CN109117863A - 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 - Google Patents
基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 Download PDFInfo
- Publication number
- CN109117863A CN109117863A CN201810721960.5A CN201810721960A CN109117863A CN 109117863 A CN109117863 A CN 109117863A CN 201810721960 A CN201810721960 A CN 201810721960A CN 109117863 A CN109117863 A CN 109117863A
- Authority
- CN
- China
- Prior art keywords
- insulation
- true
- insulator
- analog
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Abstract
本发明提供了基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置,该方法包括:从真实绝缘子样本库中获取真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成模拟绝缘子图像并进行图像质量评分排序,根据图像质量评分排序的结果筛选模拟绝缘子图像,生成模拟样本库,根据真实绝缘子样本库和模拟样本库对预设神经网络模型进行训练,并根据预设神经网络模型的训练结果,得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例,计算模拟绝缘子图像的扩充样本数量,并从模拟样本库中获取后加入真实绝缘子样本库,生成绝缘子样本扩充库。实现了对绝缘子图像样本的扩充,提高了样本图像质量,并提高了识别模型准确性,进而提高了绝缘子的识别率。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置。
背景技术
绝缘子是输电线路中重要的电气绝缘及机械支撑部件,承受较大的机械张力和极高的电压,且其长期暴露在野外,运行时很容易发生故障,若不及时巡检发现绝缘子存在的安全隐患,会造成重大损失。随着智能电网的建设,无人机巡检逐步在输电线路巡检中承担重要任务以克服人工巡检效率低和危险性高的问题。
随着机器学习在图像识别领域的应用,人们开始采用机器学习方式建立图像识别模型,用来识别无人机航拍图像中的绝缘子。该识别模型由训练样本进行训练得到,因此训练样本的数量和质量将影响最终生成模型的性能。然而,目前输电线路巡检中已有的绝缘子图像样本数量较少,容易出现训练不足的问题,因此需要对绝缘子图像样本进行扩充。但是,现有的图像样本扩充方法中通过对原始训练样本做“镜面”变换和“对称”变换等方式产生的虚拟训练样本,只是在倾斜方向上产生差异,目标的特征并没有随着倾斜方向的变化而变化,使得所得到的训练样本集中的模拟图像样本存在生成率低、品质差等问题,并且根据训练样本集所得到的测试模型的准确性较低。
发明内容
本发明要解决的技术问题在于克服现有技术中的绝缘子图像样本数量较少,容易出现训练不足,现有的图像样本扩充方法生成的模拟图像样本存在生成率低、品质差等问题,并且得到的测试模型的准确性较低。
根据第一方面,本发明实施例提供了一种基于深度卷积生成对抗网络的绝缘子样本扩充方法,包括:从真实绝缘子样本库中获取各真实绝缘子图像;分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成各模拟绝缘子图像;对各所述模拟绝缘子图像进行图像质量评分排序,根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像,生成模拟样本库;根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练,并根据所述预设神经网络模型的训练结果,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例;根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量,计算所述模拟绝缘子图像的扩充样本数量;根据所述扩充样本数量,从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库,生成绝缘子样本扩充库。
结合第一方面,在第一方面的第一实施方式中,所述绝缘子深度卷积生成对抗网络模型通过以下步骤生成:构建深度卷积神经网络对抗模型的生成模型和判别模型;采用多个所述真实绝缘子图像对所述生成模型和所述判别模型进行训练,生成训练生成模型和训练判别模型;根据所述训练生成模型和所述训练判别模型,生成所述绝缘子深度卷积生成对抗网络模型。
结合第一方面,在第一方面的第二实施方式中,所述根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练,并根据所述预设神经网络模型的训练结果,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例,包括:从所述真实绝缘子样本库中提取第一预设数量的所述真实绝缘子图像作为测试样本集;从所述真实绝缘子样本库中提取第二预设数量的所述真实绝缘子图像作为训练基础样本集;根据从所述模拟样本库中获取的不同预设扩充比例的所述模拟绝缘子图像及所述训练基础样本集生成各训练样本集;将各所述训练样本集分别输入所述预设神经网络模型进行绝缘子识别训练,得到各训练模型;将测试样本集分别输入各所述训练模型进行绝缘子识别测试,得到各所述训练模型的测试准确率;根据各所述训练模型的测试准确率,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例。
