针对在工业环境下因图片数据样本量较小影响带钢表面缺陷检测分类精度,通常采用数据增广策略但需保证细节特征多样性的问题,提出了一种多样性激励深度卷积生成对抗网络VS-DCGAN(variety-stimulation deep convolutional generation adve...针对在工业环境下因图片数据样本量较小影响带钢表面缺陷检测分类精度,通常采用数据增广策略但需保证细节特征多样性的问题,提出了一种多样性激励深度卷积生成对抗网络VS-DCGAN(variety-stimulation deep convolutional generation adversal network)和MobileViT的带钢表面缺陷分类方法。首先,引入深度卷积生成对抗网络,利用通道注意力机制和多样性激励模块对其进行改进;再用VS-DCGAN对原始数据集进行扩充并保证细节特征多样性;然后,在扩充后的带钢表面缺陷数据集上训练轻量级分类网络MobileViT;最终实现带钢表面缺陷的分类。实验结果表明,多样性激励深度卷积生成对抗网络可以生成与原始图像数据分布相似且细节特征更丰富的带钢表面缺陷图片,达到了数据增强的目的;且扩充后的数据集能够使得轻量级分类网络MobileViT的训练效果更优异,3个版本的分类准确率分别为97.33%、98.66%、97.33%,分别提高了0.33%、1.5%、2.13%,高效地实现了带钢表面缺陷分类。展开更多
