CN117252834A - 一种配电网巡检数据对抗扩充方法、系统、设备及介质 - Google Patents
一种配电网巡检数据对抗扩充方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117252834A CN117252834A CN202311226617.0A CN202311226617A CN117252834A CN 117252834 A CN117252834 A CN 117252834A CN 202311226617 A CN202311226617 A CN 202311226617A CN 117252834 A CN117252834 A CN 117252834A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- power distribution
- distribution network
- equipment
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007547 defect Effects 0.000 claims abstract description 131
- 238000009877 rendering Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 239000002131 composite material Substances 0.000 claims abstract description 13
- 238000013508 migration Methods 0.000 claims abstract description 13
- 230000005012 migration Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000002950 deficient Effects 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 abstract description 3
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种配电网巡检数据对抗扩充方法、系统、设备及介质,包括:对配电网巡检实景图像分离出目标设备及目标设备下的缺陷部件后,得到真实部件图像;对目标设备的实物图像经缺陷仿真后,得到渲染部件图像;对真实部件图像和内容图像进行风格迁移,得到渲染合成图像;根据渲染合成图像和真实部件图像训练生成式对抗网络,根据训练后的生成式对抗网络,生成包含有给定缺陷类型对应的缺陷设备及缺陷设备下缺陷部件的缺陷局部图像;将缺陷局部图像替换至配电网正常巡检图像的对应设备位置处,得到含缺陷的配电网巡检图像扩充样本。实现配电网线路缺陷样本的快速且高质量扩增。
Description
技术领域
本发明涉及配电网巡检技术领域,特别是涉及一种配电网巡检数据对抗扩充方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
虽然配电网无人机巡检产生的巡检数量大,但是由于部分缺陷因为实际场景发生概率低,一旦发生会对配网架空线路造成严重影响,所以一线现场巡视人员发现紧急缺陷会立即开展消缺,导致部分类别样本数量少,且不容易积累。基于计算机视觉的样本生成技术在电网输电等行业已得到应用。样本生成方式主要有:
(1)3D建模渲染技术,通过点云扫描设备扫描部件的点云数据,拍摄部件图像,利用专业软件进行贴图,实现建模,通过拼图方式,直接贴到无缺陷图像的场景。但是,3D建模渲染的零部件图像与背景图像有差异,人眼可识别出是合成的图像。
(2)图像拼接:利用拼图软件对图像目标进行掩盖、部件变形等操作,逐张图像进行制造。但是图像拼接效率低。
(3)对抗生成:通过构建生成器和判别器,多次迭代,对整幅图像生成。但是对抗生成网络生成的图像并非都可用,需要人工识别、筛选。
(4)实景模拟:人为制造部分缺陷并放在场景进行模拟,如对完好的绝缘子进行破坏并置于实际场景进行图像采集。但是实景模拟效率低、成本高。
发明内容
为了解决上述问题,本发明提出了一种配电网巡检数据对抗扩充方法、系统、设备及介质,应用于配电网无人机样本库缺陷样本的扩充,实现配电网线路缺陷样本的快速且高质量扩增。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种配电网巡检数据对抗扩充方法,包括:
获取配电网巡检实景图像,并分离出目标设备及目标设备下的缺陷部件后,得到真实部件图像;
获取目标设备的实物图像,且经缺陷仿真后,得到渲染部件图像;
以真实部件图像为风格图像,以渲染部件图像为内容图像进行风格迁移,得到真实风格场景的渲染合成图像;
根据渲染合成图像和真实部件图像,训练用于根据给定缺陷类型生成缺陷图像的生成式对抗网络,从而根据训练后的生成式对抗网络,生成包含有给定缺陷类型对应的缺陷设备及缺陷设备下缺陷部件的缺陷局部图像;
获取配电网正常巡检图像,将缺陷局部图像替换至配电网正常巡检图像的对应设备位置处,由此得到含缺陷的配电网巡检图像扩充样本。
作为可选择的实施方式,对目标设备的实物图像通过网格分割删除背景点云后,通过纹理映射将纹理信息自动贴到点云对应位置处,从而得到纯净且带彩色的目标设备实物图像的3D模型,并在3D模型上进行缺陷仿真。
作为可选择的实施方式,经缺陷仿真后,通过修改距离、旋转不同角度、调整光照位置和照明强度,实现缺陷仿真图像的扩增,由此得到渲染部件图像。
作为可选择的实施方式,生成式对抗网络包括判别器和生成器,将渲染合成图像和真实部件图像分别作为判别器的真实图像和语义信息,将其与生成器输出的生成图像和缺陷语义信息一起作为判别器的输入,通过生成器和判别器交互对抗迭代完成训练。
作为可选择的实施方式,缺陷局部图像替换至配电网正常巡检图像的对应设备位置处后,通过大小变换和边缘平滑处理,实现图像融合。
作为可选择的实施方式,所述大小变换包括:获取配电网正常巡检图像中对应设备处区域的长和宽,以该长和宽为目标值,判断缺陷局部图像的尺寸是否满足目标值,若缺陷局部图像的尺寸大于目标值且差值超出过大阈值,则对缺陷局部图像进行下采样处理,若缺陷局部图像的尺寸小于目标值且差值超出过小阈值,则对缺陷局部图像进行上采样处理,以得到尺寸相同的待插入图像。
作为可选择的实施方式,所述边缘平滑处理包括:划定待插入图像边缘内外N个像素的范围,将每个像素周围M个像素的均值作为该像素的值,以实现边缘平滑处理。
第二方面,本发明提供一种配电网巡检数据对抗扩充系统,包括:
真实图像获取模块,被配置为获取配电网巡检实景图像,并分离出目标设备及目标设备下的缺陷部件后,得到真实部件图像;
实物图像渲染模块,被配置为获取目标设备的实物图像,且经缺陷仿真后,得到渲染部件图像;
风格迁移模块,被配置为以真实部件图像为风格图像,以渲染部件图像为内容图像进行风格迁移,得到真实风格场景的渲染合成图像;
对抗生成模块,被配置为根据渲染合成图像和真实部件图像,训练用于根据给定缺陷类型生成缺陷图像的生成式对抗网络,从而根据训练后的生成式对抗网络,生成包含有给定缺陷类型对应的缺陷设备及缺陷设备下缺陷部件的缺陷局部图像;
扩充模块,被配置为获取配电网正常巡检图像,将缺陷局部图像替换至配电网正常巡检图像的对应设备位置处,由此得到含缺陷的配电网巡检图像扩充样本。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明创新性提出一种配电网巡检数据对抗扩充方法,设计基于部件级的样本扩充方法,缩小图像生成范围,提升图像生成速度,通过真实部件图像和渲染部件图像的风格迁移,提升配电设备3D渲染图像的真实性,通过生成式对抗网络生成高可靠性的缺陷局部图像,通过缺陷局部图像与正常巡检图像的拟合,快速生成小样本缺陷图像,扩充小样本的缺陷图像数量,实现缺陷样本的快速生成扩增。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的配电网巡检数据对抗扩充方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种配电网巡检数据对抗扩充方法,如图1所示,包括:
获取配电网巡检实景图像,并分离出目标设备及目标设备下的缺陷部件后,得到真实部件图像;
获取目标设备的实物图像,且经缺陷仿真后,得到渲染部件图像;
以真实部件图像为风格图像,以渲染部件图像为内容图像进行风格迁移,得到真实风格场景的渲染合成图像;
根据渲染合成图像和真实部件图像,训练用于根据给定缺陷类型生成缺陷图像的生成式对抗网络,从而根据训练后的生成式对抗网络,生成包含有给定缺陷类型对应的缺陷设备及缺陷设备下缺陷部件的缺陷局部图像;
获取配电网正常巡检图像,将缺陷局部图像替换至配电网正常巡检图像的对应设备位置处,由此得到含缺陷的配电网巡检图像扩充样本。
