CN111027631B - 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 - Google Patents

Abstract

本申请公开了高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于，包括以下步骤实现：步骤S100以耐张线夹缺陷类型为分类标准按类采集现有耐张线夹缺陷X射线图像；步骤S200建立深度卷积生成对抗网络模型：所述对抗网络模型包括通过微分函数G表示的生成器，以及通过微分函数D表示的判别器；步骤S300训练GAN数据模型：首先G，优化D，使判别器的分类准确率最大；随后固定D，优化G，使判别器的分类准确率最小；循环迭代N次后，当生成数据分布等于真实样本分布时，确定目标函数GAN；步骤S400将待判别耐张线夹的X射线影像m输入步骤S300的目标函数GAN得出对应缺陷类型和对应概率。本发明训练样本数据小，迭代次数低，判别精准度高。

Description

高压耐张线夹压接缺陷判别的X射线影像分类识别方法

技术领域

本发明涉及检测领域，尤其涉及对电力设备或者构件物理缺陷的检测方法领域，具体涉及高压耐张线夹压接缺陷判别的X射线影像分类识别方法

背景技术

耐张线夹作为电力输送的重要组成部分，在整个电网中起到至关重要的作用。一旦出现事故进行停电检修时就需要投入大量的人力、物力、财力和时间。解决(或减少)耐张线夹的影响对提升对线路的安全性、稳定性、经济性具有显著的社会意义。

目前针对架空线路耐张线夹压接缺陷的检测主要有超声波、X射线、红外热成像和紫外成像。而压接缺陷是在线路新建、扩建、改建和维修等停电状态施工中产生的，只有依靠超声波或者X射线检测方法。超声波检测方法只能检测钢锚防滑槽的压接缺陷，而X射线可以实现所有压接缺陷的检测。因此，近年来国家电网和南方电网广泛采用基于X射线数据成像的可视化检测技术，实现了耐张线夹设备结构性缺陷的预防性精准排查和应急性缺陷的精准分析。目前，利用基于深度学习进行缺陷分类识别的方法是研究热点，单具体到检测领域的细分领域，则研究机构和成果较少。

目前主要依靠人工借助辅助工具进行数据图像审查和缺陷判定，存在着以下问题：

人工对X射线影像判读人员的专业技能和经验要求很高，需要经过长时间的专业培训。人工完成分析、评片到出具分析结果的即时性较差，给按时线路通电造成严重的影响。甚至因为结果不能及时给出导致线路带着严重、危急缺陷运行。人工判读易产生误判、漏判和错判，影响检测结果的准确性。另外，耐张线夹的X射线影像进行深度学习构建自动分类模型还存在一下问题：

个别缺陷的真实样本仅有数十张图像，对于常规方法的人工智能识别模型构建动则百万张图像库的需要才能实现较高的准确率，在耐张线夹的X射线数字图像中存在很大的数据量不足问题。

所有缺陷类型的数据样本都较小，小于1000幅，与常规机器学习方法需要的数据量相差几个数量级。应用传统人工标注的机器学习方法训练的智能分类模型，其准确率很低，大多数缺陷的识别准确率不到80％，无较大的实际应用价值。

常规的图像生成网络需要定性的测评，即需要人类评测生成图像的真实情况，这种评估方式不仅要消耗大量的人力物力，而且具有极强的主观性。

发明内容

为了解决采用现有技术对耐张线夹缺陷进行判定存在的时间占用长，判断效率低的问题，本申请提供高压耐张线夹压接缺陷判别的X射线影像分类识别方法，用于解决现有技术中需要人工逐一进行判断费时费力，同时人工判断需要依赖于判断人员丰富的经验，因而判断结论的准确性离不开主观因素。现有技术中，虽有利用深度学习利用人工智能识别缺陷图像的方式，但是该现有的深度学习识别模型需要的样本数量大，基本要超过百万张的数据并通过人工标注的方式进行学习，这样的方式判断的准确率不高，依然需要人为进行把关，实用性不强。本发明基于现有的深度学习模型构架和激活函数手段，结合耐张线夹X射线图像的特征建立GAN数据模型，进行训练，并特别的在训练过程中通过对判别准确度双向对生成器和判别器进行优化修正，这相较于现有的对抗网络可以减少多个数量级的训练数据，同时提升判断的准确率，以达到人工判别的准确度，完全替代人工判断。

