滚动信息2

摘要：异形铜带作为电子、电气等领域的核心材料，其表面缺陷检测对产品质量控制至关重要。然而，实际生产中缺陷样本稀缺且形态复杂，导致传统检测方法效率低、泛化能力弱。本文提出一种基于改进生成对抗网络的异形铜带缺陷样本合成与增强检测方法，通过设计混合双鉴别器架构、引入空间自适应归一化与特征编码策略，实现缺陷样本的高质量生成与多样性增强。

关键词：生成对抗网络；异形铜带；缺陷样本合成；缺陷检测；混合双鉴别器

引言

传统缺陷检测方法主要依赖人工目检或基于规则的机器视觉技术。人工目检效率低，且易受主观因素影响，漏检率和误检率较高；基于规则的机器视觉技术通过提取图像特征并与预设阈值比较，实现缺陷识别，但这种方法对复杂缺陷的表征能力有限，且需针对不同缺陷类型设计特定规则，泛化能力较弱。随着深度学习技术的发展，基于卷积神经网络（CNN）的缺陷检测方法逐渐成为主流。CNN能够自动学习图像特征，无需人工设计规则，且对复杂缺陷的检测能力更强。然而，CNN模型的性能高度依赖大规模标注缺陷样本的可用性。在异形铜带生产中，缺陷样本获取成本高昂，且缺陷形态多样、分布不均，导致样本稀缺问题尤为突出，严重制约了深度学习模型的训练效果与实际应用。

一、相关工作

GAN通过生成器与判别器的对抗训练，能够生成与真实数据分布相近的样本，已被广泛应用于表面缺陷检测领域。早期研究如AnoGAN通过训练正常样本的GAN模型，在测试阶段通过迭代搜索潜在变量，使生成样本与测试样本的残差损失和判别损失最小化，从而实现无监督异常检测。但AnoGAN需为每个测试样本进行潜在变量搜索，计算效率低，且对微小缺陷不敏感。为提升检测效率，学者们提出基于条件GAN的缺陷检测方法，通过引入缺陷标签或位置信息，指导生成器生成特定类型的缺陷样本。

二、改进生成对抗网络架构设计

传统GAN采用单一判别器，仅能约束生成样本与真实样本的分布相似性，难以同时保证生成样本的异常性与背景真实性。针对这一问题，本文提出混合双鉴别器生成对抗网络（M-D2GAN），其核心思想是通过双鉴别器设计，分别约束生成样本的真实性与异常性。M-D2GAN包含生成器G、真实鉴别器D与正常鉴别器F。生成器G以随机噪声z为输入，生成缺陷样本G(z)；真实鉴别器D用于区分生成样本与真实缺陷样本，确保生成样本的缺陷形态逼真；正常鉴别器F用于区分生成样本与真实正常样本，确保生成样本的背景区域与真实背景一致。

在训练过程中，生成器G的目标是生成既能让D误判为真实缺陷样本，又能让F误判为真实正常样本的样本。通过联合优化D与F的损失函数，M-D2GAN能够生成既接近真实缺陷分布又与正常样本差异显著的缺陷样本，从而提高样本多样性。

M-D2GAN的训练过程分为生成器训练与鉴别器训练两个阶段。在生成器训练阶段，固定D与F的参数，更新G的参数，使G生成的样本能够同时欺骗D与F。具体而言，G的损失函数由两部分组成：一部分是生成样本被D误判为真实缺陷样本的损失，另一部分是生成样本被F误判为真实正常样本的损失。通过最小化这两部分损失，G能够生成既具有真实缺陷形态又与正常背景融合的样本。

三、实验验证与分析

实验数据集来自某铜带生产企业，包含1000张正常样本与200张缺陷样本，缺陷类型包括划痕、凹坑、裂纹等。为模拟小样本场景，从缺陷样本中随机选取20%作为训练集，其余作为测试集。评价指标包括缺陷检测精度、召回率、F1分数与样本多样性。缺陷检测精度反映模型对缺陷的正确识别能力，召回率反映模型对缺陷的捕获能力，F1分数为精度与召回率的调和平均，综合评估模型性能。样本多样性通过计算生成样本与真实样本的Fréchet Inception Distance（FID）评估，FID值越小，说明生成样本与真实样本的分布越接近，多样性越高。

将本文方法与传统GAN、数据增强方法进行对比。传统GAN采用单一判别器，生成的缺陷样本多样性不足，且背景区域生成质量差，导致检测模型的F1分数仅为0.62，样本多样性FID值为45.2。数据增强方法通过几何变换扩充样本集，虽提升了检测模型的F1分数至0.68，但无法生成新的缺陷形态，样本多样性FID值仍较高（42.1）。

实验结果表明，M-D2GAN在缺陷检测精度与样本多样性上均表现优异。其双鉴别器设计能够同时约束生成样本的真实性与异常性，避免了传统GAN生成样本背景区域失真的问题；SPADE结构通过掩膜标注控制缺陷生成位置，提升了生成样本的合理性；特征编码策略确保了生成样本的数值合理性，进一步增强了合成数据的实用性。

四、结论

本文针对异形铜带缺陷检测中样本稀缺、形态复杂的问题，提出基于改进生成对抗网络的缺陷样本合成与增强检测方法。通过设计混合双鉴别器架构、引入空间自适应归一化与特征编码策略，实现了缺陷样本的高质量生成与多样性增强。实验表明，该方法在缺陷检测精度、样本多样性及模型泛化能力上显著优于传统方法，为小样本条件下的异形铜带缺陷检测提供了有效解决方案。未来工作将进一步优化网络结构，提升生成样本的细节真实性，并探索该方法在其他金属材料缺陷检测中的应用。

陶蕊

铜陵学院 人工智能学院