一种图像数据增强处理方法、装置、终端及存储介质制造方法及图纸

本发明专利技术公开了一种图像数据增强处理方法、装置、终端及存储介质，方法包括：获取待处理图像数据；其中，待处理图像数据为无人机在预设区域巡航拍摄的多张原始图像数据；通过训练后的GAN网络模型对待处理图像数据增强处理，生成待处理图像数据的镜像图像数据；对镜像图像数据进行判别，根据判别结果输出待处理图像数据的增强数据；将增强数据及多张原始图像数据作为无人机在预设区域巡航的缺陷样本数据。本发明专利技术通过将原始图像数据进行增强处理，可以得到原始图像数据的镜像图像数据，并在此基础上生成逼真的缺陷样本，实现了缺陷样本数据库的数据增强。数据增强。数据增强。

【技术实现步骤摘要】
一种图像数据增强处理方法、装置、终端及存储介质


[0001]本专利技术涉及电力配网机巡数据处理
，尤其涉及的是一种图像数据增强处理方法、装置、终端及存储介质。

技术介绍

[0002]近年来，无人机巡检作业在国内电力系统内的运用得到了较快发展，南方电网公司也在“十三五”规划中明确提出了“机巡为主、人巡为辅”协同巡检模式，持续提升电力线路巡检质量、效率。以广东电网为例，截止至2020年10月，广东电网已积累近2PB机巡数据，其中原始图像高达4000万张。目前，依靠人工去识别机巡图片中的缺陷所花的时间和精力也不断增强，这给运行人员又带来了新的工作难题。
[0003]现在国内已有各种基于深度神经网络等人工智能算法用于配网缺陷识别，但由于配网机巡图像拍摄环境复杂，干扰因素多，在配网线路巡检过程中，图像的获取方式多样，拍摄设备的型号、分辨率、曝光值等参数不同，拍摄的角度、距离也有较大区别，这就导致同一种目标或缺陷在拍摄的图像将呈现多种不同的形态，这也对配网缺陷智能识别算法的研究增加了难度；因此，需要针对配网机巡拍摄的图像进行图像数据增强处理，以便于后续根据处理后的图像进行配网缺陷智能识别。
[0004]因此，现有技术还有待改进。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对现有技术缺陷，本专利技术提供一种图像数据增强处理方法、装置、终端及存储介质，以解决现有配网缺陷智能识别样本数据不足和质量低的技术问题。
[0006]本专利技术解决技术问题所采用的技术方案如下：r/>[0007]第一方面，本专利技术提供一种图像数据增强处理方法，包括：
[0008]获取待处理图像数据；其中，所述待处理图像数据为无人机在预设区域巡航拍摄的多张原始图像数据；
[0009]通过训练后的GAN网络模型对所述待处理图像数据增强处理，生成所述待处理图像数据的镜像图像数据；
[0010]对所述镜像图像数据进行判别，根据判别结果输出所述待处理图像数据的增强数据；
[0011]将所述增强数据及所述多张原始图像数据作为所述无人机在预设区域巡航的缺陷样本数据。
[0012]在一种实现方式中，所述获取待处理图像数据，之前包括：
[0013]构建镜像对称的GAN网络模型，得到用于图像数据增强处理的环形网络模型；
[0014]通过预设图像样本数据对所述GAN网络模型进行训练，得到所述训练后的GAN网络模型。
[0015]在一种实现方式中，所述GAN网络模型为对偶结构网络，所述GAN网络模型至少包括：生成器G、生成器F、鉴别器Dx、鉴别器Dy、卷积层、残差模块以及转置卷积层。
[0016]在一种实现方式中，所述通过预设图像样本数据对所述GAN网络模型进行训练，包括：
[0017]确定所述生成器G的重建Loss：
[0018]L(G
AB
,G
BA
,A,B)＝E
a～A
[||G
AB
(G
AB
(a))
‑
||1][0019]确定所述鉴别器Dy的重建Loss：
[0020]L
GAN
(G,G
Y
,X,Y)＝E
y～Pdata(y)
[log(D
Y
(Y))]+E
x～Pdata(x)
[log(1
‑
D
Y
(G(X)))][0021]根据确定的生成器重建Loss及所述预设图像样本数据对所述生成器G进行训练；
[0022]根据确定的鉴别器重建Loss及所述预设图像样本数据对所述鉴别器Dy进行训练；
[0023]将所述生成器G的训练权重共享至所述生成器F，并将所述鉴别器Dy的训练权重共享至所述鉴别器Dx；
[0024]根据目标图像数据库中的图像数据计算所述生成器G和所述生成器F生成图像的损失；
[0025]根据计算的损失和学习速率停止所述GAN网络模型的训练过程，得到所述训练后的GAN网络模型。
[0026]在一种实现方式中，所述通过训练后的GAN网络模型对所述待处理图像数据增强处理，包括：
[0027]利用卷积神经网络从所述待处理图像数据中提取特征，并将提取的特征压缩为256个64*64的特征向量；