根据第二方面,本发明实施例提供了一种绝缘子识别模型训练方法,包括:从第一方面及第一方面的任意一种实施方式中所述的绝缘子样本扩充方法生成的绝缘子样本扩充库提取预设数量的绝缘子样本;根据所述绝缘子样本对预设神经网络模型进行训练,生成绝缘子识别模型。
根据第三方面,本发明实施例提供了一种绝缘子识别方法,包括:获取待识别图像;根据所述待识别图像及第二方面所述的绝缘子识别模型训练方法生成的绝缘子识别模型进行图像识别,生成识别结果。
根据第四方面,本发明实施例提供了一种基于深度卷积生成对抗网络的绝缘子样本扩充装置,包括:真实绝缘子图像获取模块,用于从真实绝缘子样本库中获取各真实绝缘子图像;模拟绝缘子图像生成模块,用于分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成各模拟绝缘子图像;模拟样本库构建模块,用于对各所述模拟绝缘子图像进行图像质量评分排序,根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像,生成模拟样本库;最优扩充比例确定模块,用于从所述真实绝缘子样本库和所述模拟样本库中获取不同比例的所述真实绝缘子图像和所述模拟绝缘子图像输入预设神经网络模型进行训练,并根据所述预设神经网络模型的训练结果,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例;扩充样本数量计算模块,用于根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量,计算所述模拟绝缘子图像的扩充样本数量;绝缘子样本扩充库构建模块,用于根据所述扩充样本数量,从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库,生成绝缘子样本扩充库。
结合第四方面,在第四方面的第一实施方式中,所述模拟绝缘子图像生成模块还包括:模型构建子模块,用于构建深度卷积神经网络对抗模型的生成模型和判别模型;训练模型生成子模块,用于采用多个所述真实绝缘子图像对所述生成模型和所述判别模型进行训练,生成训练生成模型和训练判别模型;绝缘子深度卷积生成对抗网络模型生成子模块,用于根据所述训练生成模型和所述训练判别模型,生成所述绝缘子深度卷积生成对抗网络模型。
结合第四方面,在第四方面的第二实施方式中,所述最优扩充比例确定模块包括:测试样本集获取子模块,用于从所述真实绝缘子样本库中提取第一预设数量的所述真实绝缘子图像作为测试样本集;训练基础样本集获取子模块,用于从所述真实绝缘子样本库中提取第二预设数量的所述真实绝缘子图像作为训练基础样本集;训练样本集生成子模块,用于根据从所述模拟样本库中获取的不同预设扩充比例的所述模拟绝缘子图像及所述训练基础样本集生成各训练样本集;训练模型生成子模块,用于将各所述训练样本集分别输入所述预设神经网络模型进行绝缘子识别训练,得到各训练模型;测试准确率计算子模块,用于将测试样本集分别输入各所述训练模型进行绝缘子识别测试,得到各所述训练模型的测试准确率;最优扩充比例选择子模块,用于根据各所述训练模型的测试准确率,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例。
根据第五方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种可选方式中所述的基于生成对抗网络的绝缘子样本扩充方法。
根据第六方面,本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行第一方面或者第一方面的任意一种可选方式中所述的基于生成对抗网络的绝缘子样本扩充方法。
本发明技术方案,具有如下优点:
本发明实施例通过从真实绝缘子样本库中获取各真实绝缘子图像;分别将各真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成各模拟绝缘子图像;然后对各模拟绝缘子图像进行图像质量评分排序,根据图像质量评分排序的结果筛选各模拟绝缘子图像,生成模拟样本库,对生成的模拟绝缘子样本图像进行质量筛选,使生成的模拟样本库中的模拟绝缘子样本图像与真实绝缘子样本图像更接近;然后根据真实绝缘子样本库和模拟样本库对预设神经网络模型进行训练,并根据预设神经网络模型的训练结果,得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例;根据最优扩充比例和真实绝缘子样本库中真实绝缘子图像的样本数量,计算模拟绝缘子图像的扩充样本数量;根据扩充样本数量,从模拟样本库中获取各模拟绝缘子图像加入真实绝缘子样本库,生成绝缘子样本扩充库。本发明实施例通过扩充比例的寻优,提高了生成的绝缘子样本扩充库的模型训练效果,为绝缘子识别提供更加准确的识别模型,进而提高绝缘子的识别率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于深度卷积生成对抗网络的绝缘子样本扩充方法的流程图;
图2为本发明实施例中绝缘子深度卷积生成对抗网络模型的生成的具体流程图;
图3为本发明实施例中生成模型的构建示意图;
