张园园,杨 露,邹 耀,周静轩,刘治坤,邹 静

(1．国网湖北省电力有限公司技术培训中心,武汉 430027;2.湖北工业大学 电气与电子工程学院,武汉 430068)

处理生产线上分类问题时，由于产品贵重、不宜长时间存放以及缺陷样本比例低等原因，厂家只能提供少量缺陷样本，导致训练的模型分类准确率不高。此外训练的模型无法适应生产过程中因为参数变化、批次品质变化等产生的样本特征变化，造成模型识别的稳定性不足。针对该问题，本文提出在生产过程中不停采集并补充新样本，并通过动态训练更新模型。实验证明该方法不仅能够为厂家节省采集成本和时间，而且通过采集和训练的迭代过程有效解决分类准确率低和稳定性问题。

通过生成对抗网络(GAN)[1]生成缺陷样本可以解决样本不足问题，该网络由Ian Goodfellow提出，是当前深度学习中研究的热点，例如天文图像、[2]手写数字图像、[3]裂缝图像[4]等的生成。GAN的起源来自二人零和博弈，包含一个生成模型和一个判别模型，基本构架由图1可见。生成模型的任务是希望生成的样本能够欺骗判别模型，而判别模型的任务则是希望识别出假的样本，两者通过相互促进在不断地对抗中来更新网络模型并生成可以以假乱真的数据样本。过程如下：首先生成模型G接收到随机噪声Z，生成假的样本；然后将生成的样本和原始真实的样本作为判别模型D的输入判断真假；将结果返回给G和D让两个模型更新参数，G生成新一批的样本来欺骗D，而D更新参数来更准确的区分真假；……