CN112967177A - 图像生成方法、装置、设备、存储介质以及程序产品 - Google Patents
图像生成方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN112967177A CN112967177A CN202110233520.7A CN202110233520A CN112967177A CN 112967177 A CN112967177 A CN 112967177A CN 202110233520 A CN202110233520 A CN 202110233520A CN 112967177 A CN112967177 A CN 112967177A
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- original
- insulator image
- domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000012212 insulator Substances 0.000 claims abstract description 300
- 230000009466 transformation Effects 0.000 claims abstract description 45
- 239000002131 composite material Substances 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006798 recombination Effects 0.000 claims description 9
- 238000005215 recombination Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims 2
- 230000003416 augmentation Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 18
- 238000004880 explosion Methods 0.000 description 16
- 238000013136 deep learning model Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000002269 spontaneous effect Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008521 reorganization Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像生成方法、装置、设备、存储介质以及程序产品,涉及人工智能领域,具体为计算机视觉和深度学习技术,可用在智能云和电网巡检场景下。该方法的一具体实施方式包括:获取原始绝缘子图像;对原始绝缘子图像进行图像变换,得到合成绝缘子图像;将原始绝缘子图像和合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。该实施方式通过对原始绝缘子图像进行图像变换,然后通过生成对抗网络生成大规模的目标绝缘子图像。
Description
技术领域
本申请实施例涉及人工智能领域,具体为计算机视觉和深度学习技术,可用在智能云和电网巡检场景下。
背景技术
绝缘子是一种工业产品,用于高压和超高压交、直流输电线路中绝缘和悬挂导线用。绝缘子是输电线路的重要组成部分,是唯一的电气绝缘件和重要的结构支撑件,绝缘子性能及其配置的合理性直接影响线路的安全稳定运行。
然而,绝缘子在长期运行中由于种种原因可能会出现自爆问题。因此,对于其自爆位置的自动准确检测具有重要的意义。随着深度学习的发展,利用训练样本集监督深度学习模型的训练,以此自动检测自爆点已经成为了主流方法。目前,通常是对输电线路上的绝缘子进行图像采集,并进行人工标注,以得到训练样本集,用来训练深度学习模型。
发明内容
本申请实施例提出了一种图像生成方法、装置、设备、存储介质以及程序产品。
第一方面,本申请实施例提出了一种图像生成方法,包括:获取原始绝缘子图像;对原始绝缘子图像进行图像变换,得到合成绝缘子图像;将原始绝缘子图像和合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。
第二方面,本申请实施例提出了一种图像生成装置,包括:获取模块,被配置成获取原始绝缘子图像;变换模块,被配置成对原始绝缘子图像进行图像变换,得到合成绝缘子图像;生成模块,被配置成将原始绝缘子图像和合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。
