[发明专利]基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置

说明书

本发明涉及一种基于cyclegan的树状生成器网络齿轮点蚀图像测量方法，并提供对应装置，属于齿轮故障检测，包括以下步骤：S1：采集齿轮点蚀图像信息；S2：对原始图像进行图像预处理，消除环境因素；S3：基于循环一致性损失cyclegan的树状生成器网络对齿轮点蚀图像进行扩增，生成多张齿轮点蚀图像；S4：通过齿轮点蚀检测算法对多张齿轮点蚀图像进行检测，得到齿轮点蚀等级。本发明可以利用其底层参数共享机制来有效训练树状的生成器和鉴别器，通过训练树状生成器，让生成器的各个分支朝着不同的数据模式学习，同时用重构器让这些样本重构成原域样本，这样便能够保持风格转换的情况下生成不同的样本。

技术领域

本发明属于齿轮故障检测领域，涉及一种基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置。

背景技术

齿轮的故障诊断在齿轮的寿命预测中扮演者重要的角色，齿轮点蚀是齿轮常见的故障形式，对于齿轮点蚀的测量关乎着整个齿轮机械设备的正常运作，因此其重要性不言而喻。然而由于齿轮点蚀图片数据集的缺乏，对齿轮点蚀测量的准确度进行评价时，它的表现往往很差。

生成对抗网络(GANS)是近年来出现的一类新的深度生成模型，它成功地应用于图像、视频生成、图像修复、语义分割、图像到图像翻译和文本到图像合成等多种应用(Goodfellow， 2016)。从博弈论隐喻来看，该模型由一个鉴别器和一个生成器玩两人制极小极大值博弈的游戏，其中生成器旨在生成与训练数据中的样本相似的样本，而鉴别器则在试图区分这两个样本，如这论文中所说的那样(Goodfellow，2014)。然而训练GAN是一个挑战，由于生成器只专注于生成位于几个模式上的样本，这样很容易陷入模式崩溃的问题(Goodfellow，2016)。

最近，许多GAN变体被提出来解决这个问题，他们可以分成两大类：训练单个生成器或者多个生成器。对于前者，其方法包括修改鉴别器的目标(Metz等人)，修改生成器的目标 (Warde,2016)，或者额外的鉴别器为生成器生成更有用梯度信号(Nguyen等人，2017；Durugkar等人，2016)。这些变体的共同主题就是在均衡状态下，生成器显示出能够恢复数据分布的能力，但是在实践中收敛性很难实现。

最近通过修改鉴别器来尝试解决模式崩溃的方法包括：小批量的鉴别器(Salimans等 2016)，展开的GAN(Metz等2016)和去噪特征匹配(DFM)(Warde-Farley andBengio， 2016)。小批量判别的思想是通过去允许鉴别器去检测与其它生成样本明显相似的样本，尽管这个方法可以产生视觉上有吸引力的样本，但是计算成本高，因此通常用于鉴别器的最后一个隐藏层。展开的GAN通过展开计算图以包含鉴别器的附加优化步骤来改进学习效果，它可以有效地减少模式崩溃问题，不是展开步骤代价很高，让他无法扩展到大型数据集。DFM 用一个去噪自编码器(DAE)来增强生成器的目标函数，来让鉴别器倒数第二层激活的重建误差最小，其思想是，来自DAE的梯度信号可以引导生成器生成接近实际数据激活的多个样本，DFM在避免模式崩溃方面出人意料地有效，但是深度的DAE给模型增加了相当大的计算成本。

另一种方法是训练额外的鉴别器。D2GAN(Nguyen等，2017)使用两个鉴别器来最小化 KL和反向KL距离，从而在数据模式之间实现公平分布。尽管该方法在一定程度上可以避免模式崩溃问题，但其优势有限不能超过DFM。

另外一种方法就是训练多个生成器，MIX+GAN是基于min-max定理，通过在极大极小博弈中训练五个不同参数的生成器和鉴别器的混合，该策略的总奖励就是通过对所有的生成器和鉴别器的加权平均奖励来计算的，由于缺乏参数共享，导致使用该方法的训练计算量大。启发我们本文思想的便是MAD-GAN(Ghosh等人2017)，它是通过训练了多个生成器并且使用多类的分类器作为鉴别器。其文提出的解决模式崩溃的思想是用用户定义的基于相似度的函数来增强生成器的目标函数，以此来鼓励不同的生成器生成不同的样本，其次也通过修改鉴别器的目标函数来分离每个生成器的样本，进一步推动不同的生成器朝着不同的模式生成。

发明内容