一种基于对抗生成网络的轴承滚子图像生成方法技术

一种基于对抗生成网络的轴承滚子图像生成方法，包括以下步骤：1)获取数据，通过实验装置设备拍摄轴承滚子照片；2)数据处理，通过数字图像处理技术对数据进行预处理；3)构建DCGAN深度卷积生成对抗式网络；4)选取不同的训练集，利用DCGAN生成新的轴承滚子图片。本发明专利技术利用实验装置拍摄训练数据，通过构建生成对抗网络，对训练集进行训练生成新的轴承滚子图像，新的轴承滚子图像具有各种各样的瑕疵，解决了轴承滚子瑕疵检测算法数据集不足的问题。

【技术实现步骤摘要】
一种基于对抗生成网络的轴承滚子图像生成方法
本专利技术涉及图像处理、深度学习、计算机视觉、对抗生成网络，是一种基于对抗生成网络的轴承滚子图像生成方法。
技术介绍
在国民经济中，滚动轴承素有“工业关节”之美称，广泛应用于汽车工业、军事装备、航空航天、仪器仪表等众多领域。如今，伴随着市场对高品质产品的需求日趋严格，而滚子作为轴承的重要部件，其质量对轴承的性能起着至关重要的影响。然而，在轴承滚子的生产过程中，由于设备及工艺的影响，产品表面往往会出现不同种类的缺陷，如划痕、孔洞、裂纹等。表面质量不仅影响产品本身外观形象，更有可能影响产品本身的功能特性，给企业造成重大损失，因此，对轴承滚子进行表面缺陷检测是十分必要的。传统的轴承滚子表面缺陷检测方法是人工检测法，人工检测存在很多不足之处，如人眼的空间与时间分辨率有限，容易产生误检及漏检情况。除此之外，人工检测还会占用较多的人力资源，增加企业的生产成本。鉴于人工检测所存在的问题，需要一种先进高效的检测方法来代替传统的人工检测。随着图像处理、模式识别等技术的发展，以机器视觉为主的表面缺陷检测方法在产品本文档来自技高网...

【技术保护点】
1.一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述方法包括以下步骤：/nS1：获取数据，通过实验装置设备拍摄轴承滚子照片；/nS2：数据处理，通过数字图像处理技术对数据进行预处理；/nS3：构建DCGAN深度卷积生成对抗式网络；/nS4：选取不同的训练集，利用DCGAN生成新的轴承滚子图片。/n

【技术特征摘要】
1.一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述方法包括以下步骤：
S1：获取数据，通过实验装置设备拍摄轴承滚子照片；
S2：数据处理，通过数字图像处理技术对数据进行预处理；
S3：构建DCGAN深度卷积生成对抗式网络；
S4：选取不同的训练集，利用DCGAN生成新的轴承滚子图片。


2.如权利要求1中所述的一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述步骤S1中，实验装备包括由透明材料制得的传送圆盘，传送圆盘的边缘设有4个工位，每个工位均设有一台CMOS面阵拍摄相机；所述4个工位分别为轴承滚子外圆柱面检测工位、轴承滚子内圆柱面检测工位、轴承滚子上端面检测工位和轴承滚子下端面检测工位。


3.如权利要求1或2所述的一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述步骤S2中，所述预处理的数据为缺陷照片；数据预处理包括裁剪、旋转，即将原始数据裁剪为同样的尺寸，为了扩充数据集，将每张照片进行逆时针旋转若干次，并保存每次旋转的结果。


4.如权利要求1或2所述的一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述步骤S3包括以下步骤：
S3-1：选用DCGAN-tensorflow网络对轴承滚子图像进行训练，定义并初始化相关参数，其中迭代次数设置为10000，Adam的学习率，默认为0.0002，批图像的个数batch_size，设置为1，输入的图像尺寸为900*900，输出的图像尺寸为227*227；
S3-2：真样本输入的损失(d_loss_real)，要让D_logits接近于1，也就是D识别出真样本为真的，假样本输入的损失(d_loss_fake)要让D_logits_接近于0，D识别出假样本为假，g_loss：要让D识别假样本为真样本，G的目标是降低这个损失，目标损失(d_loss＝d_loss_real+d_loss_fake)要最小化这个损失，将图像输入鉴别网络和生成网络中进行训练，并将所有训练样本图像利用tanh激活函数归一化到[-1,1]之间，计算公式如下:

【专利技术属性】
技术研发人员：宣琦，陈科，袁琴，翔云，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33