基于半监督学习的塔材表面缺陷识别方法OA

铁塔作为输电线路的支撑结构,其质量直接影响铁塔结构安全性与可靠性。塔材表面缺陷类型繁多,包含缺肉、镀锌锌瘤、孔积锌等,不仅影响外观质量,甚至削弱结构强度,威胁工程安全。传统采用人工目视检验方式,该方式存在效率低、主观性强、易漏检等问题,而深度学习方法虽具自动判别潜力,但由于部分塔材缺陷样本采集困难,导致训练样本不足,限制了其实际应用。为解决多数塔材样本图像未标记的难题,提出融合卷积自编码器(convolutional autoencoder,CAE)与半监督生成对抗网络(semi-supervised generative adversarial network,SGAN)的半监督学习方法CAE-SGAN用于塔材表面缺陷检测和分类,通过大量未标记数据训练堆叠CAE,并利用直通层增强其对缺陷细粒度特征的提取能力,训练完成后保留编码器作为特征提取器与softmax层构建分类器,再引入SGAN进行半监督学习,结合实际采集图像与SGAN生成图像扩充数据集,提升模型泛化能力。相较于传统依赖大量标记样本的深度学习方法,CAE-SGAN在塔材表面缺陷分类任务中表现优异,尤其在缺肉、气孔等稀疏样本上,检测精度提升至91%和92.5%。有效降低了缺陷检测网络对有标定样本的需求,为塔材表面缺陷识别提供了新的技术方案。