公开(公告)号：CN111986142B

公开(公告)日：2025-01-07

申请号：CN202010445141.X

申请日：2020-05-23

Applicant: 冶金自动化研究设计院

Inventor： 杨永刚 ,  张云贵 ,  邓泽先

IPC: G06T7/00 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/094 ,  G06N3/084 ,  G06N3/0475 ,  G06N3/0499 ,  G06N3/088

Abstract: 一种热轧板卷表面缺陷图像数据无监督增强的方法，属于冶金热轧板卷缺陷检测技术领域。生成对抗网络由有两个相互对抗竞争的深度神经网络组成，它是个概率生成模型，它生成样本的方式通过生成器进行前向传播，到判别器判别后使用梯度反向传播进行优化计算，它不依赖任何先验假设。在生产对抗网络训练过程中，两个网络在相互博弈中不断迭代优化，生成器学习生成更加真实的样本，而判别网络则尽可能去判别数据样本是真实样本，还是生成的假样本。双方不断竞争直到最后双方都无法变得更好，最终两个网络达到了一个动态均衡，即生成器生成的图像分布接近于真实图像分布，判别器识别不出真假图像。优点在于，解决了冶金轧钢领域热轧板卷表面缺陷图片数据少、难获取，识别准确低等问题。

公开(公告)号：CN111986142A

公开(公告)日：2020-11-24

申请号：CN202010445141.X

申请日：2020-05-23

Applicant: 冶金自动化研究设计院

Inventor： 杨永刚 ,  张云贵 ,  邓泽先

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种热轧板卷表面缺陷图像数据无监督增强的方法，属于冶金热轧板卷缺陷检测技术领域。生成对抗网络由有两个相互对抗竞争的深度神经网络组成，它是个概率生成模型，它生成样本的方式通过生成器进行前向传播，到判别器判别后使用梯度反向传播进行优化计算，它不依赖任何先验假设。在生产对抗网络训练过程中，两个网络在相互博弈中不断迭代优化，生成器学习生成更加真实的样本，而判别网络则尽可能去判别数据样本是真实样本，还是生成的假样本。双方不断竞争直到最后双方都无法变得更好，最终两个网络达到了一个动态均衡，即生成器生成的图像分布接近于真实图像分布，判别器识别不出真假图像。优点在于，解决了冶金轧钢领域热轧板卷表面缺陷图片数据少、难获取，识别准确低等问题。