System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理,涉及一种基于动态阈值与生成对抗网络的轴承图像数据增强方法。
技术介绍
1、轴承作为关键基础零部件,广泛应用于航空航天、轨道交通、风力发电等领域的机械装备中。由于材料、机械加工或热处理等加工工艺的原因,滚动轴承零件表面会产生肉眼难以发现的裂纹、烧伤等缺陷。目前,磁粉检测是解决轴承零件表面和近表面缺陷探伤的主流手段。
2、轴承的磁粉探伤通常使用单工位检测设备,在特定的工艺规范下,操作者需要目视检测轴承的表面缺陷。然而,这种磁粉探伤方式存在工作效率低、可靠性差等问题。随着计算机视觉技术的发展,部分轴承生产工厂开始使用工业相机代替人眼,利用图像检测算法对相机采集的轴承图像进行缺陷检测,其中传统的图像处理算法需要手动提取特征且鲁棒性差,深度学习目标检测算法能够自动学习缺陷特征且鲁棒性好,因此深度学习目标检测算法搭配磁粉检测技术是未来轴承缺陷检测的创新性解决方案。
3、然而深度学习技术需要大数据的支撑,由于真实生产工况下缺陷件较少,无法提供深度学习模型所需的数据量,数据量过小可能导致深度学习模型出现过拟合,从而引发漏检问题。因此需要对采集到的轴承图像进行数据增强,传统的图像增强方法只是对原有的图像进行简单的仿射变换,从本质上并没有生成新图像,因此如何根据现有的缺陷图像生成全新的缺陷样本是一个亟待解决的问题。
技术实现思路
1、针对上述问题,本专利技术提出了一种基于动态阈值与生成对抗网络的轴承图像数据增强方法,是一种根据现有少量缺陷图像进行数据增强
2、本专利技术首先利用动态阈值算法,通过均值滤波方法,平均原始图像局域灰度值,设定缺陷灰度值提取阈值,根据原始灰度图像与滤波后图像的差值进行缺陷区域动态提取,以此将缺陷部分从原始图像中分离出来;利用生成对抗网络,在生成器与判别器的博弈下生成全新的缺陷图像,将生成的缺陷图像与无缺陷轴承图像进行图像加权叠加,从而构建出全新的轴承缺陷图像,用以完成小批量缺陷样本的数据增强,从而丰富训练数据,全面提升检测模型的鲁棒性。
3、本专利技术的技术方案:
4、基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,步骤如下:
5、步骤一、采集带有缺陷的轴承图像,对采集到的缺陷图像进行灰度化处理,从而将三通道图像转化为单通道图像。
6、步骤二、将步骤一中得到的灰度图像进行均值滤波,用当前像素点周围n×n(n为超参数)个像素值的均值来代替当前像素值,遍历处理图像内的每一个像素点,完成整幅灰度图像的均值滤波。
7、步骤三、根据要提取的缺陷的灰度值特征,设定原始灰度图像与均值滤波后灰度图像的差值阈值以及缺陷部分较周围部分的亮暗两个参数,通过n×n(n为超参数)的掩膜遍历原始图像的每一个像素点,从而完成对缺陷部分的动态提取,公式如(1)所示:
8、
9、式中,g(o)为要提取的缺陷区域像素值,g(t)为均值滤波后的灰度图像像素值,offset为lightdark为原始灰度图像与均值滤波后灰度图像的差值阈值,lightdark为缺陷部分较周围部分的亮暗。
10、步骤四、经过步骤三对原始图像中缺陷的动态提取,得以将缺陷从原始轴承图像中分割出来,之后采用生成对抗网络对缺陷图像进行新缺陷生成,生成器从潜在噪声空间随机取样作为输入,输出结果需要尽量模仿真实缺陷,判别器输入则为真实缺陷或生成器生成的缺陷,其目的是将生成器的输出从真实缺陷样本中尽可能分辨出来。生成器和判别器相互对抗、不断学习,最终得以生成以假乱真的缺陷样本,从而完成缺陷的数据增强,生成器和判别器的博弈过程如公式(2)所示:
11、
12、式中,v(g,d)为极大估值函数,d(x)为判别器函数,g(z)为生成器函数。
13、步骤五、将步骤四中生成的全新缺陷图像与无缺陷轴承图像进行图像加权叠加,为了消除生成缺陷背景对叠加的干扰,在进行图像叠加之前根据公式(3)对生成缺陷的背景像素进行修正,以此模拟真实缺陷图像中的缺陷分布形态,将原数据集进行数据增强,从而构建具有真实形态的轴承数据集,有效丰富原有数据集数量,充分提高深度学习模型对缺陷特征的学习能力。
14、
15、式中,imgg为生成的缺陷图像,下标r、g、b为imgg的三通道值,i、j为像素的坐标值,imgb为无缺陷的轴承图像,hc、wc分别为生成的缺陷图像在轴承图像中插入位置的起始坐标点。
16、步骤六、labelimg是目前比较流行的可视化图像标定工具,标定过程相对简单。使用labelimg标定工具对步骤五中得到的全新轴承数据集进行缺陷标定,即确定新轴承图像中缺陷的位置和类别,最终完成标签文件的制作。
17、步骤七、yolov5是一种单阶段目标检测算法,广泛应用于工业产品的缺陷检测,使用yolov5单阶段目标检测算法对步骤六中得到的轴承缺陷数据集进行模型训练,使模型充分学习缺陷的特征信息,最终得到关于轴承缺陷图像的权重文件。
18、本专利技术的有益效果:
19、本专利技术提出了一种基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法。与传统的数据增强方法相比,本方法不仅限于对原有图像进行简单的仿射变换,而是通过模仿真实缺陷的形态,生成全新的缺陷。将这些全新生成的缺陷与无缺陷轴承图像随机叠加,实现了缺陷的跨背景扩增,从而有效解决了缺陷图像数据量不足的问题。通过采用本专利技术的方法,轴承缺陷检测精度得到显著提高,为同类型的目标检测场景提供了一种创新的数据增强思路。此外,相较于传统方法,本专利技术在一定程度上缩短了数据采集成本和时间跨度,为解决同类型目标检测问题提供了有价值的借鉴思路。
本文档来自技高网...【技术保护点】
1.基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,其特征在于,步骤如下:
2.如权利要求1所述的基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,其特征在于,所述的第四步中,生成器和判别器的博弈过程如公式(2)所示:
3.如权利要求1或2所述的基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,其特征在于,所述的第五步中,在进行图像叠加之前根据公式(3)对生成缺陷的背景像素进行修正;
4.如权利要求1或2所述的基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,其特征在于,所述的第七步中,使用YOLOv5单阶段目标检测算法对步骤六中得到的轴承缺陷数据集进行模型训练。
5.如权利要求3所述的基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,其特征在于,所述的第七步中,使用YOLOv5单阶段目标检测算法对步骤六中得到的轴承缺陷数据集进行模型训练。
【技术特征摘要】
1.基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,其特征在于,步骤如下:
2.如权利要求1所述的基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,其特征在于,所述的第四步中,生成器和判别器的博弈过程如公式(2)所示:
3.如权利要求1或2所述的基于动态阈值与生成对抗网络的轴承缺陷图像数据增强方法,其特征在于,所述的第五步中,在进行图像叠加之前根据公式(3)对生成缺陷的背景...
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。