图4为本发明实施例中判别模型的构建示意图;
图5为本发明实施例中根据真实绝缘子样本库和模拟样本库对预设神经网络模型进行训练,并根据预设神经网络模型的训练结果,得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例的具体流程图;
图6为本发明实施例中绝缘子识别模型训练方法的流程图;
图7为本发明实施例中绝缘子识别方法的流程图;
图8为本发明实施例中基于深度卷积生成对抗网络的绝缘子样本扩充装置的结构示意图;
图9为本发明实施例中模拟绝缘子图像生成模块的结构示意图;
图10为本发明实施例中最优扩充比例确定模块的结构示意图;
图11为本发明实施例中计算机设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供了一种基于深度卷积生成对抗网络的绝缘子样本扩充方法,如图1所示,该基于深度卷积生成对抗网络的绝缘子样本扩充方法包括:
步骤S1:从真实绝缘子样本库中获取各真实绝缘子图像。具体地,该真实绝缘子样本库中的真实绝缘子图像可由无人机进行航拍等方式获得。在实际应用中,该真实绝缘子样本库可以是按照不同类型的绝缘子分别建立的真实绝缘子样本库,例如陶瓷绝缘子、玻璃绝缘子和复合绝缘子等,针对不同类型的绝缘子分别建立相应的真实绝缘子样本库,也可以是将陶瓷绝缘子、玻璃绝缘子和复合绝缘子这三种绝缘子类型都包含的真实绝缘子样本库。
步骤S2:分别将各真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成各模拟绝缘子图像。具体地,该绝缘子深度卷积生成对抗网络模型可通过真实绝缘子图像训练构建的深度卷积生成对抗网络模型得到。在实际应用中,可以按照上述的绝缘子的类型分别将三类不同类型的真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成与绝缘子类型相对应的各个模拟绝缘子图像。
步骤S3:对各模拟绝缘子图像进行图像质量评分排序,根据图像质量评分排序的结果筛选各模拟绝缘子图像,生成模拟样本库。具体地,该图像质量评分排序可通过将模拟绝缘子图像作为输入,使用Inception-score模型(初始评分模型)进行评分筛选,Inception-score模型评分越高,则说明该图像的质量越优越接近真实样本。
步骤S4:根据真实绝缘子样本库和模拟样本库对预设神经网络模型进行训练,并根据预设神经网络模型的训练结果,得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例。具体地,该最优扩充比例为真实绝缘子图像与模拟绝缘子图像的数量之比。
步骤S5:根据最优扩充比例和真实绝缘子样本库中真实绝缘子图像的样本数量,计算模拟绝缘子图像的扩充样本数量。具体地,该扩充样本数量为需要添加的模拟绝缘子图像的图像数量。
步骤S6:根据扩充样本数量,从模拟样本库中获取各模拟绝缘子图像加入真实绝缘子样本库,生成绝缘子样本扩充库。具体地,该绝缘子样本扩充库作为训练样本集进行后续的神经网络训练,得到神经网络识别模型,利用该模型对待测绝缘子图像进行绝缘子识别。
通过执行上述的步骤S1至步骤S6,本发明实施例提供的基于深度卷积生成对抗网络的绝缘子样本扩充方法,实现了对绝缘子图像样本数量的扩充;并通过在生成模拟绝缘子图像后,对模拟绝缘子图像进行筛选,提高模拟样本库中的模拟绝缘子样本图像的图像质量;还通过扩充比例的寻优,提高了生成的绝缘子样本扩充库的模型训练效果,为绝缘子识别提供更加准确的识别模型,进而提高绝缘子的识别率。
以下结合具体示例对本发明实施例的基于深度卷积生成对抗网络的绝缘子样本扩充方法做进一步说明。
具体地,在一实施例中,上述的步骤S1,从真实绝缘子样本库中获取各真实绝缘子图像。该真实绝缘子样本库中的真实绝缘子图像可由无人机进行航拍等方式获得的航拍图像获得,在实际应用中,需要将该航拍图像中绝缘子的位置进行调整,使得绝缘子位置处于样本图像的中心,然后对图像的尺寸进行批量统一处理,得到真实绝缘子样本。
在一较佳实施例中,上述的步骤S2,分别将各真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成各模拟绝缘子图像。如图2所示,该绝缘子深度卷积生成对抗网络模型可通过以下步骤生成:
步骤a:构建深度卷积神经网络对抗模型的生成模型和判别模型。具体地,在一实施例中,构建含有5层的深度卷积神经网络作为生成模型,如图3所示,该5层的深度卷积神经网络的设置从左到右依次为全连接层,微步幅卷积层,卷积层,微步幅卷积层,卷积层;构建含有5层的卷积神经网络作为判别模型,如图4所示,该5层的卷积神经网络的设置从左到右依次为卷积层,步幅卷积层,卷积层,步幅卷积层,全连接层。
步骤b:采用多个真实绝缘子图像对生成模型和判别模型进行训练,生成训练生成模型和训练判别模型。具体地,在一实施例中,可以同时训练生成模型和判别模型,其中,生成模型的任务是尽量生成让判别模型无法区分的样本,判别器的任务是尽量区分真实样本,总之就是让生成模型和判别模型在不断相互对抗(GAN)中共同提高,最终通过判断训练判别模型中的损失函数值得到一个好的训练生成模型和训练判别模型。
步骤c:根据训练生成模型和训练判别模型,生成绝缘子深度卷积生成对抗网络模型。具体地,在一实施例中,当上述的训练判别模型中的损失函数值小于预设损失函数值时,则将此时的训练生成模型和训练判别模型组合成上述的绝缘子深度卷积生成对抗网络模型。