为了达到上述目的，本申请所采用的技术方案为：

高压耐张线夹压接缺陷判别的X射线影像分类识别方法，包括以下步骤实现：

步骤S100以耐张线夹缺陷类型为分类标准按类采集现有耐张线夹缺陷X射线图像，并将采集的每张耐张线夹缺陷X射线图像进行预处理成256*256像素矩阵，以BMP或FPG格式存储，记为x；

步骤S200建立深度卷积生成对抗网络模型：

所述对抗网络模型包括通过微分函数G表示的生成器：所述生成器通过将真实的耐张线夹缺陷X射线图像x和随机采样一个向量z作为生成器的噪声输入数据，经过所述生成器后生成一个新的假数据，记为G(z)；

以及通过微分函数D表示的判别器：所述判别器用于对生成的图像G(z)和真实图像x的混合数据随机进行真假判断，输出并生成输入图像是真是假的概率分布Fr，以及输入图像缺陷类别的概率分布Fc；

步骤S300训练GAN数据模型：首先固定微分函数G，优化微分函数D，使判别器的分类准确率最大；随后固定微分函数D，优化微分函数G，使判别器的分类准确率最小；循环迭代N次后，当生成数据分布等于真实样本分布时，确定目标函数GAN；伴随着训练的进行，随着源域数据量的扩充，在生成器G和判别器D中逐步添加新的卷积网络层，使得生成图像更快更真实。

步骤S400将待判别耐张线夹的X射线影像m输入步骤S300的目标函数GAN得出对应缺陷类型和对应概率。所述生成器包括依次设置的卷积层、两层恒等残差块和转置卷积层，以及激活函数Tanh函数；

所述卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1；

所述残差块的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1；

所述转置卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝2；

激活函数：

所述生成器中的转置卷积层与激活函数Tanh之间还分别依次设置有一层残差块和卷积层。

所述卷积层对输入的将待判别耐张线夹的X射线影像m以卷积核规模为k＝5*5，步幅s＝1进行卷积操作，并将待判别耐张线夹的X射线影像m生成为：

作为卷积后的数据，公式中：

u的灰度值取值范围是{0，…，255}，

v的灰度值取值范围是{0，…，255}，

δ()函数是修正线性单元(ReLU)激活函数

b(m)是偏差向量，

(m)是权重矩阵；

将所有经过卷积后的数据进行批量归一化处理，再通过激活函数ReLU对被归一化的数据进行非线性化处理。

所述生成器中的所述残差块将上一层卷积层输出的图像数据作为输入值采用卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1进行卷积，并采用批量归一化和激活函数操作后获得的值与输入值求差；若差值为0则输出，若差值不为0则重复上述流程。

所述卷积层和残差块中进行均批量归一化为零均值和单位方差：

每批次样本的均值：

每批次样本的方差：

批量归一化过程：

其中输入x∈X＝{x1,…,n}，经过归一化后的响应为{y_i＝BN_ω,b(x_i)}；线性尺度变换和偏移：y_i＝ωX～+b→BN_ω,b(x_i)，并返回学习到的参数ω,b，最后通过激活函数做非线性映射，所述激活函数采用ReLU激活函数，数学表达式为R(z)＝max(0,z)。

所述判别器包括依次设置的第一卷积层、第二卷积层、第三卷积层、第四卷积层、全连接层和Sigmoid层；

所述第一卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝2；

所述第二卷积层的卷积核n＝128，卷积核规模为k＝5*5，步幅s＝2；

所述第三卷积层的卷积核n＝256，卷积核规模为k＝3*3，步幅s＝2；

所述第四卷积层的卷积核n＝512，卷积核规模为k＝3*3，步幅s＝2；

所述全连接层的卷积核n＝1024。

所述判别器中Sigmoid层输出对待判别耐张线夹的X射线影像m是真是假判定的概率分布Fr的计算公式为：

Fr＝[log(r＝s|x)]+E[logP(r＝t|xt)]

对缺陷类别判定的概率分布Fc的计算公式为：

Fc＝[log(C＝c|x)]+E[logP(C＝c|xt)]

