CN116309483A - 基于ddpm的半监督变电设备表征缺陷检测方法及系统 - Google Patents

基于ddpm的半监督变电设备表征缺陷检测方法及系统 Download PDF

Info

Publication number
CN116309483A
CN116309483A CN202310294095.1A CN202310294095A CN116309483A CN 116309483 A CN116309483 A CN 116309483A CN 202310294095 A CN202310294095 A CN 202310294095A CN 116309483 A CN116309483 A CN 116309483A
Authority
CN
China
Prior art keywords
image data
ddpm
deep learning
network model
defect detection
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
CN202310294095.1A
Other languages
English (en)
Inventor
闫云凤
韩睿
梅冰笑
张永
刘黎
蒋鹏
王文浩
王劭鹤
马益峰
李晨
温典
刘爽
冯宇哲
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.)
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Zhejiang Electric Power 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 Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202310294095.1A priority Critical patent/CN116309483A/zh
Publication of CN116309483A publication Critical patent/CN116309483A/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
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General 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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于DDPM的半监督变电设备表征缺陷检测方法及系统，涉及缺陷检测技术领域，具体步骤为：获取正常设备的图像数据作为样本图片；以DDPM网络为基本框架构建初步深度学习网络模型；利用样本图片对初步深度学习网络模型进行训练，获得最终深度学习网络模型；将待检测的图像数据输入最终深度学习网络模型获得重建图像数据；基于待检测的图像数据与重建图像数据的差值确定缺陷位置。本发明能够实现变电设备表征缺陷检测，具有较高的准确率，并且具有稳定性好，通用性高等优点，具有良好的鲁棒性，能够应用于变电现场智能监管系统。

