【技术实现步骤摘要】
一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法
[0001]本专利技术属于图像处理
，具体涉及一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法。
技术介绍
[0002]图像处理在现代零件工业的质量检测和故障诊断领域应用极其广泛。性能良好的图像处理算法需要海量且优质的原始工业数据支撑，仅用少量数据驱动的算法模型很难具备较好的泛化能力，但很多情况下很难甚至根本无法获取大量的工业数据集。
[0003]针对工业图像数据不足的问题，传统基于图像几何变换、随机调整亮度和对比度等方法虽然能产生新的数据，但并没有从本质上增加训练样本的多样性。随着生成模型的发展，出现了基于生成随机网络、变分自编码器、深度玻尔兹曼机和生成式对抗网络(GAN)等技术的图像数据增强方法。相比生成随机网络和深度玻尔兹曼机，生成对抗网络可以一次性生成样本，而不是通过反复计算马尔科夫链的方式生成样本。相比变分自编码器，生成对抗网络不存在偏置，能更好的拟合真实样本分布。已有技术中，Martin Arjovsky等在论文“...
【技术保护点】
【技术特征摘要】
1.一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法，其特征在于包括如下步骤：1)原始图像预处理：首先对工业相机采集的少量原始图像数据进行人工标定，获得不同类别图像数据对应的标签，然后对原始图像数据进行降采样；2)图像数据分布拟合：通过极大似然估计法对步骤1)得到的图像数据进行分布拟合，获得近似服从其数据分布的概率密度函数f(x)；3)生成随机噪声：通过Box
‑
Muller算法或马尔可夫链蒙特卡洛采样算法生成符合概率密度函数为f(x)的随机噪声；4)数据增强模型的搭建和训练：融合带梯度惩罚项的WGAN
‑
GP和超分辨率卷积神经网络建立数据增强模型；5)生成数据质量评价：根据图像的峰值信噪比和结构相似性评价数据增强模型生成图像数据的质量。2.如权利要求1所述的一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法，其特征在于步骤1)的具体过程为：通过单层卷积层或池化层等方法将原始图像尺寸降采样为所需尺寸，以减少原始图像的数据冗余。3.如权利要求1所述的一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法，其特征在于步骤2)的具体过程为：a.生成步骤1)中得到图像的灰度直方图；b.根据灰度直方图初步判断数据近似服从的分布，写出近似服从分布估计参数的概率密度函数g
n
(x),n∈1,2,...,n；c.根据g
n...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。