CN116645298B - 一种架空输电线路视频监控图像去雾方法及装置 - Google Patents
一种架空输电线路视频监控图像去雾方法及装置 Download PDFInfo
- Publication number
- CN116645298B CN116645298B CN202310920628.2A CN202310920628A CN116645298B CN 116645298 B CN116645298 B CN 116645298B CN 202310920628 A CN202310920628 A CN 202310920628A CN 116645298 B CN116645298 B CN 116645298B
- Authority
- CN
- China
- Prior art keywords
- network
- generation
- module
- image
- feature map
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 82
- 238000010586 diagram Methods 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008485 antagonism Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0475—Generative networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
- H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种架空输电线路视频监控图像去雾方法及装置,用于解决现有的架空输电线路图像去雾方法存在去雾后的图像细节信息丢失严重和颜色失真较大的技术问题。本发明包括:获取若干数量的架空输电线路的含雾图像和不含雾图像;构建结构相同的第一生成网络和第二生成网络;构建结构相同的第一对抗网络和第二对抗网络;采用第一生成网络、第一对抗网络和第二生成网络生成第一生成对抗网络;采用第二生成网络、第二对抗网络和第一生成网络生成第二生成对抗网络;采用含雾图像训练第一生成对抗网络,采用不含雾图像训练第二生成对抗网络,得到目标生成网络;将待去雾架空输电线路视频监控图像输入目标生成网络,得到去雾图像。
Description
技术领域
本发明涉及图像去雾技术领域,尤其涉及一种架空输电线路视频监控图像去雾方法及装置。
背景技术
架空输电线路是电力系统的重要组成部分,其承担着由电能传输、调节和分配的重任,一旦发生故障,直接影响电网的安全稳定运行。由于架空线路长期暴露野外环境,受自然极端恶劣天气以及人为外力破坏影响较大,导致部分架空输电线路事故频发,采用人工或者无人机巡检的方式无法解决实时掌握输电线路情况。为此,将摄像头安装在输电铁塔上,利用远程视频监控技术对故障频发的架空输电线路进行实时监测,及时发现安全隐患问题并进行处理,避免重大输电线路故障的发生。
由于野外环境复杂,经常受大雾天气的影响,导致大雾气象条件下,现场采集到的输电线路图像质量不高,直接影响人眼的观察和基于机器学习的输电线路缺陷检测系统的准确性,需要研究面向架空输电线路远程实时监控的输电线路图像去雾方法,降低大雾对采集到的输电线路图像质量的影响。现有架空输电线路图像去雾方法主要分为三类:基于图像增强的输电线路图像去雾方法、基于先验信息的输电线路图像去雾方法和基于学习的输电线路图像去雾方法。
基于图像增强的输电线路图像去雾方法主要是基于直方图均衡化,Rentinex,小波变换以及同态滤波等理论,通过提高图像的对比度,突出图像的部分细节,进而改善图像的视觉效果。此类方法相对简单,但是细节信息丢失严重,而且存在较为严重的图像视觉效果失真问题。
基于先验信息的图像去雾方法,通过利用先验信息估计大气传输系数和全局大气光值,然后使用大气散射模型获得清晰的图像,这些方法通常可以达到很好的去雾效果。在实际图像去雾中,很难获得准确的先验信息,导致基于先验信息的输电线路图像去雾方法效果不够理想。
基于机器学习的去雾方法主要利用大量的含雾以及不含雾的输电线路图像对模型进行训练,得到可以提高含雾输电线路图像质量的模型,利用该模型实现输电线路图像的去雾。基于机器学习的输电线路图像去雾方法相对于其它两类方法图像去雾效果更好,但是仍然存在一定的细节信息丢失以及颜色失真问题,影响去雾后的输电线路图像视觉效果以及后续检测任务的精度。
发明内容
本发明提供了一种架空输电线路视频监控图像去雾方法及装置,用于解决现有的架空输电线路图像去雾方法存在去雾后的图像细节信息丢失严重和颜色失真较大的技术问题。
本发明提供了一种架空输电线路视频监控图像去雾方法,包括:
获取若干数量的架空输电线路的含雾图像和不含雾图像;
构建结构相同的第一生成网络和第二生成网络;
构建结构相同的第一对抗网络和第二对抗网络;
采用所述第一生成网络、所述第一对抗网络和所述第二生成网络生成第一生成对抗网络;
采用所述第二生成网络、所述第二对抗网络和所述第一生成网络生成第二生成对抗网络;
采用所述含雾图像训练所述第一生成对抗网络,采用所述不含雾图像训练所述第二生成对抗网络,得到目标生成网络;
将待去雾架空输电线路视频监控图像输入所述目标生成网络,得到去雾图像。
可选地,所述第一生成网络包括编码器和解码器;所述将待去雾架空线路输电线路视频监控图像输入所述目标生成网络,得到去雾图像的步骤,包括:
将所述待去雾架空输电线路视频监控图像输入所述编码器,生成输出特征图;
将所述输出特征图输入所述解码器中,生成去雾图像。
可选地,所述编码器包括第一卷积层、第一批归一化层、ReLU激活函数层、第一模块组和多尺度模块;所述将所述待去雾架空输电线路视频监控图像输入所述编码器,生成输出特征图的步骤,包括:
通过所述第一卷积层、所述第一批归一化层和所述ReLU激活函数层对所述待去雾架空输电线路视频监控图像进行特征提取,得到第一特征图;
将所述第一特征图输入级联的所述第一模块组中,得到第二特征图;
将所述第二特征图输入到所述多尺度模块进行深度提取,得到输出特征图。
可选地,所述第一模块组包括多尺度特征提取模块、下采样操作层和第二卷积层;所述将所述第一特征图输入级联的所述第一模块组中,得到第二特征图的步骤,包括:
通过所述多尺度特征提取模块从所述第一特征图中提取低频特征图;
将所述低频特征图输入所述下采样操作层生成非线性特征图;
将所述非线性特征图输入所述第二卷积层,生成第二特征图。
可选地,所述解码器包括第二模块组、第三卷积层、第二批归一化层和Tanh激活函数层;所述将所述输出特征图输入所述解码器中,生成去雾图像的步骤,包括:
将所述输出特征图输入级联的第二模块组中,得到第三特征图;
通过第三卷积层、第二批量归一化层和Tanh激活函数层将所述第三特征图转化为去雾图像。
可选地,所述采用所述含雾图像训练所述第一生成对抗网络,采用所述不含雾图像训练所述第二生成对抗网络,得到目标生成网络的步骤,包括:
将所述含雾图像输入所述第一生成对抗网络,得到第一输出结果;
将所述不含雾图像输入所述第二生成对抗网络,得到第二输出结果;
根据所述第一输出结果、所述第二输出结果和预设损失函数计算损失;
根据所述损失调整所述第一生成对抗网络和所述第二生成对抗网络的参数,直至所述损失达到最小时,将对应的完成训练的第一生成网络确定为目标生成网络。
可选地,所述预设损失函数为:
;
其中,是对抗损失函数,/>是循环一致损失函数,/>是恒等损失函数,是感知损失函数,/>是颜色恒定损失函数;/>是损失函数权重;
对抗损失函数的公式为:
;
其中,是含有雾的真实架空输电线路图像,/>是不含有雾的真实架空输电线路图像,/>是第一生成网络,/>是第二生成网络,/>是第一对抗网络,/>是第二对抗网络;
;
循环一致损失函数的公式为:
;
恒等损失函数的公式为:
;
感知损失函数的公式为:
;
其中,表示VGG-16网络提取的特征图,l表示VGG-16网络的第三、四和五层网络;
颜色恒定损失函数的公式为:
;
其中,代表在去雾后的图像中通道/>的平均强度,/>代表在去雾后的图像中通道/>的平均强度。
本发明还提供了一种架空输电线路视频监控图像去雾装置,包括:
图像获取模块,用于获取若干数量的架空输电线路的含雾图像和不含雾图像;
生成网络构建模块,用于构建结构相同的第一生成网络和第二生成网络;
对抗网络构建模块,用于构建结构相同的第一对抗网络和第二对抗网络;
第一生成对抗网络构建模块,用于采用所述第一生成网络、所述第一对抗网络和所述第二生成网络生成第一生成对抗网络;
第二生成对抗网络构建模块,用于采用所述第二生成网络、所述第二对抗网络和所述第一生成网络生成第二生成对抗网络;
目标生成网络生成模块,用于采用所述含雾图像训练所述第一生成对抗网络,采用所述不含雾图像训练所述第二生成对抗网络,得到目标生成网络;
去雾模块,用于将待去雾架空输电线路视频监控图像输入所述目标生成网络,得到去雾图像。
本发明还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的架空输电线路视频监控图像去雾方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如上任一项所述的架空输电线路视频监控图像去雾方法。
从以上技术方案可以看出,本发明具有以下优点:本发明通过获取若干数量的架空输电线路的含雾图像和不含雾图像;构建结构相同的第一生成网络和第二生成网络;构建结构相同的第一对抗网络和第二对抗网络;采用第一生成网络、第一对抗网络和第二生成网络生成第一生成对抗网络;采用第二生成网络、第二对抗网络和第一生成网络生成第二生成对抗网络;采用含雾图像训练第一生成对抗网络,采用不含雾图像训练第二生成对抗网络,得到目标生成网络;将待去雾架空输电线路视频监控图像输入目标生成网络,得到去雾图像。从而更好的恢复图像的细节信息和颜色信息。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种架空输电线路视频监控图像去雾方法的步骤流程图;
图2为本发明实施例提供的生成网络的结构示意图;
图3为本发明实施例提供的多尺度特征提取模块的结构示意图;
图4为本发明实施例提供的注意力模块的结构示意图;
图5为本发明实施例提供的对抗网络的结构示意图;
图6为本发明实施例提供的生成对抗网络的结构示意图;
图7为本发明实施例提供的一种架空输电线路视频监控图像去雾装置的结构框图。
具体实施方式
本发明实施例提供了一种架空输电线路视频监控图像去雾方法及装置,用于解决现有的架空输电线路图像去雾方法存在去雾后的图像细节信息丢失严重和颜色失真较大的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种架空输电线路视频监控图像去雾方法的步骤流程图。
本发明提供的一种架空输电线路视频监控图像去雾方法,具体可以包括以下步骤:
步骤101,获取若干数量的架空输电线路的含雾图像和不含雾图像;
