針對發(fā)動機缸蓋缺陷人工目視勞動強度大、誤檢漏檢率高的問題,提出了一種基于正樣本訓(xùn)練的圖像修復(fù)和缺陷自動識別方法�；谏蓪咕W(wǎng)絡(luò)思想,構(gòu)建圖像修復(fù)生成對抗網(wǎng)絡(luò)模型,若樣本中存在缺陷區(qū)域,則重構(gòu)網(wǎng)絡(luò)可修復(fù)這些缺陷區(qū)域,然后使用圖像差分法對輸入圖像與修復(fù)圖像進行比較,并采用最大類間方差法自適應(yīng)確定殘差圖像的閾值,以確定準(zhǔn)確的缺陷區(qū)域。測試結(jié)果表明,在工作亮度范圍內(nèi),孔洞、磕碰和劃痕三種缺陷識別率可達到95%、95%和80%。 

【文章來源】：制造業(yè)自動化. 2020,42(11)CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 圖像修復(fù)生成對抗網(wǎng)絡(luò)模型
    1.1 生成對抗網(wǎng)絡(luò)
    1.2 圖像修復(fù)網(wǎng)絡(luò)模型
    1.3 模型訓(xùn)練
2 圖像修復(fù)和缺陷識別測試
    2.1 圖像修復(fù)效果比較
    2.2 缺陷識別效果比較
3 結(jié)語


【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)算法的車輛視覺檢測方法的研究[J]. 董長青,劉永賢,趙甲,胡葳,趙濤.  制造業(yè)自動化. 2019(03)
[2]不平衡數(shù)據(jù)挖掘方法綜述[J]. 向鴻鑫,楊云.  計算機工程與應(yīng)用. 2019(04)
[3]鋼軌缺陷無損檢測與評估技術(shù)綜述[J]. 張輝,宋雅男,王耀南,梁志聰,趙淼.  儀器儀表學(xué)報. 2019(02)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的單色布匹瑕疵快速檢測算法[J]. 吳志洋,卓勇,李軍,馮勇建,韓冰冰,廖生輝.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2018(12)
[5]基于低秩信息的紐扣無缺陷圖像重建與缺陷檢出算法[J]. 童星,曹丹華,吳裕斌,蔣興儒.  光學(xué)學(xué)報. 2019(01)
[6]生成式對抗網(wǎng)絡(luò):從生成數(shù)據(jù)到創(chuàng)造智能[J]. 王坤峰,左旺孟,譚營,秦濤,李力,王飛躍.  自動化學(xué)報. 2018(05)
[7]缸蓋表面缺陷在線檢測系統(tǒng)設(shè)計與狀態(tài)分析[J]. 張飛,單忠德,任永新.  儀表技術(shù)與傳感器. 2017(11)
[8]基于Tetrolet變換的熱軋鋼板表面缺陷識別方法[J]. 徐科,王磊,王璟瑜.  機械工程學(xué)報. 2016(04)
[9]深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[10]基于反向P-M擴散的鋼軌表面缺陷視覺檢測[J]. 賀振東,王耀南,毛建旭,印峰.  自動化學(xué)報. 2014(08)



本文編號：3645784