一种基于生成对抗模型的配电站智能网关数据增强方法技术

本发明专利技术提供了一种基于生成对抗模型的配电站智能网关数据增强方法，包括：训练生成对抗模型；生成智能算法训练样本；利用生成的训练样本训练目标检测模型。本发明专利技术利用长时间监控空镜头，结合少量真实预警事件，将预警事件嵌入至容易获得的空镜头中，以此获得更多的训练样本，利用生成对抗模型技术将配电站场景中的低频事件图像迁移至数量较为庞大的空镜头中，扩充了智能监控算法研发所必须的数据集，提升了算法的稳定性及精度。提升了算法的稳定性及精度。提升了算法的稳定性及精度。

【技术实现步骤摘要】
一种基于生成对抗模型的配电站智能网关数据增强方法


[0001]本专利技术属于数据处理
，涉及视频处理技术，具体涉及一种基于生成对抗模型的配电站智能网关数据增强方法。

技术介绍

[0002]目前在配电房中，尤其是无人值守配电房中，基于监控摄像头的电子巡更设备、安防监控设备是确保该类设备运行安全性和可靠性的重要辅助设备，使用量巨大。在智能监控算法研发过程中，现有算法往往需要采集大量数据结合人工智能算法进行统计训练，而监控数据中预警事件出现频次极少，这将导致算法研发工作缺少有效数据，进而导致算法稳定性差、精度低等问题。

