CN113284086A - 电力稀缺缺陷图像生成及检测方法、装置及相关设备 - Google Patents
电力稀缺缺陷图像生成及检测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN113284086A CN113284086A CN202110346070.2A CN202110346070A CN113284086A CN 113284086 A CN113284086 A CN 113284086A CN 202110346070 A CN202110346070 A CN 202110346070A CN 113284086 A CN113284086 A CN 113284086A
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- insulator image
- defective
- defect
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000012212 insulator Substances 0.000 claims abstract description 406
- 230000002950 deficient Effects 0.000 claims abstract description 198
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 230000006870 function Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006735 deficit Effects 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了提供一种电力稀缺缺陷图像生成及检测方法,包括:获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。通过将完整绝缘子图像转换为缺陷绝缘子图像,增加样本缺陷绝缘子图像的样本量和样本类型,通过数量更多样本缺陷绝缘子图像用于训练缺陷绝缘子检测模型,避免模型过拟合,提高缺陷绝缘子的检测准确度。
Description
技术领域
本发明涉及人工智能领域,更具体的说,是涉及一种电力稀缺缺陷图像生成及检测方法、装置、电子设备及存储介质。
背景技术
中国电网正处于高速发展阶段,配电线路是电网的重要组成部分,线路的巡检也是越来越重要,而绝缘子是配网中最常见的电力部件,因此,有必要对配网线路中绝缘子的状态进行巡检,及时发现绝缘子缺陷问题,以便及时处理。而随着科技的进步,无人机逐渐应用到电力巡检工作中。无人机能够提供大量的巡检图像,但仅仅依靠人工难以满足图像的物体识别与处理及时性,需要使用基于人工智能深度学习的图像识别处理技术。
目前深度学习神经网络在图像识别上效果明显,但深度学习是典型的数据驱动技术,其能利用大量的数据训练模型,通过学习发现规律,提取数据特征。但由于绝缘子本身故障相对较少,实际缺陷样本少,且与正常绝缘子样本数量严重不平衡,训练出来的模型容易出现过拟合等现象,导致绝缘子缺陷状态容易被误判,检测的准确度不高。
申请内容
本发明的目的是针对上述现有技术存在的缺陷,提供一种电力稀缺缺陷图像生成及检测方法,提高缺陷样本的数量,以提高缺陷绝缘子检测模型的训练效果,进而提高陷绝缘子检测准确度。
本发明的目的是通过以下技术方案来实现的:
第一方面,提供一种缺陷绝缘子检测方法,所述方法包括:
获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;
将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;
将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。
可选的,所述根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像,包括:
对所述第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像;
根据所述第二缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到第三缺陷绝缘子图像;
基于所述第三缺陷绝缘子图像,得到样本缺陷绝缘子图像。
可选的,所述对所述第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像,包括:
通过数据增强方式对所述第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像。
