用于吊弦故障检测的CycleGAN样本生成方法研究
肖昊宇,顾桂梅,曹文翔
兰州交通大学
2024-08-20
针对深度学习算法在接触网吊弦缺陷识别时,存在数据样本不平衡、缺陷样本少、难以准确体现识别算法有效性的问题,提出了一种基于改进循环生成对抗网络(CycleGAN)模型的吊弦缺陷样本生成方法。首先,在生成器中用密集卷积块替换残差块,使得生成模型表现更稳定,收敛速度更快;然后,在生成器卷积层和密集卷积块后添加坐标注意力机制,使得生成的吊弦缺陷样本更清晰;最后,将常见的缺陷吊弦数据迁移到正常吊弦数据上,生成吊弦缺陷样本。仿真实验结果表明:所提出的方法比深度卷积生成对抗网络(DCGAN)算法和CycleGAN算法生成的图像更清晰,最终所生成的样本可以替代真实样本。
  • 深度学习
被引用: 245次
年份: 2024年
下载文档 2.00元
引用
分享
来源期刊
内容目录
  • 引 言

  • 1、改进的CycleGAN模型

    • 1.1 坐标注意力机制

      • 1.1.1 坐标信息嵌入

      • 1.1.2 坐标注意力生成

    • 1.2 密集卷积网络

    • 1.3 判别器结构

  • 2、仿真实验验证与结果分析

    • 2.1 实验环境

    • 2.2 吊弦数据集构建

    • 2.3 评价指标

    • 2.4 实验结果对比与分析

  • 3、结论

核心点推荐
  • 吊弦
  • 循环生成对抗网络
  • 密集卷积网络
  • 坐标注意力机制
  • 样本扩充