[发明专利]一种螺栓图像合成方法、装置及相关设备

摘要

本发明公开了一种螺栓图像合成方法，包括螺栓训练数据集构建、PCA特征提取、BIGN网络架构选择、BIGN网络损失函数构造、生成器和判别器训练以及螺栓样本生成的步骤；其首先构建螺栓训练数据库，然后利用PCA对样本进行主成分分析，提取螺栓的螺纹等特征，使用提取的先验知识指导BIGN网络生成图像，该网络的损失函数中加入了相对均值鉴别器，能够进一步平衡生成器和判别器的能力，同时针对生成图像中的棋盘效应，使用转置卷积和微步幅卷积代替传统的反卷积和卷积，可以生成螺栓图像，解决现有人工采集工作量繁琐、效率低的问题；本发明还公开了一种螺栓图像合成装置、设备以及计算机可读存储介质，也具有上述有益效果。

主权项

1.一种螺栓图像合成方法，其特征在于，包括：S1、螺栓数据集构建：收集训练BIGN模型的样本，利用聚类算法对构建的螺栓数据库图像按照形态和缺陷类型，分别构建正常螺栓和销子缺失图像；S2、PCA特征提取：通过PCA对数据的协方差矩阵的特征进行分解，提取螺栓本身的主要特征，所述螺栓本身的主要特征包括边缘轮廓和螺纹特征；利用PCA提取的主要特征约束生成器的输入，指导螺栓样本生成；S3、BIGN网络架构选择：使用构建的螺栓图像库训练BIGN网络，螺栓图像库训练BIGN网络是基于生成式对抗网络GAN，由一个生成器G和一个判别器D构成；通过生成器G和判别器D的转置卷积和微步幅卷积，消除由于像素空间的不均匀覆盖导致的棋盘格伪影；S4、BIGN网络损失函数构造：在螺栓图像库训练BIGN网络的损失函数中引入相对均值判别器，将真假螺栓样本混合利用图灵测试消弱判别器的能力；S5、生成器和判别器训练：设置超参数k，每训练完k次判别网络后在进行一次生成器的训练；生成器G的学习率设为0.0002，判别器设置为0.0001，使用Adam Optimizer进行加速训练；从噪声分布P_y中，随机选取m个样本{y⁽¹⁾，...，y^(m)}，从训练样本的概率分布P_data中，随机选取m个训练样本{x⁽¹⁾，...，x^(m)}，设判别器的参数为θ_d，根据随机梯度来修改判别器的参数：从噪声分布P_y中，随机选取m个样本{y⁽¹⁾，...，y^(m)}，设生成器的参数为θ_g，根据随机梯度来修改判别器的参数：判别器进行图片真实度概率判断，当判别器输出概率值趋近于0.5时，训练完成；S6、螺栓样本生成：使用训练好的BIGN网络，从噪声分布P_y中选取多个输入噪声，通过BIGN网络的生成器中，生成多张螺栓图像。