基于改进的条件生成对抗网络的绝缘子分割方法技术

本发明专利技术属于图像分割、高压输电线路巡检领域，具体涉及一种基于改进的条件生成对抗网络的绝缘子分割方法、系统、装置，旨在解决基于条件生成对抗网络的绝缘子分割方法分割精度差、效率低的问题。本系统方法包括获取包含绝缘子的图像，作为输入图像；基于输入图像，通过绝缘子分割模型获取绝缘子分割图像；绝缘子分割模型基于条件生成对抗网络的生成器构建；生成器基于自编码器构建，其包括编码器和解码器；编码器包括非对称卷积层、最大池化层；解码器包括非对称卷积层、上采样层；绝缘子分割模型的训练样本包括输入图像样本、及其中所包含的绝缘子的真实分割图像。本发明专利技术通过改进的条件生成对抗网络，提升了绝缘子的分割精度和效率。

Insulator segmentation method based on improved condition generation countermeasure network

【技术实现步骤摘要】
基于改进的条件生成对抗网络的绝缘子分割方法
本专利技术属于图像分割、高压输电线路巡检领域，具体涉及一种基于改进的条件生成对抗网络的绝缘子分割方法、系统、装置。
技术介绍
绝缘子在电力系统中被广泛使用，一旦损坏将导致电力网崩溃，造成严重的电力经济损失，所以检测绝缘子成为电力巡检过程中不可或缺的一个任务。随着机器人、无人机的迅速发展和图像检测技术的提高，危险复杂的人工电力巡检逐渐被机器所取代。近年来人工智能神经网络的不断发展，基于深度学习的电力巡检近几年成为了研究者们关注的焦点，如何使用深度学习将绝缘子准确的分割识别出来成为当前巡线检测的重要研究方向。图像分割在计算机视觉中是一个重要的研究课题。它主要研究为图像中的每一个像素分配一个标签的任务，对目标进行像素级的识别。图像分割方法主要可以分为三大类。首先是基于传统方法，比如”Normalizedcut”，”Grabcut”。这一类方法分割时主要使用像素级的底层信息，整个算法复杂度低，不需要训练，分割效率比较高。但是面对背景稍微复杂的图像，则需要添加辅助信息来帮助其分割，否则效果不够理想。另外一种很重要的方式是深度学习方法。目前，深度学习的图像分割方法主要有全卷积网络、自编码器网络、生成式对抗网络(GAN)。全卷积网络FCN利用反卷积层对最后一个卷积层输出的特征图进行上采样，得到与输入尺寸相同的图像，并在此图像上完成像素级的分割。FCN采用全卷积网络，成为图像分割算法中的经典算法。自编码器方法主要使用编码器来提取图像特征，得到特征图，利用解码器将特征图进行像素级的分割。这种方法相比全卷积网络复杂度更高，耗时更多。生成式对抗网络完成的图像分割一般由生成器将提取低维度的特征映射成物体的分割模型，判别器网络一般与生成器网络对称，用来区分预测的分割模型是否为真。通过不断训练，得到高质量的生成器模型，用训练得到的生成器模型完成图像分割。这种方法分割精度更高，在效率上可以得到更好的提高。但面对图像背景复杂，种类姿态多样的绝缘子图像，分割的精度和效率还是较差。因此，本专利提出一种基于改进的条件生成对抗网络的绝缘子分割方法，该方法在图像分割精度和效率上相比于现有方法有较大优势。
技术实现思路
为了解决现有技术中的上述问题，即为了解决现有基于条件生成对抗网络的绝缘子分割方法分割精度差、效率低的问题，本专利技术第一方面，提出了一种基于改进的条件生成对抗网络的绝缘子分割方法，该方法包括：步骤S100，获取包含绝缘子的图像，作为输入图像；步骤S200，基于所述输入图像，通过绝缘子分割模型获取绝缘子分割图像；所述绝缘子分割模型基于条件生成对抗网络cGAN的生成器构建；所述生成器基于自编码器构建，其包括编码器和解码器；所述编码器包括非对称卷积层、最大池化层；所述解码器包括非对称卷积层、上采样层；所述绝缘子分割模型的训练样本包括输入图像样本、及其中所包含的绝缘子的真实分割图像。在一些优选的实施方式中，所述编码器的非对称卷积层由卷积函数、批量归一化函数、线性整流函数构成；所述解码器的非对称卷积层由反卷积函数、批量归一化函数、线性整流函数构成。在一些优选的实施方式中，所述绝缘子分割模型，其训练方法为：步骤A100，获取包含绝缘子的图像，通过预设的图像增强方法构建样本集，所述样本集包括输入图像样本、及其中所包含的绝缘子的真实分割图像；将所述样本集拆分为训练样本集和测试样本集；步骤A200，基于所述训练样本集中的输入图像样本通过绝缘子分割模型获取绝缘子分割图像；将其作为绝缘子生成分割图像；步骤A300，根据所述绝缘子生成分割图像及对应训练样本的绝缘子真实分割图像，通过条件生成对抗网络cGAN的判别器得到所述绝缘子分割图像中各区域的分割结果，并获取绝缘子分割模型的损失值；步骤A400，获取当前迭代次数，若所述损失值小于预设的训练损失值阈值或所述迭代次数大于预设的训练迭代次数，输出训练好的绝缘子分割模型，将其作为第一模型，跳转步骤A500；否则基于所述损失值，通过反向传播算法，更新所述绝缘子分割模型的参数，令迭代次数加1，跳转步骤A200；步骤A500，通过所述第一模型获取所述测试样本集中所有输入图像样本的绝缘子分割图像，并将所述绝缘子分割图像和所述测试样本集中所包含的绝缘子的真实分割图像进行对比，获取mIoU评估值；步骤A600，若所述mIoU评估值大于预设的评估值，将所述第一模型作为最终训练好的绝缘子分割模型，否则，跳转步骤A200。在一些优选的实施方式中，步骤A100中“通过预设的图像增强方法构建样本集”，其方法为：获取包含绝缘子的图像，作为预处理图像样本；基于预设的亮度倍数集合，随机选取亮度倍数对所述预处理图像样本进行亮度处理，得到亮度处理图像样本；对所述预处理图像样本进行旋转，得到多张旋转处理图像样本；将所述亮度处理图像样本和所述旋转处理图像样本缩放至预设尺寸；基于缩放后的图像，构建样本集。在一些优选的实施方式中，所述条件生成对抗网络cGAN的判别器由五层卷积层组成；第一层卷积层由卷积函数、LeakyReLU函数构成，最后一层由卷积函数构成，其余三层卷积层由卷积函数、LeakyReLU函数、批量归一化函数构成。在一些优选的实施方式中，所述条件生成对抗网络cGAN的判别器其输出为16×16大小的矩阵。本专利技术的第二方面，提出了一种基于改进的条件生成对抗网络的绝缘子分割系统，该系统包括获取模块、输出模块；所述获取模块，配置为获取包含绝缘子的图像，作为输入图像；所述输出模块，配置为基于所述输入图像，通过绝缘子分割模型获取绝缘子分割图像；所述绝缘子分割模型基于条件生成对抗网络cGAN的生成器构建；所述生成器基于自编码器构建，其包括编码器和解码器；所述编码器包括非对称卷积层、最大池化层；所述解码器包括非对称卷积层、上采样层；所述绝缘子分割模型的训练样本包括输入图像样本、及其中所包含的绝缘子的真实分割图像。本专利技术的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行以实现上述的基于改进的条件生成对抗网络的绝缘子分割方法。本专利技术的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于改进的条件生成对抗网络的绝缘子分割方法。本专利技术的有益效果：本专利技术通过改进的条件生成对抗网络，提升了绝缘子的分割精度和效率。本专利技术通过构建包含非对称的卷积层的编码器、解码器，组成自编码器网络，将其作为改进的条件生成对抗网络cGAN的生成器，降低了绝缘子分割的计算量，提高分割效率。同时本专利技术将条件生成对抗网络cGAN的判别器的输出改为16×16的矩阵，可以判别生成器输出的绝缘子分割图像各区域的分割结果，基于判别器输出的结果更新生成器(绝缘子分割模型)，相较于现有的判别器输出的0、1值，训练的绝缘子模型本文档来自技高网...

【技术保护点】
1.一种基于改进的条件生成对抗网络的绝缘子分割方法，其特征在于，该方法包括以下步骤：/n步骤S100，获取包含绝缘子的图像，作为输入图像；/n步骤S200，基于所述输入图像，通过绝缘子分割模型获取绝缘子分割图像；/n所述绝缘子分割模型基于条件生成对抗网络cGAN的生成器构建；所述生成器基于自编码器构建，其包括编码器和解码器；所述编码器包括非对称卷积层、最大池化层；所述解码器包括非对称卷积层、上采样层；所述绝缘子分割模型的训练样本包括输入图像样本、及其中所包含的绝缘子的真实分割图像。/n

【技术特征摘要】
1.一种基于改进的条件生成对抗网络的绝缘子分割方法，其特征在于，该方法包括以下步骤：
步骤S100，获取包含绝缘子的图像，作为输入图像；
步骤S200，基于所述输入图像，通过绝缘子分割模型获取绝缘子分割图像；
所述绝缘子分割模型基于条件生成对抗网络cGAN的生成器构建；所述生成器基于自编码器构建，其包括编码器和解码器；所述编码器包括非对称卷积层、最大池化层；所述解码器包括非对称卷积层、上采样层；所述绝缘子分割模型的训练样本包括输入图像样本、及其中所包含的绝缘子的真实分割图像。


2.根据权利要求1所述的基于改进的条件生成对抗网络的绝缘子分割方法，其特征在于，所述编码器的非对称卷积层由卷积函数、批量归一化函数、线性整流函数构成；所述解码器的非对称卷积层由反卷积函数、批量归一化函数、线性整流函数构成。


3.根据权利要求1所述的基于改进的条件生成对抗网络的绝缘子分割方法，其特征在于，所述绝缘子分割模型，其训练方法为：
步骤A100，获取包含绝缘子的图像，通过预设的图像增强方法构建样本集，所述样本集包括输入图像样本、及其中所包含的绝缘子的真实分割图像；将所述样本集拆分为训练样本集和测试样本集；
步骤A200，基于所述训练样本集中的输入图像样本通过绝缘子分割模型获取绝缘子分割图像；将其作为绝缘子生成分割图像；
步骤A300，根据所述绝缘子生成分割图像及对应训练样本的绝缘子真实分割图像，通过条件生成对抗网络cGAN的判别器得到所述绝缘子分割图像中各区域的分割结果，并获取绝缘子分割模型的损失值；
步骤A400，获取当前迭代次数，若所述损失值小于预设的训练损失值阈值或所述迭代次数大于预设的训练迭代次数，输出训练好的绝缘子分割模型，将其作为第一模型，跳转步骤A500；否则基于所述损失值，通过反向传播算法，更新所述绝缘子分割模型的参数，令迭代次数加1，跳转步骤A200；
步骤A500，通过所述第一模型获取所述测试样本集中所有输入图像样本的绝缘子分割图像，并将所述绝缘子分割图像和所述测试样本集中所包含的绝缘子的真实分割图像进行对比，获取mIoU评估值；
步骤A600，若所述mIoU评估值大于预设的评估值，将所述第一模型作为最终训练好的绝缘子分割...

【专利技术属性】
技术研发人员：梁自泽，高子舒，杨国栋，李恩，景奉水，田雨农，王昊，孙苑淞，陆偲蓰，汪晗，龙晓宇，徐光耀，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11