可选的,所述根据所述第二缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到第三缺陷绝缘子图像,包括:
根据所述第二缺陷绝缘子图像,划分第一样本集,根据所述完整绝缘子图像划分第二样本集;
根据所述第一样本集与所述第二样本集训练缺陷绝缘子图像生成网络,得到训练好的缺陷绝缘子图像生成网络;
将所述完整绝缘子图像输入到所述训练好的缺陷绝缘子图像生成网络,得到第三缺陷绝缘子图像。
可选的,所述根据所述第一样本集与所述第二样本集训练缺陷绝缘子图像生成网络,得到训练好的缺陷绝缘子图像生成网络,包括:
构建生成式对抗网络,所述生成式对抗网络包括第一生成网络、第二生成网络、第一判别网络以及第二判别网络;对所述生成式对抗网络的训练包括循环的第一阶段与第二阶段;
其中,所述第一阶段包括:
通过所述第一生成网络,将第二样本集中的完整绝缘子图像转换为第一生成缺陷绝缘子图像;
通过第一判别网络对所述第一生成缺陷绝缘子图像与第一样本集中的缺陷绝缘子图像进行判别,并通过第一判别网络中的第一损失函数对所述第一判别网络进行参数调整;
通过所述第二生成网络,将所述第一生成缺陷绝缘子图像转换为第一生成完整绝缘子图像;
通过第一损失函数,计算第一生成完整绝缘子图像与所述第二样本集中的完整绝缘子图像之间的第二损失,并根据所述第一损失调整所述第一生成网络、第二生成网络的参数;
所述第二阶段包括:
通过所述第二生成网络,将第一样本集中的缺陷绝缘子图像转换为第二生成完整绝缘子图像;
通过第二判别网络对所述第二生成完整绝缘子图像与第二样本集中的完整绝缘子图像进行判别,并通过第二判别网络中的第三损失函数对所述第二判别网络进行参数调整;
通过所述第一生成网络,将所述第二生成完整绝缘子图像转换为第二生成缺陷绝缘子图像;
通过第四损失函数,计算第二生成缺陷绝缘子图像与所述第一样本集中的缺陷绝缘子图像之间的第四损失,并根据所述第四损失调整所述第一生成网络、第二生成网络的参数;
循环迭代所述第一阶段与所述第二阶段,完成训练后,取所述第一生成网络作为目标生成网络。
可选的,所述将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型,包括:
根据所述样本缺陷绝缘子图像,划分第三样本集,根据所述完整绝缘子图像划分第四样本集;
通过所述第四样本集对所述缺陷绝缘子检测模型进行训练,得到第一训练模型;
通过所述第三样本集对所述第一训练模型进行训练,得到第二训练模型;
对所述第二训练模型进行微调,得到所述训练好的缺陷绝缘子检测模型。
可选的,所述缺陷绝缘子检测模型包括卷积部分与全连接部分,所述通过所述第三样本集对所述第一训练模型进行训练,得到第二训练模型,包括:
固化所述第一训练模型的卷积部分,通过所述第三样本集对所述第一训练模型的全连接部分进行训练,得到第二训练模型。
第二方面,本发明实施例还提供一种电力稀缺缺陷图像生成及检测装置,用于递归神经网络,所述装置包括:
获取模块,用于获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;
训练模块,用于将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;
检测模块,用于将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。
第三方面,提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的电力稀缺缺陷图像生成及检测方法中的步骤。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的电力稀缺缺陷图像生成及检测方法中的步骤。
本发明带来的有益效果:获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。通过将完整绝缘子图像转换为缺陷绝缘子图像,增加样本缺陷绝缘子图像的样本量和样本类型,通过数量更多样本缺陷绝缘子图像用于训练缺陷绝缘子检测模型,避免模型过拟合,提高缺陷绝缘子的检测准确度。
附图说明
图1为本发明实施例提供的一种电力稀缺缺陷图像生成及检测方法的流程示意图;
图2为本发明实施例提供的一种缺陷绝缘子图像生成网络的训练方法的流程示意图;
图3为本发明实施例提供的一种缺陷绝缘子检测模型的训练方法的流程示意图;
图4为本发明实施例提供的一种电力稀缺缺陷图像生成及检测装置的结构示意图;
图5为本发明实施例提供的一种获取模块的结构示意图;
图6为本发明实施例提供的一种转换子模块的结构示意图;
图7为本发明实施例提供的一种训练单元的结构示意图;
图8为本发明实施例提供的一种训练模块的结构示意图。
具体实施方式
