【技术实现步骤摘要】
一种变电设备缺陷图像数据扩充与数据清洗方法
[0001]本专利技术涉及图像处理
，特别是涉及一种变电设备缺陷图像数据扩充与数据清洗方法
。
技术介绍
[0002]随着新型电力系统建设步伐的加速，变电站运维模式开始由无人值守型向智慧型过渡，借助目标检测
、
语义分割等深度学习方法对现有变电设备缺陷图像进行集中处理分析，可以大幅缩短巡检周期，提高设备缺陷处理效率
。
一个准确率高
、
泛化性强的深度学习模型需要大量有代表性的标注样本，而现有的变电设备缺陷图像往往是在光照条件好
、
可见度高的环境下采集的，导致训练的深度学习模型在清晨
、
黄昏
、
黑夜
、
沙尘
、
暴雨
、
大雪
、
浓雾等场景中的泛化性较差，无法适应弱光及恶劣天气场景中的自动巡检需求，同时在实际变电站中收集大量存在天气
、
光照等各类复杂干扰变化的缺陷图像代价昂贵，少量样...
【技术保护点】
【技术特征摘要】
1.
一种变电设备缺陷图像数据扩充与数据清洗方法，其特征在于，包括：利用预设数据集对风格迁移网络进行训练，得到训练好的网络权重参数；遍历原始变电设备缺陷图像和弱光场景图像，并利用加载所述网络权重参数的所述风格迁移网络，根据所述原始变电设备缺陷图像和弱光场景图像对缺陷图像数据进行扩充，得到低光照变电设备缺陷图像数据，并验证风格迁移效果；滤除所述低光照变电设备缺陷图像数据中的低质量生成图像，并依托对抗验证方法利用分类模型筛选出与真实图像集合样本分布近似的生成图像，得到最终扩充的低光照变电设备缺陷图像集合
。2.
根据权利要求1所述的变电设备缺陷图像数据扩充与数据清洗方法，其特征在于，利用预设数据集对风格迁移网络进行训练，得到训练好的网络权重参数，包括：将
MS COCO 2017
数据集打包为批次大小固定的图像数据集合，，并对图像进行大小调整
、
随机裁剪和归一化预处理，得到训练数据；将所述训练数据输入所述风格迁移网络中进行多轮次的训练，并逐步微调所述风格迁移网络的编解码块的权重参数，得到训练好的网络权重参数；编解码块包括编码网络和解码网络；每阶段的所述编解码块的训练流程为：输入特征经过所述编码网络得到编码特征，并通过所述解码网络还原输入特征，而后计算所述输入特征与输出特征间的内容重建损失
、
图像平滑损失
、
内容感知损失及解码块反演损失，并完成损失迭代
、
梯度反传
、
参数更新直至达到设定的训练轮次，而后保存编解码块的权重参数
。3.
根据权利要求2所述的变电设备缺陷图像数据扩充与数据清洗方法，其特征在于，遍历原始变电设备缺陷图像和弱光场景图像，并利用加载所述网络权重参数的所述风格迁移网络，根据所述原始变电设备缺陷图像和弱光场景图像对缺陷图像数据进行扩充，得到低光照变电设备缺陷图像数据，并验证风格迁移效果，包括：从变电设备缺陷图像集合中随机选择一张原始的内容图像，从低光照场景图中集...
【专利技术属性】
技术研发人员：赵振兵，刘斌，张珂，李刚，苏攀，赵文清，
申请(专利权)人：华北电力大学保定，
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。