第三方面,本申请实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第五方面,本申请实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的图像生成方法、装置、设备、存储介质以及程序产品,首先获取原始绝缘子图像;然后对原始绝缘子图像进行图像变换,得到合成绝缘子图像;最后将原始绝缘子图像和合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。为了解决绝缘子图像数量不足的问题,提供了一种自动生成绝缘子图像的方法,通过对原始绝缘子图像进行图像变换,然后通过生成对抗网络生成大规模的目标绝缘子图像。原始绝缘子图像具有标注,进而生成的目标绝缘子图像也具有标注。并且,目标绝缘子图像的质量较高,能够加入用于自爆检测的深度学习模型的训练样本集,解决了人工采集和标注的成本问题,有效地推动了基于计算机视觉的绝缘子自爆检测领域的发展。利用包含大规模的目标绝缘子图像的训练样本集训练用于自爆检测的深度学习模型,能够保证深度学习模型的泛化性和通用性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请的图像生成方法的一个实施例的流程图;
图2是根据本申请的图像生成方法的又一个实施例的流程图;
图3是绝缘子区域增强的第一示意图;
图4是绝缘子区域增强的第二示意图;
图5是图像旋转增强的示意图;
图6是图像重组的示意图;
图7是Cycle-GAN的结构示意图;
图8是图像生成方法的流程框图;
图9是根据本申请的图像生成装置的一个实施例的结构示意图;
图10是用来实现本申请实施例的图像生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的图像生成方法的一个实施例的流程100。该图像生成方法包括以下步骤:
步骤101,获取原始绝缘子图像。
在本实施例中,图像生成方法的执行主体可以获取原始绝缘子图像。
其中,绝缘子是一种工业产品,用于高压和超高压交、直流输电线路中绝缘和悬挂导线用。绝缘子是输电线路的重要组成部分,是唯一的电气绝缘件和重要的结构支撑件,绝缘子性能及其配置的合理性直接影响线路的安全稳定运行。目前输电线路采用的绝缘子主要分两大类:一类为应用于耐张串的盘型悬式玻璃绝缘子,另一类为应用于悬垂串和跳线串的棒型悬式复合绝缘子。在长期的运行中,两种类型绝缘子表现出不同的运行性能及特点。
通常,对输电线路上的绝缘子进行图像采集,并对自爆点进行人工标注,即可得到原始绝缘子图像。原始绝缘子图像可以包括绝缘子区域和背景区域。不同原始绝缘子图像中的绝缘子可以具有不同的角度、颜色和方向。不同原始绝缘子图像中的背景可以具有不同的风格。
步骤102,对原始绝缘子图像进行图像变换,得到合成绝缘子图像。
在本实施例中,上述执行主体可以对原始绝缘子图像进行图像变换,得到合成绝缘子图像。
通常,对原始绝缘子图像进行各种图像变换,可以丰富具有不同特点的合成绝缘子图像的数量。图像变换可以包括但不限于图像增强、图像重组等等。
其中,图像增强可以增强图像中的有用信息,通过一定手段对图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征,使图像与视觉响应特性相匹配。图像重组是将已有的各层面中的有关显示数据取出来,重新组合为新的层面的图像。
步骤103,将原始绝缘子图像和合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。
在本实施例中,上述执行主体可以将原始绝缘子图像和合成绝缘子图像输入至预先训练的GAN(Generative Adversarial Networks,生成对抗网络),生成目标绝缘子图像。
在图像生成领域,GAN发挥着非常重要的作用。GAN网络主要由生成器G(Generator)和判别器D(Discriminator)两部分组成。其中,生成器G是一个生成图像的网络,它接收一个随机的噪声z,通过这个噪声z生成图像,记做G(z)。判别器D是一个判别网络,判别一张图像是不是“真实的”。它的输入参数是x,x代表一张图像,输出D(x)代表图像x为真实图像的概率。如果D(x)为1,就代表100%是真实图像,而D(x)为0,就代表不可能是真实图像。在训练过程中,生成器G的目标就是尽量生成真实图像去欺骗判别器D。而判别器D的目标就是尽量把生成器G生成的图像和真实图像分别开来。这样,生成器G和判别器D构成了一个动态的“博弈过程”。在最理想的状态下,生成器G可以生成足以“以假乱真”的图像G(z)。对于判别器D来说,它难以判定生成器G生成的图像究竟是不是真实的,因此D(G(z))=0.5。这样,得到了一个生成器的模型G,它可以用来生成图像。GAN的损失函数如下:
其中,GAN的损失函数由两项构成。x表示真实图像,z表示输入生成器G的噪声,而G(z)表示生成器G生成的图像。D(x)表示判别器D判断真实图像是否真实的概率。因为x就是真实的,所以对于D来说,这个值越接近1越好。而D(G(z))是判别器D判断生成器G生成的图像的是否真实的概率。
由于通过图像变换得到的合成绝缘子图像有较为明显的痕迹。并且,合成绝缘子图像的背景风格较为单一,比如光照和天气条件等较为固定。若直接利用合成绝缘子图像训练深度学习模型,会导致深度学习模型的鲁棒性较差。因此,选择GAN对合成绝缘子图像进行进一步处理,能够生成更加真实的图像,并实现图像的风格迁移。
本申请实施例提供的图像生成方法,首先获取原始绝缘子图像;然后对原始绝缘子图像进行图像变换,得到合成绝缘子图像;最后将原始绝缘子图像和合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。为了解决绝缘子图像数量不足的问题,提供了一种自动生成绝缘子图像的方法,通过对原始绝缘子图像进行图像变换,然后通过生成对抗网络生成大规模的目标绝缘子图像。原始绝缘子图像具有标注,进而生成的目标绝缘子图像也具有标注。并且,目标绝缘子图像的质量较高,能够加入用于自爆检测的深度学习模型的训练样本集,解决了人工采集和标注的成本问题,有效地推动了基于计算机视觉的绝缘子自爆检测领域的发展。利用包含大规模的目标绝缘子图像的训练样本集训练用于自爆检测的深度学习模型,能够保证深度学习模型的泛化性和通用性。
本申请实施例提供的图像生成方法,仅需利用少量原始绝缘子图像,即可自动生成大规模目标绝缘子图像,扩充了深度学习模型的训练样本集。数据合成过程中记录了绝缘子和自爆点的位置,无需再进行人工标注,降低了标注成本且准确率高。生成的目标绝缘子图像具有更丰富的尺度、旋转和背景信息,有利于提高模型的鲁棒性和泛化性。
本申请实施例提供的图像生成方法能够生成大规模的目标绝缘子图像。例如,若有40张原始绝缘子图像,通过本申请实施例提供的图像生成方法生成得到的目标绝缘子图像的数量能够达到5000张。利用包含40张原始绝缘子图像和5000张目标绝缘子图像的训练样本集进行绝缘子自爆识别模型的训练,提高了模型的检测准确率。
继续参考图2,图2示出了根据本申请的图像生成方法的一个实施例的流程200。该图像生成方法包括以下步骤:
步骤201,获取原始绝缘子图像。
在本实施例中,步骤201具体操作已在图1所示的实施例中步骤101进行了详细的介绍,在此不再赘述。
步骤202,对原始绝缘子图像进行图像增强,得到合成绝缘子图像。
在本实施例中,图像生成方法的执行主体可以对原始绝缘子图像进行图像增强,得到合成绝缘子图像。其中,图像增强可以增强图像中的有用信息,通过一定手段对图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征,使图像与视觉响应特性相匹配。传统图像增强算法可以包括但不限于图像的上采样、下采样、平移、翻转、旋转等。对原始绝缘子图像进行图像增强,可以丰富具有不同特点的合成绝缘子图像的数量。
在本实施例的一些可选的实现方式中,原始绝缘子图像的场景多是郊外,图像背景较为稳定,图像的多样性主要集中在绝缘子区域。由于拍摄角度和位置的不同,在相同背景下,绝缘子往往呈现出不同的形态和方向,因此对绝缘子区域进行变换即可实现图像增强。其中,绝缘子区域变换步骤包括:
首先,对原始绝缘子图像进行分割,得到绝缘子区域和背景区域。
通常,原始绝缘子图像中标注有绝缘子区域,按照标注可以在原始绝缘子图像中分割出绝缘子区域。
然后,对绝缘子区域进行变换,得到变换后的绝缘子区域。
其中,对绝缘子区域的变换可以包括但不限于以下至少一项:随机剪裁和尺度变换、中心对称变换等。随机剪裁和尺度变换可以使合成绝缘子图像拥有更加丰富的目标尺度。中心对称变换可以使目标具有多个丰富的方向信息。
最后,将变换后的绝缘子区域与背景区域拼接,得到合成绝缘子图像。
为了便于理解,图3示出了绝缘子区域增强的第一示意图。如图3所示,首先从原始绝缘子图像301中分割出绝缘子区域302;然后对绝缘子区域302进行随机剪裁和尺度变换,得到变换后的绝缘子图像303;最后将变换后的绝缘子图像303放回原始绝缘子图像301中对应位置,得到目标绝缘子图像304。
为了便于理解,图4示出了绝缘子区域增强的第二示意图。如图4所示,首先按照标注从原始绝缘子图像401中分割出绝缘子区域402;然后对绝缘子区域402进行中心对称变换,得到变换后的绝缘子图像403;最后将变换后的绝缘子图像403放回原始绝缘子图像401中对应位置,得到目标绝缘子图像404。
在本实施例的一些可选的实现方式中,原始绝缘子图像通常是无人机从高空俯拍得到,图像中的绝缘子存在多种角度,因此对图像进行旋转即可实现图像增强。其中,图像旋转步骤包括:
首先,随机选取旋转角度。
通常,可以设定多个角度区间,在每个角度区间内进行随机采样,即可得到旋转角度。其中,多个角度区间预先设定,且互不重叠。
然后,随机确定旋转方向。
其中,旋转方向可以包括但不限于逆时针旋转、顺时针旋转等等。
最后,按照旋转方向将原始绝缘子图像旋转上述旋转角度,得到合成绝缘子图像。
在不同的角度区间内,都可以合成大量的绝缘子图像。同时,保证了各个角度的均匀性,降低了模型过拟合的风险,大大提高了模型的旋转不变性以及泛化性能。
为了便于理解,图5示出了图像旋转增强的示意图。如图5所示,首先设定6个角度区间,分别为0-20度,20-40度,40-60度,60-80度,80-100度,100-120度;然后在每个区间内进行随机采样,作为旋转度数,以及随机决定旋转方向。最后按照旋转方向和旋转角度旋转原始绝缘子图像501,得到合成绝缘子图像502、503、504、505、506、507。
步骤203,对原始绝缘子图像进行图像重组,得到合成绝缘子图像。
在本实施例中,上述执行主体可以对原始绝缘子图像进行图像重组,得到合成绝缘子图像。其中,图像重组是将已有的各层面中的有关显示数据取出来,重新组合为新的层面的图像。对原始绝缘子图像进行图像重组,可以丰富具有不同特点的合成绝缘子图像的数量。对原始绝缘子图像进行图像重组,可以大大增加合成绝缘子图像的数量和特征的丰富度,对模型的训练具有很大的帮助。
在本实施例的一些可选的实现方式中,绝缘子和背景的关系相对独立,因此对原始绝缘子图像的绝缘子和背景自由组合,即可实现图像重做。其中,图像重组步骤包括:
首先,从原始绝缘子图像中的第一原始绝缘子图像中提取目标区域。
其中,目标区域可以是第一原始绝缘子图像的任意区域,可以是部分绝缘子区域,也可以是部分背景区域。
然后,对目标区域进行尺度变换。
最后,将变换后的目标区域融合到原始绝缘子图像中的第二原始绝缘子图像中,得到合成绝缘子图像。
其中,第一原始绝缘子图像和第二原始绝缘子图像是不同的原始绝缘子图像。
为了便于理解,图6示出了绝缘子图像重组的示意图。如图6所示,首先从第一原始绝缘子图像601中提取目标区域;然后对目标区域602进行尺度变换,得到变换后的目标区域602。最后,将变换后的目标区域602融合到第二原始绝缘子图像603中,得到合成绝缘子图像604。
步骤204,将原始绝缘子图像和合成绝缘子图像输入至循环生成对抗网络,将合成绝缘子图像转化到原始绝缘子图像的域,生成目标绝缘子图像。
在本实施例中,将原始绝缘子图像和合成绝缘子图像输入至Cycle-GAN(CycleGenerative Adversarial Networks,循环生成对抗网络),将合成绝缘子图像转化到原始绝缘子图像的域,生成目标绝缘子图像。
不同于传统的GAN,Cycle-GAN的输入可以是任意的两张图像,让两个定义域的图像互相转化。这里,可以将原始绝缘子图像和合成绝缘子图像看成两个定义域的输入,通过Cycle-GAN,合成绝缘子图像可以转化到原始绝缘子图像的域,解决了真实图像和生成图像的定义域差异,并实现了图像的风格迁移。
实践中,绝缘子在长期运行中由于种种原因可能会出现自爆问题。对绝缘子的自爆位置进行自动准确检测具有重要的意义。随着深度学习的发展,利用训练样本集监督深度学习模型的训练,以此自动检测自爆点已经成为了主流方法。一般来讲,为保证自助结算的性能,需要大量绝缘子以及自爆点的图像进行深度学习模型的训练,来保障模型的泛化性和通用性。由于人工采集的原始绝缘子图像的数量极为有限,因此需要利用Cycle-GAN生成大规模的目标绝缘子图像,加入训练样本集。这样,就大大扩充了训练样本集的样本量和丰富度,有效提高了深度学习模型的性能。并且,利用Cycle-GAN,能够使图像变换的结果更加自然,并实现了图像风格的转变,从而使生成的目标绝缘子图像更加真实。
通常,Cycle-GAN是一个环形的结构,主要由两个生成器及两个判别器组成。为了便于理解,图7示出了Cycle-GAN的结构示意图。如图7所示,Cycle-GAN包括生成器G、生成器F、判别器Dx和判别器Dy。X域的输入图像x通过生成器G生成Y域的图像再通过生成器F重构回X域的输入图像Y域的输入图像y通过生成器F生成X域的图像再通过生成器G重构回Y域的输入图像判别器Dx用于对X域的图像进行判别,判别器Dy用于对Y域的图像进行判别。从而确保图像的风格迁移。在风格转换的同时,又要确保图像中的物体的几何形状和空间关系不发生变化。其中,Cycle-GAN的损失函数是循环一致损失函数(cycle-consistency loss)。
从图2中可以看出,与图1对应的实施例相比,本实施例中的图像生成方法突出了图像变换和图像生成的步骤。由此,本实施例描述的方案对原始绝缘子图像进行图像增强和图像重组,可以丰富具有不同特点的合成绝缘子图像的数量。通过循环生成对抗网络对其进行渲染和风格迁移,能够生成大规模的目标绝缘子图像。