下面描述本发明的优选实施方式,本领域普通技术人员将能够根据下文所述用本领域的相关技术加以实现,并能更加明白本发明的创新之处和带来的益处。
本发明提供了一种电力稀缺缺陷图像生成及检测方法。本发明的目的是通过以下技术方案来实现的:
请参见图1,图1是本发明实施例提供的一种电力稀缺缺陷图像生成及检测方法的流程示意图,如图1所示,所述方法包括以下步骤:
101、获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据第一缺陷绝缘子图像将完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像。
其中,上述第一缺陷绝缘子图像可以是通过相机采集到的缺陷绝缘子图像,可以是工作人员通过相机进行采集,也可以工作人员通过无人机上的相机进行采集。
上述缺陷绝缘子可以是破损绝缘子或断裂绝缘子,上述绝缘子的类型可以是单串绝缘子或双串绝缘子。
在本发明实施例中,可以根据第一缺陷绝缘子图像训练陷绝缘子图像生成网络,并通过陷绝缘子图像生成网络来将完整绝缘子图像转换为缺陷绝缘子图像。
可选的,可以对第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像;根据第二缺陷绝缘子图像将完整绝缘子图像转换为缺陷绝缘子图像,得到第三缺陷绝缘子图像;基于第三缺陷绝缘子图像,得到样本缺陷绝缘子图像。具体可以对第三缺陷绝缘子图像进行标注,得到样本缺陷绝缘子图像。
具体的,可以通过数据增强方式对第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像。数据增强方式可以是对第一缺陷绝缘子图像进行图像裁剪、翻转、旋转等数据增强方式。这样,可以对小样本的第一缺陷绝缘子图像进行扩充,得到数量更多的缺陷绝缘子图像。
进一步的,可以根据第二缺陷绝缘子图像,划分第一样本集,根据完整绝缘子图像划分第二样本集;根据第一样本集与第二样本集训练缺陷绝缘子图像生成网络,得到训练好的缺陷绝缘子图像生成网络;将完整绝缘子图像输入到训练好的缺陷绝缘子图像生成网络,得到第三缺陷绝缘子图像。
其中,上述第一样本集中包括标注好的第二缺陷绝缘子图像,上述第二样本集中包括标注好的完整绝缘子图像。对第二缺陷绝缘子图像的标注以及完整绝缘子图像可以是人工进行标注,也可以是利用图像分类神经网络进行标注。
102、将完整绝缘子图像以及样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型。
在本发明实施例中,上述的样本缺陷绝缘子图像可以是完整绝缘子图像转换得到的缺陷绝缘子图像;另外,上述的样本缺陷绝缘子图像还可以是完整绝缘子图像转换得到的缺陷绝缘子图像以及第一缺陷绝缘子图像的并集;另外,上述的样本缺陷绝缘子图像还可以是完整绝缘子图像转换得到的缺陷绝缘子图像以及第二缺陷绝缘子图像的并集,其中,第二缺陷绝缘子可以是第一缺陷绝缘子通过数据增强方式进行扩充得到。
可选的,可以根据样本缺陷绝缘子图像,划分第三样本集,根据完整绝缘子图像划分第四样本集;通过第四样本集对缺陷绝缘子检测模型进行训练,得到第一训练模型;通过第三样本集对第一训练模型进行训练,得到第二训练模型;对第二训练模型进行微调,得到训练好的缺陷绝缘子检测模型。
其中,上述第三样本集中包括标注好的样本缺陷绝缘子图像,上述第四样本集中包括标注好的完整绝缘子图像。对样本缺陷绝缘子图像的标注以及完整绝缘子图像可以是人工进行标注,也可以是利用图像分类神经网络进行标注。
上述样本缺陷绝缘子图像可以是完整绝缘子图像转换得到的缺陷绝缘子图像。具体的,上述样本缺陷绝缘子图像可以是由训练好的缺陷绝缘子图像生成网络将完整绝缘子图像转换成的缺陷绝缘子图像。
103、将待检测图像输入到训练好的缺陷绝缘子检测模型进行检测。
在得到训练好的缺陷绝缘子检测模型后,可以将待检测图像输入到该训练好的缺陷绝缘子检测模型进行检测,得到检测结果。
在本实施例中,获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。通过将完整绝缘子图像转换为缺陷绝缘子图像,增加样本缺陷绝缘子图像的样本量和样本类型,通过数量更多样本缺陷绝缘子图像用于训练缺陷绝缘子检测模型,避免模型过拟合,提高缺陷绝缘子的检测准确度。
请参见图2,图2是本发明实施例提供的一种缺陷绝缘子图像生成网络的训练方法的流程示意图,如图2所示,所述方法包括以下步骤:
201、构建生成式对抗网络。
在本发明实施例中,上述生成式对抗网络包括第一生成网络、第二生成网络、第一判别网络以及第二判别网络。
202、对上述生成式对抗网络进行第一阶段训练。