[0028]通过组合图像的非相近特征，将图像在DA域中的特征向量转换为DB域中的特征向量；
[0029]利用反卷积层从转换后的特征向量中还原标注的特征向量，生成所述待处理图像数据的镜像图像数据。
[0030]在一种实现方式中，所述对镜像图像数据进行判别，根据判别结果输出所述待处理图像数据的增强数据，包括：
[0031]将选定的图像作为输入图像；其中，所述选定的图像包括原始图像和/或镜像图像；
[0032]通过所述鉴别器Dy从所述输入图像中提取相应的特征向量；
[0033]根据提取的特征向量将所述输入图像预测为所述原始图像或所述生成器G输出的镜像图像。
[0034]在一种实现方式中，所述获取待处理图像数据，之前还包括：
[0035]根据先验经验对所述待处理图像数据中的正常数据和烧伤数据进行数据标注；其中，所述正常数据的标注部位为电力网绝缘子本体，所述烧伤数据的标注部位为所述电力网绝缘子本体及烧伤部位。
[0036]第二方面，本专利技术提供一种图像数据增强处理装置，包括：
[0037]获取模块，用于获取待处理图像数据；其中，所述待处理图像数据为无人机在预设区域巡航拍摄的多张原始图像数据；
[0038]数据增强模块，用于通过训练后的GAN网络模型对所述待处理图像数据增强处理，
生成所述待处理图像数据的镜像图像数据；
[0039]判别模块，用于对所述镜像图像数据进行判别，根据判别结果输出所述待处理图像数据的增强数据；
[0040]缺陷样本模块，用于将所述增强数据及所述多张原始图像数据作为所述无人机在预设区域巡航的缺陷样本数据。
[0041]第三方面，本专利技术提供一种终端，包括：处理器以及存储器，所述存储器存储有图像数据增强处理程序，所述图像数据增强处理程序被所述处理器执行时用于实现如第一方面所述的图像数据增强处理方法。
[0042]第四方面，本专利技术提供一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有图像数据增强处理程序，所述图像数据增强处理程序被处理器执行时用于实现如第一方面所述的图像数据增强处理方法。
[0043]本专利技术采用上述技术方案具有以下效果：
[0044]本专利技术基于CycleGAN网络的缺陷数据增强算法，对电力网缺陷检测过程中涉及到的绝缘子缺陷问题进行了研究，从而在涉及绝缘子颜色和纹理变形的任务上，通过CycleGAN算法增强了电力网缺陷样本数据库中的样本数据量，而且也使得生成的样本数据更加逼真，为后续电力网缺陷智能识别的过程提供了数量多、质量高的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像数据增强处理方法，其特征在于，所述图像数据增强处理方法包括：获取待处理图像数据；其中，所述待处理图像数据为无人机在预设区域巡航拍摄的多张原始图像数据；通过训练后的GAN网络模型对所述待处理图像数据增强处理，生成所述待处理图像数据的镜像图像数据；对所述镜像图像数据进行判别，根据判别结果输出所述待处理图像数据的增强数据；将所述增强数据及所述多张原始图像数据作为所述无人机在预设区域巡航的缺陷样本数据。2.根据权利要求1所述的图像数据增强处理方法，其特征在于，所述获取待处理图像数据，之前包括：构建镜像对称的GAN网络模型，得到用于图像数据增强处理的环形网络模型；通过预设图像样本数据对所述GAN网络模型进行训练，得到所述训练后的GAN网络模型。3.根据权利要求2所述的图像数据增强处理方法，其特征在于，所述GAN网络模型为对偶结构网络，所述GAN网络模型至少包括：生成器G、生成器F、鉴别器Dx、鉴别器Dy、卷积层、残差模块以及转置卷积层。4.根据权利要求3所述的图像数据增强处理方法，其特征在于，所述通过预设图像样本数据对所述GAN网络模型进行训练，包括：确定所述生成器G的重建Loss：L(G
AB
，G
BA
，A，B)＝E
a～A
[||G
AB
(G
AB
(a))
‑
||1]确定所述鉴别器Dy的重建Loss：L
GAN
(G，G
Y
，X，Y)＝E
y～Pdata(y)
[log(D
Y
(Y))]+E
x～Pdata(x)
[log(1
‑
D
Y
(G(X)))]根据确定的生成器重建Loss及所述预设图像样本数据对所述生成器G进行训练；根据确定的鉴别器重建Loss及所述预设图像样本数据对所述鉴别器Dy进行训练；将所述生成器G的训练权重共享至所述生成器F，并将所述鉴别器Dy的训练权重共享至所述鉴别器Dx；根据目标图像数据库中的图像数据计算所述生成器G和所述生成器F生成图像的损失；根据计算的损失和学习速率停止所述GAN网络模型的...

【专利技术属性】
技术研发人员：王照，陈金梅，葛馨远，郑媛媛，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：