为了便于理解,图8示出了图像生成方法的流程框图。如图8所示,首先对原始绝缘子图像进行图像增强和图像重组。其中,图像增强包括随机裁剪和尺度变换,以及中心对称变换。然后,将图像增强和图像重组的结果输入到Cycle-GAN进行风格迁移,即可得到目标绝缘子图像。Cycle-GAN的输入是两个无关的图像,将图像变换前后的图像作为输入,使变换后的图像更加自然,有利于提升模型的鲁棒性和泛化性。
进一步参考图9,作为对上述各图所示方法的实现,本申请提供了一种图像生成装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图9所示,本实施例的图像生成装置900可以包括:获取模块901、变换模块902和生成模块903。其中,获取模块901,被配置成获取原始绝缘子图像;变换模块902,被配置成对原始绝缘子图像进行图像变换,得到合成绝缘子图像;生成模块903,被配置成将原始绝缘子图像和合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。
在本实施例中,图像生成装置900中:获取模块901、变换模块902和生成模块903的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-103的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,变换模块902包括:增强子模块,被配置成对原始绝缘子图像进行图像增强,得到合成绝缘子图像;和/或重组子模块,被配置成对原始绝缘子图像进行图像重组,得到合成绝缘子图像。
在本实施例的一些可选的实现方式中,增强子模块进一步被配置成:对原始绝缘子图像进行分割,得到绝缘子区域和背景区域;对绝缘子区域进行变换,得到变换后的绝缘子区域;将变换后的绝缘子区域与背景区域拼接,得到合成绝缘子图像。
在本实施例的一些可选的实现方式中,对绝缘子区域的变换包括以下至少一项:随机剪裁和尺度变换、中心对称变换。
在本实施例的一些可选的实现方式中,重组子模块包括:选取单元,被配置成随机选取旋转角度;确定单元,被配置成随机确定旋转方向;旋转单元,被配置成按照旋转方向将原始绝缘子图像旋转旋转角度,得到合成绝缘子图像。
在本实施例的一些可选的实现方式中,选取单元进一步被配置成:在多个角度区间内进行随机采样,得到旋转角度,其中,多个角度区间预先设定,且互不重叠。
在本实施例的一些可选的实现方式中,重组子模块进一步被配置成:从原始绝缘子图像中的第一原始绝缘子图像中提取目标区域;对目标区域进行尺度变换;将变换后的目标区域融合到原始绝缘子图像中的第二原始绝缘子图像中,得到合成绝缘子图像,其中,第一原始绝缘子图像和第二原始绝缘子图像是不同的原始绝缘子图像。
在本实施例的一些可选的实现方式中,生成对抗网络是循环生成对抗网络;以及生成模块进一步被配置成:将原始绝缘子图像和合成绝缘子图像输入至循环生成对抗网络,将合成绝缘子图像转化到原始绝缘子图像的域,生成目标绝缘子图像。
在本实施例的一些可选的实现方式中,循环生成对抗网络包括生成器G、生成器F、判别器Dx和判别器Dy,X域的输入图像通过生成器G生成Y域的图像,再通过生成器F重构回X域的输入图像,Y域的输入图像通过生成器F生成X域的图像,再通过生成器G重构回Y域的输入图像,判别器Dx用于对X域的图像进行判别,判别器Dy用于对Y域的图像进行判别。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如图像生成方法。例如,在一些实施例中,图像生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的图像生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种图像生成方法,包括:
获取原始绝缘子图像;
对所述原始绝缘子图像进行图像变换,得到合成绝缘子图像;
将所述原始绝缘子图像和所述合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。
2.根据权利要求1所述的方法,其中,所述对所述原始绝缘子图像进行图像变换,得到合成绝缘子图像,包括:
对所述原始绝缘子图像进行图像增强,得到所述合成绝缘子图像;和/或
对所述原始绝缘子图像进行图像重组,得到所述合成绝缘子图像。
3.根据权利要求2所述的方法,其中,所述对所述原始绝缘子图像进行图像增强,得到所述合成绝缘子图像,包括:
对所述原始绝缘子图像进行分割,得到绝缘子区域和背景区域;
对所述绝缘子区域进行变换,得到变换后的绝缘子区域;
将所述变换后的绝缘子区域与所述背景区域拼接,得到所述合成绝缘子图像。
4.根据权利要求3所述的方法,其中,对所述绝缘子区域的变换包括以下至少一项:随机剪裁和尺度变换、中心对称变换。
