一种基于生成对抗网络模型的工件图像数据增广方法

来源：信息与控制杂志2024年第4期北京时间：

作者：赵忠文, 魏英姿, 付垚

摘要：生成对抗网络(generative adversarial network，GAN)往往需要大量的训练数据才能生成高质量图像，而制造业工件训练数据严重匮乏，难以利用传统GAN模型进行数据增广。为此，提出一种能够以小规模工件数据集训练生成高质量工件图像的GAN模型，作为少样本工件数据集的增广方法。对生成器和鉴别器融入自注意力机制，依据工件孔洞分布特点创建注意力掩码与注意力映射进行加权，以提高工件孔洞区域与周围像素点的相关性，在一定程度上减少对大规模训练数据的依赖。重新设计残差结构并应用于生成器，利用上采样和卷积组合的方式改善生成图像的“棋盘格伪影”现象，以提高生成图像的逼真度。损失函数采用Wasserstein距离和特征匹配损失加权相结合的形式。与传统GAN对比，所提模型生成工件图像的FID分数降低至100. 91，SSIM分数提升至0. 906。经所提GAN模型数据增广后，基于YOLOv8算法的工件缺陷检测模型的mAP值提升至92. 7%，可为工业检测训练样本不足提供解决方案。

关键词：数据增强, 图像生成, 生成对抗网络, 自注意力机制, 缺陷检测