科研之友
微信
新浪微博
Facebook
分享链接
摘要
在基于深度学习的工业缺陷检测中，采样数据的色调分布、缺陷的位置分布往往与检测数据存在着差异，这会导致检测模型性能不佳，基于GAN(Generative Adversarial Networks)的数据增强方法为常用的解决方法，文中设计了HC-GAN和TGAN来分别进行色调和缺陷位置的增强。在HC-GAN中，通过构建语义保持模块和色调控制模块，能够在不改变缺陷特征的前提下实现基于参考数据的色调增强；在T-GAN中，通过输入、输出数据的成对设定，实现了缺陷位置转移；在实际应用中，两个GAN的串联使用能降低训练数据在色调和空间上的不均衡性，提高了模型的检测性能。最后进行了实验验证，结果表明，所提方法生成的数据实现了缺陷图像的色调增强和位置增强，提高了工业产品表面缺陷检测的精度。
- 单位