5.根据权利要求2所述的方法,其中,所述对所述原始绝缘子图像进行图像增强,得到所述合成绝缘子图像,包括:
随机选取旋转角度;
随机确定旋转方向;
按照所述旋转方向将所述原始绝缘子图像旋转所述旋转角度,得到所述合成绝缘子图像。
6.根据权利要求5所述的方法,其中,所述随机选取旋转角度,包括:
在多个角度区间内进行随机采样,得到所述旋转角度,其中,所述多个角度区间预先设定,且互不重叠。
7.根据权利要求1所述的方法,其中,所述对所述原始绝缘子图像进行图像重组,得到所述合成绝缘子图像,包括:
从所述原始绝缘子图像中的第一原始绝缘子图像中提取目标区域;
对所述目标区域进行尺度变换;
将变换后的目标区域融合到所述原始绝缘子图像中的第二原始绝缘子图像中,得到所述合成绝缘子图像,其中,所述第一原始绝缘子图像和所述第二原始绝缘子图像是不同的原始绝缘子图像。
8.根据权利要求1所述的方法,其中,所述生成对抗网络是循环生成对抗网络;以及
所述将所述原始绝缘子图像和所述合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像,包括:
将所述原始绝缘子图像和所述合成绝缘子图像输入至所述循环生成对抗网络,将所述合成绝缘子图像转化到所述原始绝缘子图像的域,生成所述目标绝缘子图像。
9.根据权利要求8所述的方法,其中,所述循环生成对抗网络包括生成器G、生成器F、判别器Dx和判别器Dy,X域的输入图像通过所述生成器G生成Y域的图像,再通过所述生成器F重构回所述X域的输入图像,所述Y域的输入图像通过所述生成器F生成X域的图像,再通过所述生成器G重构回所述Y域的输入图像,所述判别器Dx用于对所述X域的图像进行判别,所述判别器Dy用于对所述Y域的图像进行判别。
10.一种图像生成装置,包括:
获取模块,被配置成获取原始绝缘子图像;
变换模块,被配置成对所述原始绝缘子图像进行图像变换,得到合成绝缘子图像;
生成模块,被配置成将所述原始绝缘子图像和所述合成绝缘子图像输入至预先训练的生成对抗网络,生成目标绝缘子图像。
11.根据权利要求10所述的装置,其中,所述变换模块包括:
增强子模块,被配置成对所述原始绝缘子图像进行图像增强,得到所述合成绝缘子图像;和/或
重组子模块,被配置成对所述原始绝缘子图像进行图像重组,得到所述合成绝缘子图像。
12.根据权利要求11所述的装置,其中,所述增强子模块进一步被配置成:
对所述原始绝缘子图像进行分割,得到绝缘子区域和背景区域;
对所述绝缘子区域进行变换,得到变换后的绝缘子区域;
将所述变换后的绝缘子区域与所述背景区域拼接,得到所述合成绝缘子图像。
13.根据权利要求12所述的装置,其中,对所述绝缘子区域的变换包括以下至少一项:随机剪裁和尺度变换、中心对称变换。
14.根据权利要求11所述的装置,其中,所述增强子模块包括:
选取单元,被配置成随机选取旋转角度;
确定单元,被配置成随机确定旋转方向;
旋转单元,被配置成按照所述旋转方向将所述原始绝缘子图像旋转所述旋转角度,得到所述合成绝缘子图像。
15.根据权利要求14所述的装置,其中,所述选取单元进一步被配置成:
在多个角度区间内进行随机采样,得到所述旋转角度,其中,所述多个角度区间预先设定,且互不重叠。
16.根据权利要求10所述的装置,其中,所述重组子模块进一步被配置成:
从所述原始绝缘子图像中的第一原始绝缘子图像中提取目标区域;
对所述目标区域进行尺度变换;
将变换后的目标区域融合到所述原始绝缘子图像中的第二原始绝缘子图像中,得到所述合成绝缘子图像,其中,所述第一原始绝缘子图像和所述第二原始绝缘子图像是不同的原始绝缘子图像。
17.根据权利要求10所述的装置,其中,所述生成对抗网络是循环生成对抗网络;以及
所述生成模块进一步被配置成:
将所述原始绝缘子图像和所述合成绝缘子图像输入至所述循环生成对抗网络,将所述合成绝缘子图像转化到所述原始绝缘子图像的域,生成所述目标绝缘子图像。
18.根据权利要求17所述的装置,其中,所述循环生成对抗网络包括生成器G、生成器F、判别器Dx和判别器Dy,X域的输入图像通过所述生成器G生成Y域的图像,再通过所述生成器F重构回所述X域的输入图像,所述Y域的输入图像通过所述生成器F生成X域的图像,再通过所述生成器G重构回所述Y域的输入图像,所述判别器Dx用于对所述X域的图像进行判别,所述判别器Dy用于对所述Y域的图像进行判别。
19.一种电子设备,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能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233520.7A CN112967177B (zh) | 2021-03-03 | 2021-03-03 | 图像生成方法、装置、设备、存储介质以及程序产品 |
