O desempenho do sistema de detecção de falhas em equipamentos baseado em aprendizado profundo depende em grande medida do tamanho e da diversidade das categorias do conjunto de amostras. Como é difícil coletar amostras de todos os tipos de falhas na produção industrial, há uma necessidade de aumento do conjunto de amostras. Este artigo propõe um método de aumento do conjunto de dados de falhas combinando modelo 3D e CycleGAN aprimorado. Primeiro, propõe-se utilizar software de modelagem 3D para simular a geração de várias imagens de falhas, utilizando-as como entrada para a rede de transferência CycleGAN, guiando a geração de imagens reais de falhas para resolver os problemas de escassez de amostras e distribuição desigual; em segundo lugar, o gerador da rede CycleGAN é aprimorado, propondo o gerador U-ResNet para resolver problemas de desfoque das bordas e desaparecimento do gradiente durante o processo de aumento do conjunto de dados. O método foi aplicado à tarefa de detecção de desalinhamento em transportadores de correia, e os resultados mostram que, em comparação com outros métodos de aumento, este método convergiu rapidamente na estrutura dos contornos e teve boa eficiência temporal, alcançando uma precisão de 98,1% quando aplicado na rede de detecção de objetos, com um aumento de 4,5% em relação ao conjunto de dados real original. Isso indica que o método de aumento do conjunto de dados pode atender aos requisitos de equilíbrio na distribuição das categorias do conjunto de dados de falhas e alta qualidade de imagem.

aumento do conjunto de dados;modelo 3D;CycleGAN;U-ResNet;transportador de correia