科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对领域偏移环境下金属表面缺陷检测精度不高的问题，提出一种基于改进对抗性域分离与自适应(Improved adversarial domain separation and adaptation,IADSA)深度迁移网络的金属表面缺陷检测方法。首先，建立基于分类损失的IADSA模型性能评价机制，感知模型训练状态，利用空间线性插值方法自适应挖掘迁移空间隐藏的样本信息，以提升网络的特征提取能力；然后，将挖掘的新样本的分类结果作为衡量其对网络贡献性能的主要度量指标，并将贡献性能作为权重应用在分类损失上，旨在消除噪声样本对模型造成的影响；在对抗训练过程中，通过添加动态权重优化对抗损失、平滑网络参数，提高模型的判别性能；最后，融合原始样本与新样本的任务分类器、域分离鉴别器以及域适应鉴别器的损失，利用动态训练实现金属表面缺陷检测。试验结果表明，与其他无监督域自适应方法相比，所提方法实现了更高的金属表面缺陷检测精度。
- 单位