Description

基于DDPM的半监督变电设备表征缺陷检测方法及系统
技术领域
本发明涉及缺陷检测技术领域，更具体的说是涉及一种基于DDPM的半监督变电设备表征缺陷检测方法及系统。
背景技术
随着近些年深度学习的迅速发展，自2018年起已有众多学者针对通用图像数据集给出了许多基于深度学习的分割算法。但是这些算法依赖大量数据集进行算法训练，而变电设备表征缺陷存在样本少、样本分布不均衡等问题，且其数据特征与通用数据集的数据特征存在不小差距。此外，基于小样本数据扩充的数据增强手段存在数据特征重复、生成图像模糊等问题，不利于模型训练收敛以及模型精度提升。因此如何不依靠缺陷样本数据实现变电设备表征缺陷检测是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于DDPM的半监督变电设备表征缺陷检测方法及系统，克服上述缺陷。
为了实现上述目的，本发明提供如下技术方案：
一种基于DDPM的半监督变电设备表征缺陷检测方法，具体步骤为：
获取正常设备的图像数据作为样本图片；
以DDPM网络为基本框架构建初步深度学习网络模型；
利用样本图片对初步深度学习网络模型进行训练，获得最终深度学习网络模型；
将待检测的图像数据输入最终深度学习网络模型获得重建图像数据；
基于待检测的图像数据与重建图像数据的差值确定缺陷位置。
可选的，在获得样本图片后对样本图片进行数据清洗与数据增强，并进行分类存储。
可选的，DDPM网络包括加噪处理和去噪处理。
可选的，加噪处理过程中使用Coarse噪声。
可选的，加噪过程数学表达式为：
Figure BDA0004142539090000021
式中，N表示正态分布；xt为t时刻的输出图像数据；xt-1为t-1时刻的图像数据；αt为t时刻的噪音参数；αt-1为t-1时刻的噪音参数；I为单位矩阵。
可选的，DDPM的损失函数为：
Figure BDA0004142539090000022
式中，N表示正态分布；T为加噪轮数；x0为原始图像数据；∈t为加噪过程噪声；I为单位矩阵；q(x0)为原始图像数据服从的真实分布。
可选的，训练初步深度学习网络模型时，利用重建前后图像数据之间高于第一预设阈值的差值对DDPM网络进行优化。
一种基于DDPM的半监督变电设备表征缺陷检测系统，包括：
数据采集模块，用于获取正常设备的图像数据作为样本图片；
模型构建模块，用于依据DDPM网络构建初步深度学习网络模型；
模型训练模块，用于利用样本图片对初步深度学习网络模型进行训练，获得最终深度学习网络模型；
缺陷识别模块，用于根据最终深度学习网络模型获取重建图像数据，并利用待检测的图像数据与重建图像数据的差值确定缺陷位置。
经由上述的技术方案可知，本发明公开了一种基于DDPM的半监督变电设备表征缺陷检测方法及系统，与现有技术相比，具有以下有益效果：
1)相比于以往的变电场景缺陷检测方法，本发明方法准确率高，鲁棒性好，且对各种变电环境具有通用性；
2)本发明不依赖现有的缺陷数据集，仅通过学习正常图像数据的特征，借助扩散模型的重建机制修复异常图像数据，通过计算差值获得缺陷所在区域，因此可以对罕见甚至还未出现的缺陷种类做出应答，极大提高了缺陷检测的效率，解决了传统缺陷检测对缺陷数据集依赖痛点；
3)本发明可以在低分辨率、背光等低质量数据集上获得高检测精度，因此具有较强的抗干扰能力，且贴合变电场景实际作业环境；
因此，本发明能够实现变电设备表征缺陷检测，具有较高的准确率，并且具有稳定性好，通用性高等优点，具有良好的鲁棒性，能够应用于变电现场智能监管系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为本发明的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于DDPM的半监督变电设备表征缺陷检测方法，如图1所示，具体步骤为：
步骤1、获取正常设备的图像数据作为样本图片；
步骤2、以DDPM网络为基本框架构建初步深度学习网络模型；
步骤3、利用样本图片对初步深度学习网络模型进行训练，获得最终深度学习网络模型；
步骤4、将待检测的图像数据输入最终深度学习网络模型获得重建图像数据；
步骤5、基于待检测的图像数据与重建图像数据的差值确定缺陷位置。
步骤1和步骤2中并无明确的先后顺序。
在步骤1中，正常设备图像数据为变电设施及工作现场采集图片，为变电站真实巡检场景，采集数据中不包含异常状态，包含多种拍摄角度与环境下的正常变电设备，例如呼吸器、表盘、绝缘子等。
在步骤1中，获得样本图片后对样本图片进行数据清洗与数据增强，并按照设备类型进行整理分类，其中数据增强仅包含弱数据增强，如水平翻转、偏移等，不包含强数据增强，如图像裁剪或图像模糊等。
在步骤2中，DDPM包含加噪与去噪两个过程。加噪过程中，指定的噪声∈t在t时刻加入图像xt-1，输出带有噪声的图像数据xt。经过T轮加噪后，原始图像x0近似为纯噪声图像，加噪过程结束。
加噪过程数学表达式如下所示：
Figure BDA0004142539090000041
去噪过程中，模型通过U-net网络获得
Figure BDA0004142539090000042
去估计加噪过程噪声∈t，学习如何递进的去除加噪过程中的噪声，通过这一过程使模型学习原始图像的特征。
其中，DDPM的损失函数如下：
Figure BDA0004142539090000051
在步骤2中的DDPM加噪过程使用Coarse噪声代替传统的高斯噪声。即扩散过程中不再注入像素级别的高斯噪声。对高斯噪声进行模糊处理，使相邻区域特征趋近，得到Coarse噪声。
所述步骤3中，模型训练时，输入图像为x，重建图像为
Figure BDA0004142539090000059
对于重建前后的图像数据计算差值/>
Figure BDA0004142539090000056
只保留高于阈值Ttrain的差值结果/>
Figure BDA0004142539090000057
Figure BDA0004142539090000058
作为网络优化的目标。其中阈值Ttrain由实验确定。
所述步骤4中，模型会根据已学到的训练特征对测试数据x'进行重建，消除模型未学习的缺陷特征，从而得到不包含缺陷的正常设备图像数据
Figure BDA0004142539090000055
在步骤5中，对重建前后的图像做差值
Figure BDA0004142539090000053
删除低于阈值Ttest的差值数据，得到缺陷所在位置/>
Figure BDA0004142539090000054
其中，阈值Ttest由实验确定。
本实施例还包括一种基于DDPM的半监督变电设备表征缺陷检测系统，如图2所示，包括：
数据采集模块，用于获取正常设备的图像数据作为样本图片；
模型构建模块，用于依据DDPM网络构建初步深度学习网络模型；
模型训练模块，用于利用样本图片对初步深度学习网络模型进行训练，获得最终深度学习网络模型；
缺陷识别模块，用于根据最终深度学习网络模型获取重建图像数据，并利用待检测的图像数据与重建图像数据的差值确定缺陷位置。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于DDPM的半监督变电设备表征缺陷检测方法，其特征在于，具体步骤为：
获取正常设备的图像数据作为样本图片；
以DDPM网络为基本框架构建初步深度学习网络模型；
利用样本图片对初步深度学习网络模型进行训练，获得最终深度学习网络模型；
将待检测的图像数据输入最终深度学习网络模型获得重建图像数据；
基于待检测的图像数据与重建图像数据的差值确定缺陷位置。
2.根据权利要求1所述的一种基于DDPM的半监督变电设备表征缺陷检测方法，其特征在于，在获得样本图片后对样本图片进行数据清洗与数据增强，并进行分类存储。
3.根据权利要求1所述的一种基于DDPM的半监督变电设备表征缺陷检测方法，其特征在于，DDPM网络包括加噪处理和去噪处理。
4.根据权利要求3所述的一种基于DDPM的半监督变电设备表征缺陷检测方法，其特征在于，加噪处理过程中使用Coarse噪声。
5.根据权利要求3所述的一种基于DDPM的半监督变电设备表征缺陷检测方法，其特征在于，加噪过程数学表达式为：
Figure FDA0004142539080000011
式中，N表示正态分布；xt为t时刻的输出图像数据；xt-1为t-1时刻的图像数据；αt为t时刻的噪音参数；αt-1为t-1时刻的噪音参数；I为单位矩阵。
6.根据权利要求3所述的一种基于DDPM的半监督变电设备表征缺陷检测方法，其特征在于，DDPM的损失函数为：
Figure FDA0004142539080000012
式中，N表示正态分布；T为加噪轮数；x0为原始图像数据；∈t为加噪过程噪声；I为单位矩阵；q(x0)为原始图像数据服从的真实分布。
7.根据权利要求1所述的一种基于DDPM的半监督变电设备表征缺陷检测方法，其特征在于，训练初步深度学习网络模型时，利用重建前后图像数据之间高于第一预设阈值的差值对DDPM网络进行优化。
8.一种基于DDPM的半监督变电设备表征缺陷检测系统，其特征在于，包括：
数据采集模块，用于获取正常设备的图像数据作为样本图片；
模型构建模块，用于依据DDPM网络构建初步深度学习网络模型；
模型训练模块，用于利用样本图片对初步深度学习网络模型进行训练，获得最终深度学习网络模型；
缺陷识别模块，用于根据最终深度学习网络模型获取重建图像数据，并利用待检测的图像数据与重建图像数据的差值确定缺陷位置。
CN202310294095.1A 2023-03-24 2023-03-24 基于ddpm的半监督变电设备表征缺陷检测方法及系统 Pending CN116309483A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310294095.1A CN116309483A (zh) 2023-03-24 2023-03-24 基于ddpm的半监督变电设备表征缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310294095.1A CN116309483A (zh) 2023-03-24 2023-03-24 基于ddpm的半监督变电设备表征缺陷检测方法及系统