其中，x为真实图像数据，xt为生成的假图像数据,其中xt＝G(z,x)；c表示该类缺陷图像的序号数字。

所述步骤S300训练GAN数据模型中判别器的微分函数D采用的优化公式如下：

所述生成器的优化微分函数G采用的优化公式如下：

经过对生成器和判别器进行循环迭代N＝100-500次后，确定GAN的目标函数为：

本申请中，对于生成器和判别器的优化方法是减小本申请进行模型训练，提高精准度的必要内容，亦是大大减小训练所需过程，迭代次数，缩短训练周期。该方法与现有的深度学习对抗模型的主要区别是：

现有的深度学习模型是将待学习的样本做好标签，通过对学习对象的特征进行记忆，然后逐渐变化，变化可以是无序的，亦可以是有序的，可以以特征进行排列，旋转以提高学习模型判别的可靠性，然后利用海量的数据尽可能的丰富学习模型数据库，使得能够通过对提升提取数量的增加从而增加实际判别的精准度。这种方式最大的弊端就是需要的学习样本数据库非常庞大，少则几十万，多则上千万，这种深度学习模型是现有技术中可以直接采用的，亦可以采用现有的卷积方式设置和激活函数，但其存在的弊端有两点：其一、对于电力设备X射线图像判别领域不适用，因为本领域不可能提取到如此大的数据样本，同时提取该量级的数据样本的成本远远大于判别缺陷，进行维护的成本投入，在本领域不具备实际的应用意义。其二、采用海量数据样本通过卷积提取特征进行重复学习并定义样本标签的方式不能够通过实际学习判定的准确性作为后续修正学习方式的依据，也就是说，采用海量数据样本进行学习的样本数量和判定的准确性是不能构成关联关系的，要想达到预设的判别精准度亦无法确定需要学习的样本数量，这对于现有深度学习模型用于实际应用而言是不具有可靠性的。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请GAN数据模型结构框图；

图2是生成器的结构框图；

图3是卷积层的数据处理流程框图；

图4是残差块数据处理流程框图；

图5是判别器的结构框图；

图6是GAN数据模型判别耐张线夹X射线缺陷类别和概率的流程框图；

图7和8是典型缺陷X射线图像。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

实施例1：

本实施例采用具体判别案例来说明本发明所述高压耐张线夹压接缺陷判别的X射线影像分类识别方法识别现有X射线影响缺陷的详细过程，结合说明书附图1-6所示，具体包括以下步骤实现：

在采用本申请所述方法对任一一张需要进行判定的耐张线夹X射线图像或者影像进行判别类别缺陷是否存在，以及如果存在缺陷属于哪一种缺陷之前需要建立并训练用于对未知缺陷的耐张线夹X射线图像进行判别的GAN数据模型。对于GAN数据模型的建立和训练采用下述步骤来实现：

步骤S100以耐张线夹缺陷类型为分类标准按类采集现有耐张线夹缺陷X射线图像，缺陷类型涵盖所有耐张线夹可能存在的缺陷类型，分别为：

钢芯断裂、钢芯断股、防滑槽漏压、防滑槽欠压、钢芯插入深度不足、钢芯压接长度不足、金具损伤、金具弯曲、铝绞线压接长度不足、钢锚管过压接共10种类型缺陷，具体如附图7和图8所示。所述10种缺陷中，图7a为钢芯断裂；图7b-钢芯断股；图7c为防滑槽漏压；图7d为防滑槽欠压；图7e为钢芯插入深度不足；图8a为钢芯压接长度不足；图8b为金具损伤；图8c为金具弯曲；图8d为铝绞线压接长度不足；图8e为钢锚管过压接。

本实施例中每种缺陷类型采集的X射线图像数量为400张，并对每一张图像进行标注，标注信息包括缺陷类型代码和编码以确保样本中每一张真实图像均对应唯一的标注信息。同时将采集的每张耐张线夹缺陷X射线图像进行预处理成256*256像素矩阵，以BMP或FPG格式存储，记为x作为训练的数据样本备用；

步骤S200建立深度卷积生成对抗网络模型，用于生成干扰图像并对真实的图像和生成的干扰图像进行随机判别的对抗网络模型：

所述对抗网络模型包括通过微分函数G表示的生成器：所述生成器通过将真实的耐张线夹缺陷X射线图像x和随机采样一个向量z作为生成器的噪声输入数据，经过所述生成器后生成一个新的假数据，记为G(z)。

