基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置制造方法及图纸

本发明专利技术提供了基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置，该方法包括：从真实绝缘子样本库中获取真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成模拟绝缘子图像并进行图像质量评分排序，根据图像质量评分排序的结果筛选模拟绝缘子图像，生成模拟样本库，根据真实绝缘子样本库和模拟样本库对预设神经网络模型进行训练，并根据预设神经网络模型的训练结果，得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例，计算模拟绝缘子图像的扩充样本数量，并从模拟样本库中获取后加入真实绝缘子样本库，生成绝缘子样本扩充库。实现了对绝缘子图像样本的扩充，提高了样本图像质量，并提高了识别模型准确性，进而提高了绝缘子的识别率。

Insulator Sample Expansion Method and Device Based on Deep Convolution Generation Countermeasure Network

The invention provides an insulator sample expansion method and device based on the depth convolution generation antagonistic network. The method includes: obtaining the real insulator image from the real insulator sample library, inputting the real insulator image into the insulator depth convolution generation antagonistic network model, generating the simulated insulator image and sorting the image quality score, screening the simulated insulator according to the result of the image quality score sorting. Images are generated and the preset neural network model is trained according to the real insulator sample bank and the simulated sample bank. According to the training results of the preset neural network model, the optimal expansion ratio of the real insulator image and the simulated insulator image is obtained. The number of expanded samples of the simulated insulator image is calculated, and the real insulator image is added after acquiring from the simulated sample bank. Edge sample library is used to generate insulator sample expansion library. Expansion of insulator image samples is realized, the image quality of samples is improved, and the accuracy of recognition model is improved, thus the recognition rate of insulators is improved.

【技术实现步骤摘要】
基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置
本专利技术涉及图像识别
，具体涉及基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置。
技术介绍
绝缘子是输电线路中重要的电气绝缘及机械支撑部件，承受较大的机械张力和极高的电压，且其长期暴露在野外，运行时很容易发生故障，若不及时巡检发现绝缘子存在的安全隐患，会造成重大损失。随着智能电网的建设，无人机巡检逐步在输电线路巡检中承担重要任务以克服人工巡检效率低和危险性高的问题。随着机器学习在图像识别领域的应用，人们开始采用机器学习方式建立图像识别模型，用来识别无人机航拍图像中的绝缘子。该识别模型由训练样本进行训练得到，因此训练样本的数量和质量将影响最终生成模型的性能。然而，目前输电线路巡检中已有的绝缘子图像样本数量较少，容易出现训练不足的问题，因此需要对绝缘子图像样本进行扩充。但是，现有的图像样本扩充方法中通过对原始训练样本做“镜面”变换和“对称”变换等方式产生的虚拟训练样本，只是在倾斜方向上产生差异，目标的特征并没有随着倾斜方向的变化而变化，使得所得到的训练样本集中的模拟图像样本存在生成率低、品质差等问题，并且根据训练样本集所得到的测试模型的准确性较低。
技术实现思路
本专利技术要解决的技术问题在于克服现有技术中的绝缘子图像样本数量较少，容易出现训练不足，现有的图像样本扩充方法生成的模拟图像样本存在生成率低、品质差等问题，并且得到的测试模型的准确性较低。根据第一方面，本专利技术实施例提供了一种基于深度卷积生成对抗网络的绝缘子样本扩充方法，包括：从真实绝缘子样本库中获取各真实绝缘子图像；分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成各模拟绝缘子图像；对各所述模拟绝缘子图像进行图像质量评分排序，根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像，生成模拟样本库；根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例；根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量，计算所述模拟绝缘子图像的扩充样本数量；根据所述扩充样本数量，从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库，生成绝缘子样本扩充库。结合第一方面，在第一方面的第一实施方式中，所述绝缘子深度卷积生成对抗网络模型通过以下步骤生成：构建深度卷积神经网络对抗模型的生成模型和判别模型；采用多个所述真实绝缘子图像对所述生成模型和所述判别模型进行训练，生成训练生成模型和训练判别模型；根据所述训练生成模型和所述训练判别模型，生成所述绝缘子深度卷积生成对抗网络模型。结合第一方面，在第一方面的第二实施方式中，所述根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例，包括：从所述真实绝缘子样本库中提取第一预设数量的所述真实绝缘子图像作为测试样本集；从所述真实绝缘子样本库中提取第二预设数量的所述真实绝缘子图像作为训练基础样本集；根据从所述模拟样本库中获取的不同预设扩充比例的所述模拟绝缘子图像及所述训练基础样本集生成各训练样本集；将各所述训练样本集分别输入所述预设神经网络模型进行绝缘子识别训练，得到各训练模型；将测试样本集分别输入各所述训练模型进行绝缘子识别测试，得到各所述训练模型的测试准确率；根据各所述训练模型的测试准确率，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例。根据第二方面，本专利技术实施例提供了一种绝缘子识别模型训练方法，包括：从第一方面及第一方面的任意一种实施方式中所述的绝缘子样本扩充方法生成的绝缘子样本扩充库提取预设数量的绝缘子样本；根据所述绝缘子样本对预设神经网络模型进行训练，生成绝缘子识别模型。根据第三方面，本专利技术实施例提供了一种绝缘子识别方法，包括：获取待识别图像；根据所述待识别图像及第二方面所述的绝缘子识别模型训练方法生成的绝缘子识别模型进行图像识别，生成识别结果。根据第四方面，本专利技术实施例提供了一种基于深度卷积生成对抗网络的绝缘子样本扩充装置，包括：真实绝缘子图像获取模块，用于从真实绝缘子样本库中获取各真实绝缘子图像；模拟绝缘子图像生成模块，用于分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成各模拟绝缘子图像；模拟样本库构建模块，用于对各所述模拟绝缘子图像进行图像质量评分排序，根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像，生成模拟样本库；最优扩充比例确定模块，用于从所述真实绝缘子样本库和所述模拟样本库中获取不同比例的所述真实绝缘子图像和所述模拟绝缘子图像输入预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例；扩充样本数量计算模块，用于根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量，计算所述模拟绝缘子图像的扩充样本数量；绝缘子样本扩充库构建模块，用于根据所述扩充样本数量，从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库，生成绝缘子样本扩充库。结合第四方面，在第四方面的第一实施方式中，所述模拟绝缘子图像生成模块还包括：模型构建子模块，用于构建深度卷积神经网络对抗模型的生成模型和判别模型；训练模型生成子模块，用于采用多个所述真实绝缘子图像对所述生成模型和所述判别模型进行训练，生成训练生成模型和训练判别模型；绝缘子深度卷积生成对抗网络模型生成子模块，用于根据所述训练生成模型和所述训练判别模型，生成所述绝缘子深度卷积生成对抗网络模型。结合第四方面，在第四方面的第二实施方式中，所述最优扩充比例确定模块包括：测试样本集获取子模块，用于从所述真实绝缘子样本库中提取第一预设数量的所述真实绝缘子图像作为测试样本集；训练基础样本集获取子模块，用于从所述真实绝缘子样本库中提取第二预设数量的所述真实绝缘子图像作为训练基础样本集；训练样本集生成子模块，用于根据从所述模拟样本库中获取的不同预设扩充比例的所述模拟绝缘子图像及所述训练基础样本集生成各训练样本集；训练模型生成子模块，用于将各所述训练样本集分别输入所述预设神经网络模型进行绝缘子识别训练，得到各训练模型；测试准确率计算子模块，用于将测试样本集分别输入各所述训练模型进行绝缘子识别测试，得到各所述训练模型的测试准确率；最优扩充比例选择子模块，用于根据各所述训练模型的测试准确率，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例。根据第五方面，本专利技术实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种可选方式中所述的基于生成对抗网络的绝缘子样本扩充方法。根据第六方面，本专利技术实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行第一方面或者第一方面的任意一种可选方式中所述的基于生成对抗网络的绝缘子样本扩充方法。本专利技术技术方案，具有本文档来自技高网...

【技术保护点】
1.一种基于深度卷积生成对抗网络的绝缘子样本扩充方法，其特征在于，包括：从真实绝缘子样本库中获取各真实绝缘子图像；分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成各模拟绝缘子图像；对各所述模拟绝缘子图像进行图像质量评分排序，根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像，生成模拟样本库；根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例；根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量，计算所述模拟绝缘子图像的扩充样本数量；根据所述扩充样本数量，从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库，生成绝缘子样本扩充库。

【技术特征摘要】
1.一种基于深度卷积生成对抗网络的绝缘子样本扩充方法，其特征在于，包括：从真实绝缘子样本库中获取各真实绝缘子图像；分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成各模拟绝缘子图像；对各所述模拟绝缘子图像进行图像质量评分排序，根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像，生成模拟样本库；根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例；根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量，计算所述模拟绝缘子图像的扩充样本数量；根据所述扩充样本数量，从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库，生成绝缘子样本扩充库。2.根据权利要求1所述的基于深度卷积生成对抗网络的绝缘子样本扩充方法，其特征在于，所述绝缘子深度卷积生成对抗网络模型通过以下步骤生成：构建深度卷积神经网络对抗模型的生成模型和判别模型；采用多个所述真实绝缘子图像对所述生成模型和所述判别模型进行训练，生成训练生成模型和训练判别模型；根据所述训练生成模型和所述训练判别模型，生成所述绝缘子深度卷积生成对抗网络模型。3.根据权利要求1所述的基于深度卷积生成对抗网络的绝缘子样本扩充方法，其特征在于，所述根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例，包括：从所述真实绝缘子样本库中提取第一预设数量的所述真实绝缘子图像作为测试样本集；从所述真实绝缘子样本库中提取第二预设数量的所述真实绝缘子图像作为训练基础样本集；根据从所述模拟样本库中获取的不同预设扩充比例的所述模拟绝缘子图像及所述训练基础样本集生成各训练样本集；将各所述训练样本集分别输入所述预设神经网络模型进行绝缘子识别训练，得到各训练模型；将测试样本集分别输入各所述训练模型进行绝缘子识别测试，得到各所述训练模型的测试准确率；根据各所述训练模型的测试准确率，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例。4.一种绝缘子识别模型训练方法，其特征在于，包括：从如权利要求1-3中任一项所述的绝缘子样本扩充方法生成的绝缘子样本扩充库提取预设数量的绝缘子样本；根据所述绝缘子样本对预设神经网络模型进行训练，生成绝缘子识别模型。5.一种绝缘子识别方法，其特征在于，包括：获取待识别图像；根据所述待识别图像及如权利要求4所述的绝缘子识别模型训练方法生成的绝缘子识别模型进行图像识别，生成识别结果。6.一种基于深度卷积生成对抗网络的绝缘子样本扩充装置，其特征在于，包括：真实绝缘子图像获取模块(1)，用于从真实绝缘子样本库中获取各真实绝缘子图像；模拟绝缘子图像生成模块(2)，用于分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成各模拟绝...

【专利技术属性】
技术研发人员：吴鹏，董世文，高畅，刘思言，王博，韩强，王扬，杨青，
申请(专利权)人：全球能源互联网研究院有限公司，国网天津市电力公司，国家电网有限公司，
类型：发明
国别省市：北京,11