Publications (1)

Publication Number Publication Date
CN116309483A true CN116309483A (zh) 2023-06-23

Family

ID=86822043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310294095.1A Pending CN116309483A (zh) 2023-03-24 2023-03-24 基于ddpm的半监督变电设备表征缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN116309483A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958131A (zh) * 2023-09-18 2023-10-27 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及存储介质
CN117437208A (zh) * 2023-11-10 2024-01-23 北京交通大学 使用多传感器融合的轨道异常检测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958131A (zh) * 2023-09-18 2023-10-27 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及存储介质
CN116958131B (zh) * 2023-09-18 2024-01-05 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及存储介质
CN117437208A (zh) * 2023-11-10 2024-01-23 北京交通大学 使用多传感器融合的轨道异常检测方法及系统
CN117437208B (zh) * 2023-11-10 2024-08-13 北京交通大学 使用多传感器融合的轨道异常检测方法及系统

Similar Documents

Publication Publication Date Title
CN108986050B (zh) 一种基于多分支卷积神经网络的图像和视频增强方法
CN116309483A (zh) 基于ddpm的半监督变电设备表征缺陷检测方法及系统
CN111709888B (zh) 一种基于改进的生成对抗网络的航拍图像去雾方法
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法
CN111242868B (zh) 暗视觉环境下基于卷积神经网络的图像增强方法
CN111861935B (zh) 一种基于图像修复技术的去雨方法
CN112991199A (zh) 一种基于残差密集网络的图像高低频分解噪声去除方法
CN105389820A (zh) 一种基于倒谱的红外图像清晰度评价方法
CN112668725A (zh) 一种基于改进特征的金属洗手盆缺陷目标训练方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN115471463A (zh) 一种基于对抗式生成网络的太阳能电池缺陷检测方法
CN118397367A (zh) 一种基于卷积视觉Mamba的篡改检测方法
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
CN114359167A (zh) 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN111612803B (zh) 一种基于图像清晰度的车辆图像语义分割方法
CN112508862B (zh) 一种通过改进gan增强裂纹磁光图像的方法
AU2021105153A4 (en) An unsupervised learning of point cloud denoising
CN115331081A (zh) 图像目标检测方法与装置
CN116029957A (zh) 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法
CN112347865A (zh) 一种基于关键点检测的票据矫正方法
CN111340137A (zh) 图像识别方法、装置及存储介质
CN112381725A (zh) 基于深度卷积对抗生成网络的图像修复方法及装置
Xu et al. Crack identification algorithm based on MASK Dodging principle and deep learning
CN114596219B (zh) 一种基于条件生成对抗网络的图像去运动模糊方法

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