本公开实施例提供了缺陷样本图片的生成方法、装置、设备及存储介质。该方法包括：基于第一缺陷样本图片集训练缺陷识别模型，获得训练后的缺陷识别模型；根据第一无缺陷样本图片集和缺陷识别模型训练生成对抗网络模型，获得训练后的生成对抗网络模型；其中，生成对抗网络模型包括生成器和判别器；根据训练后的生成器和第二无缺陷样本图片集生成第二缺陷样本图片集。本公开实施例，解决了电网计量设备缺陷样本图片集难获取的问题，极大降低缺陷样本图片采集的难度以及工作量，同时具有高质量的计量设备缺陷样本图片集，能够更加高效的训练缺陷识别模型来完成自动化巡检，提高巡检工作的自动化程度，降低巡检的人工成本。降低巡检的人工成本。降低巡检的人工成本。
【技术实现步骤摘要】
缺陷样本图片的生成方法、装置、设备及存储介质
[0001]本公开实施例涉及人工智能领域，尤其涉及一种缺陷样本图片的生成方法、装置、设备及存储介质。
技术介绍
[0002]随着国网计量设备数量的不断增多，所需要的人力、物力需求也在不断提升，计量设备的管理难度越来越大。特别是营配贯通业务的逐步深入，低压计量箱的安装覆盖，但也暴露出一些问题，主要为：低压电能计量装置，数量巨大，基本安装于室外，风吹雨淋后极易出现老化破损等缺陷。
[0003]在开展巡视工作时，由于未对现场拍摄的照片进行清晰度、曝光度等质量检测，导致照片难以应用，不能如实反映计量设备存在的故障；同时，巡视时拍摄的设备缺陷照片，需要人工审核、抽检人员逐一核对，导致人工成本高、工作效率低。
[0004]电量计量设备缺陷种类繁多，不同缺陷之间差异较小，设备更新迭代较快，巡检人员依靠着以往的经验可以对新的设备缺陷进行定位，但是传统人工智能算法需要一定数量的样本训练才能获得较为准确的识别性能。而且当前计量设备缺陷样本图片数量较少，不能满足基于深度学习的目标检测模型的训练要求。
[0005]现有技术中，缺陷样本图片的采集方式是人工拍摄和标注，采用人工的方式，存在如下问题：所采集的缺陷样本数量有限且质量不佳，以及人工成本高等问题。
技术实现思路
[0006]本公开实施例提供一种缺陷样本图片的生成方法、装置、设备及存储介质，可以生成缺陷样本图片，不仅可以降低缺陷样本图片采集的难度和工作量，还可以提高缺陷样本图片的质量。
[0007]第一方面，本公开实施例提供了一种缺陷样本图片的生成方法，包括：基于第一缺陷样本图片集训练缺陷识别模型，获得训练后的缺陷识别模型；根据第一无缺陷样本图片集和所述缺陷识别模型训练生成对抗网络模型，获得训练后的生成对抗网络模型；其中，生成对抗网络模型包括生成器和判别器；根据训练后的生成器和第二无缺陷样本图片集生成第二缺陷样本图片集。
[0008]第二方面，本公开实施例还提供了一种缺陷样本图片的生成装置，包括：缺陷识别模型训练模块，用于基于第一缺陷样本图片集训练缺陷识别模型，获得训练后的缺陷识别模型；生成对抗网络模型训练模块，用于根据第一无缺陷样本图片集和所述缺陷识别模型训练生成对抗网络模型，获得训练后的生成对抗网络模型；其中，生成对抗网络模型包括生成器和判别器；缺陷样本图片生成模块，用于根据训练后的生成器和第二无缺陷样本图片集生成第二缺陷样本图片集。
[0009]第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
[0010]一个或多个处理器；
[0011]存储装置，用于存储一个或多个程序，
[0012]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例所述的缺陷样本图片的生成方法。
[0013]第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的缺陷样本图片的生成方法。
[0014]本公开实施例的技术方案，通过基于第一缺陷样本图片集训练缺陷识别模型，获得训练后的缺陷识别模型；根据第一无缺陷样本图片集和所述缺陷识别模型训练生成对抗网络模型，获得训练后的生成对抗网络模型；其中，生成对抗网络模型包括生成器和判别器；根据训练后的生成器和第二无缺陷样本图片集生成第二缺陷样本图片集。本公开实施例，通过生成对抗网络的生成器生成缺陷样本图片的方式，解决了电网计量设备缺陷样本图片集难获取的问题，极大降低缺陷样本图片采集的难度以及工作量，同时具有高质量的计量设备缺陷样本图片集，能够更加高效的训练缺陷识别模型来完成自动化巡检，提高巡检工作的自动化程度，降低巡检的人工成本。
附图说明