EP21192749.6A EP3920145A3 (en) | 2021-03-03 | 2021-08-24 | Method and apparatus for generating image, device, storage medium and program product |
US17/412,435 US20210383520A1 (en) | 2021-03-03 | 2021-08-26 | Method and apparatus for generating image, device, storage medium and program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233520.7A CN112967177B (zh) | 2021-03-03 | 2021-03-03 | 图像生成方法、装置、设备、存储介质以及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967177A true CN112967177A (zh) | 2021-06-15 |
CN112967177B CN112967177B (zh) | 2022-12-27 |
Family
ID=76276702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110233520.7A Active CN112967177B (zh) | 2021-03-03 | 2021-03-03 | 图像生成方法、装置、设备、存储介质以及程序产品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210383520A1 (zh) |
EP (1) | EP3920145A3 (zh) |
CN (1) | CN112967177B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689517A (zh) * | 2021-09-08 | 2021-11-23 | 云南大学 | 一种多尺度通道注意力网络的图像纹理合成方法及系统 |
CN115439845A (zh) * | 2022-08-02 | 2022-12-06 | 北京邮电大学 | 基于图神经网络的图像外推方法、装置、存储介质及终端 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129092A (zh) * | 2023-04-18 | 2023-05-16 | 中科星图测控技术股份有限公司 | 一种基于WebGL技术的海量空间目标可视化系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020040734A1 (en) * | 2018-08-21 | 2020-02-27 | Siemens Aktiengesellschaft | Orientation detection in overhead line insulators |
CN111862078A (zh) * | 2020-07-31 | 2020-10-30 | 嘉应学院 | 一种基于深度学习的电力巡检智能缺陷检测方法 |
CN111862013A (zh) * | 2020-07-08 | 2020-10-30 | 湘潭大学 | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 |
-
2021
- 2021-03-03 CN CN202110233520.7A patent/CN112967177B/zh active Active
- 2021-08-24 EP EP21192749.6A patent/EP3920145A3/en not_active Withdrawn
- 2021-08-26 US US17/412,435 patent/US20210383520A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020040734A1 (en) * | 2018-08-21 | 2020-02-27 | Siemens Aktiengesellschaft | Orientation detection in overhead line insulators |
CN111862013A (zh) * | 2020-07-08 | 2020-10-30 | 湘潭大学 | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 |
