一种基于生成对抗网络的输电杆塔缺陷检测方法技术

本发明专利技术公开了一种基于生成对抗网络的输电杆塔缺陷检测方法，包括下述步骤：S1，准备训练样本，将高分辨率的杆塔图片采用多种倍率的下采样，从而得到低分辨率的图片，并与原图组成训练样本对；本发明专利技术使用生成对抗网络的方法对模糊的杆塔图像进行超分辨率复原，从大量的数据中发现高低分辨率图片之间的关系，并对其进行复原；使用多个网络对输入图片进行复原，最终网络会选择一个适合的放大倍率的复原图片作为输出；使用多种不同尺寸的图片对来训练深度网络，不仅解决了训练样本不足导致训练不好的问题，而且能让网络能学习到更多的结构特征。

【技术实现步骤摘要】
一种基于生成对抗网络的输电杆塔缺陷检测方法
本专利技术涉及计算机图像处理
，具体涉及一种基于生成对抗网络的输电杆塔缺陷检测方法。
技术介绍
输电杆塔是电气设施中最重要的基础设施之一，其运行状态决定着整个电网的运行稳定和安全，对其进行安全巡检具有重要意义。巡检过程中无论是人力还是无人机对杆塔所拍摄的图片，都可能存在由于拍摄距离较远而导致图片模糊的情况，在这种情况下便无法较好地检测出杆塔存在的缺陷，例如螺丝松动、塔身腐蚀、存在鸟巢等情况，潜在地影响了杆塔的运行安全，因此有必要提供一种方法对模糊的杆塔巡检图像进行超分辨率还原，从而检测其可能存在的问题。一般来说，超分辨率复原技术主要分为两大类，即基于重建(Reconstruction-based)的方法和基于学习(Learning-based)的方法；基于重建的算法如POCS、MAP等利用一些先验知识来约束求解过程，以达到增加细节信息的目的；基于学习的算法首先需要学习高低分辨率之间的非线性降质关系，然后根据这些信息恢复高分辨率图像，随着深度学习技术的迅猛发展，基于学习的方法又可以分为基于浅层学习的方法和基于深度学习的方法，使用深度学习方法能更容易的得到高低分辨率之间的非线性降质关系。生成对抗网络(GAN)通常由一个生成器和一个鉴别器构成。生成器捕获真实数据的潜在分布，并且生成新的数据样本；鉴别器是二分器，鉴别输入数据为真是数据还是由生成器生成的样本。传统的生成对抗网络旨在从随机高斯噪声中捕获真实数据分布，其目的为生成足以以假乱真的图片。生成器和鉴别器网络结构均为卷积神经网络。目前，大部分基于无人机输电线路巡检技术的研究都是关于导线的断股和异物悬挂、绝缘子缺失等缺陷检测，而对于输电线杆塔横担处螺栓缺陷检测技术的研究却少之又少，甚至是空白的。同时，由于图片背景较为复杂，难以获得令人较为满意的检测效果；螺栓是输电线路中的重要部件，一旦出现故障隐患，将直接威胁高压电网安全，甚至造成难以估量的损失。输电线路的巡视一般采用人工巡视方式，这种方法虽简单，但是效率较低，周期较长，且需要配备大量光学设备和素质高、经验丰富的巡线人员，对人力、财力的要求较高。随着我国基于无人机的输电线路巡检技术的发展和应用，对于如何在复杂的自然背景下，利用图像处理技术，从航空影像中自动精确地提取线路设备(如导线、绝缘子等)，准确识别检测其缺陷，成为一项关键技术问题。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于生成对抗网络的输电杆塔缺陷检测方法，该方法使用多种不同尺寸的图片对来训练深度网络，不仅解决了训练样本不足导致训练不好的问题，而且能让网络能学习到更多的结构特征。本专利技术的目的通过下述技术方案实现：一种基于生成对抗网络的输电杆塔缺陷检测方法，包括下述步骤：S1，准备训练样本，将高分辨率的杆塔图片采用多种倍率的下采样，从而得到低分辨率的图片，并与原图组成训练样本对；S2，将步骤S1得到的多种倍率的训练样本对进行以下处理：将高分辨率的图片用于训练鉴别器，将低分辨率的图片用于训练生成器；S3，在训练生成网络的初始阶段，利用生成网络的损失函数来调整生成网络；在训练生成网络的调优阶段，利用生成网络的损失函数与对抗网络的损失函数的和作为损失函数调整生成网络；S4，将日常巡检的杆塔图像输入训练好的生成对抗网络中，使用生成器对杆塔图像进行高分辨率还原；S5，使用缺陷检测器对还原后的杆塔图像进行缺陷检测。优选地，所述步骤S1具体过程如下：S1.1，选用高分辨率图片进行裁剪，构成高分辨率图片序列{P1，P2，…，Pn}，其中n为高分辨率图片的数量；S1.2，使用插值方法将高分辨率图片下采样形成低分辨率图片序列{LP1，LP2，…，LPn}，其中n为低分辨率图片的数量；S1.3，将高分辨率图片与低分辨率图片组成训练图片对{(P1，LP1)，(P2，LP2)，…，(Pn，LPn)}。优选地，所述步骤S2具体过程如下：生成器和鉴别器各有一个，将步骤S1得到的多种倍率的训练样本对{(P1，LP1)，(P2，LP2)，…，(Pn，LPn)}分别用于训练鉴别器和生成器，其中高分辨率图片序列{P1，P2，…，Pn}作为鉴别器的输入训练图片；低分辨率图片序列{LP1，LP2，…，LPn}作为生成网络的输入，输出目标图片为高分辨率图片序列{P1,P2,···,Pn}。优选地，所述步骤S3中生成网络的损失函数采用生成网络的均方误差。优选地，多个倍率的生成网络包含特征提取网络和倍率放大网络，其中特征提取网络是共用的，倍率放大网络根据网络的放大倍数调整。本专利技术与现有技术相比具有以下的有益效果：本专利技术使用生成对抗网络的方法对模糊的杆塔图像进行超分辨率复原，从大量的数据中发现高低分辨率图片之间的关系，并对其进行复原；使用多个网络对输入图片进行复原，最终网络会选择一个适合的放大倍率的复原图片作为输出；使用多种不同尺寸的图片对来训练深度网络，不仅解决了训练样本不足导致训练不好的问题，而且能让网络能学习到更多的结构特征。附图说明图1为本专利技术的整体流程图；图2为本专利技术生成对抗网络的训练过程示意图；图3为本专利技术缺陷检测器的训练过程示意图；图4为本专利技术的使用过程示意图。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。如图1～4所示，一种基于生成对抗网络的输电杆塔缺陷检测方法，包括下述步骤：步骤一，准备训练样本，将高分辨率的杆塔图片采用多种倍率的下采样，从而得到低分辨率的图片，并与原图组成训练样本对；其中，所述步骤一具体过程如下：(1)选用高分辨率图片进行裁剪，构成高分辨率图片序列{P1，P2，…，Pn}，其中n为高分辨率图片的数量；(2)使用插值方法将高分辨率图片下采样形成低分辨率图片序列{LP1，LP2，…，LPn}，其中n为低分辨率图片的数量；(3)将高分辨率图片与低分辨率图片组成训练图片对{(P1，LP1)，(P2，LP2)，…，(Pn，LPn)}。步骤二，将步骤一得到的多种倍率的训练样本对进行以下处理：将高分辨率的图片用于训练鉴别器，将低分辨率的图片用于训练生成器；其中，所述步骤二具体过程如下：生成器和鉴别器各有一个，将步骤一得到的多种倍率的训练样本对{(P1，LP1)，(P2，LP2)，…，(Pn，LPn)}分别用于训练鉴别器和生成器，其中高分辨率图片序列{P1，P2，…，Pn}作为鉴别器的输入训练图片；低分辨率图片序列{LP1，LP2，…，LPn}作为生成网络的输入，输出目标图片为高分辨率图片序列{P1，P2，…，Pn}。步骤三，在训练生成网络的初始阶段，利用生成网络的损失函数来调整生成网络；在训练生成网络的调优阶段，利用生成网络的损失函数与对抗网络的损失函数的和作为损失函数调整生成网络；其中，所述步骤三中生成网络的损失函数采用生成网络的均方误差。步骤四，将日常巡检的杆塔图像输入训练好的生成对抗网络中，使用生成器对杆塔图像进行高分辨率还原；步骤五，使用缺陷检测器对还原后的杆塔图像进行缺陷检测。其中，多个倍率的生成网络包含特征提取网络和倍率放大网络，其中特征提取网络是共用的，倍率放大网络根据网络的放大倍数调整。具体来说，如图1所示，本专利技术是使用生成对抗网络对模糊的杆塔本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的输电杆塔缺陷检测方法，其特征在于，包括下述步骤：S1，准备训练样本，将高分辨率的杆塔图片采用多种倍率的下采样，从而得到低分辨率的图片，并与原图组成训练样本对；S2，将步骤S1得到的多种倍率的训练样本对进行以下处理：将高分辨率的图片用于训练鉴别器，将低分辨率的图片用于训练生成器；S3，在训练生成网络的初始阶段，利用生成网络的损失函数来调整生成网络；在训练生成网络的调优阶段，利用生成网络的损失函数与对抗网络的损失函数的和作为损失函数调整生成网络；S4，将日常巡检的杆塔图像输入训练好的生成对抗网络中，使用生成器对杆塔图像进行高分辨率还原；S5，使用缺陷检测器对还原后的杆塔图像进行缺陷检测。

