[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

说明书

一种基于对抗生成网络的轴承滚子图像生成方法，包括以下步骤：1)获取数据，通过实验装置设备拍摄轴承滚子照片；2)数据处理，通过数字图像处理技术对数据进行预处理；3)构建DCGAN深度卷积生成对抗式网络；4)选取不同的训练集，利用DCGAN生成新的轴承滚子图片。本发明利用实验装置拍摄训练数据，通过构建生成对抗网络，对训练集进行训练生成新的轴承滚子图像，新的轴承滚子图像具有各种各样的瑕疵，解决了轴承滚子瑕疵检测算法数据集不足的问题。

技术领域

本发明涉及图像处理、深度学习、计算机视觉、对抗生成网络，是一种基于对抗生成网络的轴承滚子图像生成方法。

背景技术

在国民经济中，滚动轴承素有“工业关节”之美称，广泛应用于汽车工业、军事装备、航空航天、仪器仪表等众多领域。如今，伴随着市场对高品质产品的需求日趋严格，而滚子作为轴承的重要部件，其质量对轴承的性能起着至关重要的影响。然而，在轴承滚子的生产过程中，由于设备及工艺的影响，产品表面往往会出现不同种类的缺陷，如划痕、孔洞、裂纹等。表面质量不仅影响产品本身外观形象，更有可能影响产品本身的功能特性，给企业造成重大损失，因此，对轴承滚子进行表面缺陷检测是十分必要的。

传统的轴承滚子表面缺陷检测方法是人工检测法，人工检测存在很多不足之处，如人眼的空间与时间分辨率有限，容易产生误检及漏检情况。除此之外，人工检测还会占用较多的人力资源，增加企业的生产成本。鉴于人工检测所存在的问题，需要一种先进高效的检测方法来代替传统的人工检测。随着图像处理、模式识别等技术的发展，以机器视觉为主的表面缺陷检测方法在产品质量控制环节中得到了广泛的应用。近年来，人工神经网络也逐渐开始应用在缺陷检测与识别方面，并取得了良好的效果。深度学习的思想源自于人工神经网络，深度学习可以对所建模数据潜在分布的多层表征进行自主学习。相比于传统的机器视觉方法，深度学习可以减少手动提取特征对识别精度的影响。针对待检目标特征复杂及提取困难的问题，深度学习也能提供很好的解决方法。由于深度学习本身所具有的优异性能，已有不少的研究成果表明深度学习在特征学习及识别任务中拥有出色的表现。

基于深度学习的轴承滚子表面缺陷检测方法相比于人工检测，能够有效地控制产品表面质量，可以提高企业生产效率、减少工人劳动强度和降低生产成本，能更精确的检测并识别产品表面缺陷，对推动制造业的发展、改善企业的生产工艺和提升企业竞争力有着重要的意义。但深度学习需要大量的数据，而轴承滚子工厂生产的次品数量过少，导致数据不足，因此，需要利用对抗生成网络扩充数据集。

GAN的全称为Generative Adversarial Networks，意为对抗生成网络。原始的GAN是一种无监督学习方法，它巧妙地利用“对抗”的思想来学习生成式模型，一旦训练完成后可以生成全新的数据样本。DCGAN将GAN的概念扩展到卷积神经网络中，可以生成质量较高的图片样本。

发明内容

为了克服现有数据集中缺陷照片不足的困难，本发明提供了一种补充数据集的基于对抗生成网络的轴承滚子图像生成方法，该方法结合数字图像处理技术和DCGAN来生成满足要求的轴承滚子图像。

本发明解决其技术问题所采用的技术方案如下：

一种基于对抗生成网络的轴承滚子图像生成方法，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。