基于生成对抗网络的缺陷样本生成与数据增广方法.docxVIP

PAGE2

基于生成对抗网络的缺陷样本生成与数据增广方法

摘要

随着工业4.0时代的到来，智能制造对产品质量检测提出了更高的要求，基于机器视觉的表面缺陷检测技术已成为替代人工质检的主流趋势。然而，在实际工业生产场景中，合格样本占据绝大多数，缺陷样本极其稀缺，导致训练数据存在严重的类别不平衡问题，极大地限制了深度学习检测模型的泛化能力。针对这一核心痛点，本课题设计并实现了一种基于条件生成对抗网络（CGAN）的缺陷样本生成与数据增广系统。该系统利用CGAN模型学习少量真实缺陷样本的分布特征，生成高质量的逼真缺陷图像，以此扩充数据集，平衡正负样本比例，进而提升缺陷检测模型的鲁棒性与准确率。

本文首先分析了工业缺陷检测的数据困境，明确了利用生成式模型进行数据增广的研究目标。在总体设计阶段，构建了包含数据预处理、生成模型训练、样本生成与检测模型验证的完整架构。详细设计阶段，重点设计了CGAN的生成器与判别器网络结构，引入了条件标签机制以实现特定类别缺陷的定向生成，并制定了基于FID与IS指标的图像质量评估方案。系统实现阶段，基于PyTorch框架完成了算法开发，针对训练不稳定问题引入了梯度惩罚与谱归一化策略。测试阶段，通过对比增广前后的检测模型性能，验证了所提方法的有效性。实验结果表明，利用生成的缺陷样本进行数据增广后，检测模型的mAP值提升了约8.5%，有效缓解了因样本不足导致的过拟