CN111862078A (zh) * | 2020-07-31 | 2020-10-30 | 嘉应学院 | 一种基于深度学习的电力巡检智能缺陷检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689517A (zh) * | 2021-09-08 | 2021-11-23 | 云南大学 | 一种多尺度通道注意力网络的图像纹理合成方法及系统 |
CN113689517B (zh) * | 2021-09-08 | 2024-05-21 | 云南大学 | 一种多尺度通道注意力网络的图像纹理合成方法及系统 |
CN115439845A (zh) * | 2022-08-02 | 2022-12-06 | 北京邮电大学 | 基于图神经网络的图像外推方法、装置、存储介质及终端 |
CN115439845B (zh) * | 2022-08-02 | 2023-05-02 | 北京邮电大学 | 基于图神经网络的图像外推方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
EP3920145A3 (en) | 2022-03-23 |
US20210383520A1 (en) | 2021-12-09 |
CN112967177B (zh) | 2022-12-27 |
EP3920145A2 (en) | 2021-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967177B (zh) | 图像生成方法、装置、设备、存储介质以及程序产品 | |
US20230206396A1 (en) | Image super-resolution reconstructing | |
JP7376006B2 (ja) | 駆動可能3dキャラクター生成方法、装置、電子機器、及び記憶媒体 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN112861825B (zh) | 模型训练方法、行人再识别方法、装置和电子设备 | |
CN113657397A (zh) | 循环生成网络模型的训练方法、建立字库的方法和装置 | |
JP2023527615A (ja) | 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム | |
CN111861867A (zh) | 图像背景虚化方法和装置 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN108985421A (zh) | 编码信息的生成方法和识别方法 | |
US11836836B2 (en) | Methods and apparatuses for generating model and generating 3D animation, devices and storage mediums | |
CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114581794A (zh) | 地理数字孪生信息获取方法、装置、电子设备及存储介质 | |
CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
CN113240780B (zh) | 生成动画的方法和装置 | |
CN115409951A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115457365A (zh) | 一种模型的解释方法、装置、电子设备及存储介质 | |
CN115082624A (zh) | 一种人体模型构建方法、装置、电子设备及存储介质 | |
US20230040195A1 (en) | Three-dimensional point cloud identification device, learning device, three-dimensional point cloud identification method, learning method and program | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN114564606A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN113570607B (zh) | 目标分割的方法、装置及电子设备 | |
CN115331077B (zh) | 特征提取模型的训练方法、目标分类方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |