CN112183191A - 一种基于对抗训练的检测输电线路中鸟巢的方法 - Google Patents

Abstract

本发明涉种一种基于对抗训练的检测输电线路中鸟巢的方法，包括下面几个方面：搭建网络结构，网络结构有两个主要部分。第一个是生成对抗网络，对抗训练的目标是在具有高位参数的连续问题中找到纳什平衡，生成器能够生成足够接近真实样本的数据，鉴别器能够分辨出生成器生成的图片和原图，使用三个生成器和两个判别器。第二个是CNN结构的二分类器。数据集的构建。训练检测模型：设置模型的参数，包括迭代次数，卷积核尺寸，具体操作时，将图片放入指定的文件夹，开始训练，训练指定步数后，完成训练。用测试模型对要测试的图片进行分类。在训练完成后，只需要网络结构中的判别器，将待检测的图片送入判别进行分类，得到有无鸟巢的结果，对应分类结果将图片保存至对应的文件夹。

Description

一种基于对抗训练的检测输电线路中鸟巢的方法

技术领域

本发明属于遥感影像领域，涉及一种基于深度学习技术的无人机巡检航拍图像中识别鸟巢的方法。

背景技术

近年来，随着人类加强对大自然的保护，鸟类的数量增多，活动范围扩大。有统计资料表明，由于鸟类活动引起的线路故障仅次于雷害和外力破坏，占线路故障总数的第3位，已经严重危害了输电线路的安全运行。因此，在鸟害故障形成机理和防治对策的研究方面要投入更多时间和精力，使得该类故障可预防和监测，减小其对输电线路的安全运行的影响。

为了满足电力系统工程应用中的迫切需求，在输电线路发生故障后要通过技术手段精准测量定位、精确诊断分析，以达到快速消除故障、恢复输电线路供电。目前输电线路故障定位主要依赖两种定位方法，即阻抗法和行波法。阻抗法是根据设备故障的参数信息计算故障回路的阻抗来确定故障点，这种方法在实际运用中测距效果较差，很难满足复杂的输电线路的故障定位；行波法是通过分析故障行波的传输理论和特征完成定位分析，定位结果的准确度高，应用范围广。在输电线路故障原因的识别方面，国内还没有直接有效的研究成果能实现快速准确的故障源辨识。大多数情况下是依靠工作人员的经验来判断故障原因，可靠性低，尤其对鸟害、树障、漂浮物等非雷击故障的判断结果偏差极大，输电线路的安全运行很难得到有效保证。所以通过无人机或直升机进行自动巡检成为了未来的趋势[1]。

在输电线路的鸟巢检测中，正常与异常样本的数据量相差悬殊。因其数据不平衡性，使用常用图像分类方法如卷积神经网络和支持向量机等对其进行分类效果并不理想。

对抗训练是生成对抗网络的训练方法，生成对抗网络提供了一种通过无监督学习获得深度表征的方法，通过反向传播算法和不断更新两个网络并执行竞争性学习达到其训练目的。其在之前已经被证明可以生成足够逼真的图像，在图像合成、视频检测、图像语义解释、图像超分辨率恢复中都取得了非常不错的成果。生成对抗网络的优点如下：

(1)有别于传统的概率生成模型，生成对抗网络避免了马尔科夫链式的设计机制降低了计算的复杂度，提高了应用效率[2-4]。

(2)当概率密度不可计算时，传统的模型难以进行训练学习和使用，而生成对抗网络因为使用了对抗训练的机制，所以在这种情况下依然可以使用。

[1]陈志威，余盛达，王禄庆，林玉妮.输电线路鸟害故障的智能诊断与防范措施.机电工程技术。2019(48):162-167

[2]Dai Z H,Yang Z L,Yang F,et al.Good semi-supervised learning thatrequires a bad gan.2017.

[3]Shrivastava A,Pfister T,Tuzel O,et al.Learning from simulated andunsupervised images through adversarial training.2017.

[4]Li J,Monroe W,Shi T,et al.Adversarial learning for neural dialoguegeneration.2017.

发明内容

本发明基于深度学习中单分类的思想的方法对无人机所拍图片中出现鸟巢的地理位置进行确定，找出鸟巢的具体地区，可减轻工作量，并能更快地定位问题、发现问题和解决问题。技术方案如下：

一种基于对抗训练的检测输电线路中鸟巢的方法，包括下面几个方面：

1)搭建网络结构，网络结构有两个主要部分。第一个是生成对抗网络，对抗训练的目标是在具有高位参数的连续问题中找到纳什平衡，生成器能够生成足够接近真实样本的数据，鉴别器能够分辨出生成器生成的图片和原图，使用三个生成器和两个判别器。第二个是CNN结构的二分类器。

2)数据集的构建：明所用的训练集均为实拍的输电线路图像，训练集为包含鸟巢的图片，测试集为包含鸟巢的图片和不包含鸟巢的图片。

3.训练检测模型：设置模型的参数，包括迭代次数，卷积核尺寸，具体操作时，将图片放入指定的文件夹，开始训练，训练指定步数后，完成训练。

4.用测试模型对要测试的图片进行分类。在训练完成后，只需要网络结构中的判别器，将待检测的图片送入判别进行分类，得到有无鸟巢的结果，对应分类结果将图片保存至对应的文件夹。

