申请/专利权人：大连理工大学

申请日：2024-01-04

公开（公告）日：2024-03-22

公开（公告）号：CN117745711A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/82;G06N3/0464;G06N3/08;G06V10/44

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明属于图像处理技术领域，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。本发明利用均值滤波，对灰度化的轴承图像进行滤波处理，以每一个像素点周围n×n区域像素均值代替当前点像素值，之后通过设定原始图像与滤波后图像间像素值差值阈值及亮暗参数，将缺陷从缺陷样本图像中动态提取出，通过使用提取出的缺陷图像作为训练集，对生成对抗网络进行训练，以生成更加真实的全新缺陷图像。将生成器生成的全新缺陷图像与无缺陷的轴承图像进行图像加权叠加，在叠加过程中缺陷数量随机选择，以此来模拟真实轴承图像中的缺陷分布形态，最后使用图像标注工具对新图像中缺陷的位置及类别标注，得到全新的标签文件。

主权项：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：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；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；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: 式中，go为要提取的缺陷区域像素值，gt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；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，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；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；步骤六、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；步骤七、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。

全文数据：

权利要求：

百度查询： 大连理工大学 基于动态阈值与生成对抗网络的轴承图像数据增强方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD