CN114399471A - 一种电力缺陷小样本生成方法及存储介质 - Google Patents

一种电力缺陷小样本生成方法及存储介质 Download PDF

Info

Publication number
CN114399471A
CN114399471A CN202111624130.9A CN202111624130A CN114399471A CN 114399471 A CN114399471 A CN 114399471A CN 202111624130 A CN202111624130 A CN 202111624130A CN 114399471 A CN114399471 A CN 114399471A
Authority
CN
China
Prior art keywords
vae
image data
normal distribution
hidden
defect image
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
CN202111624130.9A
Other languages
English (en)
Inventor
陈恩邦
赵李强
任莹
师智良
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.)
Kunming Enersun Technology Co Ltd
Original Assignee
Kunming Enersun Technology 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 Kunming Enersun Technology Co Ltd filed Critical Kunming Enersun Technology Co Ltd
Priority to CN202111624130.9A priority Critical patent/CN114399471A/zh
Publication of CN114399471A publication Critical patent/CN114399471A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种电力缺陷小样本生成方法及存储介质，方法包括步骤S1、获取原缺陷图像数据，基于原缺陷图像数据构建VAE生成模型；步骤S2、从所述VAE生成模型的隐藏表示中进行随机采样，得到隐藏变量；步骤S、利用解码器将所述隐藏变量进行重建，得到随机样本；该方法利用原缺陷图像数据训练VAE模型，再由VAE生成模型自动生成训练数据，实现了样本数据的自动扩充，解决了电力设备缺陷样本少、获取难度大的问题。

Description

一种电力缺陷小样本生成方法及存储介质
技术领域
本发明涉及输电线路巡检图像缺陷检测技术领域，具体涉及一种电力缺陷小样本生成方法及存储介质。
背景技术
随着我国高压、特高压输电等级的不断提高，长距离、高负荷的输电线路在全国范围内广泛架设，输电线路的安全稳定和高效运行是保障全国人民生产、生活的重要基础。我国输电线路分布错综复杂，点多面广，且架设区域地貌复杂气候多变。输电线路中的各种部件长期暴露在野外，受到持续机械张力、太阳暴晒、冰雪覆盖、雨水侵蚀以及人为破坏等因素影响，极易发生断裂、磨损、腐蚀、挂物等故障，成为目前电力系统安全与稳定的极大隐患。
由于目前关于输电线路巡检图像缺陷检测技术正处在起步阶段，目前我们收集到的缺陷样本数量是很少的，而且获取新的独立样本图像比较困难，无法满足深度学习对高质量独立样本的需求。
发明内容
针对上述问题，发明人提供了一种电力缺陷小样本生成方法，采用VAE生成模型自动生成训练数据，实现样本数据的自动扩充，解决了电力设备缺陷样本少，获取难度大的问题。
根据第一方面，本发明提供了一种电力缺陷小样本生成方法，包括以下步骤：
步骤S1：获取原缺陷图像数据，基于原缺陷图像数据构建VAE生成模型；
步骤S2：从所述VAE生成模型的隐藏表示中进行随机采样，得到隐藏变量；
步骤S3：利用解码器将所述隐藏变量进行重建，得到随机样本。
进一步地，所述步骤S1还包括：
步骤S11：构建专属于原缺陷图像数据的后验分布，所述后验分布是正态分布；
步骤S12：确定所述后验分布的均值和方差；
步骤S13：从正态分布中进行随机采样，得到正态分布随机样本；
步骤S14：基于所述均值、方差和正态分布随机样本得到隐藏表示。
进一步地，所述隐藏表示Z为：
Z＝μ(x)+ε×σ(x)，ε～N(0，1)
其中，μ(x)表示均值；ε表示潜在正态分布随机样本；σ(x)表示方差；N(0，1)表示正态分布。
根据第二方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序能够被处理器执行以实现如上所述的方法的步骤。
相比现有技术，本发明的有益效果：
本发明提供了一种电力缺陷小样本生成方法，利用原缺陷图像数据训练VAE模型，从VAE模型的隐藏表示中随机采样，再解码重建，形成随机样本，解决了电力设备缺陷样本少、获取困难的问题。
附图说明
图1为本发明提供的电力缺陷小样本生成方法的流程框图；
图2为本发明样本生成的流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
VAE：变分自动编码器，是一种生成模型。
实施例1
如图1-2所示，本发明提供了一种电力缺陷小样本生成方法，包括以下步骤：
步骤S1：获取原缺陷图像数据，基于原缺陷图像数据构建VAE生成模型。具体包括：
首先使用双曲正切函数
Figure BDA0003439208710000021
将输入的原缺陷图像数据X压缩到[-1，1]区间内，实现了对数据的归一化操作。
然后，构建专属于原缺陷图像数据X的后验分布P(X|Z)，后验分布P(X|Z)是正态分布，即P(X|Z)＝N(0，1)。后验分布P(X|Z)用于描述由Z生成X的模型。
接着，标准正态分布可计算出后验分布的均值μ(x)和方差σ(x)。
然后从正态分布中进行随机采样ε，得到正态分布随机样本。
最后，将方差σ(x)与采样ε相乘后与均值μ(x)相加，得到隐藏表示Z。即
Z＝μ(x)+ε×σ(x)，ε～N(0，1)
步骤S2：隐藏表示Z中进行随机采样，得到一组隐藏变量Z；
步骤S3：利用解码器将隐藏变量进行解码重建，即可得到随机样本。
事实上，我们还需要在重构图片的精确度和分布的拟合度上进行权衡。
由于VAE会预设一个隐藏表示向量，故得到的编码结果并不是某个确定的值，而是一个范围，如此网络便可以学习到关于输电线路图像的连续的、高度结构化的隐藏表达。利用这个高度结构化的隐藏表达可以控制、改变生成输电线路图像的一些特征(改变导线、绝缘子缺陷位置和导线方向)，甚至在完好的输电线路图像上生成缺陷。而在解码的过程中，存在噪声干扰等外界条件，使生成的图像存在多样性，由此得到更具泛化性和多样性的输电线路缺陷图像样本库。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (4)

