[发明专利]一种基于对抗生成网络的轴承滚子图像生成方法

权利要求书

1.一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述方法包括以下步骤：

S1：获取数据，通过实验装置设备拍摄轴承滚子照片；

S2：数据处理，通过数字图像处理技术对数据进行预处理；

S3：构建DCGAN深度卷积生成对抗式网络；

S4：选取不同的训练集，利用DCGAN生成新的轴承滚子图片。

2.如权利要求1中所述的一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述步骤S1中，实验装备包括由透明材料制得的传送圆盘，传送圆盘的边缘设有4个工位，每个工位均设有一台CMOS面阵拍摄相机；所述4个工位分别为轴承滚子外圆柱面检测工位、轴承滚子内圆柱面检测工位、轴承滚子上端面检测工位和轴承滚子下端面检测工位。

3.如权利要求1或2所述的一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述步骤S2中，所述预处理的数据为缺陷照片；数据预处理包括裁剪、旋转，即将原始数据裁剪为同样的尺寸，为了扩充数据集，将每张照片进行逆时针旋转若干次，并保存每次旋转的结果。

4.如权利要求1或2所述的一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述步骤S3包括以下步骤：

S3-1：选用DCGAN-tensorflow网络对轴承滚子图像进行训练，定义并初始化相关参数，其中迭代次数设置为10000，Adam的学习率，默认为0.0002，批图像的个数batch_size，设置为1，输入的图像尺寸为900*900，输出的图像尺寸为227*227；

S3-2：真样本输入的损失(d_loss_real)，要让D_logits接近于1，也就是D识别出真样本为真的，假样本输入的损失(d_loss_fake)要让D_logits_接近于0，D识别出假样本为假，g_loss：要让D识别假样本为真样本，G的目标是降低这个损失，目标损失(d_loss＝d_loss_real+d_loss_fake)要最小化这个损失，将图像输入鉴别网络和生成网络中进行训练，并将所有训练样本图像利用tanh激活函数归一化到[-1,1]之间，计算公式如下:

通过Adam优化器最小化d_loss和g_loss，首先输入噪声z和batch_images，通过优化d_optim更新D网络；然后输入噪声z，优化g_optim来更新G网络，在训练的过程中，两个网络互相对抗，最终形成了一个动态的平衡；网络总体的损失函数通过以下定义：

其中，判别模型损失函数如下：

LOSS_(D)＝-(log(D₁(x))+log(1-D₂(G(z)))

生成模型损失函数如下：

LOSS_(G)＝-(log(D₂(G(z))))

在最理想的情况下，G可以生成与真实图片极其相似的图片G(z)，而D很难判断这张生成的图片是否为真，对图片的真假进行随机猜测，即D(G(z))＝0.5；

S3-3：对于鉴别网络，除了最后一层，所有层都使用relu作为激活函数,并且最后一层使用tanh作为激活函数，它的输入是一张图像，输出是这张图像为真实图像的概率,在DCGAN中，判别器D的结构是一个卷积神经网络，输入的图像经过若干层卷积后得到一个卷积特征，将得到的特征送入Logistic函数，最后得到输出的概率值；对于生成网络在每一层操作之后，数据输出经过一个relu函数，然后使用batch_norm进行归一化处理，最后一层使用sigmoid函数作为激活函数，并且不使用batch_norm进行归一化操作，生成器G接收一个100-d随机噪声z，经过Project and reshape(全连接层)，转化为一个4*4*1024的featuremap，然后经过多个反卷积层，生成大小为227*227*3的轴承滚子图像；保存判别网络的识别率接近0.5左右时，生成网络生成的轴承滚子图像为可用图像。

5.如权利要求1或2所述的一种基于对抗生成网络的轴承滚子图像生成方法，其特征在于，所述步骤S4中，制作不同的训练集，通过DCGAN生成带不同瑕疵的滚子图像，以扩充轴承滚子瑕疵检测算法的训练集；第一类训练集的特点是包含各种各样的瑕疵，由所有瑕疵照片组成；第二类训练集的特点是只含有一种瑕疵，由同种瑕疵照片组成；第三类训练集的特点是瑕疵在同一位置。