在本发明实施例中,上述第一阶段训练具体可以是通过上述第一生成网络,将第二样本集中的完整绝缘子图像转换为第一生成缺陷绝缘子图像;通过第一判别网络对上述第一生成缺陷绝缘子图像与第一样本集中的缺陷绝缘子图像进行判别,并通过第一判别网络中的第一损失函数对上述第一判别网络进行参数调整;通过上述第二生成网络,将上述第一生成缺陷绝缘子图像转换为第一生成完整绝缘子图像;通过第一损失函数,计算第一生成完整绝缘子图像与上述第二样本集中的完整绝缘子图像之间的第二损失,并根据上述第一损失调整上述第一生成网络、第二生成网络的参数。
203、对上述生成式对抗网络进行第二阶段训练。
在本发明实施例中,上述第二阶段训练具体可以是通过上述第二生成网络,将第一样本集中的缺陷绝缘子图像转换为第二生成完整绝缘子图像;通过第二判别网络对上述第二生成完整绝缘子图像与第二样本集中的完整绝缘子图像进行判别,并通过第二判别网络中的第三损失函数对上述第二判别网络进行参数调整;通过上述第一生成网络,将上述第二生成完整绝缘子图像转换为第二生成缺陷绝缘子图像;通过第四损失函数,计算第二生成缺陷绝缘子图像与上述第一样本集中的缺陷绝缘子图像之间的第四损失,并根据上述第四损失调整上述第一生成网络、第二生成网络的参数。
204、循环迭代上述第一阶段与上述第二阶段,完成训练后,取第一生成网络作为目标生成网络。
由于第一生成网络是由完整绝缘子图像转换为缺陷绝缘子图像的学习过程,所以第一生成网络可以将完整绝缘子图像转换为缺陷绝缘子图像。
通过循环的生成和对抗,可以使得生成的缺陷绝缘子图像更加的接近真实的缺陷绝缘子图像。
在一种可能的实施例中,循环迭代上述第一阶段与上述第二阶段,完成训练后,可以对整体生成式对抗网络进行微调,进一步提高生成的缺陷绝缘子图像的真实性。也可以只对第一网络进行微调。具体可以是调小学习率,使用标注好的训练数据,对新模型进行微调训练。调小学习率,可以使网络训练时损失梯度下降速度变慢,控制模型的学习进度,达到对模型的微调目的。
请参见图3,图3是本发明实施例提供的一种缺陷绝缘子检测模型的训练方法的流程示意图,如图3所示,所述方法包括以下步骤:
301、根据样本缺陷绝缘子图像,划分第三样本集,根据完整绝缘子图像划分第四样本集。
上述样本缺陷绝缘子图像可以是对第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像;根据第二缺陷绝缘子图像将完整绝缘子图像转换为缺陷绝缘子图像,得到第三缺陷绝缘子图像;将第三缺陷绝缘子图像进行标注后作为样本缺陷绝缘子图像。
302、通过第四样本集对缺陷绝缘子检测模型进行训练,得到第一训练模型。
在本发明实施例中,上述缺陷绝缘子检测模型可以是基于深度卷积神经网络的模型,比如可以是基于MobileNet的模型。
上述第四样本集中包括带有标注的完整绝缘子图像,通过完整绝缘子图像进行训练,使得第一训练模型能够学习到绝缘子的特征提取能力。
303、通过第三样本集对第一训练模型进行训练,得到第二训练模型。
在本发明实施例中,缺陷绝缘子检测模型包括卷积部分与全连接部分,可以固化第一训练模型的卷积部分,通过第三样本集对第一训练模型的全连接部分进行训练,得到第二训练模型。第二样本集中包括带有标注的缺陷绝缘子图像,通过缺陷绝缘子图像进行训练,使得第二训练模型能够学习到缺陷绝缘子的特征分类能力。
304、对第二训练模型进行微调,得到训练好的缺陷绝缘子检测模型。
在本发明实施例中,可以调小学习率,使用标注好的缺陷绝缘子图像作为训练数据,对第二训练模型进行微调训练。通过调小学习率,可以使网络训练时损失梯度下降速度变慢,控制模型的学习进度,达到对模型的微调目的。
请参见图4,图4是本发明实施例提供的一种电力稀缺缺陷图像生成及检测装置,所述装置包括:
获取模块401,用于获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;
训练模块402,用于将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;
检测模块403,用于将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。
可选的,如图5所示,所述获取模块401,包括:
扩充子模块4011,用于对所述第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像;
转换子模块4012,用于根据所述第二缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到第三缺陷绝缘子图像;
获取子模块4013,用于基于所述第三缺陷绝缘子图像,得到样本缺陷绝缘子图像。
可选的,所述扩充子模块4011还用于通过数据增强方式对所述第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像。
可选的,如图6所示,所述转换子模块4012,包括:
