一种基于GAN-UNet++的铝铸件缺陷检测方法

       将深度学习引入缺陷检测领域是近年来发展的一个方向，由于深度学习模型普遍泛化能力强，在不同领域图像之间兼容性高，避免了工业生产应用中数据采集困难、数据量小的缺点，将深度学习技术引入工业领域也是当前的趋势。提出了用于检测铝铸件缺陷的卷积神经网络，并对比了不同的池化函数，但是卷积神经网络只能检测铝铸件的表面缺陷位置信息，不能实现缺陷分割。提出了用于提取高位特征空间中的孔隙率信息的深度学习网络，并引入参数传递机制减轻神经网络中的过拟合现象，该网络可以相对提高精度检测缺陷，但需要大量原始标记数据集提出了可以自动从缺陷区域提取几何特征的深度卷积神经网络，但几何特征提取精度低，限制了缺陷等级的判定精度。O RONNEBERGER等针对生物医学图像分割问题提出UNet网络，过对称的U形网络结构构造对称的编码器与解码器，还使用了跳跃连接，将解码器与编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个采样的输入，该方法实现了像素的精确定位克服了小训练集边缘不够精确的难点在UNet网络结构的基础上提出了UNet++结构，抓取不同层次的特征，使分割结果进一步精细化系列网络在裂纹检测、矿石分割领域均表现优秀，但较少有研究者将其用于铝铸件表面缺陷分割。

       生成对抗网络是通过生成器与判别器相互博弈对数据进行学习的方法。PLUC等提出将对抗网络用于语义分割任务，通过判别器结果与语义分割网络的博弈来提高分割网络的性能，与对抗网络结合后的语义分割网络在查准率和查全率上均超出原方法的3%-5%，表明将GAN与原始分割结果相结合具有更好的分割精度与鲁棒性。汽车铝铸件生产过程中产生的缺陷具有边缘复杂、不确定性强的特点，且现有公开缺陷数据集没有图像标记，需要手动标记，因此需要寻找一种对样本需求量小，分割效果好的图像分割方法。现旨在用少量样本集获得更精确的分割结果，提出一种基于GAN-UNet++的铝铸件缺陷检测方法，首先对图像进行预处理，并通过Labelme进行图像分割制作标记图，再将UNet++网络作为生成器，将生成器结果与标签图同时输入判别器网络，通过提取图像特征判断图像来源，通过生成器和判别器的相互博弈，提升图像分割质量，通过试验验证并与UNet. UNet++. GAN-UNet分割结果进行对比，表明了GAN-UNet++的可行性。http://www.zblansheng.cn/