架空输电线路主要指架空明线,架设在地面之上,是用绝缘子将输电导线固定在直立于地面的杆塔上以传输电能的输电线路。架设及维修比较方便,成本较低,但容易受到气象和环境(如大风、雷击、污秽、冰雪等)的影响而引起故障,同时整个输电走廊占用土地面积较多,易对周边环境造成电磁干扰。
在本发明实施例中,可以在架空输电线路上架设摄像头,以采集架空输电线路视频监控图像。
当环境存在雾气干扰时,对架空输电线路采集的图像往往无法清晰反映架空输电线路的实际状况。因此需要对所采集到的图像做去雾处理。
在一个示例中,为了提高去雾效果,可以通过无监督生成对抗网络来训练相应的去雾模型,以实现对图像的去雾。在此基础上,首先需要采集架空输电线路的含雾图像和不含雾图像来作为模型的训练样本。
在具体实现中,可以从架空输电线路远程视频监控系统中挑选出不同拍摄角度、光照和背景的输电线路清晰图像以及含雾图像各20000张,并将图像裁剪成像素为512*512的图像,从裁剪后的图像中选择20000张输电线路清晰图像和15000张含雾图像组成模型训练集,剩余的5000张含雾图像作为模型测试集。
步骤102,构建结构相同的第一生成网络和第二生成网络;
在本发明实施例中,可以构建两个结构相同的生成网络,其中,第一生成网络(定义为G1)用于对含有雾的架空输电线路图像进行去雾处理,得到一个清晰的架空输电线路图像;第二生成网络(定义为G2)用于从清晰的架空输电线路图像产生含有雾的架空输电线路图像。
在一个示例中,第一生成网络和第二生成网络结构相同,其结构均如图2所示,主要由编码器和解码器组成;在编码器部分,本发明首先使用一个3×3的卷积层,用批量归一化和ReLU激活函数对图像特征进行初步提取,并将通道的数量从3个增加到32个;其次,本发明使用多尺度特征提取模块,1×1卷积,以及下采样操作来形成一个模块组,四个级联的模块组被用来进一步提取特征;模块组中的多尺度特征提取模块主要用来提取低频特征,1×1卷积是为了增加网络的非线性,下采样操作将输入特征图的大小减少到一半,并将通道数增加到原始大小的两倍,因此,四个模块组的输出特征图的大小分别为输入特征图的1/2、1/4、1/8和1/16,四个模块组的通道数分别为64、128、256和512;最后,在不改变特征图大小的情况下,用三个多尺度模块来增加网络的深度,以提取更复杂的特征信息,编码器的输出特征图被用作解码器的输入特征图。
其中,编码器中的多尺度特征提取模块如图3所示,多尺度特征提取模块包括三个不同的分支,第一个分支包括一个带有LeakyReLU激活函数的5×5卷积、一个带有LeakyReLU激活函数,空洞率为5的空洞卷积和注意力模块;第二条分支由一个带有LeakyReLU激活函数的3×3卷积和、一个带有LeakyReLU激活函数,空洞率为3的空洞卷积和一个注意模块组成;第三个分支包括一个带有LeakyReLU激活函数的1×1卷积,一个具有LeakyReLU激活函数,空洞率为1的空洞卷积和一个注意力模块;空洞卷积是为了增加感受野以获得更多的低频信息,在该多尺度特征提取模块中使用的标准卷积不仅用于提取特征,还用于减少空洞卷积的棋盘效应,注意力模块可以使网络专注于重要的特征信息,以提取更有效的特征,最后,由三个分支提取的特征通过元素相加的操作进行融合。
在解码器部分,本发明是使用上采用操作、多尺度特征提取模块和1×1卷积来组成一个新的模块组;四个新的模块组被用来提取高频特征信息,在新的模块组中,上采样操作是用来增加特征图的大小和减少通道的数量,1×1卷积是为了增加网络的非线性,多尺度特征提取模块用来继续提取特征,四个新模块组的通道数分别为256、128、64、32;四个模块组的输出特征图的大小分别为解码器部分的输入特征图大小的2、4、8、16倍;为了减少特征信息的损失,本发明使用四个跳跃连接和注意力模块来将编码器提取的特征进行处理后与解码器提取的特征进行融合,最后,通过一个3×3的卷积层、批归一化和Tanh激活函数从提取的特征中恢复出清晰的架空输电线路图像。
其中,解码器中的注意力模块的结构如图4所示,注意力模块由通道注意模块和空间注意模块组成;通道注意模块的作用是改善通道维度上的特征表示,通道注意模块由两个分支组成,第一个分支包括最大池化、1×1卷积、ReLU激活函数和1×1卷积;第二个分支由平均池化、1×1卷积、ReLU激活函数和1×1卷积组成;最大池化和平均池化分别用于提取纹理信息和背景特征信息,在两个分支中使用的1×1卷积是为了改变通道的数量以提高通道之间的相关性,本发明使用元素求和操作来融合提取的特征,最后,使用sigmoid函数从融合后的特征中获得通道注意力权重,通道注意权重与输入特征图相乘,得到新的特征图,新的特征图被用作空间注意模块的输入特征图;空间注意模块是为了改善空间维度上的特征表示,空间注意模块由最大池化层、卷积和sigmoid函数组成,在空间注意模块中,最大池化层被用来提取空间维度上的纹理信息。
步骤103,构建结构相同的第一对抗网络和第二对抗网络;
在本发明实施例中,而已构建两个结构相同的对抗网络;第一对抗网络(定义为D1)用于判断输入图像是真实的不含雾的架空输电线路图像还是生成的不含雾的架空输电线路图像;第二对抗网络(定义为D2)用于判断输入图像是真实的含雾图像还是生成的含雾图像。