附图说明

附图1对抗训练网络结构

附图2对抗训练的检测率

具体实施方式

为使本发明的技术方案更加清楚，下面结合附图对本发明具体实施方式做进一步地描述。

1.搭建网络结构。

运用对抗训练的方式，生成对抗网络是基于博弈模型的，其中生成器必须与其对手鉴别器竞争。生成器需要生成符合原始样本分布的假样本,判别模型尝试区分生成器生成的样本(假样本)和训练数据中抽取的样本(真样本)。生成对抗网络(GANs)是一种生成模型，生成器尝试了解真实数据样本的特征分布,并生成新的数据样本作为异常样本。鉴别器和分类器的结构类似，也是CNN结构，判别输入是真实数据还是生成的样本。在本方案中，生成器的主体是一个去噪自编码器对加噪图像做复原；生成器使用CNN网络。优化过程是极小极大博弈问题,优化目标是分类器的分类效果可以达到需求。

生成对抗网络由一个生成器G和一个鉴别器D构成，生成器G负责将采样于先验分布于p_z(z)的随机噪声z映射成类似于真实数据分布p_data(x)的生成数据分布p_G(z)；鉴别器D可以看成是将数据映射到判别概率的函数:D(x)→(0,1)，其被训练用于输入的数据是来自于真实数据分布p_data(x)还是生成数据分布p_G(z)。G和D在相互对抗训练的过程中，分别不断提高自己的生成能力和判别能力，直到p_G(z)足以完美匹配p_data(x)，则鉴别器将会对所有输入给出0.5的概率值，此时，两者也达到了一个动态的纳什均衡。可以将这样的训练任务看作是损失函数V(D，G)的极大极小博弈。数学表达如下：

其中x为原始图片，G为生成器，D为辨别器，z为噪声。

2.数据集的构建

将获得的数据集分别对应放在指定的文件夹、标明类别，进行训练。

3.训练检测模型。

根据鸟巢图片的特点设置参数，使训练效果更加理想。考虑到鸟巢图片数据集较少的特点，为了提高系统的鲁棒性和实际使用难度，使用基于生成对抗网络的方法实现单分类的训练。

训练过程一共分为两个大部分：第一部分为训练网络中的分类器C，第二部分进行生成器和鉴别器的对抗训练。

首先，将除却分类器的其余网络结构固定不动，使用通过重建后的原图，和生成器产生的特殊样本进行训练，使分类器拥有一定的分类能力。在这一步中，将原图和生成图片按照真实情况标记。

待第一步训练完成后，将分类器C固定不动，将网络中的其余生成器和鉴别器进行对抗训练。其中包括三个生成器和两个判别器(图1)。三个生成器的功能分别:从随机高斯噪声中生成图片、从噪声的抽样中生成图片、从预先加噪的原图中恢复出原图。两个鉴别器分别为图像的判别器(D_v)和特征空间的判别器(D_l)。其中D_v判别的是由抽样噪声生成的图片和原图之间进行判别；D_l判别的是由加噪图片在特征空间的映射和抽样噪声本身之间进行判别。

在此过程中，先进行的是训练D_v和D_l，训练的目的是缩小生成图片与原图之间的分布距离，方式是最小化损失函数：l_latent+l_visual：

其中，En为自编码器，De为解码器，n为标准高斯噪声，s为噪声抽样。之后对噪声抽样方法进行优化，具体手段为从抽样噪声中恢复的图像使用分类器C训练提升抽样效果。

在最后进行生成器的优化过程，将图像输送进自编码器进行训练除了使用到之前的D_v和D_l以外为了与生成器产生对抗训练，故标签反标。同时还使用了MSELoss：

l_mse＝||x-De(l₁)||² (4)

其中x为原图、l₁为噪声。这一项的目的是在生成器的角度缩小生成图片与原始图片中的距离，最后总的损失函数为10×l_MSE+l_visual+l_latent。总体实现了缩小生成图片和原始图片中分布之间的差距，也实现了对抗的效果。

5.对实验数据的处理结果，呈现如下：

实验结果：在训练末期，出现准确度的峰值，在整体过程中浮动较大，体现了对抗训练的效果，后期准确度仍在上升，体现了对抗训练在鸟巢检测上优势很大，在真实应用时，使用更大的数据集和更长的训练时间，可以达到更好的效果。具体的AUC效果如图2。

Claims (1)

1.一种基于对抗训练的检测输电线路中鸟巢的方法，包括下面几个方面：

1)搭建网络结构，网络结构有两个主要部分。第一个是生成对抗网络，对抗训练的目标是在具有高位参数的连续问题中找到纳什平衡，生成器能够生成足够接近真实样本的数据，鉴别器能够分辨出生成器生成的图片和原图，使用三个生成器和两个判别器。第二个是CNN结构的二分类器。

2)数据集的构建：明所用的训练集均为实拍的输电线路图像，训练集为包含鸟巢的图片，测试集为包含鸟巢的图片和不包含鸟巢的图片。

3.训练检测模型：设置模型的参数，包括迭代次数，卷积核尺寸，具体操作时，将图片放入指定的文件夹，开始训练，训练指定步数后，完成训练。

4.用测试模型对要测试的图片进行分类。在训练完成后，只需要网络结构中的判别器，将待检测的图片送入判别进行分类，得到有无鸟巢的结果，对应分类结果将图片保存至对应的文件夹。

Images