具体地,在一实施例中,上述的步骤S3,对各模拟绝缘子图像进行图像质量评分排序,根据图像质量评分排序的结果筛选各模拟绝缘子图像,生成模拟样本库。该图像质量评分排序可通过将模拟绝缘子图像作为输入,使用Inception-score模型(初始评分模型)进行评分筛选,Inception-score模型评分越高,则说明该图像的质量越优越接近真实样本,然后对比真实绝缘子图像的质量平均分,将模拟绝缘子图像的质量评分低于上述质量平均分的模拟绝缘子图像全部剔除,保留模拟绝缘子图像质量较高的图像生成模拟样本库。
在一较佳实施例中,如图5所示,上述的步骤S4,根据真实绝缘子样本库和模拟样本库对预设神经网络模型进行训练,并根据预设神经网络模型的训练结果,得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例,具体包括:
步骤S41:从真实绝缘子样本库中提取第一预设数量的真实绝缘子图像作为测试样本集。具体地,在本发明实施例中,从真实绝缘子样本库中随机选取100张真实绝缘子图像作为测试样本集。
步骤S42:从真实绝缘子样本库中提取第二预设数量的真实绝缘子图像作为训练基础样本集。具体地,在本发明实施例中,假设该训练基础样本集中图像样本的数量为X。
步骤S43:根据从模拟样本库中获取的不同预设扩充比例的模拟绝缘子图像及训练基础样本集生成各训练样本集。具体地,在本发明实施例中,训练基础样本集中图像样本的数量为X,则以为一个单位,每次在训练基础样本集中增加单位数量的模拟绝缘子图像,生成各个训练样本集。
步骤S44:将各训练样本集分别输入预设神经网络模型进行绝缘子识别训练,得到各训练模型。具体地,上述的各个训练模型用于对绝缘子图像进行识别。
步骤S45:将测试样本集分别输入各训练模型进行绝缘子识别测试,得到各训练模型的测试准确率。将上述的100张真实绝缘子图像分别输入上述的各训练模型中进行识别测试,分别得到各个训练模型的测试准确率。
步骤S46:根据各训练模型的测试准确率,得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例。具体地,在一实施例中,还可以在得到测试准确率最高的训练模型后,再以为一个单位,在该训练模型的扩充比例前后进行扩充模拟绝缘子样本数量的细化调整,最终得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例。
具体地,在一实施例中,上述的步骤S5,根据最优扩充比例和真实绝缘子样本库中真实绝缘子图像的样本数量,计算模拟绝缘子图像的扩充样本数量。该扩充样本数量为需要添加的模拟绝缘子图像的图像数量,具体地,假设最优扩充比例为5∶1,真实绝缘子样本库中真实绝缘子图像的样本数量为500张,则模拟绝缘子图像的扩充样本数量为100张。
具体地,在一实施例中,上述的步骤S6,根据扩充样本数量,从模拟样本库中获取各模拟绝缘子图像加入真实绝缘子样本库,生成绝缘子样本扩充库。
通过执行上述的步骤S1至步骤S6,本发明实施例提供的基于深度卷积生成对抗网络的绝缘子样本扩充方法,实现了对绝缘子图像样本数量的扩充;并通过在生成模拟绝缘子图像后,对模拟绝缘子图像进行筛选,提高模拟样本库中的模拟绝缘子样本图像的图像质量;还通过扩充比例的寻优,提高了生成的绝缘子样本扩充库的模型训练效果,为绝缘子识别提供更加准确的识别模型,进而提高绝缘子的识别率。
实施例2
本施例提供一种绝缘子识别模型训练方法,如图6所示,该绝缘子识别模型训练方法包括:
步骤S7:从实施例1的绝缘子样本扩充方法生成的绝缘子样本扩充库提取预设数量的绝缘子样本。在实际应用中,该预设数量可以根据需要进行设置,可以是绝缘子样本扩充库中的所有样本图像,也可以是部分样本图像。
步骤S8:根据绝缘子样本对预设神经网络模型进行训练,生成绝缘子识别模型。在实际应用中,对预设神经网络模型进行训练的标准为判断神经网络模型的输出层的损失函数值,当输出层的损失函数值小于预设值时,则将此时的神经网络训练模型作为绝缘子识别模型。
通过上述步骤S7至步骤S8,本发明实施例的绝缘子识别模型训练方法,建立了绝缘子识别模型,提高了绝缘子识别模型的准确性。
实施例3
本施例提供一种绝缘子识别方法,如图7所示,该绝缘子识别方法包括:
步骤S9:获取待识别图像。在实际应用中,该待识别图像可为绝缘子巡检过程中获取的包含绝缘子的图像。
步骤S10:根据待识别图像及实施例2中的绝缘子识别模型训练方法生成的绝缘子识别模型进行图像识别,生成识别结果。在实际应用中,该识别结果可为该图像中是否包含绝缘子设备,从而将包含绝缘子设备的待识别图像筛选出来以进行有关绝缘子设备的进一步检测。
通过上述步骤S9至步骤S10,本发明实施例的绝缘子识别方法,实现了绝缘子的识别,并提高了绝缘子识别的准确性。
实施例4
本发明实施例提供一种基于深度卷积生成对抗网络的绝缘子样本扩充装置,如图8所示,该基于深度卷积生成对抗网络的绝缘子样本扩充装置包括:
真实绝缘子图像获取模块1,用于从真实绝缘子样本库中获取各真实绝缘子图像。详细内容参考实施例1中的步骤S1。
模拟绝缘子图像生成模块2,用于分别将各真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成各模拟绝缘子图像。详细内容参考实施例1中的步骤S2。
模拟样本库构建模块3,用于对各模拟绝缘子图像进行图像质量评分排序,根据图像质量评分排序的结果筛选各模拟绝缘子图像,生成模拟样本库。详细内容参考实施例1中的步骤S3。
最优扩充比例确定模块4,用于从真实绝缘子样本库和模拟样本库中获取不同比例的真实绝缘子图像和模拟绝缘子图像输入预设神经网络模型进行训练,并根据预设神经网络模型的训练结果,得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例。详细内容参考实施例1中的步骤S4。