在一个示例中,第一对抗网络和第二对抗网络结构相同,其结构均如图5所示,首先是由三个分支组成的模块,第一个分支由两个带有LeakyReLU函数的3×3卷积和一个1×1卷积组成;第二个分支由一个带有LeakyReLU函数的3×3卷积和一个1×1卷积组成,第三个分支由一个1×1的卷积组成,三个分支的感受野分别为:5×5、3×3和1×1, 本发明用这三个分支来提取不同尺度的特征,三个分支的输出特征图具有相同的通道数,通道数为32,所有分支的特征图的大小为256×256,最后,利用拼接操作来融合三个分支的特征图;为了降低冗余信息的干扰,本发明利用图4中的注意力模块对拼接后的特征图进行处理;为了进一步提取特征,本发明先构建了一个由3×3卷积,批量归一化和LeakyReLU函数组成的模块,采用三个该级联模块提取深度特征信息,最后用一个1×1的卷积从提取的特征中判断输入图像是生成的图像还是真实的图像。
步骤104,采用第一生成网络、第一对抗网络和第二生成网络生成第一生成对抗网络;
步骤105,采用第二生成网络、第二对抗网络和第一生成网络生成第二生成对抗网络;
在构建了第一生成生成网络、第二生成网络、第一对抗网络和第二对抗网络后,可以采用第一生成网络、第一对抗网络和第二生成网络来生成第一生成对抗网络;以及采用第二生成网络、第二对抗网络和第一生成网络来生成第一生成对抗网络。在一个示例中,由第一生成对抗网络和第二生成对抗网络构成的完整的生成对抗网络如图6所示。
步骤106,采用含雾图像训练第一生成对抗网络,采用不含雾图像训练第二生成对抗网络,得到目标生成网络;
在生成第一生成对抗网络和第二生成对抗网络后,可以采用含雾图像训练第一生成对抗网络,采用不含雾图像训练第二生成对抗网络,从而得到最优的生成网络和对抗网络模型参数。
在一个示例中,步骤106可以包括以下子步骤:
S61,将含雾图像输入第一生成对抗网络,得到第一输出结果;
S62,将不含雾图像输入第二生成对抗网络,得到第二输出结果;
S63,根据第一输出结果、第二输出结果和预设损失函数计算损失;
S64,根据损失调整第一生成对抗网络和第二生成对抗网络的参数,直至损失达到最小时,将对应的完成训练的第一生成网络确定为目标生成网络。
其中,预设损失函数为:
;
其中,是对抗损失函数,/>是循环一致损失函数,/>是恒等损失函数,是感知损失函数,/>是颜色恒定损失函数;/>是损失函数权重;
对抗损失函数的公式为:
;
其中,是含有雾的真实架空输电线路图像,/>是不含有雾的真实架空输电线路图像,/>是第一生成网络,/>是第二生成网络,/>是第一对抗网络,/>是第二对抗网络;
;
循环一致损失函数的公式为:
;
恒等损失函数的公式为:
;
感知损失函数的公式为:
;
其中,表示VGG-16网络提取的特征图,l表示VGG-16网络的第三、四和五层网络;
颜色恒定损失函数的公式为:
;
其中,代表在去雾后的图像中通道/>的平均强度,/>代表在去雾后的图像中通道/>的平均强度。
本发明在常规的生成对抗网络损失函数中引入颜色恒定损失函数,从而使得模型能够在图像去雾的同时更好地恢复图像的细节信息以及颜色信息,提高去雾后输电线路图像的质量,降低大雾天气对架空输电线路图像质量的影响。
进一步地,为了实现更好的模型训练效果,可以将测试集中的含雾图像输入到已训练的目标生成网络中,对基于目标生成网络的架空输电线路图像去雾性能进行评估,如果性能满足要求,则将该目标生成网络作为最终模型,否则调整模型参数,重新训练。
步骤107,将待去雾架空输电线路视频监控图像输入目标生成网络,得到去雾图像。
在训练得到目标生成网络后,可以将待去雾架空输电线路视频监控图像输入到目标生成网络中,以得到去雾图像。
在一个示例中,第一生成网络包括编码器和解码器;将待去雾架空线路输电线路视频监控图像输入目标生成网络,得到去雾图像的步骤,包括:
S71,将待去雾架空输电线路视频监控图像输入编码器,生成输出特征图;
S72,将输出特征图输入解码器中,生成去雾图像。
进一步地,编码器包括第一卷积层、第一批归一化层、ReLU激活函数层、第一模块组和多尺度模块;将待去雾架空输电线路视频监控图像输入编码器,生成输出特征图的步骤,包括:
S711,通过第一卷积层、第一批归一化层和ReLU激活函数层对待去雾架空输电线路视频监控图像进行特征提取,得到第一特征图;
S712,将第一特征图输入级联的第一模块组中,得到第二特征图;
S713,将第二特征图输入到多尺度模块进行深度提取,得到输出特征图。
进一步地,第一模块组包括多尺度特征提取模块、下采样操作层和第二卷积层;将第一特征图输入级联的第一模块组中,得到第二特征图的步骤,包括:
S7121,通过多尺度特征提取模块从第一特征图中提取低频特征图;
S7122,将低频特征图输入下采样操作层生成非线性特征图;
S7123,将非线性特征图输入第二卷积层,生成第二特征图。
进一步地,解码器包括第二模块组、第三卷积层、第二批归一化层和Tanh激活函数层;将输出特征图输入解码器中,生成去雾图像的步骤,包括:
S721,将输出特征图输入级联的第二模块组中,得到第三特征图;
S722,通过第三卷积层、第二批量归一化层和Tanh激活函数层将第三特征图转化为去雾图像。
本发明通过获取若干数量的架空输电线路的含雾图像和不含雾图像;构建结构相同的第一生成网络和第二生成网络;构建结构相同的第一对抗网络和第二对抗网络;采用第一生成网络、第一对抗网络和第二生成网络生成第一生成对抗网络;采用第二生成网络、第二对抗网络和第一生成网络生成第二生成对抗网络;采用含雾图像训练第一生成对抗网络,采用不含雾图像训练第二生成对抗网络,得到目标生成网络;将待去雾架空输电线路视频监控图像输入目标生成网络,得到去雾图像。从而更好的恢复图像的细节信息和颜色信息。
请参阅图7,图7为本发明实施例提供的一种架空输电线路视频监控图像去雾装置的结构框图。
