一种输电线路巡检图像去雾方法和装置制造方法及图纸

本发明专利技术公开了一种输电线路巡检图像去雾方法和装置，包括：当获取到图像训练集和图像测试集时构建初始图像生成模型和初始图像对抗模型；图像训练集包括无雾训练图像和对应的含雾训练图像；将含雾训练图像输入至初始图像生成模型进行图像去雾生成初始去雾图像；通过初始图像对抗模型基于含雾训练图像、无雾训练图像和初始去雾图像进行多尺度图像判别确定整体损失函数值；按照整体损失函数值对初始图像生成模型和初始图像对抗模型的模型参数进行梯度迭代优化，并结合测试集进行模型验证，确定目标图像生成模型；将目标输电线路巡检图像输入目标图像生成模型进行图像去雾生成目标去雾图像。通过该目标图像生成模型得到的去雾图像，图像质量更佳。图像质量更佳。图像质量更佳。

【技术实现步骤摘要】
一种输电线路巡检图像去雾方法和装置


[0001]本专利技术涉及图像处理
，尤其涉及一种输电线路巡检图像去雾方法和装置。

技术介绍

[0002]为对长期处于室外环境的输电线路的运行状态进行监测，巡检人员定期采用无人机采集输电线路巡检图像，通过人工查看或基于机器视觉方法对输电线路巡检图像进行输电线路缺陷识别。但如果在雾霾天气下，无人机采集到的输电线路巡检图像整体泛白、对比度下降、颜色偏离且纹理细节被雾气遮掩，导致输电线路巡检图像质量严重下降，降低了输电线路缺陷识别的准确性，故需要对输电线路巡检图像进行图像去雾处理。
[0003]目前，图像去雾方法主要分为两大类：一类是基于先验信息的去雾方法，此类方法依赖于图像的先验信息或基本假设，而输电线路巡检图像场景复杂多变，很难获取准确的先验信息，导致无法应用基于先验信息的去雾方法得到高质量的去雾图像；另一类是基于深度学习的去雾方法，该类方法直接将图像去雾任务转换成含雾图像到不含雾图像的转换任务，相对基于先验信息的图像去雾方法去雾效果更好。
[0004]随着大数据的快速发展，生成对抗网络成为目前最流行的深度学习算法之一，现有基于生成对抗网络的去雾方法相较于常规深度学习方法的去雾方法的去雾效果更好，但是去雾后的图像仍存在一定程度的颜色失真、伪影以及纹理细节信息丢失现象，影响了输电线路缺陷识别，有待进一步优化去雾图像质量。

