面向火炮内膛瑕疵检测的自对抗编码式数据增强方法

本发明属于检测控制。

背景技术：

1、深孔零件在工业加工及使用领域占很大比重，但其内部情况影响着机器的主要性能。而在日常维护和使用过程中，可能会出现类似于磨损、刮伤、烧蚀等瑕疵问题，若不能及时发现零件内表面问题，不仅会影响零件对于整个机器运作的精准度严重会导致安全事故的发生，其内部结构直接影响着工业中的生产效率和质量；因此寻找良好手段进行深孔内瑕疵检测具有重要工业生产意义，是影响现代化工业加工领域发展中重要的一环。

2、针对当前深孔内壁瑕疵检测较为先进手段的是非接触式无损检测，如依靠检测气体或液体在深孔内的压力变化的气量仪、通过激光环形扫描的激光位移传感器等。但市面上的检测方式均会有受到环境场合不适用或者检测精度不够的问题，而近年提出一种通过双目视觉计算视差进行三维重构的新型检测装置，依靠当前较为热门的计算机视觉算法配合新型支架结构完成检测；该类系统具有灵活度高、占用空间小等优势，且无需过多辅助工具即可达到较高精度要求，因此如何将此检测装置配合更先进的优化算法实现深孔内壁瑕疵检测成为当下可研究的重点内容。

3、现阶段实现大规模快速检测依赖于强大的深度学习算法，由于深孔零件内部昏暗环境的影响导致单纯依靠相机在其内部进行拍摄获取瑕疵样本的数量太少，无法达到深度学习训练算法的样本基数，易导致精度低，检测能力弱。数据增强作为扩充样本的有利手段，研究过程中发现可依靠生成模型依靠编码重构的方法对样本数量进行增强，该方法较传统增强方法可有效避免人工设定内容，不过想要实现高质量的原样本重构还需进一步探究。

技术实现思路

1、本发明的目的是基于自编码器(vae)与生成对抗网络(gan)相结合的自对抗编码器生成模型(aae)从而面向深孔零件内壁瑕疵增强数据检测的面向火炮内膛瑕疵检测的自对抗编码式数据增强方法。

2、本发明的步骤是：

3、s1、vae中编码后的先验分布p(z|x)均趋近于标准正态分布ν(0,i)，其定义为：

4、

5、其中：x：输入数据；z：重采样量；

6、引入kl散度作为损失函数，其kl散度函数为：

7、

8、其中：d：重采样量z的维度；正态分布均值向量的第i个分量；方差向量的第i个分量；

9、s2、结合gan生成对抗网络进行判别来甄别出相似样本中的逼真样本

10、判别损失函数为：

11、

12、其中：x：真实样本；隐变量；噪声变量；

13、损失函数写成最小化两个二元交叉熵函数的形式

14、

15、其中：bce(d)：二元交叉熵函数；

16、gan网络判别器将vae得到的相似生成图像最大程度上与原始真实瑕疵深孔数据进行优化分别，直至无法发现二者差异为止即完成对数据图像的学习生成。

17、本发明利用人工智能类算法模型对深孔零件内壁瑕疵图像实现数据增强，并将深度学习网络架构在原有基础上进行创新，其方法在工业加工领域对机器运作精准性及安全性的及时判断有较深刻意义；另外该算法的应用并不局限于机械加工领域的深孔零件，也可拓展为与深孔零件内部结构相类似的军事火炮等其余难以探查的零件内部环境样本图像的生成，从而实现多角度、多特征、多样化的数据样本生成，增加训练数据集规模。另外此新型算法由于其稳定特性因此可适用于其他数据集增强应用当中，在各类原始数据中均可学习并生成新相似样本，具有广泛通用性和实用性。

技术特征：

1.一种面向火炮内膛瑕疵检测的自对抗编码式数据增强方法，其特征在于：其步骤是：

技术总结
一种面向火炮内膛瑕疵检测的自对抗编码式数据增强方法，属于检测控制技术领域。本发明的目的是基于自编码器与生成对抗网络相结合的自对抗编码器生成模型从而面向深孔零件内壁瑕疵增强数据检测的面向火炮内膛瑕疵检测的自对抗编码式数据增强方法。本发明VAE中编码后的先验分布均趋近于标准正态分布，解码器将其采样后学习为与输入的深孔内壁瑕疵图像相似的生成样本，再将生成样本与原始样本对比，以此训练成更逼真样本图像，VAE作为GAN的生成器进行相似样本的生成，而GAN作为VAE的判别器进行图像优化。本发明由于其稳定特性因此可适用于其他数据集增强应用当中，在各类原始数据中均可学习并生成新相似样本，具有广泛通用性和实用性。

技术研发人员：刘朝函,韩太林,鞠明池,孙振凯,王英志,刘轩
受保护的技术使用者：长春理工大学
技术研发日：
技术公布日：2024/6/20