基于双循环生成对抗网络和Dense-Net的木材缺陷检测方法

木材缺陷智能检测技术可以有效降低人工误检带来的经济损失,对提高木材加工智能化水平具有重要意义。提出了一种木材缺陷智能检测算法,通过双循环生成对抗网络(double least generative adversarial networks,DLGAN)及密集卷积网络(Dense-Net)来检测色差、虫眼、裂纹、节子和伤疤等5种木材常见缺陷。首先,使用DLGAN技术扩充数据集,提高数据集的多样性和数量,缓解了因训练数据不足而导致的过拟合问题;其次,基于Dense-Net的特点,采用密集的卷积块序列提高对微弱特征的提取和学习能力,以便更好地检测木材缺陷。试验结果表明,相比VGG16、Inception-v2、ResNet 3种经典卷积神经网络,基于DLGAN增广数据集训练的Dense-Net模型有效提高了木材缺陷检测模型的性能,平均准确率达到92.7%,在只使用少量训练数据的情况下模型依然具有良好的图像生成能力和训练鲁棒性。

基于双通道循环生成对抗网络的无人车夜视红外视频彩色化

在无人车夜视红外视频彩色化问题中,考虑到可同时利用单帧图像的信息和视频的帧间信息,提出了一种双通道循环生成对抗网络(DcCCAN)对夜视红外视频进行彩色化。DcCCAN是在循环一致生成对抗网络(CCAN)的基础上提出的双通道生成网络。双通道生成网络具有良好的图像特征提取能力,能够自动提取视频中待处理图像的特征,同时提取先前模型所生成图像的特征,然后将特征信息整合后生成一幅目标图像。通过在生成对抗性训练中引入循环一致性训练机制,可无监督地学习得到红外域图像到彩色域图像的映射关系,从而实现红外视频的彩色化。实验表明该方法能够为视频中的红外图像赋予自然的色彩信息和纹理信息,且满足实时性要求。