基于生成对抗网络的缸盖表面缺陷识别

发布时间：2022-03-10 14:10

　　针对发动机缸盖缺陷人工目视劳动强度大、误检漏检率高的问题,提出了一种基于正样本训练的图像修复和缺陷自动识别方法。基于生成对抗网络思想,构建图像修复生成对抗网络模型,若样本中存在缺陷区域,则重构网络可修复这些缺陷区域,然后使用图像差分法对输入图像与修复图像进行比较,并采用最大类间方差法自适应确定残差图像的阈值,以确定准确的缺陷区域。测试结果表明,在工作亮度范围内,孔洞、磕碰和划痕三种缺陷识别率可达到95%、95%和80%。 

【文章来源】：制造业自动化. 2020,42(11)CSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 图像修复生成对抗网络模型
    1.1 生成对抗网络
    1.2 图像修复网络模型
    1.3 模型训练
2 图像修复和缺陷识别测试
    2.1 图像修复效果比较
    2.2 缺陷识别效果比较
3 结语


【参考文献】：
期刊论文
[1]基于深度学习算法的车辆视觉检测方法的研究[J]. 董长青,刘永贤,赵甲,胡葳,赵涛.  制造业自动化. 2019(03)
[2]不平衡数据挖掘方法综述[J]. 向鸿鑫,杨云.  计算机工程与应用. 2019(04)
[3]钢轨缺陷无损检测与评估技术综述[J]. 张辉,宋雅男,王耀南,梁志聪,赵淼.  仪器仪表学报. 2019(02)
[4]基于卷积神经网络的单色布匹瑕疵快速检测算法[J]. 吴志洋,卓勇,李军,冯勇建,韩冰冰,廖生辉.  计算机辅助设计与图形学学报. 2018(12)
[5]基于低秩信息的纽扣无缺陷图像重建与缺陷检出算法[J]. 童星,曹丹华,吴裕斌,蒋兴儒.  光学学报. 2019(01)
[6]生成式对抗网络:从生成数据到创造智能[J]. 王坤峰,左旺孟,谭营,秦涛,李力,王飞跃.  自动化学报. 2018(05)
[7]缸盖表面缺陷在线检测系统设计与状态分析[J]. 张飞,单忠德,任永新.  仪表技术与传感器. 2017(11)
[8]基于Tetrolet变换的热轧钢板表面缺陷识别方法[J]. 徐科,王磊,王璟瑜.  机械工程学报. 2016(04)
[9]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[10]基于反向P-M扩散的钢轨表面缺陷视觉检测[J]. 贺振东,王耀南,毛建旭,印峰.  自动化学报. 2014(08)



本文编号：3645784