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 PDFInfo
- 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
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
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:
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。
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)
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 |
-
2021
- 2021-12-28 CN CN202111624130.9A patent/CN114399471A/zh active Pending
Cited By (3)
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 |