文献类型：期刊文章

作　　者：王海涛[1] 高玉栋[2] 侯建新[2] 何勇军[2] 陈德运[2]

WANG Hai-tao;GAO Yu-dong;HOU Jian-xin;HE Yong-jun;CHEN De-yun(Moden Educational Technology Center,Harbin University of Science and Technology,Harbin 150080, China;School of Computer Science and Technology,Harbin University of Science and Technology,Harbin 150080, China)

机构地区：[1]哈尔滨理工大学现代教育技术中心,哈尔滨150080 [2]哈尔滨理工大学计算机科学与技术学院,哈尔滨150080

出　　处：《哈尔滨理工大学学报》

基　　金：国家自然科学基金(61673142);黑龙江省自然科学基金(JJ2019JQ0013);哈尔滨市杰出青年人才基金(2017RAYXJ013);黑龙江省自然科学基金(F2017013);黑龙江省普通本科高等学校青年创新人才项目(UNPYSCT-2016034);黑龙江省教育厅科学技术研究项目(12511096);哈尔滨理工大学青年拔尖创新人才(20152);中国博士后基金(20132303120003).

年　　份：2021

卷　　号：26

期　　号：6

起止页码：24-32

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、DOAJ、JST、RCCSE、ZGKJHX、核心刊

摘　　要：近年来,深度学习被广泛应用于缺陷检测。目前方法可以检测较大的缺陷,但对于细微缺陷还是无法准确检测。针对这一问题,提出了一种基于深度卷积生成对抗网络(Deep convolutional generative adversarial networks,DCGAN)网络的印刷缺陷检测方法。该方法通过以下几点来提高检测精度:①在原有网络的基础上增加上采样模块,减少上采样中的损失;②提出一种自注意力机制,生成结构性更复杂和细节更准确的图像;③统计分析生成图像的噪声分布,确定最佳阈值,去除噪声,获得准确的缺陷图像。该方法加入了去噪处理,优化了网络结构,提高了DCGAN生成图像的精度。实验表明,与现有方法相比,在小于5像素的缺陷检测实验中,本方法可以使检测精度提高10%。

关 键 词：DCGAN  自注意力机制  缺陷检测  图像重建

分 类 号：TP391] TH742[计算机类]