技术实现思路

[0003]为解决上述问题，本专利技术公开了一种基于生成对抗模型的配电站智能网关数据增强方法，利用长时间监控空镜头，结合少量真实预警事件，将预警事件嵌入至容易获得的空镜头中，以此获得更多的训练样本，能够增加配电站智能预警算法中的有效数据，增强算法稳定性差，提高精度。
[0004]为达到上述目的，本专利技术的技术方案如下：
[0005]一种基于生成对抗模型的配电站智能网关数据增强方法，包括如下步骤：
[0006]步骤1，训练生成对抗模型
[0007](1)随机截取监控视频空镜头作为背景数据集Z
i
，截取预警事件镜头作为真实数据集X
i
；生成模型Generator为输入输出均为图像的深度神经网络模型；对抗模型Discriminator为输入图像输出图像真实度的深度神经网络模型；将Z
i
及X<br/>i
同时输入生成模型Generator得到生成图像X
g
，将X
g
作为负样本，X
i
作为正样本训练对抗模型Discriminator，其损失矩阵为L
d
；
[0008](2)将对抗模型Discriminator的损失L
d
与Generator联立，得到Generator的损失矩阵L
g
；
[0009](3)将L
d
、L
g
用于优化Discriminator与Generator模型，具体步骤如下：
[0010]a.当出现Generator模型LossL
g
长时间无法降低时，运用MSE loss将X
i
作为监督信息加入L
g
中，此时
[0011][0012]b.当出现Discriminator模型Loss L
d
长时间无变化时，通过在Discriminator模型中的卷积层后加入dropout降低过拟合，或随机将Discriminator模型中的部分权重替换为随机数；
[0013]c.当Generator模型的中间编码特征过于集中时，加入损失函数，将中间编码特征的数值分布与标准正态分布的KL散度作为监督进行训练，最优化目标为：
[0014][0015]P(x)为中间编码特征的样本分布，Q(x)为标准正态分布，损失函数为
[0016][0017]其中，var为中间编码特征的方差，mean为中间编码特征均值，e为自然对数；
[0018]d.当Generator模型的中间编码特征过于集中时，加入triplet loss作为补充，其损失函数描述如下：
[0019][0020]其中，anchor为训练样本编码特征，sample1为加入噪声的样本编码特征1，sample2为加入噪声的样本编码特征2，margin为间隔调节参数；
[0021](4)重复(2)
‑
(4)若干次，即可得到模型Discriminator与Generator；Discriminator与Generator交错训练；
[0022]步骤2，生成智能算法训练样本
[0023](1)随机截取监控视频空镜头作为背景数据集Z
i
，截取预警事件镜头作为真实数据集X
i
，生成模型Generator为输入输出均为图像的深度神经网络模型；
[0024](2)将空镜头背景Z
i
与真实数据集X
i
输入生成模型Generator，可得合成图像G
i
；
[0025](3)将G
i
贴回原图即可得到生成训练样本Y
i
，其中截取Z
i
的截图框即为待检测目标的边界框；
[0026]步骤3，利用生成的训练样本训练目标检测模型。
[0027]进一步的，所述步骤1中，神经网络采用基于UNet改进的U
‑
ResNet架构。
[0028]进一步的，所述步骤1中，交错训练过程如下：
[0029]设N次迭代中，Discriminator与Generator模型的损失值分别为
[0030][0031][0032]求得L
record_d
与L
record_g
的导数分别为L
record_d
'、L
record_g
'，则下次迭代中，Discriminator与Generator的训练次数分别为3，Ceil为对上取整函数，[
‑
1]为数组末位取值，进行迭代。
[0033]本专利技术的有益效果为：
[0034]本专利技术利用生成对抗模型技术将配电站场景中的低频事件图像迁移至数量较为庞大的空镜头中，扩充了智能监控算法研发所必须的数据集，提升了算法的稳定性及精度。
附图说明
[0035]图1为本专利技术提供的基于生成对抗模型的配电站智能网关数据增强方法流程图。
[0036]图2为本专利技术采用的基于UNet改进的U
‑
ResNet架构示意图。
[0037]图3为Discriminator与Generator交错训练输入输出示意图。
[0038]图4为生成智能算法训练样本示意图。
[0039]图5为对比实验图一。
[0040]图6为对比实验图二。
[0041]图7为对比实验图三。
[0042]图8为本专利技术与现有技术试验效果对比示意图。
具体实施方式
[0043]以下将结合具体实施例对本专利技术提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。
[0044]本专利技术提供的基于生成对抗模型的配电站智能网关数据增强方法，如图1所示，包括如下步骤：
[0045]步骤1，训练生成对抗模型
[0046](1)随机截取监控视频空镜头作为背景数据集Z
i
，截取预警事件镜头作为真实数据集X
i
。生成模型Generator为输入输出均为图像的深度神经网络模型，它接收一个随机的噪声z，通过噪声以及参考图片x生成新的图片，记做G(z,x)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗模型的配电站智能网关数据增强方法，其特征在于，包括如下步骤：步骤1，训练生成对抗模型(1)随机截取监控视频空镜头作为背景数据集Z
i
，截取预警事件镜头作为真实数据集X
i
；生成模型Generator为输入输出均为图像的深度神经网络模型；对抗模型Discriminator为输入图像输出图像真实度的深度神经网络模型；将Z
i
及X
i
同时输入生成模型Generator得到生成图像X
g
，将X
g
作为负样本，X
i
作为正样本训练对抗模型Discriminator，其损失矩阵为L
d
；(2)将对抗模型Discriminator的损失L
d
与Generator联立，得到Generator的损失矩阵L
g
；(3)将L
d
、L
g
用于优化Discriminator与Generator模型，具体步骤如下：a.当出现Generator模型LossL
g
长时间无法降低时，运用MSE loss将X
i
作为监督信息加入L
g
中，此时b.当出现Discriminator模型LossL
d
长时间无变化时，通过在Discriminator模型中的卷积层后加入dropout降低过拟合，或随机将Discriminator模型中的部分权重替换为随机数；c.当Generator模型的中间编码特征过于集中时，加入损失函数，将中间编码特征的数值分布与标准正态分布的KL散度作为监督进行训练，最优化目标为：P(x)为中间编码特征的样本分布，Q(x)为标准正态分布，损失函数为其中，var为中间编码特征的方差，mean为中间编码特征均值，e为自然对数；d.当Generator模型的中间编码特征过于集中时，加入triplet l...

【专利技术属性】
技术研发人员：周佳伟，卜权，顾雄飞，陈超，
申请(专利权)人：佳源科技股份有限公司，
类型：发明
国别省市：