基于生成对抗网络的红外图像电力设备分割方法技术

基于生成对抗网络的红外图像电力设备分割方法，包括以下步骤：S1：准备网络输入数据；S2：构建生成对抗模型:Cycle‑Gan；S3：设计热成像图像语义分割模型；S4：设计分割网络的损失函数。本发明专利技术中，解决对于热成像图像如何消除不同模态数据之间的差异充分利用现有的预训练分割模型，利用生成对抗网络建立不同模态数据之间的联系，使得热成像图像可以充分利用现有的基于自然图像语义分割模型的优势，实现性能更加优越的热成像图像语义分割模型。

Power equipment segmentation method of infrared image based on generation countermeasure network

【技术实现步骤摘要】
基于生成对抗网络的红外图像电力设备分割方法
本专利技术涉及图像处理
，尤其涉及基于生成对抗网络的红外图像电力设备分割方法。
技术介绍
对于电力系统，智能巡检机器人、无人机等技术正在逐步替代低效的人工巡检。为了更加全面的监控电力系统中设备的异常，除了在正常光照条件下收集自然图像，在光照条件不理想的情况下通过红外检测及诊断技术收集热成像图像也在被实际运用中被采用。收集的热成像图中包含了设备是否异常的信息，运用人工智能技术实现热成像图像的自动异常检测具有显得尤为重要。要实现热成像图像的智能化分析，对其图像进行语义分割是一个必不可少的步骤。图像语义分割，是利用计算机视觉技术预测图像每个像素点所属的类别的技术，是一项典型的稠密预测任务。该项技术是实现计算机图像理解的基础，今年来随着深度学习技术的快速发展，其性能被显著提升，已经可以在某些特定领域运用到实际的运用场景中。生成对抗网络是今年来很火热的一项计算机视觉处理技术，其旨在使得计算机可以自动生成形态各异的图像。尤其是循环生成对抗网络(Cycle-GAN)在训练的过程中不需要成对的数据，该特本文档来自技高网...

【技术保护点】
1.基于生成对抗网络的红外图像电力设备分割方法，其特征在于，包括以下步骤：/nS1：准备网络输入数据；采用部署在电力系统中视频监控设备和红外检测设备收集的电力设备的自然图像数据集和热成像图像数据集；将所有的图像大小归一化为320mm×320mm，将其值减去均值除以方差，适应网络的输入；/nS2：构建生成对抗模型:Cycle-Gan；/nCycle-Gan的网络结构包括第一生成对抗网络和第二生成对抗网络，第一生成对抗网络和第二生成对抗网络形成循环的模型；第一生成对抗网络和第二生成对抗网络均由生成器和鉴别器构成；第一生成对抗网络由彩色图像生成热成像图像的网络，包括生成器网络G

【技术特征摘要】
1.基于生成对抗网络的红外图像电力设备分割方法，其特征在于，包括以下步骤：
S1：准备网络输入数据；采用部署在电力系统中视频监控设备和红外检测设备收集的电力设备的自然图像数据集和热成像图像数据集；将所有的图像大小归一化为320mm×320mm，将其值减去均值除以方差，适应网络的输入；
S2：构建生成对抗模型:Cycle-Gan；
Cycle-Gan的网络结构包括第一生成对抗网络和第二生成对抗网络，第一生成对抗网络和第二生成对抗网络形成循环的模型；第一生成对抗网络和第二生成对抗网络均由生成器和鉴别器构成；第一生成对抗网络由彩色图像生成热成像图像的网络，包括生成器网络Gvt和鉴别器网路Dvt；第二生成对抗网络由热成像图生成彩色图像的网络，包括生成器网络Gtv和鉴别器网路DtV；
Cycle-Gan的网络结构中，对构成生成器的编码解码结构网络，利用ResNet50网络的特征提取层作为编码网络，利用对应的反卷积网络作为解码网络，同时将网络中的批归一化替换成实例归一化，以得到生成结果；其中，编码解码结构包括编码器和解码器；
Cycle-Gan的网络结构中的鉴别器采用VGG19网络结构；网络的输出包括判断真假的分支和分类的分支，用于图像生成真实的对应模态的图像，并且身份标签不发生改变；
S3：设计热成像图像语义分割模型；
在Cycle-Gan中建立不同模态之间的联系，在后续的热成像图像语义分割网络中，利用自然输入图像构建辅助热成像语义分割的特征空间，进行热成像图像语义分割；
在热成像图像语义分割模型中，利用特征提取卷积网络分别提取热成像图像和自然图像的深度特征，然后采用级联的方式将热成像图...

【专利技术属性】
技术研发人员：严利雄，李茗，刘晓华，司马朝进，陈典丽，陈思哲，刘志鹏，
申请(专利权)人：国网湖北省电力有限公司检修公司，
类型：发明
国别省市：湖北;42