本发明实施例提供了一种架空输电线路视频监控图像去雾装置,包括:
图像获取模块701,用于获取若干数量的架空输电线路的含雾图像和不含雾图像;
生成网络构建模块702,用于构建结构相同的第一生成网络和第二生成网络;
对抗网络构建模块703,用于构建结构相同的第一对抗网络和第二对抗网络;
第一生成对抗网络构建模块704,用于采用第一生成网络、第一对抗网络和第二生成网络生成第一生成对抗网络;
第二生成对抗网络构建模块705,用于采用第二生成网络、第二对抗网络和第一生成网络生成第二生成对抗网络;
目标生成网络生成模块706,用于采用含雾图像训练第一生成对抗网络,采用不含雾图像训练第二生成对抗网络,得到目标生成网络;
去雾模块707,用于将待去雾架空输电线路视频监控图像输入目标生成网络,得到去雾图像。
在本发明实施例中,第一生成网络包括编码器和解码器;去雾模块707,包括:
输出特征图生成子模块,用于将待去雾架空输电线路视频监控图像输入编码器,生成输出特征图;
去雾图像生成子模块,用于将输出特征图输入解码器中,生成去雾图像。
在本发明实施例中,编码器包括第一卷积层、第一批归一化层、ReLU激活函数层、第一模块组和多尺度模块;输出特征图生成子模块,包括:
第一特征图提取单元,用于通过第一卷积层、第一批归一化层和ReLU激活函数层对待去雾架空输电线路视频监控图像进行特征提取,得到第一特征图;
第二特征图提取单元,用于将第一特征图输入级联的第一模块组中,得到第二特征图;
输出特征图提取单元,用于将第二特征图输入到多尺度模块进行深度提取,得到输出特征图。
在本发明实施例中,第一模块组包括多尺度特征提取模块、下采样操作层和第二卷积层;第二特征图提取单元,包括:
低频特征图提取子单元,用于通过多尺度特征提取模块从第一特征图中提取低频特征图;
非线性特征图生成子单元,用于将低频特征图输入下采样操作层生成非线性特征图;
第二特征图生成子单元,用于将非线性特征图输入第二卷积层,生成第二特征图。
在本发明实施例中,解码器包括第二模块组、第三卷积层、第二批归一化层和Tanh激活函数层;去雾图像生成子模块,包括:
第三特征图生成单元,用于将输出特征图输入级联的第二模块组中,得到第三特征图;
去雾图像生成单元,用于通过第三卷积层、第二批量归一化层和Tanh激活函数层将第三特征图转化为去雾图像。
在本发明实施例中,目标生成网络生成模块706,包括:
第一输出结果生成子模块,用于将含雾图像输入第一生成对抗网络,得到第一输出结果;
第二输出结果生成子模块,用于将不含雾图像输入第二生成对抗网络,得到第二输出结果;
损失计算子模块,用于根据第一输出结果、第二输出结果和预设损失函数计算损失;
目标生成网络生成子模块,用于根据损失调整第一生成对抗网络和第二生成对抗网络的参数,直至损失达到最小时,将对应的完成训练的第一生成网络确定为目标生成网络。
本发明实施例还提供了一种电子设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明实施例的架空输电线路视频监控图像去雾方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明实施例的架空输电线路视频监控图像去雾方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种架空输电线路视频监控图像去雾方法,其特征在于,包括:
获取若干数量的架空输电线路的含雾图像和不含雾图像;
构建结构相同的第一生成网络和第二生成网络;
构建结构相同的第一对抗网络和第二对抗网络;
采用所述第一生成网络、所述第一对抗网络和所述第二生成网络生成第一生成对抗网络;
采用所述第二生成网络、所述第二对抗网络和所述第一生成网络生成第二生成对抗网络;
采用所述含雾图像训练所述第一生成对抗网络,采用所述不含雾图像训练所述第二生成对抗网络,得到目标生成网络;
将待去雾架空输电线路视频监控图像输入所述目标生成网络,得到去雾图像;
其中,所述第一生成网络包括编码器和解码器;所述将待去雾架空输电线路视频监控图像输入所述目标生成网络,得到去雾图像的步骤,包括:
将所述待去雾架空输电线路视频监控图像输入所述编码器,生成输出特征图;
将所述输出特征图输入所述解码器中,生成去雾图像;
其中,所述编码器包括第一卷积层、第一批归一化层、ReLU激活函数层、第一模块组和多尺度模块;将所述待去雾架空输电线路视频监控图像输入所述编码器,生成输出特征图的步骤,包括:
通过所述第一卷积层、所述第一批归一化层和所述ReLU激活函数层对所述待去雾架空输电线路视频监控图像进行特征提取,得到第一特征图;
将所述第一特征图输入级联的所述第一模块组中,得到第二特征图;所述第一模块组包括多尺度特征提取模块、下采样操作层和第二卷积层;
将所述第二特征图输入到所述多尺度模块进行深度提取,得到输出特征图;多尺度模块包括三个不同的分支,第一个分支包括一个带有LeakyReLU激活函数的5×5卷积、一个带有LeakyReLU激活函数,空洞率为5的空洞卷积和一个注意力模块;第二条分支由一个带有LeakyReLU激活函数的3×3卷积、一个带有LeakyReLU激活函数,空洞率为3的空洞卷积和一个注意模块组成;第三个分支包括一个带有LeakyReLU激活函数的1×1卷积,一个具有LeakyReLU激活函数,空洞率为1的空洞卷积和一个注意力模块;
其中,所述将所述第一特征图输入级联的所述第一模块组中,得到第二特征图的步骤,包括:
通过所述多尺度特征提取模块从所述第一特征图中提取低频特征图;