扩充样本数量计算模块5,用于根据最优扩充比例和真实绝缘子样本库中真实绝缘子图像的样本数量,计算模拟绝缘子图像的扩充样本数量。详细内容参考实施例1中的步骤S5。
绝缘子样本扩充库构建模块6,用于根据扩充样本数量,从模拟样本库中获取各模拟绝缘子图像加入真实绝缘子样本库,生成绝缘子样本扩充库。详细内容参考实施例1中的步骤S6。
通过上述各个组成部分的协同合作,本发明实施例的基于深度卷积生成对抗网络的绝缘子样本扩充装置,实现了对绝缘子图像样本数量的扩充;并通过在生成模拟绝缘子图像后,对模拟绝缘子图像进行筛选,提高模拟样本库中的模拟绝缘子样本图像的图像质量;还通过扩充比例的寻优,提高了生成的绝缘子样本扩充库的模型训练效果,为绝缘子识别提供更加准确的识别模型,进而提高绝缘子的识别率。
在一较佳实施例中,如图9所示,模拟绝缘子图像生成模块2还包括:
模型构建子模块21,用于构建深度卷积神经网络对抗模型的生成模型和判别模型。详细内容参考实施例1中的步骤a。
训练模型生成子模块22,用于采用多个真实绝缘子图像对生成模型和判别模型进行训练,生成训练生成模型和训练判别模型。详细内容参考实施例1中的步骤b。
绝缘子深度卷积生成对抗网络模型生成子模块23,用于根据训练生成模型和训练判别模型,生成绝缘子深度卷积生成对抗网络模型。详细内容参考实施例1中的步骤c。
在一较佳实施例中,如图10所示,上述的最优扩充比例确定模块4包括:
测试样本集获取子模块41,用于从真实绝缘子样本库中提取第一预设数量的真实绝缘子图像作为测试样本集。详细内容参考实施例1中的步骤S41。
训练基础样本集获取子模块42,用于从真实绝缘子样本库中提取第二预设数量的真实绝缘子图像作为训练基础样本集。详细内容参考实施例1中的步骤S42。
训练样本集生成子模块43,用于根据从模拟样本库中获取的不同预设扩充比例的模拟绝缘子图像及训练基础样本集生成各训练样本集。详细内容参考实施例1中的步骤S43。
训练模型生成子模块44,用于将各训练样本集分别输入预设神经网络模型进行绝缘子识别训练,得到各训练模型。详细内容参考实施例1中的步骤S44。
测试准确率计算子模块45,用于将测试样本集分别输入各训练模型进行绝缘子识别测试,得到各训练模型的测试准确率。详细内容参考实施例1中的步骤S45。
最优扩充比例选择子模块46,用于根据各训练模型的测试准确率,得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例。。详细内容参考实施例1中的步骤S46。
通过上述各个组成部分的协同合作,本发明实施例的基于深度卷积生成对抗网络的绝缘子样本扩充装置,实现了对绝缘子图像样本数量的扩充;并通过在生成模拟绝缘子图像后,对模拟绝缘子图像进行筛选,提高模拟样本库中的模拟绝缘子样本图像的图像质量;还通过扩充比例的寻优,提高了生成的绝缘子样本扩充库的模型训练效果,为绝缘子识别提供更加准确的识别模型,进而提高绝缘子的识别率。
实施例5
本发明实施例提供一种非暂态计算机存储介质,该计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意实施例1中的基于生成对抗网络的绝缘子样本扩充方法。其中,上述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;该存储介质还可以包括上述种类的存储器的组合。
实施例6
本发明实施例提供一种基于生成对抗网络的绝缘子样本扩充方法的电子设备,其结构示意图如图11所示,该设备包括:一个或多个处理器410以及存储器420,图11中以一个处理器410为例。
执行基于生成对抗网络的绝缘子样本扩充方法的电子设备还可以包括:输入装置430和输出装置440。
处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接,图11中以通过总线连接为例。
处理器410可以为中央处理器(Central Processing Unit,CPU)。处理器410还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的基于差分图像的异物检测方法对应的程序指令/模块,处理器410通过运行存储在存储器420中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的基于生成对抗网络的绝缘子样本扩充方法。
存储器420可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于生成对抗网络的绝缘子样本扩充的处理装置的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器420可选包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至基于生成对抗网络的绝缘子样本扩充装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可接收输入的数字或字符信息,以及产生与基于生成对抗网络的绝缘子样本扩充操作的处理装置有关的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
一个或者多个模块存储在存储器420中,当被一个或者多个处理器410执行时,执行如图1-图5所示的方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节,具体可参见如图1-图5所示的实施例中的相关描述。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于深度卷积生成对抗网络的绝缘子样本扩充方法,其特征在于,包括:
从真实绝缘子样本库中获取各真实绝缘子图像;
分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成各模拟绝缘子图像;
对各所述模拟绝缘子图像进行图像质量评分排序,根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像,生成模拟样本库;
根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练,并根据所述预设神经网络模型的训练结果,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例;
根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量,计算所述模拟绝缘子图像的扩充样本数量;
根据所述扩充样本数量,从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库,生成绝缘子样本扩充库。
2.根据权利要求1所述的基于深度卷积生成对抗网络的绝缘子样本扩充方法,其特征在于,所述绝缘子深度卷积生成对抗网络模型通过以下步骤生成:
构建深度卷积神经网络对抗模型的生成模型和判别模型;
采用多个所述真实绝缘子图像对所述生成模型和所述判别模型进行训练,生成训练生成模型和训练判别模型;
根据所述训练生成模型和所述训练判别模型,生成所述绝缘子深度卷积生成对抗网络模型。
3.根据权利要求1所述的基于深度卷积生成对抗网络的绝缘子样本扩充方法,其特征在于,所述根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练,并根据所述预设神经网络模型的训练结果,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例,包括:
从所述真实绝缘子样本库中提取第一预设数量的所述真实绝缘子图像作为测试样本集;
从所述真实绝缘子样本库中提取第二预设数量的所述真实绝缘子图像作为训练基础样本集;
根据从所述模拟样本库中获取的不同预设扩充比例的所述模拟绝缘子图像及所述训练基础样本集生成各训练样本集;
将各所述训练样本集分别输入所述预设神经网络模型进行绝缘子识别训练,得到各训练模型;
将测试样本集分别输入各所述训练模型进行绝缘子识别测试,得到各所述训练模型的测试准确率;
根据各所述训练模型的测试准确率,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例。
4.一种绝缘子识别模型训练方法,其特征在于,包括:
从如权利要求1-3中任一项所述的绝缘子样本扩充方法生成的绝缘子样本扩充库提取预设数量的绝缘子样本;
根据所述绝缘子样本对预设神经网络模型进行训练,生成绝缘子识别模型。
5.一种绝缘子识别方法,其特征在于,包括:
获取待识别图像;
根据所述待识别图像及如权利要求4所述的绝缘子识别模型训练方法生成的绝缘子识别模型进行图像识别,生成识别结果。
6.一种基于深度卷积生成对抗网络的绝缘子样本扩充装置,其特征在于,包括:
真实绝缘子图像获取模块(1),用于从真实绝缘子样本库中获取各真实绝缘子图像;
模拟绝缘子图像生成模块(2),用于分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型,生成各模拟绝缘子图像;
模拟样本库构建模块(3),用于对各所述模拟绝缘子图像进行图像质量评分排序,根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像,生成模拟样本库;
最优扩充比例确定模块(4),用于从所述真实绝缘子样本库和所述模拟样本库中获取不同比例的所述真实绝缘子图像和所述模拟绝缘子图像输入预设神经网络模型进行训练,并根据所述预设神经网络模型的训练结果,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例;
扩充样本数量计算模块(5),用于根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量,计算所述模拟绝缘子图像的扩充样本数量;
绝缘子样本扩充库构建模块(6),用于根据所述扩充样本数量,从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库,生成绝缘子样本扩充库。
7.根据权利要求6所述的基于深度卷积生成对抗网络的绝缘子样本扩充装置,其特征在于,所述模拟绝缘子图像生成模块(2)还包括:
模型构建子模块(21),用于构建深度卷积神经网络对抗模型的生成模型和判别模型;
训练模型生成子模块(22),用于采用多个所述真实绝缘子图像对所述生成模型和所述判别模型进行训练,生成训练生成模型和训练判别模型;
绝缘子深度卷积生成对抗网络模型生成子模块(23),用于根据所述训练生成模型和所述训练判别模型,生成所述绝缘子深度卷积生成对抗网络模型。
8.根据权利要求6所述的基于深度卷积生成对抗网络的绝缘子样本扩充装置,其特征在于,所述最优扩充比例确定模块(4)包括:
测试样本集获取子模块(41),用于从所述真实绝缘子样本库中提取第一预设数量的所述真实绝缘子图像作为测试样本集;
训练基础样本集获取子模块(42),用于从所述真实绝缘子样本库中提取第二预设数量的所述真实绝缘子图像作为训练基础样本集;