划分单元40121,用于根据所述第二缺陷绝缘子图像,划分第一样本集,根据所述完整绝缘子图像划分第二样本集;
训练单元40122,用于根据所述第一样本集与所述第二样本集训练缺陷绝缘子图像生成网络,得到训练好的缺陷绝缘子图像生成网络;
生成单元40123,用于将所述完整绝缘子图像输入到所述训练好的缺陷绝缘子图像生成网络,得到第三缺陷绝缘子图像。
可选的,如图7所示,所述训练单元40122,包括:
构建子单元401221,用于构建生成式对抗网络,所述生成式对抗网络包括第一生成网络、第二生成网络、第一判别网络以及第二判别网络;对所述生成式对抗网络的训练包括循环的第一阶段与第二阶段;
第一处理子单元401222,用于执行所述第一阶段,包括:
通过所述第一生成网络,将第二样本集中的完整绝缘子图像转换为第一生成缺陷绝缘子图像;
通过第一判别网络对所述第一生成缺陷绝缘子图像与第一样本集中的缺陷绝缘子图像进行判别,并通过第一判别网络中的第一损失函数对所述第一判别网络进行参数调整;
通过所述第二生成网络,将所述第一生成缺陷绝缘子图像转换为第一生成完整绝缘子图像;
通过第一损失函数,计算第一生成完整绝缘子图像与所述第二样本集中的完整绝缘子图像之间的第二损失,并根据所述第一损失调整所述第一生成网络、第二生成网络的参数;
第二处理子单元401223,用于执行所述第二阶段,包括:
通过所述第二生成网络,将第一样本集中的缺陷绝缘子图像转换为第二生成完整绝缘子图像;
通过第二判别网络对所述第二生成完整绝缘子图像与第二样本集中的完整绝缘子图像进行判别,并通过第二判别网络中的第三损失函数对所述第二判别网络进行参数调整;
通过所述第一生成网络,将所述第二生成完整绝缘子图像转换为第二生成缺陷绝缘子图像;
通过第四损失函数,计算第二生成缺陷绝缘子图像与所述第一样本集中的缺陷绝缘子图像之间的第四损失,并根据所述第四损失调整所述第一生成网络、第二生成网络的参数;
迭代子单元401224,用于循环迭代所述第一阶段与所述第二阶段,完成训练后,取所述第一生成网络作为目标生成网络。
可选的,如图8所示,所述训练模块402,包括:
划分子模块4021,用于根据所述样本缺陷绝缘子图像,划分第三样本集,根据所述完整绝缘子图像划分第四样本集;
第一训练子模块4022,用于通过所述第四样本集对所述缺陷绝缘子检测模型进行训练,得到第一训练模型;
第二训练子模块4023,用于通过所述第三样本集对所述第一训练模型进行训练,得到第二训练模型;
调整子模块4024,用于对所述第二训练模型进行微调,得到所述训练好的缺陷绝缘子检测模型。
可选的,所述第二训练子模块4023还用于固化所述第一训练模型的卷积部分,通过所述第三样本集对所述第一训练模型的全连接部分进行训练,得到第二训练模型。
本发明实施例中,获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。通过将完整绝缘子图像转换为缺陷绝缘子图像,增加样本缺陷绝缘子图像的样本量和样本类型,通过数量更多样本缺陷绝缘子图像用于训练缺陷绝缘子检测模型,避免模型过拟合,提高缺陷绝缘子的检测准确度。
本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的电力稀缺缺陷图像生成及检测方法中的步骤。
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的电力稀缺缺陷图像生成及检测方法中的步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的
另外,在本发明各个实施例中的处理器、芯片可以集成在一个处理单元中,也可以是单独物理存在,也可以两个或两个以上硬件集成在一个单元中。计算机可读存储介质或计算机可读程序可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
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方式只局限于这些说明。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 (10)
1.一种电力稀缺缺陷图像生成及检测方法,其特征在于,所述方法包括:
获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;
将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;
将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。
2.如权利要求1所述的电力稀缺缺陷图像生成及检测方法,其特征在于,所述根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像,包括:
对所述第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像;
根据所述第二缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到第三缺陷绝缘子图像;
基于所述第三缺陷绝缘子图像,得到样本缺陷绝缘子图像。
3.如权利要求2所述的电力稀缺缺陷图像生成及检测方法,其特征在于,所述对所述第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像,包括:
通过数据增强方式对所述第一缺陷绝缘子图像进行扩充,得到第二缺陷绝缘子图像。
4.如权利要求2所述的电力稀缺缺陷图像生成及检测方法,其特征在于,所述根据所述第二缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到第三缺陷绝缘子图像,包括:
根据所述第二缺陷绝缘子图像,划分第一样本集,根据所述完整绝缘子图像划分第二样本集;
根据所述第一样本集与所述第二样本集训练缺陷绝缘子图像生成网络,得到训练好的缺陷绝缘子图像生成网络;
将所述完整绝缘子图像输入到所述训练好的缺陷绝缘子图像生成网络,得到第三缺陷绝缘子图像。
5.如权利要求4所述的电力稀缺缺陷图像生成及检测方法,其特征在于,所述根据所述第一样本集与所述第二样本集训练缺陷绝缘子图像生成网络,得到训练好的缺陷绝缘子图像生成网络,包括:
构建生成式对抗网络,所述生成式对抗网络包括第一生成网络、第二生成网络、第一判别网络以及第二判别网络;对所述生成式对抗网络的训练包括循环的第一阶段与第二阶段;
其中,所述第一阶段包括:
通过所述第一生成网络,将第二样本集中的完整绝缘子图像转换为第一生成缺陷绝缘子图像;
通过第一判别网络对所述第一生成缺陷绝缘子图像与第一样本集中的缺陷绝缘子图像进行判别,并通过第一判别网络中的第一损失函数对所述第一判别网络进行参数调整;
通过所述第二生成网络,将所述第一生成缺陷绝缘子图像转换为第一生成完整绝缘子图像;
通过第一损失函数,计算第一生成完整绝缘子图像与所述第二样本集中的完整绝缘子图像之间的第二损失,并根据所述第一损失调整所述第一生成网络、第二生成网络的参数;
所述第二阶段包括:
通过所述第二生成网络,将第一样本集中的缺陷绝缘子图像转换为第二生成完整绝缘子图像;
通过第二判别网络对所述第二生成完整绝缘子图像与第二样本集中的完整绝缘子图像进行判别,并通过第二判别网络中的第三损失函数对所述第二判别网络进行参数调整;
通过所述第一生成网络,将所述第二生成完整绝缘子图像转换为第二生成缺陷绝缘子图像;
通过第四损失函数,计算第二生成缺陷绝缘子图像与所述第一样本集中的缺陷绝缘子图像之间的第四损失,并根据所述第四损失调整所述第一生成网络、第二生成网络的参数;
循环迭代所述第一阶段与所述第二阶段,完成训练后,取所述第一生成网络作为目标生成网络。
6.如权利要求2所述的电力稀缺缺陷图像生成及检测方法,其特征在于,所述将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型,包括:
根据所述样本缺陷绝缘子图像,划分第三样本集,根据所述完整绝缘子图像划分第四样本集;
通过所述第四样本集对所述缺陷绝缘子检测模型进行训练,得到第一训练模型;
通过所述第三样本集对所述第一训练模型进行训练,得到第二训练模型;
对所述第二训练模型进行微调,得到所述训练好的缺陷绝缘子检测模型。
7.如权利要求6所述的电力稀缺缺陷图像生成及检测方法,其特征在于,所述缺陷绝缘子检测模型包括卷积部分与全连接部分,所述通过所述第三样本集对所述第一训练模型进行训练,得到第二训练模型,包括:
固化所述第一训练模型的卷积部分,通过所述第三样本集对所述第一训练模型的全连接部分进行训练,得到第二训练模型。
8.一种电力稀缺缺陷图像生成及检测装置,其特征在于,所述装置包括:
获取模块,用于获取第一缺陷绝缘子图像以及完整绝缘子图像,并根据所述第一缺陷绝缘子图像将所述完整绝缘子图像转换为缺陷绝缘子图像,得到样本缺陷绝缘子图像;
训练模块,用于将所述完整绝缘子图像以及所述样本缺陷绝缘子图像训练缺陷绝缘子检测模型,得到训练好的缺陷绝缘子检测模型;
检测模块,用于将待检测图像输入到所述训练好的缺陷绝缘子检测模型进行检测。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的电力稀缺缺陷图像生成及检测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的电力稀缺缺陷图像生成及检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346070.2A CN113284086A (zh) | 2021-03-31 | 2021-03-31 | 电力稀缺缺陷图像生成及检测方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346070.2A CN113284086A (zh) | 2021-03-31 | 2021-03-31 | 电力稀缺缺陷图像生成及检测方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113284086A true CN113284086A (zh) | 2021-08-20 |
