【技術實現步驟摘要】
本專利技術屬于金屬檢測領域，尤其是涉及生成對抗網絡輔助的金屬疲勞影像增強方法及系統。
技術介紹
1、在金屬疲勞裂紋和損傷檢測中，清晰度和細節對于準確性至關重要，現有技術存在以下一些不足之處：
2、傳統的圖像增強方法可能在捕捉金屬疲勞影像中復雜的非線性特征方面受到限制；
3、傳統方法通常依賴于預定義的圖像處理規則，這可能不足以應對各種金屬疲勞情況的復雜性；金屬疲勞圖像常常具有多樣性和噪聲，傳統方法可能在處理這些方面存在困難；
4、傳統方法可能較難有效地利用金屬的特定屬性和疲勞損傷特征進行圖像增強，且傳統方法在定義圖像增強的損失函數時可能較為困難。
技術實現思路
1、有鑒于此，本專利技術旨在提出生成對抗網絡輔助的金屬疲勞影像增強方法及系統，以期解決上述部分技術問題中的至少之一。
2、為達到上述目的，本專利技術的技術方案是這樣實現的：
3、第一方面本專利技術提供了生成對抗網絡輔助的金屬疲勞影像增強方法，包括：
4、收集包含金屬疲勞裂紋和損傷的金屬表面圖像，并對金屬表面圖像進行預處理，得到金屬表面圖像數據集；
5、構建生成對抗網絡模型，將金屬的特定屬性以及金屬的疲勞損傷特征作為條件信息輸入生成對抗網絡模型中；
6、將金屬表面圖像數據集劃分為訓練集和測試集，使用訓練集對生成對抗網絡模型進行訓練；
7、通過最小化生成圖像與真實圖像之間的差異來優化網絡參數，并使用損失函數平衡生成器和判別器
8、使用測試集評估生成對抗網絡模型是否滿足要求，評估標準包括圖像增強效果和疲勞損傷的檢測精度；
9、將待增強的金屬表面圖像輸入生成對抗網絡模型，生成高分辨率的增強圖像。
10、進一步的，收集包含金屬疲勞裂紋和損傷的金屬表面圖像數據集，并對金屬表面圖像數據集中的數據進行預處理的過程包括：
11、使用相機拍攝需檢測的金屬，采集金屬表面圖像，并將金屬表面圖像的尺寸調整為統一尺寸；
12、對包含金屬疲勞裂紋和損傷的金屬表面圖像進行旋轉、調光處理，擴充圖像中金屬疲勞裂紋和損傷部分的數據量；
13、手工標注金屬表面圖像中的金屬疲勞裂紋和損傷部分，得到預處理后的金屬表面圖像數據集。
14、進一步的，構建生成對抗網絡模型的過程包括：
15、使用googlenet作為生成對抗網絡模型的生成器，該生成器為：
16、
17、使用alexnet作為生成對抗網絡模型的判別器，該判別器為：
18、
19、其中，z為隨機噪聲；g(z)表示生成器將隨機噪聲數據轉換為合成數據；d(x)表示判別器對真實數據x的真假判別；d(g(z))表示判別器對合成數據g(z)的真假判別；pdata(x)表示真實數據的數據分布；pz(z)表示隨機噪聲的數據分布。
20、進一步的，金屬的特定屬性包括連續屬性和離散屬性，將金屬的特定屬性作為條件信息輸入生成對抗網絡模型前，需要進行歸一化、獨熱編碼處理，具體為：
21、將金屬的特定屬性中具有連續取值范圍的屬性數據縮放至均值為0，標準差為1的范圍內；
22、將金屬的特定屬性中具有有限個取值的每一個屬性數據分別映射為單獨的唯一向量。
23、進一步的，將金屬的疲勞損傷特征作為條件信息，輸入生成對抗網絡模型的過程包括：
24、使用高斯疲勞損傷公式以及馬氏體疲勞損傷公式，計算待檢測金屬的疲勞損傷的特征值；
25、將疲勞損傷的特征值向量化，并與輸入生成器的隨機噪聲向量進行連接，將連接結果與金屬的特定屬性結合輸入生成對抗網絡模型的生成器中。
26、進一步的，通過最小化生成圖像與真實圖像之間的差異來優化網絡參數的過程包括：
27、使用均方誤差函數作為損失函數，根據損失函數的梯度更新網絡參數；
28、反復訓練生成器并不斷更新網絡參數，直到生成圖像與真實圖像之間的損失函數收斂到一個較小的值。
29、第二方面本專利技術提供了生成對抗網絡輔助的金屬疲勞影像增強系統，包括：
30、高清攝像機，高清攝像機與模擬服務器之間通過模擬服務器內的通信模塊進行信號交換，將拍攝的金屬表面圖像傳輸至模擬服務器內；
31、模擬服務器，模擬服務器內置有生成對抗網絡模型，生成對抗網絡模型接收傳入的金屬表面圖像，處理后輸出高分辨率的增強圖像至用戶操作平臺；
32、用戶操作平臺，工作人員在用戶操作平臺上手工標注金屬表面圖像中的金屬疲勞裂紋和損傷部分，并查看輸出的增強圖像。
33、相對于現有技術，本專利技術所述的生成對抗網絡輔助的金屬疲勞影像增強方法及系統具有以下有益效果：
34、1)圖像增強：通過生成對抗網絡模型，能夠有效地增強金屬表面圖像，提高圖像的質量和分辨率，使金屬疲勞裂紋和損傷等特征更清晰可見。
35、2)條件信息利用：通過將金屬的特定屬性和疲勞損傷特征作為條件信息輸入模型，有助于網絡更好地理解金屬疲勞過程，提高生成圖像的準確性。
36、3)數據擴充：預處理過程中的數據擴充步驟，如旋轉、調光處理等，有助于增加包含疲勞裂紋和損傷的數據量，提高模型的泛化能力。
37、4)網絡模型選擇：使用了經典的生成器(googlenet)和判別器(alexnet)，這些經過驗證的模型可以有效地用于圖像生成任務。
38、5)屬性處理：對金屬的特定屬性進行歸一化和獨熱編碼處理，有助于更好地將這些屬性融入模型，提高模型對金屬屬性的理解和處理能力。
39、6)損失函數選擇與訓練策略：采用均方誤差函數作為損失函數，通過梯度更新網絡參數，并采用反復訓練的策略，有助于模型的快速收斂和優化。
本文檔來自技高網...【技術保護點】
1.生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于，包括：
2.根據權利要求1所述的生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于：
3.根據權利要求1所述的生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于：
4.根據權利要求1所述的生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于：
5.根據權利要求1所述的生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于：
6.根據權利要求1所述的生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于：
7.應用權利要求1-6任一所述的生成對抗網絡輔助的金屬疲勞影像增強方法的生成對抗網絡輔助的金屬疲勞影像增強系統，其特征在于，包括：
【技術特征摘要】
1.生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于，包括：
2.根據權利要求1所述的生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于：
3.根據權利要求1所述的生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在于：
4.根據權利要求1所述的生成對抗網絡輔助的金屬疲勞影像增強方法，其特征在...
【專利技術屬性】
技術研發人員：劉波，謝津瑋，劉衛東，俞國紅，張秋聲，石曉燕，任寧，
申請(專利權)人：浙江中浩應用工程技術研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。