在本实施例中,配电网巡检实景图像为配电网架空线路无人机巡检实际场景产生的可见光图像,通过语义分割算法分离出目标设备及目标设备下的缺陷部件后,由此得到真实部件图像。
其中,可见光图像包括正常图像和缺陷图像,可对正常图像和缺陷图像均分离出真实部件图像。
其中,目标设备包括如挂板、避雷器等;那么,首先通过曲线标识挂板、避雷器等目标设备区域,得到挂板、避雷器等目标设备实例训练集,然后基于目标设备实例训练集,用DeepLabv3网络训练实例分割模型,实现挂板、避雷器等目标设备的自动化分离。
以“挂板-螺栓缺销子”缺陷为例,在6000*8000像素的图像中找到挂板的难度比直接找挂板上的螺栓容易,所以先定位挂板,然后在挂板范围内定位螺栓的位置。
缺陷图像可根据设备名称细分不同类别的缺陷组,为了实现样本的均衡分布,本实施例对缺陷数量基数小的设备缺陷样本进行扩增操作;如数量基数小的挂板-螺栓缺销子、避雷器-护罩脱落等缺陷;
首先,获取挂板、避雷器等目标设备的实物图像,通过网格分割、纹理映射等操作进行3D建模,构建挂板、避雷器等目标设备的3D模型;
具体地,对实物图像通过网格分割删除背景点云后,将纹理信息自动贴到点云对应位置处,从而得到纯净的、带彩色的挂板、避雷器等目标设备实物图像的3D模型;
其中,该实物图像是以单独实物拍摄得到,而非在配电网线路上的实物。
然后,进行缺陷仿真,如模拟挂板-螺栓缺销子和避雷器-护罩脱落等缺陷(可以手动移除挂板的挂板螺栓销子等方式);
再通过修改距离、旋转不同角度、光照位置、照明强度等,实现挂板-螺栓缺销子、避雷器-护罩脱落等缺陷二维图像的扩增,人工筛选出含有缺陷的可用设备图像,由此得到渲染部件图像。
但是,此时得到的图像在视觉上仍能看出与实际场景下挂板、避雷器的明显不同。由此,本实施例以真实部件图像为风格图像,以渲染部件图像为内容图像进行风格迁移,得到真实风格场景的渲染合成图像;
具体地:
(1)考虑RGB、HSV双彩色空间的像素信息,则风格图像像素信息表示为:同理可得内容图像像素信息/>
(2)评估风格图像和内容图像的内容相似性:
(3)利用Gram矩阵,计算不同响应层之间的联系,即在保留低层特征的同时去除图像内容的影响,比较二者的风格相似性;
风格相似性表示为:
(3)总损失函数;对风格图像和内容图像进行“内容+风格”的相似度评价,采用损失函数进行评价。
将内容图像和风格图像分别输入到VGG19网络中,并将网络各个层的特征图进行可视化(重构):以白噪声图像作为输入x到VGG19网络,conv4_2层的响应与原始内容图像计算出内容损失,“conv1_1,conv2_1,conv3_1,conv4_1,conv5_1”5层的响应分别与风格图像计算出风格损失,然后相加得到总风格损失,最后得到总损失,采用梯度下降优化方法求解损失函数的最小值,不断更新x,最终得到贴合真实风格场景的渲染合成图像。
在本实施例中,根据渲染合成图像和真实部件图像训练用于根据给定缺陷类型生成缺陷图像的生成式对抗网络的过程包括:
生成式对抗网络包括判别器和生成器,将渲染合成图像和真实部件图像分别作为判别器的真实图像和语义信息,将其与生成器输出的生成图像和缺陷语义信息一起作为判别器的输入,通过生成器和判别器交互对抗迭代完成训练。
生成器以CNN作为内核,输入为100*1的随机噪声,输出为生成图像,两个卷积层之间使用ReLU和BN层加快训练过程,防止模型过拟合,使用三层卷积的方式加深网络的深度,最后使用tanh作为激活函数输出生成图片。
判别器同样使用CNN作为内核,输入为64*64的真实图像和生成器输出的生成图像,输出为该生成图像属于真实或虚伪的概率,两个卷积层之间使用批量归一化层和泄漏ReLU层进行连接,通过三层卷积的方式加深网络的深度,最后通过sigmoid激活函数输出该生成图像是真实还是虚伪的概率。
由此,在训练完成后,通过给定缺陷类型生成包含有给定缺陷类型对应的缺陷设备及缺陷设备下缺陷部件的缺陷局部图像;以挂板-螺栓缺销子为例,缺陷设备为挂板,缺陷设备下的缺陷部件为螺栓。
在本实施例中,获取配电网正常巡检图像,将缺陷局部图像替换至配电网正常巡检图像的对应设备位置处,通过调整尺寸大小和边缘平滑处理,实现图像的融合。
具体地:
(1)大小变换;获取配电网正常巡检图像中对应设备处区域的长L和宽W,以L、W为目标值,判断缺陷局部图像的尺寸是否满足目标值,若缺陷局部图像的尺寸大于目标值且差值超出过大阈值,则对缺陷局部图像进行下采样处理,若缺陷局部图像的尺寸小于目标值且差值超出过小阈值,则对缺陷局部图像进行上采样处理,以得到尺寸相同的待插入图;
