一种基于注意力机制和DCGAN的钢轨表面缺陷图像扩充方法技术

本发明专利技术涉及钢轨表面缺陷检测技术领域，特别涉及一种基于注意力机制和DCGAN的钢轨表面缺陷图像扩充方法，包括以下步骤：制作轨面缺陷数据集；搭建自我注意力模块；搭建通道注意力模块；搭建DCGAN网络并加入自我注意力和通道注意力；训练模型并得到生成结果；有益效果为：适当增加了DCGAN网络的深度，加入自我注意力机制用以捕获图像中长距离尺寸依赖性，弥补了卷积只能处理局部邻域信息的缺点；加入通道注意力机制对卷积的通道相互依赖关系重新校准特征，关注更重要的通道信息。本发明专利技术生成的轨面缺陷样本较好，在原始数据集的基础上生成了许多新的缺陷，增加了缺陷的多样性，可以用于轨面缺陷样本的大量扩充，有助于提高有监督深度学习在钢轨检测上的应用。深度学习在钢轨检测上的应用。深度学习在钢轨检测上的应用。

【技术实现步骤摘要】
一种基于注意力机制和DCGAN的钢轨表面缺陷图像扩充方法


[0001]本专利技术涉及钢轨表面缺陷检测
，特别涉及一种基于注意力机制和DCGAN的钢轨表面缺陷图像扩充方法。

技术介绍

[0002]列车运行中轮毂与钢轨长期的接触摩擦、冲击，钢轨缺陷多由表面开始并逐渐加剧，列车在有缺陷的轨道表面运行，周期性的冲击会引起整个车辆、轨道系统的耦合振动，长期在这样的环境下运行会缩短列车各部件的使用寿命，严重时会造成车辆的颠覆、燃轴和切轴，因此及时检测轨面缺陷具有现实意义。物理检测法如涡流检测、漏磁检测曾是钢轨检测的主要手段，但其适用场合有限且效率低下，难以满足大规模线路的检测需求。目前，视觉检测法凭借其非接触、速度快、能连续长时间工作于铁路恶劣环境等优点得到广泛应用。
[0003]在视觉检测法中，深度学习利用神经网络提取更深层抽象的特征，检测速度快，可实现端到端训练，无需复杂调参。但监督学习需要训练大量缺陷样本，由于维护及时，从铁路工务部门获取的轨检图像中缺陷样本较少使得目标检测、语义分割等有监督深度学习在实际场景中表现不佳，同时缺陷的多尺度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和DCGAN的钢轨表面缺陷图像扩充方法，其特征在于，包括以下步骤：S1、制作轨面缺陷数据集；S2、搭建自我注意力模块；S3、搭建通道注意力模块；S4、搭建DCGAN网络并加入自我注意力和通道注意力；S5、训练模型并得到生成结果。2.根据权利要求1所述的一种基于注意力机制和DCGAN的钢轨表面缺陷图像扩充方法，其特征在于：在S1中，制作轨面缺陷数据集，包含如下步骤：S11、选取图像：选取不少于200张轨面缺陷照片；S12、裁剪图片：裁剪出包含缺陷的钢轨表面区域，并调整大小为300
×
130。3.根据权利要求1所述的一种基于注意力机制和DCGAN的钢轨表面缺陷图像扩充方法，其特征在于：在S2中，搭建自我注意力模块，包含如下步骤：S21、通过1
×
1卷积对隐藏层中的特征图x进行线性变换和通道调整转换为3个特征图f(x)，g(x)，h(x)，其中f(x)，g(x)用来计算关注度；S22、将f(x)的输出转置并和g(x)的输出相乘，经过softmax归一化得到注意力映射M(x)；S23、将注意力映射M(x)和线性变换后的原始特征h(x)逐像素相乘，再通过1
×
1卷积调整通道数得到自我注意力特征图O(x)；自我注意力层的输出如下：o＝(o1，o2，
…
，o
i
，
…
，o
N
)∈R
C
×
N
其中h(x
i
)＝W
h
x
i
，v(x
i
)＝W
v
x
i
，x为输入的特征图，，x为输入的特征图，为学习到的权重矩阵，以1
×
1卷积的形式实现；上式中表示合成第j个区域时，模型关注第i个位置的程度，其中f(x
i
)＝W
f
x
i
,g(x
i
)＝W
g
x
i
表示从不同权重矩阵的图像特征提取到的两个特征图；S24、将自我注意力特征图乘以一个比例参数，并和原始卷积特征图加权求和作为下一隐藏层的输入：y
i
＝γo
i
+x
i
；式中γ是可学习的标量，初值为0，然后逐渐学会为非局部特征分配更多权重，引入它可以让网络先依赖于邻域信息，之后再逐渐把权重分配到远距离信息上。4.根据权利要求1所述的一种基于注意力机制和DCGAN的钢轨表面缺陷图像扩充方法，其特征在于：在S3中，搭建通道注意力模块，包含如下步骤：S31、挤压操作对输入的W
×
H
×
C特征图x进行全局平均池化得到1
×1×
C大小的特征图，通过聚集空间维度上的特征映射来生成通道描述符，通道描述符生成信道特征响应的全局分布的嵌入，使每个特征图都能...

【专利技术属性】
技术研发人员：闵永智，李嘉峰，王果，张振海，张雁鹏，张鑫，林俊亭，左静，岳彪，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：