方法，其特征在于，所述改进的DCGAN算法模型包括：生成器G和判别器D，所述生成器G包括全连接层、反卷积层、批量归一化层、上采样层和激活层5层卷积神经网络结构,在所述生成器G的网络中,最后一层激活层使用Tanh作为激活函数,其他层则采用LeakyReLU作为激活函数,并且在所述上采样层前放入PPA 注意力模块；
4.如权利要求1所述的方法，其特征在于，所述生成装备零组件缺陷图像数据后，包括：
5.一种基于改进DCGAN的装备零组件缺陷图像生成装置，其特征在于，所述装置包括：
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于改进DCGAN的装备零组件缺陷图像生成方法。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于
...【技术特征摘要】
1.一种基于改进dcgan的装备零组件缺陷图像生成方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述silu激活函数为：
3.如权利要求1所述的方法，其特征在于，所述改进的dcgan算法模型包括：生成器g和判别器d，所述生成器g包括全连接层、反卷积层、批量归一化层、上采样层和激活层5层卷积神经网络结构,在所述生成器g的网络中,最后一层激活层使用tanh作为激活函数,其他层则采用leakyrelu作为激活函数,并且在所述上采样层前放入ppa 注意力模块；
4.如权利要求1所述的方法，其特...
【专利技术属性】
技术研发人员：张逸，王海阳，董世新，王贵宗，田景明，
申请(专利权)人：江苏智仁景行新材料研究院有限公司，
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。