申请/专利权人：东莞职业技术学院

申请日：2023-06-14

公开（公告）日：2024-04-12

公开（公告）号：CN117876806A

主分类号：G06V10/774

分类号：G06V10/774;G06V10/82;G06V10/764;G06T7/00;G06T7/194;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于CCAW‑GAN模型的缺陷样本生成方法，其方法包括以下步骤：S1、构建生成对抗网；S2、生成128×128×3的第一输入图片，输入至生成器模型中；S3、换向器缺陷图片和上下文环境信息进行合成；S4、判别生成的换向器缺陷图片的缺陷部分与上下文环境部分的差异性。本发明通过稳定的编码器‑解码器结构网络模型，提高生成的图片的质量；在生成器模型和判别器模型中都引入换向器缺陷部分的上下文环境信息，同时考虑换向器缺陷的局部特征和全局特征，使生成的局部图片可以更好的融入到换向器缺陷的整体图片中；改进后的CCAW‑GAN模型性能更好，并且训练稳定，不容易受到其他因素干扰。

主权项：1.一种基于CCAW-GAN模型的缺陷样本生成方法，其特征在于，包括以下步骤：S1、构建生成对抗网络，所述生成对抗网络包括至少一个生成器模型和至少一个判别器模型；所述生成器模型包括一个生成器主体网络和一个分类信息的生成器全连接分支网络，所述生成器主体网络由编码器和解码器组成；并且在相应的编码层和解码层之间引入残差连接，保证编码器-解码器结构网络模型的稳定；通过对生成器模型输入额外的分类信息，使生成器模型在训练的过程中，有意识的区分不同缺陷类别的特征分布；所述判别器模型包括一个判别器主体网络和一个分类信息的判别器全连接分支网络；S2、生成128×128×3的第一输入图片，并输入至所述生成器模型中，所述第一输入图片由两部分组成，一部分是64×64×3的随机噪声图片，另一部分是128×128×3的换向器缺陷的背景图片，并且把背景图片中心位置64×64×3的像素去掉，即换向器缺陷部分的上下文环境信息，然后把随机噪声图片的像素填充到去掉中心位置64×64×3像素的背景图片中，形成了所述第一输入图片；S3、在生成器模型中引入换向器缺陷部分的上下文环境信息，通过训练编码器和解码器把输入的随机噪声图片和分类信息映射成换向器缺陷图片，所述生成器模型输出的换向器缺陷图片和所述上下文环境信息进行合成，合成的方式与网络输入时候的合成方式相同，只是把随机噪声图片换成了生成的换向器缺陷图片，合成后的换向器缺陷图片作为生成器模型的最终输出图片，然后把合成后的换向器缺陷图片输入到判别器模型中计算Wasserstein距离；其中，所述Wasserstein距离为判别器模型的损失函数，所述Wasserstein距离即为真实换向器图片度量值与生成换向器图片度量值之间的距离；S4、在判别器模型中引入换向器缺陷部分的上下文环境信息，判别生成的换向器缺陷图片的缺陷部分与上下文环境部分的差异性，使其区分生成的换向器缺陷图片和真实的换向器缺陷图片，以获取更接近真实的换向器缺陷图片。

全文数据：

权利要求：

百度查询： 东莞职业技术学院 一种基于CCAW-GAN模型的缺陷样本生成方法

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