1.一种电力缺陷小样本生成方法，其特征在于，包括以下步骤：
步骤S1：获取原缺陷图像数据，基于原缺陷图像数据构建VAE生成模型；
步骤S2：从所述VAE生成模型的隐藏表示中进行随机采样，得到隐藏变量；
步骤S3：利用解码器将所述隐藏变量进行重建，得到随机样本。
2.如权要求1所述的方法，其特征在于，所述步骤S1还包括：
步骤S11：构建专属于原缺陷图像数据的后验分布，所述后验分布是正态分布；
步骤S12：确定所述后验分布的均值和方差；
步骤S13：从正态分布中进行随机采样，得到正态分布随机样本；
步骤S14：基于所述均值、方差和正态分布随机样本得到隐藏表示。
3.如权利要求2所述的方法，其特征在于，所述隐藏表示Z为：
Z＝μ(x)+ε×σ(x)，ε～N(0,1)
其中，μ(x)表示均值；ε表示潜在正态分布随机样本；σ(x)表示方差；N(0,1)表示正态分布。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序能够被处理器执行以实现如权利要求1-3中任一项所述的方法的步骤。
CN202111624130.9A 2021-12-28 2021-12-28 一种电力缺陷小样本生成方法及存储介质 Pending CN114399471A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624130.9A CN114399471A (zh) 2021-12-28 2021-12-28 一种电力缺陷小样本生成方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624130.9A CN114399471A (zh) 2021-12-28 2021-12-28 一种电力缺陷小样本生成方法及存储介质

Publications (1)

Publication Number Publication Date
CN114399471A true CN114399471A (zh) 2022-04-26

Family

ID=81229696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624130.9A Pending CN114399471A (zh) 2021-12-28 2021-12-28 一种电力缺陷小样本生成方法及存储介质

Country Status (1)

Country Link
CN (1) CN114399471A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393231A (zh) * 2022-11-01 2022-11-25 深圳精智达技术股份有限公司 一种缺陷图像的生成方法、装置、电子设备和存储介质
CN117710371A (zh) * 2024-02-05 2024-03-15 成都数之联科技股份有限公司 一种扩充缺陷样本的方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393231A (zh) * 2022-11-01 2022-11-25 深圳精智达技术股份有限公司 一种缺陷图像的生成方法、装置、电子设备和存储介质
CN117710371A (zh) * 2024-02-05 2024-03-15 成都数之联科技股份有限公司 一种扩充缺陷样本的方法、装置、设备及存储介质
CN117710371B (zh) * 2024-02-05 2024-04-26 成都数之联科技股份有限公司 一种扩充缺陷样本的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN114399471A (zh) 一种电力缺陷小样本生成方法及存储介质
CN111292264B (zh) 一种基于深度学习的图像高动态范围重建方法
Fang et al. Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area
CN111583198A (zh) 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法
CN109300090A (zh) 一种基于亚像素和条件对抗生成网络的单幅图像去雾方法
CN113129272A (zh) 一种基于去噪卷积自编码器的缺陷检测方法及装置
CN115237896B (zh) 一种基于深度学习预报空气质量的数据前处理方法及系统
CN116703885A (zh) 一种基于Swin Transformer的表面缺陷检测方法及系统
CN111524060B (zh) 一种实时人像背景虚化的系统、方法、存储介质和设备
CN113034359A (zh) 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质
CN116188237A (zh) 一种基于深度学习的电力图像数据增广方法
CN114140662A (zh) 一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法
CN115861282A (zh) 一种缺陷检测方法及装置
CN113077083B (zh) 一种基于卫星遥感技术的污秽状况监测方法
CN114661754B (zh) 一种基于分数引导正则化网络的水质污染无监督预警方法
CN114581304B (zh) 一种基于循环网络的图像超分辨率和去雾融合方法及系统
CN114820304A (zh) 基于改进srgan的超分辨率夜光图像重构方法
Chen et al. Unsupervised learning-based image recovery and diagnosis method for blade attachment of marine current turbine
CN116882458A (zh) 用于检测绝缘子缺陷的神经网络及获得神经网络的方法
CN117974444A (zh) 基于扩散模型的海面高度超分辨率重建方法
CN115601644A (zh) 一种基于生成对抗网络的低光照度下输电线路图像增强方法
CN118096998A (zh) 电力设备三维重建方法、装置、电子设备及存储介质
CN118297845A (zh) 一种基于自监督学习的面向缺陷检测的图像去雾方法
CN118038168A (zh) 一种高分辨率遥感云图降水可能性分类方法
CN114764845A (zh) 一种模拟事件相机在太空工作的成像方法

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