基于M-DCGAN的缺陷检测数据集增广方法

摘要：

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.

关键词：缺陷检测、数据集增广、深度学习、生成对抗网络、M-DCGAN

所属期刊栏目：49

分类号：TP751;TP391.41(遥感技术)

资助基金：国家自然科学基金;船舶总体性能创新研究开放基金

在线出版日期：2023-07-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：148-160