技术实现思路

[0005]本专利技术提供了一种输电线路巡检图像去雾方法和装置，解决了现有技术在对图像进行去雾处理时，生成的去雾图像的图像质量不高的技术问题。
[0006]本专利技术第一方面提供的一种输电线路巡检图像去雾方法，包括：
[0007]当获取到图像训练集和图像测试集时，构建初始图像生成模型和初始图像对抗模型；所述图像训练集包括无雾训练图像和对应的含雾训练图像；
[0008]将所述含雾训练图像输入至所述初始图像生成模型进行图像去雾，生成初始去雾图像；
[0009]通过所述初始图像对抗模型基于所述含雾训练图像、所述无雾训练图像和所述初始去雾图像进行多尺度图像判别，确定整体损失函数值；
[0010]按照所述整体损失函数值对所述初始图像生成模型和所述初始图像对抗模型的模型参数进行梯度迭代优化，并结合所述测试集进行模型验证，确定目标图像生成模型；
[0011]当接收到目标输电线路巡检图像时，将所述目标输电线路巡检图像输入所述目标图像生成模型进行图像去雾，生成目标去雾图像。
[0012]可选地，所述初始图像生成模型包括带有DY
‑
ReLU激活函数的标准卷积层、残差模块、多尺度空洞卷积模块、坐标注意力模块、带有DY
‑
ReLU激活函数的反卷积层和带有Tanh
激活函数的标准卷积层；所述将所述含雾训练图像输入至所述初始图像生成模型进行图像去雾，生成初始去雾图像的步骤，包括：
[0013]将所述含雾训练图像输入带有DY
‑
ReLU激活函数的标准卷积层进行初步特征提取后，经过残差模块进行下采样输出初步特征图；
[0014]通过残差模块对所述初步特征图进行下采样，确定下采样图；
[0015]采用坐标注意力模块分别对所述初步特征图和所述下采样图进行特征加权，生成第一加权特征图和第二加权特征图；
[0016]通过多个多尺度空洞卷积模块基于所述下采样图进行多尺度特征提取，构建多尺度特征图；
[0017]将所述多尺度特征图与所述第二加权特征图进行通道拼接后，采用带有DY
‑
ReLU激活函数的反卷积层进行上采样，生成上采样图；
[0018]对所述上采样图与所述第一加权特征图进行通道拼接，并输入串联的带有DY
‑
ReLU激活函数的反卷积层和带有Tanh激活函数的标准卷积层进行上采样和颜色特征映射，输出初始去雾图像。
[0019]可选地，所述多尺度空洞卷积模块设有残差连接；所述通过所述多个多尺度空洞卷积模块对所述下采样图进行多尺度特征提取，构建多尺度特征图的步骤，包括：
[0020]将所述下采样图输入多尺度空洞卷积模块进行多尺度特征信息聚合，输出聚合特征图；
[0021]对所述下采样图和所述聚合特征图进行逐元素相加，确定融合特征图；
[0022]采用多尺度空洞卷积模块对所述融合特征图进行多尺度特征信息整合，生成整合特征图；
[0023]对所述融合特征图和所述整合特征图进行逐元素相加，构建多尺度特征图。
[0024]可选地，所述多尺度空洞卷积模块包括不同卷积核大小的第一卷积层、第二卷积层与第三卷积层以及不同空洞率的第一空洞卷积层与第二空洞卷积层，所述第一卷积层、第二卷积层与第三卷积层均带有DY
‑
LeakyReLU激活函数，所述第一空洞卷积层与第二空洞卷积层均带有实例归一化层和DY
‑
LeakyReLU激活函数；所述多尺度空洞卷积模块的图像处理步骤，包括：
[0025]将输入所述多尺度空洞卷积模块的多尺度输入图通过串联的第一卷积层和第一空洞卷积层进行特征提取，生成第一空洞图；
[0026]采用级联的第二卷积层和第二空洞卷积层对所述空洞输入图执行特征滤波操作，构建第二空洞图；
[0027]分别通过第一卷积层和第二卷积层对所述空洞输入图进行卷积运算，确定第三空洞图和第四空洞图；
[0028]对所述第一空洞图、所述第二空洞图、所述第三空洞图和所述第四空洞图进行通道拼接后，采用第三卷积层进行通道降维，输出多尺度输出图。
[0029]可选地，所述残差模块包括残差连接的第一残差卷积层、第二残差卷积层、DY
‑
ReLU激活函数和第三残差卷积层，所述第一残差卷积层和第二残差卷积层均带有实例归一化层；所述残差模块的图像处理步骤，包括：
[0030]将输入残差模块的残差输入图采用第一残差卷积层进行特征提取后，通过DY
‑
ReLU激活函数进行非线性映射，生成第一残差图；
[0031]通过第二残差卷积层对所述第一残差图进行下采样，构建第二残差图；
[0032]采用第三残差卷积层对所述残差输入图进行解耦，输出第三残差图；
[0033]将所述第一残差图与所述第三残差图进行逐元素相加，并经过DY
‑
ReLU激活函数激活输出残差输出图。
[0034]可选地，所述初始图像对抗模型包括多个级联的所述残差模块；所述通过所述初始图像对抗模型对所述含雾训练图像、所述无雾训练图像和所述初始去雾图像进行多尺度图像判别，确定整体损失函数值的步骤，包括：
[0035]将所述含雾训练图像和所述无雾训练图像、所述含雾训练图像和所述初始去雾图像分别组成第一图像对和第二图像对；
[0036]通过残差模块分别对所述第一图像对和所述第二图像对进行连续下采样，输出第三图像对和第四图像对以及对应的第一判决得分和第二判决得分；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路巡检图像去雾方法，其特征在于，包括：当获取到图像训练集和图像测试集时，构建初始图像生成模型和初始图像对抗模型；所述图像训练集包括无雾训练图像和对应的含雾训练图像；将所述含雾训练图像输入至所述初始图像生成模型进行图像去雾，生成初始去雾图像；通过所述初始图像对抗模型基于所述含雾训练图像、所述无雾训练图像和所述初始去雾图像进行多尺度图像判别，确定整体损失函数值；按照所述整体损失函数值对所述初始图像生成模型和所述初始图像对抗模型的模型参数进行梯度迭代优化，并结合所述测试集进行模型验证，确定目标图像生成模型；当接收到目标输电线路巡检图像时，将所述目标输电线路巡检图像输入所述目标图像生成模型进行图像去雾，生成目标去雾图像。2.根据权利要求1所述的输电线路巡检图像去雾方法，其特征在于，所述初始图像生成模型包括带有DY
‑
ReLU激活函数的标准卷积层、残差模块、多尺度空洞卷积模块、坐标注意力模块、带有DY
‑
ReLU激活函数的反卷积层和带有Tanh激活函数的标准卷积层；所述将所述含雾训练图像输入至所述初始图像生成模型进行图像去雾，生成初始去雾图像的步骤，包括：将所述含雾训练图像输入带有DY
‑
ReLU激活函数的标准卷积层进行初步特征提取后，经过残差模块进行下采样输出初步特征图；通过残差模块对所述初步特征图进行下采样，确定下采样图；采用坐标注意力模块分别对所述初步特征图和所述下采样图进行特征加权，生成第一加权特征图和第二加权特征图；通过多个多尺度空洞卷积模块基于所述下采样图进行多尺度特征提取，构建多尺度特征图；将所述多尺度特征图与所述第二加权特征图进行通道拼接后，采用带有DY
‑
ReLU激活函数的反卷积层进行上采样，生成上采样图；对所述上采样图与所述第一加权特征图进行通道拼接，并输入串联的带有DY
‑
ReLU激活函数的反卷积层和带有Tanh激活函数的标准卷积层进行上采样和颜色特征映射，输出初始去雾图像。3.根据权利要求2所述的输电线路巡检图像去雾方法，其特征在于，所述多尺度空洞卷积模块设有残差连接；所述通过所述多个多尺度空洞卷积模块对所述下采样图进行多尺度特征提取，构建多尺度特征图的步骤，包括：将所述下采样图输入多尺度空洞卷积模块进行多尺度特征信息聚合，输出聚合特征图；对所述下采样图和所述聚合特征图进行逐元素相加，确定融合特征图；采用多尺度空洞卷积模块对所述融合特征图进行多尺度特征信息整合，生成整合特征图；对所述融合特征图和所述整合特征图进行逐元素相加，构建多尺度特征图。4.根据权利要求2所述的输电线路巡检图像去雾方法，其特征在于，所述多尺度空洞卷积模块包括不同卷积核大小的第一卷积层、第二卷积层与第三卷积层以及不同空洞率的第
一空洞卷积层与第二空洞卷积层，所述第一卷积层、第二卷积层与第三卷积层均带有DY
‑
LeakyReLU激活函数，所述第一空洞卷积层与第二空洞卷积层均带有实例归一化层和DY
‑
LeakyReLU激活函数；所述多尺度空洞卷积模块的图像处理步骤，包括：将输入所述多尺度空洞卷积模块的多尺度输入图通过串联的第一卷积层和第一空洞卷积层进行特征提取，生成第一空洞图；采用级联的第二卷积层和第二空洞卷积层对所述空洞输入图执行特征滤波操作，构建第二空洞图；分别通过第一卷积层和第二卷积层对所述空洞输入图进行卷积运算，确定第三空洞图和第四空洞图；对所述第一空洞图、所述第二空洞图、所述第三空洞图和所述第四空洞图进行通道拼接后，采用第三卷积层进行通道降维，输出多尺度输出图。5.根据权利要求2所述的输电线路巡检图像去雾方法，其特征在于，所述残差模块包括残差连接的第一残差卷积层、第二残差卷积层、DY
‑
ReLU激活函数和第三残差卷积层，所述第一残差卷积层和第二残差卷积层均带有实例归一化层；所述残差模块的图像处理步骤，包括：将输入残差模块的残差输入图采用第一残差卷积层进行特征提取后，通过DY
‑
ReLU激活函数进行非线性映射，生成第一残差图；通过第二残差卷积层对所述第一残差图进行下采样，构建第二残差图；采用第三残差卷积层对所述残差输入图进行解耦，输出第三残差图；将所述第一残差图与所述第三残差图进行逐元素相加，并经过DY
‑
ReLU激活函数激活输出残差输出图。6.根据权利要求2所述的输电线路巡检图像去雾方法，其特征在于，所述初始图像对抗模型包括多个级联的所述残差模块；所述通过所述初始图像对抗模型对所述含雾训练图像、所述无雾训练图像和所述初始去雾图像进行多尺度图像判别，确定整体损失函数值的步骤，包括：将所述含雾训练图像和所述无雾训练图像、所述含雾训练图像和所述初始去雾图像分别组成第一图像对和第二图像对；通过残差模块分别对所述第一图像对和所述第二图像对进行连续下采样，输出第三图像对和第四图像对以及对应的第一判决得分和第二判决得分；采用残差模块分别对所述第三图像对和所述第四图像对进行下采样，确定对应的第三判决得分和第四判决得分；获取训练好的VGG
‑
19特征提取模型，通过所述VGG
‑
19特征提取模型分别提取所述初始去雾图像和所述无雾训练图像的高级特征；采用所述初始去雾图像、所述无雾训练图像、所述第一判决得分、所述第二判决得分、所述第三判决得分、所述第四判决得分和所述高级特征，计算整体损失函数值。7.根据权利要求6所述的输电线路...

【专利技术属性】
技术研发人员：崔莹，赵立权，王梓阳，
申请(专利权)人：广东电网有限责任公司珠海供电局，
类型：发明
国别省市：