(2)边缘平滑处理;划定待插入图像边缘内外10个像素的范围,将每个像素周围15个像素的均值作为该像素的值,以实现图像的边缘平滑处理。
在本实施例中,获取配电网架空线路无人机图像,融合语义信息的生成器,实现小样本数据扩充,同时集成深度学习常用的仿射变换、噪声扰动、图像模糊等数据增广方法、图像标注模块、智能标注等功能,实现扩增后的小样本数据,自动生成VOC、COCO等格式样本库,方便数据迁移和模型研发。
实施例2
本实施例提供一种配电网巡检数据对抗扩充系统,包括:
真实图像获取模块,被配置为获取配电网巡检实景图像,并分离出目标设备及目标设备下的缺陷部件后,得到真实部件图像;
实物图像渲染模块,被配置为获取目标设备的实物图像,且经缺陷仿真后,得到渲染部件图像;
风格迁移模块,被配置为以真实部件图像为风格图像,以渲染部件图像为内容图像进行风格迁移,得到真实风格场景的渲染合成图像;
对抗生成模块,被配置为根据渲染合成图像和真实部件图像,训练用于根据给定缺陷类型生成缺陷图像的生成式对抗网络,从而根据训练后的生成式对抗网络,生成包含有给定缺陷类型对应的缺陷设备及缺陷设备下缺陷部件的缺陷局部图像;
扩充模块,被配置为获取配电网正常巡检图像,将缺陷局部图像替换至配电网正常巡检图像的对应设备位置处,由此得到含缺陷的配电网巡检图像扩充样本。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种配电网巡检数据对抗扩充方法,其特征在于,包括:
获取配电网巡检实景图像,并分离出目标设备及目标设备下的缺陷部件后,得到真实部件图像;
获取目标设备的实物图像,且经缺陷仿真后,得到渲染部件图像;
以真实部件图像为风格图像,以渲染部件图像为内容图像进行风格迁移,得到真实风格场景的渲染合成图像;
根据渲染合成图像和真实部件图像,训练用于根据给定缺陷类型生成缺陷图像的生成式对抗网络,从而根据训练后的生成式对抗网络,生成包含有给定缺陷类型对应的缺陷设备及缺陷设备下缺陷部件的缺陷局部图像;
获取配电网正常巡检图像,将缺陷局部图像替换至配电网正常巡检图像的对应设备位置处,由此得到含缺陷的配电网巡检图像扩充样本。
2.如权利要求1所述的一种配电网巡检数据对抗扩充方法,其特征在于,对目标设备的实物图像通过网格分割删除背景点云后,通过纹理映射将纹理信息自动贴到点云对应位置处,从而得到纯净且带彩色的目标设备实物图像的3D模型,并在3D模型上进行缺陷仿真。
3.如权利要求2所述的一种配电网巡检数据对抗扩充方法,其特征在于,经缺陷仿真后,通过修改距离、旋转不同角度、调整光照位置和照明强度,实现缺陷仿真图像的扩增,由此得到渲染部件图像。
4.如权利要求1所述的一种配电网巡检数据对抗扩充方法,其特征在于,生成式对抗网络包括判别器和生成器,将渲染合成图像和真实部件图像分别作为判别器的真实图像和语义信息,将其与生成器输出的生成图像和缺陷语义信息一起作为判别器的输入,通过生成器和判别器交互对抗迭代完成训练。
5.如权利要求1所述的一种配电网巡检数据对抗扩充方法,其特征在于,缺陷局部图像替换至配电网正常巡检图像的对应设备位置处后,通过大小变换和边缘平滑处理,实现图像融合。
6.如权利要求5所述的一种配电网巡检数据对抗扩充方法,其特征在于,所述大小变换包括:获取配电网正常巡检图像中对应设备处区域的长和宽,以该长和宽为目标值,判断缺陷局部图像的尺寸是否满足目标值,若缺陷局部图像的尺寸大于目标值且差值超出过大阈值,则对缺陷局部图像进行下采样处理,若缺陷局部图像的尺寸小于目标值且差值超出过小阈值,则对缺陷局部图像进行上采样处理,以得到尺寸相同的待插入图像。
7.如权利要求6所述的一种配电网巡检数据对抗扩充方法,其特征在于,所述边缘平滑处理包括:划定待插入图像边缘内外N个像素的范围,将每个像素周围M个像素的均值作为该像素的值,以实现边缘平滑处理。
8.一种配电网巡检数据对抗扩充系统,其特征在于,包括:
真实图像获取模块,被配置为获取配电网巡检实景图像,并分离出目标设备及目标设备下的缺陷部件后,得到真实部件图像;
实物图像渲染模块,被配置为获取目标设备的实物图像,且经缺陷仿真后,得到渲染部件图像;
风格迁移模块,被配置为以真实部件图像为风格图像,以渲染部件图像为内容图像进行风格迁移,得到真实风格场景的渲染合成图像;