将所述低频特征图输入所述下采样操作层生成非线性特征图;
将所述非线性特征图输入所述第二卷积层,生成第二特征图;
其中,所述解码器包括第二模块组、第三卷积层、第二批归一化层和Tanh激活函数层;所述将所述输出特征图输入所述解码器中,生成去雾图像的步骤,包括:
将所述输出特征图输入级联的第二模块组中,得到第三特征图;
通过第三卷积层、第二批量归一化层和Tanh激活函数层将所述第三特征图转化为去雾图像。
2.根据权利要求1所述的方法,其特征在于,所述采用所述含雾图像训练所述第一生成对抗网络,采用所述不含雾图像训练所述第二生成对抗网络,得到目标生成网络的步骤,包括:
将所述含雾图像输入所述第一生成对抗网络,得到第一输出结果;
将所述不含雾图像输入所述第二生成对抗网络,得到第二输出结果;
根据所述第一输出结果、所述第二输出结果和预设损失函数计算损失;
根据所述损失调整所述第一生成对抗网络和所述第二生成对抗网络的参数,直至所述损失达到最小时,将对应的完成训练的第一生成网络确定为目标生成网络。
3.根据权利要求2所述的方法,其特征在于,所述预设损失函数为:
;
其中,是对抗损失函数,/>是循环一致损失函数,/>是恒等损失函数,/>是感知损失函数,/>是颜色恒定损失函数;/>是损失函数权重;
对抗损失函数的公式为:
;
其中,是含有雾的真实架空输电线路图像,/>是不含有雾的真实架空输电线路图像,是第一生成网络,/>是第二生成网络,/>是第一对抗网络,/>是第二对抗网络;
;
循环一致损失函数的公式为:
;
恒等损失函数的公式为:
;
感知损失函数的公式为:
;
其中,表示VGG-16网络提取的特征图,l表示VGG-16网络的第三、四和五层网络;
颜色恒定损失函数的公式为:
;
其中,代表在去雾后的图像中通道/>的平均强度,/>代表在去雾后的图像中通道的平均强度,/>为成对颜色通道的集合,其中,R、G、B为颜色通道,(R,G)、(R,B)、(B,G)为成对颜色通道。
4.一种架空输电线路视频监控图像去雾装置,其特征在于,包括:
图像获取模块,用于获取若干数量的架空输电线路的含雾图像和不含雾图像;
生成网络构建模块,用于构建结构相同的第一生成网络和第二生成网络;
对抗网络构建模块,用于构建结构相同的第一对抗网络和第二对抗网络;
第一生成对抗网络构建模块,用于采用所述第一生成网络、所述第一对抗网络和所述第二生成网络生成第一生成对抗网络;
第二生成对抗网络构建模块,用于采用所述第二生成网络、所述第二对抗网络和所述第一生成网络生成第二生成对抗网络;
目标生成网络生成模块,用于采用所述含雾图像训练所述第一生成对抗网络,采用所述不含雾图像训练所述第二生成对抗网络,得到目标生成网络;
去雾模块,用于将待去雾架空输电线路视频监控图像输入所述目标生成网络,得到去雾图像;
其中,第一生成网络包括编码器和解码器;去雾模块,包括:
输出特征图生成子模块,用于将待去雾架空输电线路视频监控图像输入编码器,生成输出特征图;
去雾图像生成子模块,用于将输出特征图输入解码器中,生成去雾图像;
其中,编码器包括第一卷积层、第一批归一化层、ReLU激活函数层、第一模块组和多尺度模块;输出特征图生成子模块,包括:
第一特征图提取单元,用于通过第一卷积层、第一批归一化层和ReLU激活函数层对待去雾架空输电线路视频监控图像进行特征提取,得到第一特征图;
第二特征图提取单元,用于将第一特征图输入级联的第一模块组中,得到第二特征图;所述第一模块组包括多尺度特征提取模块、下采样操作层和第二卷积层;
输出特征图提取单元,用于将第二特征图输入到多尺度模块进行深度提取,得到输出特征图;多尺度模块包括三个不同的分支,第一个分支包括一个带有LeakyReLU激活函数的5×5卷积、一个带有LeakyReLU激活函数,空洞率为5的空洞卷积和一个注意力模块;第二条分支由一个带有LeakyReLU激活函数的3×3卷积、一个带有LeakyReLU激活函数,空洞率为3的空洞卷积和一个注意模块组成;第三个分支包括一个带有LeakyReLU激活函数的1×1卷积,一个具有LeakyReLU激活函数,空洞率为1的空洞卷积和一个注意力模块;
其中,第二特征图提取单元,包括:
低频特征图提取子单元,用于通过多尺度特征提取模块从第一特征图中提取低频特征图;
非线性特征图生成子单元,用于将低频特征图输入下采样操作层生成非线性特征图;
第二特征图生成子单元,用于将非线性特征图输入第二卷积层,生成第二特征图;
其中,解码器包括第二模块组、第三卷积层、第二批归一化层和Tanh激活函数层;去雾图像生成子模块,包括:
第三特征图生成单元,用于将输出特征图输入级联的第二模块组中,得到第三特征图;
去雾图像生成单元,用于通过第三卷积层、第二批量归一化层和Tanh激活函数层将第三特征图转化为去雾图像。
5.一种电子设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-3任一项所述的架空输电线路视频监控图像去雾方法。
6.一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用于存储程序代码,所述程序代码用于执行权利要求1-3任一项所述的架空输电线路视频监控图像去雾方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310920628.2A CN116645298B (zh) | 2023-07-26 | 2023-07-26 | 一种架空输电线路视频监控图像去雾方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310920628.2A CN116645298B (zh) | 2023-07-26 | 2023-07-26 | 一种架空输电线路视频监控图像去雾方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645298A CN116645298A (zh) | 2023-08-25 |
CN116645298B true CN116645298B (zh) | 2024-01-26 |
Family
ID=87640374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310920628.2A Active CN116645298B (zh) | 2023-07-26 | 2023-07-26 | 一种架空输电线路视频监控图像去雾方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645298B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN111709888A (zh) * | 2020-06-03 | 2020-09-25 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于改进的生成对抗网络的航拍图像去雾方法 |
CN112085678A (zh) * | 2020-09-04 | 2020-12-15 | 国网福建省电力有限公司检修分公司 | 一种适用于电力设备机巡图像去雨滴的方法及系统 |
CN112150379A (zh) * | 2020-09-22 | 2020-12-29 | 武汉工程大学 | 基于感知判别增强生成对抗网络的图像去雾方法及装置 |
WO2021248938A1 (zh) * | 2020-06-10 | 2021-12-16 | 南京邮电大学 | 一种融合特征金字塔的生成对抗网络图像去雾方法 |
CN114004760A (zh) * | 2021-10-22 | 2022-02-01 | 北京工业大学 | 图像去雾方法、电子设备、存储介质和计算机程序产品 |
CN114266933A (zh) * | 2021-12-10 | 2022-04-01 | 河南垂天科技有限公司 | 一种基于深度学习改进的gan图像去雾算法 |
CN114862695A (zh) * | 2022-04-07 | 2022-08-05 | 华南理工大学 | 一种基于场景深度的单图像去雨雾方法、设备及存储介质 |
CN115018727A (zh) * | 2022-06-14 | 2022-09-06 | 中国地质大学(武汉) | 一种多尺度图像修复方法、存储介质及终端 |
CN115330620A (zh) * | 2022-08-11 | 2022-11-11 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法 |
WO2022267641A1 (zh) * | 2021-06-25 | 2022-12-29 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法及系统 |
CN116167927A (zh) * | 2022-11-23 | 2023-05-26 | 中国铁塔股份有限公司重庆市分公司 | 一种基于混合双通道注意力机制的图像去雾方法及系统 |
CN116309171A (zh) * | 2023-03-22 | 2023-06-23 | 广东电网有限责任公司 | 一种输电线路监控图像增强方法和装置 |
CN116309170A (zh) * | 2023-03-22 | 2023-06-23 | 广东电网有限责任公司 | 一种输电线路巡检图像去雾方法和装置 |
CN116363011A (zh) * | 2023-04-06 | 2023-06-30 | 福州大学 | 一种基于频域分频的多分支低照度图像增强方法 |
-
2023
- 2023-07-26 CN CN202310920628.2A patent/CN116645298B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN111709888A (zh) * | 2020-06-03 | 2020-09-25 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于改进的生成对抗网络的航拍图像去雾方法 |
WO2021248938A1 (zh) * | 2020-06-10 | 2021-12-16 | 南京邮电大学 | 一种融合特征金字塔的生成对抗网络图像去雾方法 |
CN112085678A (zh) * | 2020-09-04 | 2020-12-15 | 国网福建省电力有限公司检修分公司 | 一种适用于电力设备机巡图像去雨滴的方法及系统 |
CN112150379A (zh) * | 2020-09-22 | 2020-12-29 | 武汉工程大学 | 基于感知判别增强生成对抗网络的图像去雾方法及装置 |
WO2022267641A1 (zh) * | 2021-06-25 | 2022-12-29 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法及系统 |
CN114004760A (zh) * | 2021-10-22 | 2022-02-01 | 北京工业大学 | 图像去雾方法、电子设备、存储介质和计算机程序产品 |
CN114266933A (zh) * | 2021-12-10 | 2022-04-01 | 河南垂天科技有限公司 | 一种基于深度学习改进的gan图像去雾算法 |
CN114862695A (zh) * | 2022-04-07 | 2022-08-05 | 华南理工大学 | 一种基于场景深度的单图像去雨雾方法、设备及存储介质 |
CN115018727A (zh) * | 2022-06-14 | 2022-09-06 | 中国地质大学(武汉) | 一种多尺度图像修复方法、存储介质及终端 |
CN115330620A (zh) * | 2022-08-11 | 2022-11-11 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法 |
CN116167927A (zh) * | 2022-11-23 | 2023-05-26 | 中国铁塔股份有限公司重庆市分公司 | 一种基于混合双通道注意力机制的图像去雾方法及系统 |
CN116309171A (zh) * | 2023-03-22 | 2023-06-23 | 广东电网有限责任公司 | 一种输电线路监控图像增强方法和装置 |
CN116309170A (zh) * | 2023-03-22 | 2023-06-23 | 广东电网有限责任公司 | 一种输电线路巡检图像去雾方法和装置 |
CN116363011A (zh) * | 2023-04-06 | 2023-06-30 | 福州大学 | 一种基于频域分频的多分支低照度图像增强方法 |
Non-Patent Citations (2)
Title |
---|
基于空洞 Inception 注意力 U-Net 的遥感图像目标分割方法;李萍 等;《弹箭与制导学报》;第1-10页 * |
基于空洞空间金字塔池化和多头自注意力的特征提取网络;万黎明 等;《计算机应用》;第42卷;第79-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116645298A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
Zhu et al. | Extreme weather recognition using convolutional neural networks | |
CN111597932A (zh) | 基于卷积神经网络的道路裂缝图像识别方法、装置及系统 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN113936302A (zh) | 行人重识别模型的训练方法、装置、计算设备及存储介质 | |
CN117409083B (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
CN116245871A (zh) | 基于改进yolox算法的输电线路异常目标检测方法 | |
CN115830535A (zh) | 一种变电站周边区域积水检测方法、系统、设备及介质 | |
CN116645298B (zh) | 一种架空输电线路视频监控图像去雾方法及装置 | |
CN112651337A (zh) | 应用于训练线路异物目标检测模型的样本集构建方法 | |
CN115984672B (zh) | 基于深度学习的高清图像内小目标的检测方法和装置 | |
CN109919936B (zh) | 一种复合绝缘子运行状态的分析方法、装置及设备 | |
CN108693441B (zh) | 一种输电线路绝缘子识别方法及系统 | |
CN116206214A (zh) | 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、系统、设备及介质 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN115565082A (zh) | 一种卫星遥感图像云噪声去除方法、系统和装置 | |
CN111898671B (zh) | 激光成像仪和彩色相机编码融合目标识别方法及系统 | |
CN113744152A (zh) | 一种潮水图像去噪处理方法、终端及计算机可读存储介质 | |
CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
Wang et al. | High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
Yu et al. | Disparity estimation method of electric inspection robot based on lightweight neural network | |
CN111797925B (zh) | 一种电力系统视觉图像分类方法及装置 | |
CN115082695A (zh) | 一种基于改进Yolov5的变电站绝缘子串建模及检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |