[发明专利]基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法

权利要求书

1.一种基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，包括以下步骤：

步骤1)数据采集，使用工业相机获取塑料件的焊缝图片；

步骤2)基于DCGAN显著特征样本扩大预处理；

步骤3)SE-Alexnet卷积神经网络训练；

步骤4)进行识别检测，并输出检测结果。

2.根据权利要求1所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2)包括：

步骤2.1)构建深度卷积生成判别网络；

步骤2.2)输入塑料件焊缝缺陷图片到生成判别器；

步骤2.3)构建塑料件的焊缝数据样本集。

3.根据权利要求2所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2.1)中的构建深度卷积生成判别网络包括反卷积网络与卷积网络构成的判别器与生成器，所述判别器中采用下采样的卷积，所述生成器中采用上采样的卷积。

4.根据权利要求2所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2.2)包括将现有的塑料件焊缝图片作为一组判别数据输入到判别器模型中进行特征提取，同时使用批量规范处理；通过初始噪点数据转化为二维向量作为生成模型的输入，并通过转置卷积层进行填充并激活，在每层转置卷积层输出加入BN层和ReLu层，将输出图像的像素归一化，得出生成的焊缝缺陷数据，得到输出为生成的故障图像，并输入判别模型，保持生成模型不变，训练判别模型使得V(D,G)达到最大，保持判别模型不变，训练生成模型使得V(D,G)达到最小，重复计算使得判别模型达到纳什均衡；其中，整个模型的损失函数为：

首先固定G的情况下求解D，即：

其次，固定D求解G，即：

其中G表示生成器，D表示判别器，z表示生成器输入噪声变量，D(x)表示判别器的输出，G(z)表示生成器输入噪声变量时的输出；表示所得的最优判别器，G^*表示所得的最优生成器，最后将深度卷积生成判别网络生成的焊缝缺陷图片与现有的塑料件焊缝缺陷图片组成后续的焊缝缺陷识别的训练集。

5.根据权利要求1所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤3)具体包括：SE注意力机制从通道维度引入注意力机制，获取每个特征通道的重要程度权重后，将权重分别赋予每个特征通道，SE注意力模块首先通过全局平均池化将每个通道的空间二维特征降维成具有全局感受野的一个实数；

其公式表示为：

其中，z为全局平均池化的结果，c表示的是z和U的通道编号，H和W为输入特征图的高和宽，i和j表示的是像素点在某个特征通道的坐标，其中i表示特征图的高维度的变化量，j表示特征图的宽维度的变化量；然后通过全连接网络和非线性激活函数学习得到每个通道的权重值；将归一化权重看作是通过特征选择后的每个通道的重要程度，通过和特征向量相乘把权重施加到每个特征通道上，完成通道特征重标定。