训练样本集生成子模块(43),用于根据从所述模拟样本库中获取的不同预设扩充比例的所述模拟绝缘子图像及所述训练基础样本集生成各训练样本集;
训练模型生成子模块(44),用于将各所述训练样本集分别输入所述预设神经网络模型进行绝缘子识别训练,得到各训练模型;
测试准确率计算子模块(45),用于将测试样本集分别输入各所述训练模型进行绝缘子识别测试,得到各所述训练模型的测试准确率;
最优扩充比例选择子模块(46),用于根据各所述训练模型的测试准确率,得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被处理器执行时实现如权利要求1-3中任一项所述的基于生成对抗网络的绝缘子样本扩充方法。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-3中任一项所述的基于生成对抗网络的绝缘子样本扩充方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721960.5A CN109117863B (zh) | 2018-07-04 | 2018-07-04 | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721960.5A CN109117863B (zh) | 2018-07-04 | 2018-07-04 | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117863A true CN109117863A (zh) | 2019-01-01 |
CN109117863B CN109117863B (zh) | 2021-08-13 |
Family
ID=64822055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810721960.5A Active CN109117863B (zh) | 2018-07-04 | 2018-07-04 | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117863B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070124A (zh) * | 2019-04-15 | 2019-07-30 | 广州小鹏汽车科技有限公司 | 一种基于生成式对抗网络的图像扩增方法及系统 |
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110222757A (zh) * | 2019-05-31 | 2019-09-10 | 华北电力大学(保定) | 基于生成对抗网络的绝缘子图像样本扩充方法、系统 |
CN111123915A (zh) * | 2019-12-05 | 2020-05-08 | 国电南瑞科技股份有限公司 | 一种巡检机器人越障方法、系统、存储介质及计算设备 |
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111145116A (zh) * | 2019-12-23 | 2020-05-12 | 哈尔滨工程大学 | 一种基于生成对抗网络的海面雨天图像样本增广方法 |
CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN112862766A (zh) * | 2021-01-28 | 2021-05-28 | 华北电力大学(保定) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 |
CN112884758A (zh) * | 2021-03-12 | 2021-06-01 | 国网四川省电力公司电力科学研究院 | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
CN107563385A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于深度卷积生成式对抗网络的车牌字符识别方法 |
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
-
2018
- 2018-07-04 CN CN201810721960.5A patent/CN109117863B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
CN107563385A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于深度卷积生成式对抗网络的车牌字符识别方法 |
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
Non-Patent Citations (2)
Title |
---|
AUGUSTUS ODENA: "《Semi-Supervised Learning with generative Adversarial Networks》", 《ARXIV》 * |
孙亮 等: "《基于生成对抗网络的多视图学习与重构算法》", 《自动化学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070124A (zh) * | 2019-04-15 | 2019-07-30 | 广州小鹏汽车科技有限公司 | 一种基于生成式对抗网络的图像扩增方法及系统 |
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110222757A (zh) * | 2019-05-31 | 2019-09-10 | 华北电力大学(保定) | 基于生成对抗网络的绝缘子图像样本扩充方法、系统 |
CN111123915A (zh) * | 2019-12-05 | 2020-05-08 | 国电南瑞科技股份有限公司 | 一种巡检机器人越障方法、系统、存储介质及计算设备 |
CN111145116B (zh) * | 2019-12-23 | 2022-05-20 | 哈尔滨工程大学 | 一种基于生成对抗网络的海面雨天图像样本增广方法 |
CN111145116A (zh) * | 2019-12-23 | 2020-05-12 | 哈尔滨工程大学 | 一种基于生成对抗网络的海面雨天图像样本增广方法 |
CN111126700A (zh) * | 2019-12-25 | 2020-05-08 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN111126700B (zh) * | 2019-12-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 用能预测方法、装置、设备及存储介质 |
CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN112557833B (zh) * | 2020-10-10 | 2022-04-12 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN112862766B (zh) * | 2021-01-28 | 2022-11-04 | 华北电力大学(保定) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 |
CN112862766A (zh) * | 2021-01-28 | 2021-05-28 | 华北电力大学(保定) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 |
CN112884758A (zh) * | 2021-03-12 | 2021-06-01 | 国网四川省电力公司电力科学研究院 | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109117863B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117863A (zh) | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 | |
CN108664893B (zh) | 一种人脸检测方法及存储介质 | |
CN104346370B (zh) | 图像搜索、获取图像文本信息的方法及装置 | |
CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
CN108229526A (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
WO2021095693A1 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN110339569B (zh) | 控制游戏场景中虚拟角色的方法及装置 | |
CN109034224A (zh) | 基于双分支网络的高光谱分类方法 | |
CN112017245B (zh) | 证件定位方法 | |
CN110222757A (zh) | 基于生成对抗网络的绝缘子图像样本扩充方法、系统 | |
CN109410190B (zh) | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 | |
CN110163241B (zh) | 数据样本生成方法、装置、计算机设备及存储介质 | |
CN109272044A (zh) | 一种图像相似度确定方法、装置、设备及存储介质 | |
CN112181698A (zh) | 自动驾驶极限性能的测试方法、装置、设备及存储介质 | |
CN113505854A (zh) | 一种人脸图像质量评价模型构建方法、装置、设备及介质 | |
CN111709318A (zh) | 一种基于生成对抗网络的高分辨率遥感图像分类方法 | |
CN115147641A (zh) | 一种基于知识蒸馏和多模态融合的视频分类方法 | |
CN110458875A (zh) | 异常点对的检测方法、图像拼接方法、相应装置及设备 | |
CN110348516A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111832479B (zh) | 基于改进的自适应锚点r-cnn的视频目标检测方法 | |
CN110996128B (zh) | 在线教学视频推送管理系统 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN108665455B (zh) | 图像显著性预测结果的评价方法和装置 | |
CN111258558A (zh) | 运动轨迹的着色处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |