风机叶片表面缺陷的小样本检测方法

摘要

针对数据驱动的深度学习方法需要大量标注数据而在实际应用中获取数据困难的问题,提出风机叶片表面缺陷的小样本检测方法。目前在小样本学习中,基于两阶段目标检测模型Faster R-CNN的研究是一个热点。在此基础上,提出了一个采样特征聚合(sample feature aggregation,SFA)的小样本缺陷检测方法。该方法引入变分自编码器学习支持集样本的潜在分布,并从中采样出类别注意力向量,避免个别特征不明显的样本对类别注意力向量的影响。在自主构建的风机叶片表面缺陷(wind turbine blade surface defect,WSD)数据集上,所提出的方法仅用5张图片就能实现对叶片表面缺陷的检测。实验结果表明,所提方法在小样本缺陷检测问题中优于其他对比方法。

关键词

小样本 / 目标检测 / 表面缺陷 / 元学习