本发明专利技术提出了一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法，首先，针对样本数量少的电气设备裂缝图像，利用传统数据增强与深度卷积生成对抗网络相结合的方式扩充样本量；其次，为了减少网络参数量，提高网络的分类准确率，对GoogLeNet网络模型进行改进，在Inception结构中引入DenseBlock代替原结构中的两个分支，并精简了网络中改进Inception的个数。第三，将构建好的数据集作为改进GoogLeNet的输入完成对网络的训练。本发明专利技术相比于GoogLeNet网络的准确率提升了1.19％，裂缝定位时间缩短了8.12s。缝定位时间缩短了8.12s。缝定位时间缩短了8.12s。
【技术实现步骤摘要】
一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法
[0001]本专利技术涉及图像识别
，具体涉及一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法。
技术介绍
[0002]电气设备的零部件对维持电力设备正常工作起着不可或缺的作用。由于各种设备的长期使用，裂缝成为零部件损坏的主要原因之一，如果不及时发现与处理，可能会影响电气设备的正常运行，甚至造成人员与财产的损伤。裂缝检测对电力设备的结构诊断与维护起着重要的作用，而人工裂缝检测方法存在着成本高和准确率不高等不足,不利于电力设备的安全工作。因此，寻找一种操作简便且简便的电气设备裂缝检测方法是至关重要的。
[0003]为了快速高效的进行裂缝检测，众多学者进行了广泛的研究，丁晋利用光反射原理构建光纤传感器，从而获取裂缝的准确信息，使裂缝的识别与检测更加高效。薛峰等人对铁路轨道图像进行预处理、二值化、形态学的膨胀操作以及去噪后进行裂缝的边缘检测。战友等人设计了一种基于自适应阈值、马尔可夫网络概率图模型与支持向量机模型的集成设计算法对轨道板进行裂缝识别。张小伟等人提出了一种基于自适应区域生长和K
‑
Means聚类的坝面裂缝检测算法，该算法的适应性与抗噪性。
[0004]近年来，随着深度学习的发展，许多领域都使用深度学习的方法取得了不少成就，许多学者将深度学习的技术应用在裂缝检测上，并且取得了大量的研究成果。王保宪等人将视觉注意力机制融入UNet++网络的卷积，提高了裂缝的识别精度，并在网络下采样中引入了空洞卷积，进一步提高了检测精度。马健等人利用YOLO V5网络对古建筑木结构裂缝进行检测。张世瑶UNet++网络对裂缝图像进行分割，并结合HSV颜色模型对标志物进行分割，为道路表面裂缝的量化测量提供了使用卷积神经网络对道路的裂缝进行定量衡量。但是经典的深度学习网络模型在电气设备裂缝检测中的应用较少，且存在着以下问题：1)使用深度学习的方法需要大量的样本进行训练，但是目前难以采集到大量的电气设备的裂缝图像使得样本缺乏；2)由于电气设备的裂缝并不具备规则的几何形状并且分布散乱，若采用目前常用的目标检测网络如YOLO系列网络对裂缝进行检测，其检测框只能确定裂缝的大致位置并且包含的无关信息较多，不能直观地定位出裂缝的准确位置。
技术实现思路
[0005]针对以上问题，本申请首先选择传统的数据增强与深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)相结合的策略进行图像数据的扩充，缓解学习样本不足的问题。进而，为了清晰准确的定位电气设备的裂缝，利用改进GoogLeNet网络与滑动窗口相结合的方法完成对裂缝图像的分类与定位，改进的GoogLeNet网络能够更好的对裂缝图像与背景图像进行分类从更精准的完成对裂缝的定位。
[0006]本专利技术的技术方案：
[0007]一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法，包括以下步骤：
[0008](1)数据的获取与预处理；
[0009](2)基于DCGAN网络的数据扩充；DCGAN网络的数据扩充具体为在生成器和鉴别器中采用深度卷积网络，则衍生出DCGAN模型，DCGAN利用卷积操作的特征提取能力，生成器与鉴别器在网络训练过程中不断相互博弈与学习，从而使生成器生成的图像接近真实的图像，直至鉴别器不能判别输入图像的真伪；
[0010](3)裂缝图像分类与定位。
[0011]优选的，步骤(1)包括以下步骤：图像采集和图像预处理；
[0012](3)裂缝图像分类与定位包括以下步骤：建立数据集，改进的GoogLeNet网络模型，判断是否分类为裂缝；
[0013]判断是否分类为裂缝步骤中否的话不标记，是的话对图片进行方框标记，最后滑动窗口定位裂缝。
[0014]优选的，图像的预处理步骤包括图像裁剪、翻转、镜像、镜像翻转，并且利用传统数据增强与深度卷积生成对抗网络相结合的方式扩充样本量。
[0015]优选的，其特征在于，步骤(2)具体工作过程包括以下步骤：真实裂缝图像传输给鉴别器，鉴别器将判别结果传输给生成器，同时随机噪声传输给生成器后生成裂缝图像。优选的，所述生成器网络为5层结构，包含1层全连接层与4层转置卷积层；生成器利用转置卷积学习图像细节信息，实现图像上采样；将100维均匀分布的随机噪声作为生成器网络的输入，经过reshape后得到4
×
4的512层图像，再与卷积核大小为5,步长为2，padding＝2，outpadding＝1进行转置卷积，得到8
×
8的256层图像，依次类推共执行4次转置卷积运算，最终得到尺寸大小为64
×
64
×
3的仿真裂缝图像，作为鉴别器的输入；生成器的最后一层采用了Tanh函数做为激活函数，其余层的激活函数均采用ReLU函数，并且每一层都加入了BatchNorm层，减少了网络参数量。
[0016]优选的，采用的鉴别器共有5层卷积层；将真实的电气设备裂缝图像和生成网络生成的假裂缝图像作为鉴别器的输入，首先经过4层卷积核为5，步长为2，填充为2的卷积实现下采样，确保鉴别器提取到输入图像的特征；再经过一层卷积核大小为4的卷积，最后输出一个在[0,1]之间的数值，该数值越接近于1说明判别器生成的图像越真实；除第一与最后一层的卷积层外，每个卷积层之间都加入了BatchNorm层，激活函数选择LeakyReLU函数，确保收敛速度快又不易使神经元坏死；输出为二分类问题，故输出层的激活函数选择Sigmoid函数。
[0017]优选的，将交叉熵作为DCGAN的损失函数,生成器和鉴别器均使用Adam优化器，在训练过程中自适应地调整学习率，实现非凸优化。
[0018]优选的，步骤(3)裂缝图像分类与定位：利用改进GoogLeNet网络与滑动窗口相结合的方式对裂缝图像进行先分类后定位；训练完成的改进GoogLeNet网络实现对裂缝图像与背景图像的分类，利用滑动窗口将待检测图像裁剪成大小64
×
64的小图像，按照顺序输入至改进GoogLeNet网络进行分类，若该图像被分类为裂缝图像，则对其进行方框标注，将分类完成后的小图像拼接还原成大图像从而得到了图像中裂缝的准确位置。
[0019]优选的，改进的GoogLeNet网络模型为借助于GoogLeNet网络Inception模块的多尺度卷积结构；Inception结构使用多个不同尺寸的卷积核；在Inception结构中引入
DenseBlock代替原结构中的两个分支，对GoogLeNet网络中的Inception结构进行改进，精简改进的Inception的数量，由9个精简为6个。
[0020]优选的，改进后的Inception模块包含1
×
1的卷积层分支、1
×
1与3
×
3的卷积层分支、包含2个本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法，其特征在于，包括以下步骤：(1)数据的获取与预处理；(2)基于DCGAN网络的数据扩充；DCGAN网络的数据扩充具体为在生成器和鉴别器中采用深度卷积网络，则衍生出DCGAN模型，DCGAN利用卷积操作的特征提取能力，生成器与鉴别器在网络训练过程中不断相互博弈与学习，从而使生成器生成的图像接近真实的图像，直至鉴别器不能判别输入图像的真伪；(3)裂缝图像分类与定位。2.根据权利要求1所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法，其特征在于，步骤(1)包括以下步骤：图像采集和图像预处理；(3)裂缝图像分类与定位包括以下步骤：建立数据集，改进的GoogLeNet网络模型，判断是否分类为裂缝；判断是否分类为裂缝步骤中否不标记，是对图片进行方框标记，最后滑动窗口定位裂缝。3.根据权利要求2所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法，其特征在于，图像的预处理步骤包括图像裁剪、翻转、镜像、镜像翻转，并且利用传统数据增强与深度卷积生成对抗网络相结合的方式扩充样本量。4.根据权利要求2所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法，其特征在于，步骤(2)具体工作过程包括以下步骤：真实裂缝图像传输给鉴别器，鉴别器将判别结果传输给生成器，同时随机噪声传输给生成器后生成裂缝图像。5.根据权利要求4所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法，其特征在于，生成器网络为5层结构，包含1层全连接层与4层转置卷积层；生成器利用转置卷积学习图像细节信息，实现图像上采样；将100维均匀分布的随机噪声作为生成器网络的输入，经过reshape后得到4
×
4的512层图像，再与卷积核大小为5,步长为2，padding＝2，outpadding＝1进行转置卷积，得到8
×
8的256层图像，依次类推共执行4次转置卷积运算，最终得到尺寸大小为64
×
64
×
3的仿真裂缝图像，作为鉴别器的输入；生成器的最后一层采用了Tanh函数做为激活函数，其余层的激活函数均采用ReLU函数，并且每一层都加入了BatchNorm层，减少了网络参数量。6.根据权利要求4所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法，其特征在于，采用的鉴别器共有5层卷积层；将真实的电气设备裂缝图像和生成网络生成的假裂缝图像作为鉴别器的输入，首先经过4层卷积核为5，步长为2，填充为2的卷积实现下采样，确保鉴别器提取到输入图像的特征；再经过一层...
【专利技术属性】
技术研发人员：张颖，张益辉，吴灏，傅伯雄，郭思炎，董璇，李炀，苏克，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。