Family
ID=77276160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110346070.2A Pending CN113284086A (zh) | 2021-03-31 | 2021-03-31 | 电力稀缺缺陷图像生成及检测方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284086A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018842A (zh) * | 2022-08-08 | 2022-09-06 | 中科航迈数控软件(深圳)有限公司 | 基于机器视觉的缺陷检测方法、装置、终端及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785288A (zh) * | 2018-12-17 | 2019-05-21 | 广东电网有限责任公司 | 基于深度学习的输电设备缺陷检测方法及系统 |
CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN110853035A (zh) * | 2020-01-15 | 2020-02-28 | 征图新视(江苏)科技股份有限公司 | 工业视觉检测中基于深度学习的样本生成方法 |
CN111126433A (zh) * | 2019-11-19 | 2020-05-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种工厂pcb板缺陷检测中正负样本数据平衡方法 |
CN111311570A (zh) * | 2020-02-12 | 2020-06-19 | 江苏方天电力技术有限公司 | 基于无人机巡检的输电线路关键器件缺陷识别方法 |
CN111652864A (zh) * | 2020-05-29 | 2020-09-11 | 沈阳铸造研究所有限公司 | 一种基于条件式生成对抗网络的铸件缺陷图像生成方法 |
CN111832745A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 数据增广的方法、装置及电子设备 |
CN112184654A (zh) * | 2020-09-24 | 2021-01-05 | 上海电力大学 | 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法 |
CN112183186A (zh) * | 2020-08-15 | 2021-01-05 | 天津大学 | 一种基于生成对抗网络的绝缘子缺陷检测方法 |
CN112488130A (zh) * | 2020-12-17 | 2021-03-12 | 苏州聚悦信息科技有限公司 | 一种ai的微小孔壁检测算法 |
-
2021
- 2021-03-31 CN CN202110346070.2A patent/CN113284086A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN109785288A (zh) * | 2018-12-17 | 2019-05-21 | 广东电网有限责任公司 | 基于深度学习的输电设备缺陷检测方法及系统 |
CN111126433A (zh) * | 2019-11-19 | 2020-05-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种工厂pcb板缺陷检测中正负样本数据平衡方法 |
CN110853035A (zh) * | 2020-01-15 | 2020-02-28 | 征图新视(江苏)科技股份有限公司 | 工业视觉检测中基于深度学习的样本生成方法 |
CN111311570A (zh) * | 2020-02-12 | 2020-06-19 | 江苏方天电力技术有限公司 | 基于无人机巡检的输电线路关键器件缺陷识别方法 |