对抗生成模块,被配置为根据渲染合成图像和真实部件图像,训练用于根据给定缺陷类型生成缺陷图像的生成式对抗网络,从而根据训练后的生成式对抗网络,生成包含有给定缺陷类型对应的缺陷设备及缺陷设备下缺陷部件的缺陷局部图像;
扩充模块,被配置为获取配电网正常巡检图像,将缺陷局部图像替换至配电网正常巡检图像的对应设备位置处,由此得到含缺陷的配电网巡检图像扩充样本。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226617.0A CN117252834A (zh) | 2023-09-21 | 2023-09-21 | 一种配电网巡检数据对抗扩充方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226617.0A CN117252834A (zh) | 2023-09-21 | 2023-09-21 | 一种配电网巡检数据对抗扩充方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117252834A true CN117252834A (zh) | 2023-12-19 |
Family
ID=89132564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226617.0A Pending CN117252834A (zh) | 2023-09-21 | 2023-09-21 | 一种配电网巡检数据对抗扩充方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252834A (zh) |
-
2023
- 2023-09-21 CN CN202311226617.0A patent/CN117252834A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276767B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN111046880B (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
CN113468967B (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN111259758B (zh) | 一种针对密集区域的两阶段遥感图像目标检测方法 | |
CN111524100B (zh) | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 | |
CN109389618B (zh) | 前景和背景检测方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
TW202013252A (zh) | 車牌辨識系統與方法 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN108961180B (zh) | 红外图像增强方法及系统 | |
CN110276831B (zh) | 三维模型的建构方法和装置、设备、计算机可读存储介质 | |
CN112115979B (zh) | 一种红外图像和可见图像的融合方法及设备 | |
CN112990136B (zh) | 一种目标检测方法及装置 | |
CN112396053A (zh) | 一种基于级联神经网络的环视鱼眼图像目标检测方法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN115294483A (zh) | 输电线路复杂场景的小目标识别方法及系统 | |
CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN111695374B (zh) | 监控视角中斑马线区域的分割方法、系统、介质及设备 | |
CN116189037A (zh) | 一种火焰检测的识别方法、装置及终端设备 | |
CN117252834A (zh) | 一种配电网巡检数据对抗扩充方法、系统、设备及介质 | |
CN115512302A (zh) | 基于改进YOLOX-s模型的车辆检测方法及系统 |
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 |