改进CycleGAN的钢材表面缺陷图像生成方法

打开文本图片集

摘 要：针对工业钢材表面缺陷检测过程中存在的样本采集困难、成本较高，以及缺陷种类较多难以覆盖全部导致的小样本问题，提出一种改进循环生成对抗网络（cycle-consistent generative adversarial networks， CycleGAN）的钢材表面缺陷图像生成方法。首先，将通道注意力（class activation map， CAM）和空间注意力（spatial attention map， SAM）机制嵌入到CycleGAN模型中，增强模型的特征提取能力；其次，引入权重解调（weight demodulation， WD）机制修复特征伪影和白斑，进一步提高生成图像的质量；再次，引入形状一致性损失对生成器训练过程进行监督，解决图像几何变换过程中内在模糊性问题；最后，将改进前后的模型在NEU-DET数据集上进行试验。（剩余13680字）

网站仅支持在线阅读（不支持PDF下载），如需保存文章，可以选择【打印】保存。