CN111652864A (zh) * | 2020-05-29 | 2020-09-11 | 沈阳铸造研究所有限公司 | 一种基于条件式生成对抗网络的铸件缺陷图像生成方法 |
CN111832745A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 数据增广的方法、装置及电子设备 |
CN112183186A (zh) * | 2020-08-15 | 2021-01-05 | 天津大学 | 一种基于生成对抗网络的绝缘子缺陷检测方法 |
CN112184654A (zh) * | 2020-09-24 | 2021-01-05 | 上海电力大学 | 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法 |
CN112488130A (zh) * | 2020-12-17 | 2021-03-12 | 苏州聚悦信息科技有限公司 | 一种ai的微小孔壁检测算法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018842A (zh) * | 2022-08-08 | 2022-09-06 | 中科航迈数控软件(深圳)有限公司 | 基于机器视觉的缺陷检测方法、装置、终端及存储介质 |
CN115018842B (zh) * | 2022-08-08 | 2022-11-11 | 中科航迈数控软件(深圳)有限公司 | 基于机器视觉的缺陷检测方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614979B (zh) | 一种基于选择与生成的数据增广方法及图像分类方法 | |
CN111709406B (zh) | 文本行识别方法及装置、可读存储介质、电子设备 | |
CN114241285B (zh) | 一种基于知识蒸馏和半监督学习的船舶快速检测方法 | |
CN113643228B (zh) | 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法 | |
CN111860171A (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN116256586B (zh) | 电力设备过热检测方法、装置、电子设备与存储介质 | |
CN112434794A (zh) | 一种基于深度学习的计算机视觉数据集半自动标注方法及系统 | |
CN112257711B (zh) | 一种铁路货车地板破损故障检测方法 | |
CN111476301A (zh) | 一种基于机器学习的医学图像分类方法及系统 | |
Jiao et al. | A deep learning model for small-size defective components detection in power transmission tower | |
CN113284086A (zh) | 电力稀缺缺陷图像生成及检测方法、装置及相关设备 | |
CN113989556B (zh) | 一种小样本医学影像分类方法和系统 | |
CN114612702A (zh) | 基于深度学习的图像数据标注系统及其方法 | |
CN116704526B (zh) | 工尺谱扫描机器人及其方法 | |
CN111985488B (zh) | 一种基于离线高斯模型的目标检测分割方法及系统 | |
CN112200182A (zh) | 基于深度学习的晶圆id识别方法和装置 | |
CN110188790B (zh) | 图片样本的自动化生成方法和系统 | |
CN115456941A (zh) | 新型电力绝缘子缺陷检测识别方法及系统 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
Wu et al. | Electronic component detection based on image sample generation | |
CN116431818B (zh) | 一种用于热加工工艺设计的知识图谱自动构建方法 | |
Sun et al. | Progressively unfreezing perceptual gan | |
CN113486781B (zh) | 一种基于深度学习模型的电力巡检方法及装置 | |
CN116701956B (zh) | 基于故障属性燃气调压器联合映射零样本故障诊断方法 | |
Dobariya | Machine Learning for Autonomous Fault Detection in Wind Turbine Blades |
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 |