一种电力安全工器具表面缺陷图像的生成方法技术

本发明专利技术公开了一种电力安全工器具表面缺陷图像的生成方法，涉及图像生成技术领域，为解决原GAN网络在增强工器具表面缺陷图像数据集时生成缺陷图像质量差，多样性低下的问题。所述电力安全工器具表面缺陷的图像的生成方法包括：S1：获取电力安全工器具表面图像数据集；S2：对所述电力安全工器具表面图像数据集进行预处理，得到预处理后的数据集；S3：利用所述预处理后的数据集训练DG

【技术实现步骤摘要】
一种电力安全工器具表面缺陷图像的生成方法


[0001]本专利技术涉及图像生成
，具体涉及一种电力安全工器具表面缺陷图像的生成方法。

技术介绍

[0002]为了保障电力从业人员的生命安全和电力电网行业的正常运转，电力安全工器具的寿命管理、质量检测已成为不可或缺的一环，而电力安全工器具的缺陷检测就是其中的重中之重。现今绝大多数表面缺陷检测任务都是基于深度学习方法来开展的，并且取得了卓越的成果。使用各种基于深度学习方法的缺陷检测模型在训练中都需要大量的缺陷样本数据，否则训练时容易出现过拟合现象，模型在训练中有着较高的精度，但在测试集中精度低下，最终不能应用于实际缺陷检测中。然而，在实际生产中，采集足够数量的缺陷图像样本是极其困难的，甚至可能出现没有缺陷样本的情况，往往只能采集到少量的缺陷图像样本和大量的正常图像样本。数据集可能出现数据缺乏、数据类不平衡等问题。这会直接影响到后续的缺陷检测任务，缺陷图像样本的缺乏和类不平衡甚至会直接导致缺陷检测任务的失败。
[0003]由于生成对抗网络(GAN)卓越的生成能力，科研人员将其引入缺陷检测任务，生成缺陷图像增强缺陷图像数据集以缓解缺陷图像数据缺乏和类不平衡问题。现今，GAN网络及其各种变体在缺陷图像生成方面有着良好的表现。因此，选择GAN网络作为缺陷图像生成的基准网络，并针对实际问题进行改进。
[0004]原始的GAN网络虽然具有强大的生成能力，但在训练中容易出现模式崩溃的问题，并且训练也不稳定。GAN网络生成的缺陷图像质量和多样性都有所欠缺，FID评分较高，达不到增强缺陷图像数据集的效果。以生成绝缘隔板缺陷图像为例，使用GAN网络生成绝缘隔板缺陷图像时，存在着如下问题：生成的缺陷图像和真实的缺陷图像相比（把绝缘隔板缺陷图像看作是作为前景的缺陷和作为背景的绝缘隔板图像的组合），前景细节不够真实，边缘较为模糊，多样性低下，而且背景与真实缺陷图像的背景相比区别较大，总体和真实的绝缘隔板缺陷图像有着肉眼可视的差别，并且FID评分较高，说明生成的缺陷图像质量并不高，对缺陷检测任务的帮助不大。

