CN109255762A - 一种基于深度学习的输电线路航拍照片去噪方法及照片和应用 - Google Patents

一种基于深度学习的输电线路航拍照片去噪方法及照片和应用 Download PDF

Info

Publication number
CN109255762A
CN109255762A CN201810980993.1A CN201810980993A CN109255762A CN 109255762 A CN109255762 A CN 109255762A CN 201810980993 A CN201810980993 A CN 201810980993A CN 109255762 A CN109255762 A CN 109255762A
Authority
CN
China
Prior art keywords
noise
denoising
photo
transmission line
deep learning
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.)
Pending
Application number
CN201810980993.1A
Other languages
English (en)
Inventor
吴东
鲁轩
金岩
李学刚
姜明席
陈凯
郭建祎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810980993.1A priority Critical patent/CN109255762A/zh
Publication of CN109255762A publication Critical patent/CN109255762A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的输电线路航拍照片去噪方法及照片和应用，本发明的方法使用深度学习技术来实现自动化的图像噪声去除，通过基于GAN‑CNN的联合方法实现了表现优异的图像盲去噪，实现了表现优异的图像盲去噪方式，在处理未知噪音时GANs被用于学习噪声构建关键的训练数据而CNNs则用于进行图像去噪；本发明的方法首创利用GANs为噪声建模，GANs对于复杂分布的估计能力被用于学习隐含的噪声分布，克服了对于未知噪声利用显示模型描述的固有缺陷。

Description

一种基于深度学习的输电线路航拍照片去噪方法及照片和 应用
技术领域
本发明属于电力检测技术领域，特别涉及一种基于深度学习的输电线路航拍照片去噪方法及照片和应用。
背景技术
无人机巡检是使用可见光及红外热像仪等巡检设备对输电线路进行巡视检查，具有迅速快捷、工作效率高、不受地域影响、巡检质量高、安全性高等优点。据统计，运用多旋翼无人机进行缺陷识别，杆塔瓶口及以上位置、人工难以发现的缺陷占比78.5％。
设备本体巡检效率和质量显著提高，并且极大降低了劳动强度，提升了巡检效率，确保了对电力设备状态的运行维护能力。因此，多旋翼等无人机的应用是线路巡检智能化发展、精益化巡视检查的有效解决方案。然而，由于拍摄设备自身或周围环境干扰等原因，导致拍摄的照片存在许多影响后期训练人工智能模型的噪声，这种影响在小部件缺陷识别场景中尤甚。目前，已有的去噪算法和软件只能在一定程度下降低噪声，效果和性能往往不佳，无法满足无人机巡检航拍影像去噪的实际需要，因此急需找到一种新的高效的去噪方法来解决此类问题。
发明内容
本发明的目的是提供一种基于深度学习的输电线路航拍照片去噪方法及照片和应用，本发明的方法使用深度学习技术来实现自动化的图像噪声去除，通过基于GAN-CNN(Generative Adversarial Networks-Connected Neural Net)生成对抗-卷积神经网络的联合方法实现了表现优异的图像盲去噪。
为此，本发明技术方案如下：
第一方面，本发明提供一种基于深度学习的输电线路航拍照片去噪方法，包括以下步骤：
(1)对图像中的噪声进行建模，抽取图像中的噪声，建立噪声单元样本；
(2)利用步骤(1)的噪声单元样本训练GAN网络，生成训练后的WGAN-GP网络；
(3)利用WGAN-GP网络得到新的训练样本yi：
yi＝xj+v'k①
其中，xj为干净的图像单元，xj不是为了抽取噪声的图像单元，而是不包含噪声的正常图像单元，v'k为噪声单元样本；
(4)去除步骤(3)得到的新的训练样本yi中的隐含噪声R，得到去噪后的图像。
在步骤(1)中，噪声单元样本的获取主要利用通过平滑片元减去其均值得到(假设0均值)。由于图像中的平滑区域如天空、墙面等的数量很多，所以可以保证抽取足够多的噪声单元样本用于GAN的训练。
在步骤(2)中，GAN网络(Generative Adversarial Networks)，中文译为生成式对抗网络，是一类深度学习网络模型；在本发明中，利用GAN网络生成训练后的WGAN-GP(Wasserstein Generative Adversarial Networks-Gradient Penalty)网络；其中，WGAN是改进后的GAN网络(WGAN是提出使用Wassertein距离作为优化方式训练GAN后得到的网络模式)，而WGAN-GP网络是改进后的WGAN网络，WGAN-GP网络使用Wasserteion距离需要满足很强的连续性条件—lipschitz连续性，为了满足这个条件，可以使用将权重限制到一个范围的方式强制满足lipschitz连续性，但是这也造成了隐患，WGAN-GP是WGAN之后的改进版，主要还是改进了连续性限制的条件，提出了一种新的lipschitz连续性限制手法—梯度惩罚，解决了训练梯度消失梯度爆炸的问题。
在步骤(3)中，新的训练样本yi为包含噪声单元样本的训练样本，用于后一步训练去噪CNN网络，这里的去噪CNN网络是卷积神经网络，它的数据训练样本yi来自前面步骤网络的输出，CNN网络的作用就是步骤(4)中的图像去噪。
第二方面，本发明提供如第一方面所述的去噪方法得到的照片。
第三方面，本发明提供如第一方面所述的去噪方法在照片去噪方面的应用。
与现有技术相比，本发明提供的基于深度学习的输电线路航拍照片去噪方法实现了表现优异的图像盲去噪方式，在处理未知噪音时GANs被用于学习噪声构建关键的训练数据而CNNs则用于进行图像去噪；本发明的方法首创利用GANs为噪声建模，GANs对于复杂分布的估计能力被用于学习隐含的噪声分布，克服了对于未知噪声利用显示模型描述的固有缺陷。
附图说明
图1为本发明的算法流程图；
图2为WGAN-GP网络架构图；
图3为去噪卷积神经网络的网络架构图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
如图1-3所示，该基于深度学习的输电线路航拍照片去噪方法，包括以下步骤：
(1)对图像中的噪声进行建模，抽取图像中的噪声，建立噪声单元样本；
(2)利用步骤(1)的噪声单元样本训练GAN网络，生成训练后的WGAN-GP网络；
(3)利用WGAN-GP网络得到新的训练样本yi：
yi＝xj+v'k①
其中，xj为干净的图像单元，v'k为噪声单元样本；
(4)去除步骤(3)得到的新的训练样本yi中的隐含噪声R，得到去噪后的图像。
应该注意到并理解，在不脱离后附的权利要求所要求的本发明的精神和范围的情况下，能够对上述详细描述的本发明做出各种修改和改进。因此，要求保护的技术方案的范围不受所给出的任何特定示范教导的限制。
申请人声明，以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (3)

1.一种基于深度学习的输电线路航拍照片去噪方法，其特征在于，包括以下步骤：
(1)对图像中的噪声进行建模，抽取图像中的噪声，建立噪声单元样本；
(2)利用步骤(1)的噪声单元样本训练GAN网络，生成训练后的WGAN-GP网络；
(3)利用WGAN-GP网络得到新的训练样本yi：
yi＝xj+v'k①
其中，xj为干净的图像单元，v'k为噪声单元样本；
(4)去除步骤(3)得到的新的训练样本yi中的隐含噪声R，得到去噪后的图像。
2.根据权利要求1所述的去噪方法得到的照片。
3.根据权利要求1所述的去噪方法在照片去噪方面的应用。
CN201810980993.1A 2018-08-27 2018-08-27 一种基于深度学习的输电线路航拍照片去噪方法及照片和应用 Pending CN109255762A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810980993.1A CN109255762A (zh) 2018-08-27 2018-08-27 一种基于深度学习的输电线路航拍照片去噪方法及照片和应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810980993.1A CN109255762A (zh) 2018-08-27 2018-08-27 一种基于深度学习的输电线路航拍照片去噪方法及照片和应用

Publications (1)

Publication Number Publication Date
CN109255762A true CN109255762A (zh) 2019-01-22

Family

ID=65049531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810980993.1A Pending CN109255762A (zh) 2018-08-27 2018-08-27 一种基于深度学习的输电线路航拍照片去噪方法及照片和应用

Country Status (1)

Country Link
CN (1) CN109255762A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法
CN112419171A (zh) * 2020-10-28 2021-02-26 云南电网有限责任公司昆明供电局 一种多残差块条件生成对抗网络的图像复原方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820974A (zh) * 2015-05-14 2015-08-05 浙江科技学院 基于elm的图像去噪方法
CN107451960A (zh) * 2017-04-19 2017-12-08 武汉科技大学 基于低秩技术和目标数据库的相干光断层图像降噪方法
US20170365038A1 (en) * 2016-06-16 2017-12-21 Facebook, Inc. Producing Higher-Quality Samples Of Natural Images
CN108198154A (zh) * 2018-03-19 2018-06-22 中山大学 图像去噪方法、装置、设备及存储介质
CN108226892A (zh) * 2018-03-27 2018-06-29 天津大学 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820974A (zh) * 2015-05-14 2015-08-05 浙江科技学院 基于elm的图像去噪方法
US20170365038A1 (en) * 2016-06-16 2017-12-21 Facebook, Inc. Producing Higher-Quality Samples Of Natural Images
CN107451960A (zh) * 2017-04-19 2017-12-08 武汉科技大学 基于低秩技术和目标数据库的相干光断层图像降噪方法
CN108198154A (zh) * 2018-03-19 2018-06-22 中山大学 图像去噪方法、装置、设备及存储介质
CN108226892A (zh) * 2018-03-27 2018-06-29 天津大学 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法
CN112419171A (zh) * 2020-10-28 2021-02-26 云南电网有限责任公司昆明供电局 一种多残差块条件生成对抗网络的图像复原方法

Similar Documents

Publication Publication Date Title
RU2709661C1 (ru) Обучение нейронных сетей для обработки изображений с помощью синтетических фотореалистичных содержащих знаки изображений
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN107507172A (zh) 融合红外可见光的特高压线路绝缘子串深度学习识别方法
CN110261394A (zh) 在线风机叶片损伤实时诊断系统和方法
Liu et al. Insulator detection in aerial images based on faster regions with convolutional neural network
CN109285129A (zh) 基于卷积神经网络的图像真实噪声去除系统
CN104050471A (zh) 一种自然场景文字检测方法及系统
CN107301376B (zh) 一种基于深度学习多层刺激的行人检测方法
CN107705256B (zh) 一种基于接触网语义的前向车载视频图像增强方法
CN109712127A (zh) 一种用于机巡视频流的输电线路故障检测方法
CN109255762A (zh) 一种基于深度学习的输电线路航拍照片去噪方法及照片和应用
CN110334660A (zh) 一种雾天条件下基于机器视觉的森林火灾监测方法
CN107463954A (zh) 一种模糊异谱图像的模板匹配识别方法
CN104717400A (zh) 一种监控视频的实时去雾方法
CN113822844A (zh) 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质
CN107464260A (zh) 一种采用无人机的水稻冠层图像处理方法
CN111652231B (zh) 一种基于特征自适应选择的铸件缺陷语义分割方法
CN114283137A (zh) 基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法
CN115240089A (zh) 一种航空遥感图像的车辆检测方法
CN114627074A (zh) 一种基于深度学习的地面拍摄风机叶片实时监测方法
CN116596822A (zh) 基于自适应权重与目标感知的像素级实时多光谱图像融合方法
CN111540203A (zh) 基于Faster-RCNN调节绿灯通行时间的方法
CN109509159A (zh) 一种基于深度学习的无人机模糊图像端到端复原方法
CN117036798A (zh) 一种基于深度学习的输配电线路图像识别方法及系统
CN115797839A (zh) 输电线路漂浮物识别方法、系统、存储介质及设备

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190122