一种基于生成式对抗网络的电力图像数据增广办法制造技术

本发明专利技术涉及电力图像处理技术领域，公开了一种基于生成式对抗网络的电力图像数据增广办法，包括以下步骤；步骤一：先利用电力巡检设备对电力图像进行采集，在采集完成后，将图像数据输入到终端设备中，利用终端设备建立图像处理神经网络，利用图像处理神经网络，将多个图像数据划分成64x64的格子，对多个图像数据进行拆分，在拆分完成后，能够将多个图像数据进行逐个格子的图像数据处理。本发明专利技术能够将多个图像数据进行逐个格子的图像数据处理，比起对整个图像数据进行处理的方式，在不提升图像处理性能的情况下，能够有效提升图像数据的处理效果，消除原始图像中噪声等的干扰和影响，得到高质量的目标图像。得到高质量的目标图像。得到高质量的目标图像。

【技术实现步骤摘要】
一种基于生成式对抗网络的电力图像数据增广办法


[0001]本专利技术涉及电力图像处理
，具体为一种基于生成式对抗网络的电力图像数据增广办法。

技术介绍

[0002]电网作为民生与国防建设的重要基础设施，在电能的传输、配送等方面起到决定性的作用。近年来，随着我国电网规模的不断扩大，输电线路及变电站所覆盖的区域面积也越来越大，因此，保证电网安全运行显得尤为重要。直升机、无人机和智能机器人凭借其户外作业效率高、作业风险低以及作业灵活的特点，在电力巡检上的应用逐渐普及，为电力系统带来了大量的巡检图像和视频数据，相较于传统的巡检方法有效地保障了电网的安全。但是受目前的智能化水平限制，一线工作人员对收集的数据只能进行人工分析和识别，才能得到最终的巡检报告，这种处理方法效率低下且人力成本较高，己经无法满足实际的需要。
[0003]随着人工智能技术的发展与推进，利用深度学习的图像识别方法在电力故障诊断中的研究正如火如荼地进行。与传统机器学习不同的是，深度学习需要海量的正样本来进行训练，供机器学习到足够的特征来实现“举一反三”，从而防止数据集量过小容易出现过拟合的现象。而由于直升机、无人机和智能机器人推广应用的时间并不长，部分故障类型(如防鸟设施损坏、绝缘子污秽等)的图像数据采集量小，无法满足深度学习的需求。
[0004]专利号CN201910591138.6，公开了一种基于生成式对抗网络的电力图像数据增广方法，包括以下步骤：获取电力系统巡检时的原始图像；对原始图像进行图像处理，消除原始图像中噪声等的干扰和影响，得到高质量的目标图像；对目标图像进行特征增强，提取图像特征；通过生成式对抗网络方法进行目标图像与背景图像的博弈合成，生成新的图像数据。上述方案通过生成式对抗网络方法对电力图像进行数据增广，针对合成的图像，无需进行图像标注，节省了人力与物力成本，同时合成方法科学合理，增广结果质量高、效率快，方案可行性强。
[0005]这种基于生成式对抗网络的电力图像数据增广方法，虽然生成对抗网络对电力图像进行数据增广，针对合成的图像，无需进行图像标注，但是对于电力图像的处理效率较低，需要反复对一个整体的电力图像进行处理，在处理的过程中，由于需要对整体电力图像的大量数据进行处理，而终端设备的处理性能是有限的，容易造成终端设备的处理占用率较高，影响到处理的效果和效率。

技术实现思路

[0006]本专利技术的目的在于提供一种基于生成式对抗网络的电力图像数据增广办法，解决了
技术介绍
中所提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于生成式对抗网络的电力图像数据增广办法，包括以下步骤：
[0008]步骤一：先利用电力巡检设备对电力图像进行采集，在采集完成后，将图像数据输入到终端设备中，利用终端设备建立图像处理神经网络，利用图像处理神经网络，将多个图像数据划分成64x64的格子，对多个图像数据进行拆分，在拆分完成后，能够将多个图像数据进行逐个格子的图像数据处理；
[0009]步骤二：接着对目标图像进行特征增强，利用图像处理神经网络构建特征增强模型，将图像处理神经网络中的电力图像格子数据中的相同特征数据和不同特征数据进行分类，并将相同特征数据和不同特征数据提取出，利用相同特征数据和不同特征数据构建特征增强模型，将电力图像输入到特征增强模型中后，能够进行特征增强；
[0010]步骤三：利用终端设备生成对抗网络，将图像处理神经网络中的格子电力图像作为对抗样本，进行深度的对抗网络，能够提升对抗网络对于电力图像合成的处理能力，最后再进行目标图像与背景图像的博弈合成，生成新的图像数据；
[0011]步骤四：将图像处理神经网络中发现故障的图像缺陷进行提取，并输入到采集设备的终端内，在识别到当前拍摄的电力图像存在故障后，将识别匹配到故障的电力图像传输返回到终端内，从而操控采集设备靠近故障位置进行细致的采集拍摄。
[0012]作为本专利技术的一种优选实施方式，所述步骤一中的电力巡检设备为摄像头、摄像机、无人机、直升机或智能机器人。
[0013]作为本专利技术的一种优选实施方式，所述步骤一中的终端设备为计算机处理设备。
[0014]作为本专利技术的一种优选实施方式，所述计算机处理设备建立图像处理神经网络和生成对抗网络。
[0015]作为本专利技术的一种优选实施方式，所述步骤一内的电力巡检设备内置有图像识别模块。
[0016]作为本专利技术的一种优选实施方式，所述图像识别模块用于对电力设备图像进行识别，将识别匹配到故障的电力图像传输返回到终端内，从而操控采集设备靠近故障位置进行细致的采集拍摄。
[0017]作为本专利技术的一种优选实施方式，所述步骤三中的生成对抗网络包括生成器和鉴别器，生成器和鉴别器经过互相博弈学习进行输出。
[0018]与现有技术相比，本专利技术的有益效果如下：
[0019]1.本专利技术通过利用图像处理神经网络，将多个图像数据划分成64x64的格子，对多个图像数据进行拆分，在拆分完成后，能够将多个图像数据进行逐个格子的图像数据处理，比起对整个图像数据进行处理的方式，在不提升图像处理性能的情况下，能够有效提升图像数据的处理效果，消除原始图像中噪声等的干扰和影响，得到高质量的目标图像。
[0020]2.本专利技术通过利用图像处理神经网络构建特征增强模型，将图像处理神经网络中的电力图像格子数据中的相同特征数据和不同特征数据进行分类，利用特征增强模型对电力图像中的不同特征数据进行增强，对相同的特征数据进行弱化，从而有效提升电力图像的不同特征，针对性的对电力图像进行特征增强，比起对整个图像进行特征增强的方式，能够有效降低终端设备处理的性能占用率，提升了特征增强处理的速度。
[0021]3.本专利技术通过将图像处理神经网络中的格子电力图像作为对抗样本，输入到对抗网络中，使对抗网络不断的对相似电力图像格子进行处理博弈学习合成，进行深度的对抗网络，能够提升对抗网络对于电力图像合成的处理能力，不断的增强对抗网络。
[0022]4.本专利技术通过将图像处理神经网络中发现故障的图像缺陷进行提取，并输入到采集设备的终端内，利用摄像头在拍摄过程中，能够经过图像识别模块，对拍摄到的电力设备图像进行识别，在识别到当前拍摄的电力图像存在故障后，将识别匹配到故障的电力图像传输返回到终端内，从而操控采集设备靠近故障位置进行细致的采集拍摄，提升了电力图像采集的效率。
附图说明
[0023]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0024]图1为本专利技术一种基于生成式对抗网络的电力图像数据增广办法的流程示意图。
具体实施方式
[0025]请参阅图1，本专利技术提供一种技术方案：一种基于生成式对抗网络的电力图像数据增广办法，包括以下步骤：
[0026]步骤一：先利用电力巡检设备对电力图像进行采集，在采集完成后，将图像数据输入到终端设备中，利用终端设备建立图像处理神经网络，利用图像处理神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的电力图像数据增广办法，其特征在于，包括以下步骤：步骤一：先利用电力巡检设备对电力图像进行采集，在采集完成后，将图像数据输入到终端设备中，利用终端设备建立图像处理神经网络，利用图像处理神经网络，将多个图像数据划分成64x64的格子，对多个图像数据进行拆分，在拆分完成后，能够将多个图像数据进行逐个格子的图像数据处理；步骤二：接着对目标图像进行特征增强，利用图像处理神经网络构建特征增强模型，将图像处理神经网络中的电力图像格子数据中的相同特征数据和不同特征数据进行分类，并将相同特征数据和不同特征数据提取出，利用相同特征数据和不同特征数据构建特征增强模型，将电力图像输入到特征增强模型中后，能够进行特征增强；步骤三：利用终端设备生成对抗网络，将图像处理神经网络中的格子电力图像作为对抗样本，进行深度的对抗网络，能够提升对抗网络对于电力图像合成的处理能力，最后再进行目标图像与背景图像的博弈合成，生成新的图像数据；步骤四：将图像处理神经网络中发现故障的图像缺陷进行提取，并输入到采集设备的终端内，在识别到当前拍摄的电力图像存在故障后，将识别匹配到故障的电力图像传输返回到终...

【专利技术属性】
技术研发人员：熊伟，李诚，陈亮，易伟，张凌浩，徐彤，张洋，阚梦蝶，汪晓帆，杨斯旭，喻婷，苏云逸，马珅，
申请(专利权)人：国网四川省电力公司眉山供电公司，
类型：发明
国别省市：