[0015]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0016]图1为本公开实施例所提供的一种缺陷样本图片的生成方法流程示意图；
[0017]图2为本专利技术实施例所提供的缺陷识别模型训练示意图；
[0018]图3是本专利技术实施例所提供的生成对抗网络模型的训练示意图；
[0019]图4为本公开实施例所提供的一种缺陷样本图片的生成装置结构示意图；
[0020]图5是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0021]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0022]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0023]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0024]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0025]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0026]图1为本公开实施例所提供的一种缺陷样本图片的生成方法流程示意图，本公开实施例适用于生成电网计量设备缺陷样本图片的情形，该方法可以由缺陷样本图片的生成装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。
[0027]如图1所示，该方法包括：
[0028]S110、基于第一缺陷样本图片集训练缺陷识别模型，获得训练后的缺陷识别模型。
[0029]其中，第一缺陷样本图片集可以是当前已有的样本缺陷图片集。对于第一缺陷样本图片集的来源可以通过如下方式获取得到：收集整理已有的所有样本缺陷图片，构建全面的缺陷样本图片集。根据当前任务中所需要识别的缺陷类别，筛选出相应的缺陷特征样本图片，构成适应于当前任务的第一缺陷样本图片集。如图2所示，在多个已有的缺陷样本图片集中筛选出适应于当前任务的第一缺陷样本图片集，并输入至缺陷识别模型中，以进行训练。缺陷识别模型可以是任意类型的神经网络模型，如多层卷积神经网络、基于注意力机制的任意本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种缺陷样本图片的生成方法，其特征在于，包括：基于第一缺陷样本图片集训练缺陷识别模型，获得训练后的缺陷识别模型；根据第一无缺陷样本图片集和所述缺陷识别模型训练生成对抗网络模型，获得训练后的生成对抗网络模型；其中，生成对抗网络模型包括生成器和判别器；根据训练后的生成器和第二无缺陷样本图片集生成第二缺陷样本图片集。2.根据权利要求1所述的方法，其特征在于，基于第一缺陷样本图片集训练缺陷识别模型，包括：获取第一缺陷样本图片及其对应的真实缺陷类别；将所述第一缺陷样本图片输入至所述缺陷识别模型中，输出第一预测缺陷类别；基于所述真实缺陷类别和所述第一预测缺陷类别更新缺陷识别模型参数，以训练所述缺陷识别模型。3.根据权利要求1所述的方法，其特征在于，根据第一无缺陷样本图片集和所述缺陷识别模型训练生成对抗网络模型，获得训练后的生成对抗网络模型，包括：将第一无缺陷样本图片集输入至所述生成器，输出第三缺陷样本图片集；将所述第三缺陷样本图片集输入至所述缺陷识别模型，输出第二预测缺陷信息；其中，所述第二预测缺陷信息包括缺陷类别及缺陷位置；将所述第三缺陷样本图片集输入至所述判别器，输出判别缺陷信息；根据所述判别缺陷信息和所述第二预测缺陷信息对所述生成器和所述判别器进行训练。4.根据权利要求3所述的方法，其特征在于，根据所述判别缺陷信息和所述第二预测缺陷信息对所述生成器和所述判别器进行训练，包括：根据所述判别缺陷信息确定第一损失函数；根据所述判别缺陷信息和所述第二预测缺陷信息的差异确定第二损失函数；根据所述第一损失函数和所述第二损失函数对所述生成器和所述判别器进行训练。5.根据权利要求1所述的方法，其特征在于，根据训练后的生成器和第二无缺陷样本图片集生成第二缺陷样本图片集，包括：将第二无缺陷样本图片集输入至训练后的生成器，输出第二缺陷...
【专利技术属性】
技术研发人员：陈振宇，王路涛，李博，陈思宇，边靖宸，李继伟，朱天佑，
申请(专利权)人：国家电网有限公司大数据中心，
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。