基于生成对抗网络的小样本激光焊接缺陷数据集生成
为了提升深度学习模型在不均衡小样本激光焊接表面缺陷数据集上的性能,优化了小样本数据量输入下的对抗生成网络(Generative Adversarial Network,GAN)模型.通过对比激光焊接缺陷和其他用于测试对抗生成网络的公共数据集在特征复杂度上的区别,设计了一种全新的OCM(one class mixup)模块,并将其引入至针对有限样本的stylegan2-ada中,以提升GAN的性能,加快其收敛.试验结果表明,在分类模型上,通过OCM-stylegan2-ada生成的数据集,比原始数据集性能提升40%,比使用mixup和stylegan2-ada增强后的数据集性能上提升20%,同时生成的焊接缺陷图片质量大幅提升.
焊接缺陷、对抗生成网络、小样本、不均衡数据集
43
TG441(焊接、金属切割及金属粘接)
国家自然科学基金51975015
2023-02-15(万方平台首次上网日期,不代表论文的发表时间)
共6页
43-48