技术实现思路

[0005]本专利技术的目的在于提供一种电力安全工器具表面缺陷图像的生成方法，以解决原GAN网络在增强工器具表面缺陷图像数据集时生成缺陷图像质量差，多样性低下的问题。
[0006]本专利技术解决上述技术问题的技术方案如下：本专利技术提供一种电力安全工器具表面缺陷图像的生成方法，所述电力安全工器具表面缺陷图像的生成方法包括：S1：获取电力安全工器具表面图像数据集；S2：对所述电力安全工器具表面图像数据集进行预处理，得到预处理后的数据集；
S3：利用所述预处理后的数据集训练DG
‑
GAN网络，得到工器具表面缺陷图像；S4：将所述工器具表面缺陷图像传输至FID评分网络进行评分，得到评分结果；S5：根据所述评分结果得到数量充足的工器具表面缺陷图像数据集。
[0007]可选择地，所述S1中，所述电力安全工器具表面图像数据集包括电力安全工器具表面缺陷图像子集和电力安全工器具表面无缺陷图像子集；其中，所述电力安全工器具表面缺陷图像子集中图像的数量远少于所述电力安全工器具表面无缺陷图像子集中图像的数量。
[0008]可选择地，所述S2包括：S21：统一所述电力安全工器具表面缺陷图像子集和电力安全工器具表面无缺陷图像子集的分辨率和格式，得到统一后的电力安全工器具表面缺陷图像子集和统一后的电力安全工器具表面无缺陷图像子集；S22：将所述统一后的电力安全工器具表面缺陷图像子集按照缺陷类别进行划分，得到划痕图像子数据集、坑点子图像数据集、烧蚀子图像数据集和电压击穿图像子数据集；S23：将所述划痕图像子数据集、坑点子图像数据集、烧蚀子图像数据集、电压击穿图像子数据集和所述统一后的电力安全工器具表面无缺陷图像子集作为所述预处理后的数据集输出。
[0009]可选择地，所述S3包括：S31：对所述预处理后的数据集进行无泄露数据增强操作，得到增强后的数据集；S32：设置训练参数；S33：在原始DG
‑
GAN网络中加入自注意力模块和相关损失函数，得到DG
‑
GAN网络；S34：利用增强后的数据集对所述DG
‑
GAN网络进行训练，得到工器具表面缺陷图像。
[0010]可选择地，所述S32中，所述训练参数包括初始学习率、学习率下降方法、迭代次数、梯度下降优化算法和动量参数。
[0011]可选择地，所述步骤S33中，所述自注意力模块包括原始特征映射子模块、第一1
×
1卷积层、第二1
×
1卷积层、第三1
×
1卷积层、Q运算层、K运算层、H运算层、注意力映射子模块、第四1
×
1卷积层和自注意力特征映射子模块；所述原始特征映射子模块的输出作为所述第一1
×
1卷积层、所述第二1
×
1卷积层和所述第三1
×
1卷积层的输入，所述第一1
×
1卷积层的输出作为所述Q运算层的输入，所述第二1
×
1卷积层的输出作为所述K运算层的输入，所述第三1
×
1卷积层的输出作为所述H运算层的输入，所述Q运算层的输出和所述K运算层的输出矩阵相乘并软最大化后作为所述注意力映射子模块的输入，所述注意力映射子模块的输出和所述H运算层的输出矩阵相乘后作为所述第四1
×
1卷积层的输入，所述第四1
×
1卷积层的输出作为所述自注意力特征映射子模块的输入，所述自注意力特征映射子模块的输出作为所述自注意力模块的输出。
[0012]可选择地，所述自注意力模块的输出Y为：其中，X表示特征层的输入，表示辅助超参数，V表示自注意力层的输出且，表示位置j的自注意层的输出，表示某一位置i对位置j的注意程
度且，、、、分别表示运算后的输出，并且、、，W
V
，W
Q
，W
K
，W
O
分别表示1*1的可学习卷积核，用于改变特征层输入X的通道数；H和W分别表示输入输出高度和宽度；C1、C2和C3表示不同的通道数，表示位置i的查询向量矩阵的转置，表示位置j的键向量矩阵，N表示矩阵的数量，表示位置i的值向量矩阵。
[0013]可选择地，所述步骤S33中，所述相关损失函数包括D2对抗性损失和循环一致性损失，所述相关损失函数包括D2对抗性损失和循环一致性损失，所述D2对抗性损失为：其中，表示G和的对抗性损失且，G表示第一生成器，表示分布函数的期望值，表示真实无缺陷图像样本的分布，表示真实缺陷图像样本的分布，表示第一生成器G根据真实无缺陷图像g生成的伪缺陷图像，g表示真实无缺陷图像，表示b在判别器中的得分，表示b在判别器中的得分，b表示真实缺陷图像，表示D2对抗性损失，表示第三判别器，表示第四判别器，用于控制相似性和多样性之间的相对重要性，表示G和的对抗性损失且，表示生成的伪缺陷图像在判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力安全工器具表面缺陷图像的生成方法，其特征在于，所述电力安全工器具表面缺陷图像的生成方法包括：S1：获取电力安全工器具表面图像数据集；S2：对所述电力安全工器具表面图像数据集进行预处理，得到预处理后的数据集；S3：利用所述预处理后的数据集训练DG
‑
GAN网络，得到工器具表面缺陷图像；S4：将所述工器具表面缺陷图像传输至FID评分网络进行评分，得到评分结果；S5：根据所述评分结果得到数量充足的工器具表面缺陷图像数据集。2.根据权利要求1所述的电力安全工器具表面缺陷图像的生成方法，其特征在于，所述S1中，所述电力安全工器具表面图像数据集包括电力安全工器具表面缺陷图像子集和电力安全工器具表面无缺陷图像子集；其中，所述电力安全工器具表面缺陷图像子集中图像的数量少于所述电力安全工器具表面无缺陷图像子集中图像的数量。3.根据权利要求2所述的电力安全工器具表面缺陷图像的生成方法，其特征在于，所述S2包括：S21：统一所述电力安全工器具表面缺陷图像子集和电力安全工器具表面无缺陷图像子集的分辨率和格式，得到统一后的电力安全工器具表面缺陷图像子集和统一后的电力安全工器具表面无缺陷图像子集；S22：将所述统一后的电力安全工器具表面缺陷图像子集按照缺陷类别进行划分，得到划痕图像子数据集、坑点子图像数据集、烧蚀子图像数据集和电压击穿图像子数据集；S23：将所述划痕图像子数据集、坑点子图像数据集、烧蚀子图像数据集、电压击穿图像子数据集和所述统一后的电力安全工器具表面无缺陷图像子集作为所述预处理后的数据集输出。4.根据权利要求1所述的电力安全工器具表面缺陷图像的生成方法，其特征在于，所述S3包括：S31：对所述预处理后的数据集进行无泄露数据增强操作，得到增强后的数据集；S32：设置训练参数；S33：在原始DG
‑
GAN网络中加入自注意力模块和相关损失函数，得到DG
‑
GAN网络；S34：利用增强后的数据集对所述DG
‑
GAN网络进行训练，得到工器具表面缺陷图像。5.根据权利要求4所述的电力安全工器具表面缺陷图像的生成方法，其特征在于，所述S32中，所述训练参数包括初始学习率、学习率下降方法、迭代次数、梯度下降优化算法和动量参数。6.根据权利要求4所述的电力安全工器具表面缺陷图像的生成方法，其特征在于，所述S33中，所述自注意力模块包括原始特征映射子模块、第一1
×
1卷积层、第二1
×
1卷积层、第三1
×
1卷积层、Q运算层、K运算层、H运算层、注意力映射子模块、第四1
×
1卷积层和自注意力特征映射子模块；所述原始特征映射子模块的输出作为所述第一1
×
1卷积层、所述第二1
×
1卷积层和所述第三1
×
1卷积层的输入，所述第一1
×
1卷积层的输出作为所述Q运算层的输入，所述第二1
×
1卷积层的输出作为所述K运算层的输入，所述第三1
×
1卷积层的输出作为所述H运算层的输入，所述Q运算层的输出和所...

【专利技术属性】
技术研发人员：骆忠强，何相杰，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：