【技术特征摘要】
1.一种基于生成对抗网络的输电杆塔缺陷检测方法，其特征在于，包括下述步骤：S1，准备训练样本，将高分辨率的杆塔图片采用多种倍率的下采样，从而得到低分辨率的图片，并与原图组成训练样本对；S2，将步骤S1得到的多种倍率的训练样本对进行以下处理：将高分辨率的图片用于训练鉴别器，将低分辨率的图片用于训练生成器；S3，在训练生成网络的初始阶段，利用生成网络的损失函数来调整生成网络；在训练生成网络的调优阶段，利用生成网络的损失函数与对抗网络的损失函数的和作为损失函数调整生成网络；S4，将日常巡检的杆塔图像输入训练好的生成对抗网络中，使用生成器对杆塔图像进行高分辨率还原；S5，使用缺陷检测器对还原后的杆塔图像进行缺陷检测。2.根据权利要求1所述的基于生成对抗网络的输电杆塔缺陷检测方法，其特征在于，所述步骤S1具体过程如下：S1.1，选用高分辨率图片进行裁剪，构成高分辨率图片序列{P1,P2,···,Pn}，其中n为高分辨率图片的数量；S1.2，使用插值方法将高分辨率图片下采样形成低分辨率图片序列{LP1,LP2,···,LPn...

【专利技术属性】
技术研发人员：鲁仁全，张焕坤，张斌，饶红霞，徐雍，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44