所述生成器包括依次设置的卷积层、两层恒等残差块和转置卷积层，以及激活函数Tanh函数；

所述卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1；

所述残差块的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1；

所述转置卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝2；

激活函数：

所述生成器中的转置卷积层与激活函数Tanh之间还分别依次设置有一层残差块和卷积层。所述卷积层对输入的将待判别耐张线夹的X射线影像m以卷积核规模为k＝5*5，步幅s＝1进行卷积操作，并将待判别耐张线夹的X射线影像m生成为：

作为卷积后的数据，公式中：

u的灰度值取值范围是180，

v的灰度值取值范围是180，

δ()函数是修正线性单元(ReLU)激活函数

b(m)是偏差向量，

(m)是权重矩阵；

将所有经过卷积后的数据进行批量归一化处理，再通过激活函数ReLU对被归一化的数据进行非线性化处理。

所述生成器中的所述残差块将上一层卷积层输出的图像数据作为输入值采用卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1进行卷积，并采用批量归一化和激活函数操作后获得的值与输入值求差；若差值为0则输出，若差值不为0则重复上述流程，具体如图4所示。

所述卷积层和残差块中进行均批量归一化为零均值和单位方差：

每批次样本的均值：

每批次样本的方差：

批量归一化过程：

其中输入x∈X＝{x1,…,n}，经过归一化后的响应为{y_i＝BN_ω,b(x_i)}；线性尺度变换和偏移：y_i＝ωX～+b→BN_ω,b(x_i)，并返回学习到的参数ω,b，最后通过激活函数做非线性映射，所述激活函数采用ReLU激活函数，数学表达式为R(z)＝max(0,z)。

以及通过微分函数D表示的判别器：所述判别器用于对生成的图像G(z)和真实图像x的混合数据随机进行真假判断，输出并生成输入图像是真是假的概率分布Fr，以及输入图像缺陷类别的概率分布Fc；如图6所示的缺陷类型和概率分布方式可知，对于任一张判别的图像都会有真假的判别，若并对该判别的图像属于上述10种缺陷类型对应的概率进行分布计算。

步骤S300训练GAN数据模型，这是提高对图像判别准确性至关重要的步骤，同时也是区别于现有深度学习方法，大大缩小训练样本数据库数据的关键步骤。具体原理如下：

首先固定微分函数G，优化微分函数D，使判别器的分类准确率最大；具体是通过固定的微分函数G，即生成器生成含有噪音的假数据图像的方式采用不便的方式，本实施例是以5*5的随机矩阵像素作为特征单元与真实图像按照5*5的矩阵像素特征块进行融合，形成与真实图像相似的虚假数据G(z)，在生成器的参数不便的前提下，生成的虚假数据G(z)的判别难度是保持一致的，此时将相同难度的虚假数据G(z)输入判别器中进行判断该数据的真实性、缺陷情况，以及缺陷类型概览，通过实际真实图像标注信息确定判别器对输入图像判别的正确性，每判别一批图像数据后根据判别精准度和错误类型对微分函数D进行优化，直到最后判别的精度达到预设要求为止，本实施例将精度设置为95％。同理，以相同的方式将已经达到判断精准度要求的微分函数D固定，优化微分函数G，逐步加大难度，缩小特征值的矩阵块，使得原本判别较低难度的微分函数D准确率小于95％，并且随着生成器的微分函数G的逐步优化，判别器的准确率会越来越低，这就是实现真正对抗网络模型的意义，反复的博弈过程。通俗的讲，就是生成器生成难度越大，生成的虚假图像数据与真实图像数据越接近，那么判别器出错的概率就越大，反之，如果判别器判别的准确率越高，说明生成器的生成规则，即微分函数G还需要进一步的优化参数。按照上述方式，每优化一次就提高一次判别器的识别能力，同时，也能提升生成器合成图像更趋近于真实图像的能力。但是优化的周期是按照每批判别的图像而定的，也就是说，每判别一批图像，譬如10张、15张或者20张，就可以优化一次，相当在判别的过程中找到优化的点，指导优化的方向，形成闭环反馈，这就避免了现有技术中采用无休止的学习来判定，缺少了针对性，因此就会需要海量的样本来支撑训练，以提高准确性。通过函数来优化是针对性最好的一种，譬如，判别器对于无序融合的图像判别准确性已经超过95％，当一旦把特征进行90°旋转以后，其他条件不变的情况下，再进行判断，若判别器的准确率存在降低的情况，说明判别器对于特征旋转的改变是需要优化的，以此类推，逐一改变，分批优化。由于生成器和判别器都可以灵活修改，采用现有的激活函数的逻辑都可以对参数进行优化。针对本领域的X射线图像而言，由于是黑白图片，缺陷种类的有限性，缺陷类别的典型性可以将所有可能存在影响判别的噪声加入到生成器中进行训练，这样就可以达到替代认为判别的效果，提高缺陷判别的效率。本实施例中是经特征块进行离散、随机判别训练后进行迭代训练的示例，此时固定生成器，将判别器针对提取特征块参数的灰度值从180调整为220后生成的噪声图像，通过判别器判别前(表1)后(表2)的概率分布。

具体呈现方式如下表1所示：

表1

从表1中可以看出，在判别器进行迭代训练过程中，任一输入一个图像m₀进行判别，由于生成器此时是固定不变的规则生成噪声图像，因此，判别器能够准确无误的判别该输入图像m₁属于噪声图像，但是对于缺陷类型的判别依然存在明显概率分布不集中的情况，即对应缺陷类型的概率没有趋近于1的，每种缺陷类型都有可能，相对集中在钢芯压接长度不足55％的可能性和防滑槽欠压62％的可能性。由于钢芯压接长度不足和防滑槽欠压的X射线图像存在相似之处，因此，判别器判别该二类缺陷的概率较大，其余缺陷的概率均未超过30％。经过15组图像判别之后，概率分布均呈现为概率由高到低前2-3种缺陷的对应概率数值明显高于第4种缺陷。说明判别器尚不能精准判别具体相似的多种缺陷之间的区别。当灰度值提取特征值增加后再将相同的图像m₁第二次输入判别器对第二次输入的图像m₂判断的缺陷类型和对应概率如表2所示：

由表1和表2的对比可知，虽然整体的缺陷类型对应的概率分布值存在差异，但是分布的规律则是完全一致的，说明在生成器生成噪声图像的规则不变的前提下，判别器判别的稳定是是一致的。同时，对应概率最高的钢芯压接长度不足的缺陷概率从优化前的55％提升到59％的可能性；判断为防滑槽欠压缺陷的可能性从62％提升到74％，这说明对于该二类缺陷之间存在特征相似处的问题判别器并未解决，但是优化灰度值后，提升了对应该二类缺陷判别的概率。这就说明针对性优化公式是能够在极为有限的判别样本的前提下较好的提升训练判别效果。同理，由于训练过程需要迭代数百次，每迭代一次都会趋近于认为判断或者预设概率目标。这相对于现有技术中通过海量训练而言，效果更为明显。

本实施例中，所述判别器具体包括依次设置的第一卷积层、第二卷积层、第三卷积层、第四卷积层、全连接层和Sigmoid层；所述第一卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝2；所述第二卷积层的卷积核n＝128，卷积核规模为k＝5*5，步幅s＝2；所述第三卷积层的卷积核n＝256，卷积核规模为k＝3*3，步幅s＝2；所述第四卷积层的卷积核n＝512，卷积核规模为k＝3*3，步幅s＝2；所述全连接层的卷积核n＝1024。

所述判别器中Sigmoid层输出对待判别耐张线夹的X射线影像m是真是假判定的概率分布Fr的计算公式为：

Fr＝[log(r＝s|x)]+E[logP(r＝t|xt)]

对缺陷类别判定的概率分布Fc的计算公式为：

Fc＝[log(C＝c|x)]+E[logP(C＝c|xt)]

其中，x为真实图像数据，xt为生成的假图像数据,其中xt＝G(z,x)；c表示该类缺陷图像的序号数字，即前述的标签信息。

本实施例中训练GAN数据模型中判别器的微分函数D采用的优化公式如下：

所述生成器的优化微分函数G采用的优化公式如下：

经过对生成器和判别器进行循环迭代N＝500次后，确定GAN的目标函数为：

GAN目标函数确定后，最后将待判别耐张线夹的X射线影像m输入目标函数GAN得出对应缺陷类型和对应概率为准确的结论，用于达到替代认为判别的最终效果。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于，包括以下步骤实现：

步骤S100以耐张线夹缺陷类型为分类标准按类采集现有耐张线夹缺陷X射线图像，并将采集的每张耐张线夹缺陷X射线图像进行预处理成256*256像素矩阵，以BMP或FPG格式存储，记为x；

步骤S200建立深度卷积生成对抗网络模型：

所述对抗网络模型包括通过微分函数G表示的生成器：所述生成器通过将真实的耐张线夹缺陷X射线图像x和随机采样一个向量z作为生成器的噪声输入数据，经过所述生成器后生成一个新的假数据，记为G(z)；

以及通过微分函数D表示的判别器：所述判别器用于对生成的图像G(z)和真实图像x的混合数据随机进行真假判断，输出并生成输入图像是真是假的概率分布Fr，以及输入图像缺陷类别的概率分布Fc；

步骤S300训练GAN数据模型：首先固定微分函数G，优化微分函数D，使判别器的分类准确率最大；随后固定微分函数D，优化微分函数G，使判别器的分类准确率最小；迭代循环迭代N次后，当生成数据分布等于真实样本分布时，确定目标函数GAN；

步骤S400将待判别耐张线夹的X射线影像m输入步骤S300的目标函数GAN得出对应缺陷类型和对应概率。

2.根据权利要求1所述的高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于：所述生成器包括依次设置的卷积层、两层恒等残差块和转置卷积层，以及激活函数Tanh函数；

所述卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1；

所述残差块的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1；

所述转置卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝2；

激活函数：

所述转置卷积层与激活函数Tanh之间还分别依次设置有一层残差块和卷积层。

3.根据权利要求2所述的高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于：所述卷积层对输入的将待判别耐张线夹的X射线影像m以卷积核规模为k＝5*5，步幅s＝1进行卷积操作，并将待判别耐张线夹的X射线影像m生成为：

作为卷积后的数据，公式中：

u的灰度值取值范围是{0，…，255}，

v的灰度值取值范围是{0，…，255}，

δ()函数是修正线性单元ReLU激活函数

b(m)是偏差向量，

w(m)是权重矩阵；

将所有经过卷积后的数据进行批量归一化处理，再通过激活函数ReLU对被归一化的数据进行非线性化处理。

4.根据权利要求3所述的高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于：所述残差块将上一层卷积层输出的图像数据作为输入值采用卷积核n＝64，卷积核规模为k＝5*5，步幅s＝1进行卷积，并采用批量归一化和激活函数操作后获得的值与输入值求差；若差值为0则输出，若差值不为0则重复上述流程。

5.根据权利要求4所述的高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于：所述卷积层和残差块中进行均批量归一化为零均值和单位方差：

每批次样本的均值：

每批次样本的方差：

批量归一化过程：

其中输入x∈X＝{x1,…,n}，经过归一化后的响应为{y_i＝BN_ω,b(x_i)}；线性尺度变换和偏移：并返回学习到的参数ω,b，最后通过激活函数做非线性映射，所述激活函数采用ReLU激活函数，数学表达式为R(z)＝max(0,z)。

6.根据权利要求1-5中任一项所述的高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于：所述判别器包括依次设置的第一卷积层、第二卷积层、第三卷积层、第四卷积层、全连接层和Sigmoid层；

所述第一卷积层的卷积核n＝64，卷积核规模为k＝5*5，步幅s＝2；

所述第二卷积层的卷积核n＝128，卷积核规模为k＝5*5，步幅s＝2；

所述第三卷积层的卷积核n＝256，卷积核规模为k＝3*3，步幅s＝2；

所述第四卷积层的卷积核n＝512，卷积核规模为k＝3*3，步幅s＝2；

所述全连接层的卷积核n＝1024。

7.根据权利要求6所述的高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于：所述判别器中Sigmoid层输出对待判别耐张线夹的X射线影像m是真是假判定的概率分布Fr的计算公式为：

Fr＝[log(r＝s|x)]+E[logP(r＝t|xt)]

对缺陷类别判定的概率分布Fc的计算公式为：

Fc＝[log(C＝c|x)]+E[logP(C＝c|xt)]

其中，x为真实图像数据，xt为生成的假图像数据,其中xt＝G(z,x)；c表示当前判断缺陷图像的序号数字。

8.根据权利要求7所述的高压耐张线夹压接缺陷判别的X射线影像分类识别方法，其特征在于：所述步骤S300训练GAN数据模型中判别器的微分函数D采用的优化公式如下：

所述生成器的优化微分函数G采用的优化公式如下：

经过对生成器和判别器进行循环迭代N＝100-500次后，确定GAN的目标函数为：