生成式数据增强方法技术

本申请提供了一种生成式数据增强方法

【技术实现步骤摘要】
生成式数据增强方法、装置及系统


[0001]本申请涉及图像处理
，具体而言，涉及一种生成式数据增强方法
、
装置及系统
。

技术介绍

[0002]燃气管道作为天然气输送的重要载体，不仅高效
、
便捷，而且能大大减少燃气输送的成本
。
管道泄漏不仅会造成经济损失
、
环境污染，甚至还会对人民群众生命财产安全造成极大威胁
。
因此，埋地燃气管道必须拥有良好的工作状态
。
然而，城市燃气管道大多埋于地下，埋地燃气管道埋设时间不尽相同且我国城市埋地燃气管道大多处于设计寿命后期，待检修管道规模庞大，外力
、
腐蚀
、
开裂等都会造成管道出现泄漏的情况
。
因此，城市埋地燃气管道的定期检修是很有必要的
。
[0003]检修人员直接进入管道观察管道是否发生泄漏，不但要求检修人员时刻保持专注避免因疲劳而产生漏检而且还依赖工作人员的主观判断，识别结果具有主观性
。
负压波检测法
、
小波检测法等在泄漏较小时无法识别到泄漏的存在
。DN100
管道内径约为
95mm
，工作人员无法进入管道进行检修，因此只能采用开挖的方式进行检修
。
然而，大面积开挖费时费力，对于需要频繁检修的管道成本极高，第一类方法并不适用，而当泄漏尺寸较小时第二类方法无法识别到
。
基于计算机视觉技术对目标进行识别已经比较成熟，与以上两种方法相比较高地提升了识别效率及准确率
。
[0004]在实际情况中，由于无法采集足够多的图像数据集使得深度学习模型容易出现过拟合的问题较为常见，而过拟合会影响网络模型的识别准确率及泛化能力，因此需要对图像数量进行扩充
。
然而，非生成式数据增强方法主要应用几何变换和
HSV
变换等方式对图像进行扩充，获得的图像属于单样本图像，缺乏多样性
。
[0005]针对上述的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0006]本专利技术实施例提供了一种生成式数据增强方法
、
装置及系统，以至少解决现有技术中图像特征单一
、
梯度消失的技术问题
。
[0007]根据本专利技术实施例的一个方面，提供了一种生成式数据增强方法，包括：获取待数据增强的图像；对生成网络模型与对抗网络模型的网络参数和结构进行优化与改进，得到生成式数据增强网络模型，利用训练数据集训练所述生成式数据增强网络模型直至所述生成式数据增强网络模型的生成器与判别器达到纳什平衡状态；将所述待数据增强的图像输入到训练好的所述生成式数据增强网络模型进行数据增强，得到数据增强的图像
。
[0008]根据本专利技术实施例的另一方面，还提供了一种生成式数据增强装置，包括：获取模块，被配置为获取待数据增强的图像；训练模块，被配置为对生成网络模型与对抗网络模型的网络参数和结构进行优化与改进，得到生成式数据增强网络模型，利用训练数据集训练所述生成式数据增强网络模型直至所述生成式数据增强网络模型的生成器与判别器达到
纳什平衡状态；增强模块，被配置为将所述待数据增强的图像输入到训练好的所述生成式数据增强网络模型进行数据增强，得到数据增强的图像
。
[0009]根据本专利技术实施例的又一方面，还提供了一种生成式数据增强系统，该系统包括：图像采集设备，被配置为通过摄像设备采集图像作为待数据增强的图像；上述的生成式数据增强装置，被配置为对所述待数据增强的图像进行生成式数据增强
。
[0010]在本专利技术实施例中，获取待数据增强的图像；对生成网络模型与对抗网络模型的网络参数和结构进行优化与改进，得到生成式数据增强网络模型，利用训练数据集训练所述生成式数据增强网络模型直至所述生成式数据增强网络模型的生成器与判别器达到纳什平衡状态；将所述待数据增强的图像输入到训练好的所述生成式数据增强网络模型进行数据增强，得到数据增强的图像
。
通过上述方案，解决了现有技术中图像特征单一
、
梯度消失的技术问题
。
附图说明
[0011]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定
。
在附图中：
[0012]图1是根据本申请实施例的一种生成式数据增强方法的流程图；
[0013]图2是根据本申请实施例的另一种生成式数据增强方法的流程图；
[0014]图3是根据本申请实施例的一种图像数据集构建方法的流程图；
[0015]图4是根据本申请实施例的原始的
DCGAN
网络模型的结构图；
[0016]图5是根据本申请实施例的改进的
DCGAN
网络模型结构图；
[0017]图6是根据本申请实施例的改进的生成器
G
结构图；
[0018]图7是根据本申请实施例的改进的判别器
D
结构图；
[0019]图8是根据本申请实施例的
ReLU
激活函数及
PReLU
激活函数曲线图；
[0020]图9是根据本申请实施例的一种数据增强的装置的结构示意图；
[0021]图
10
是根据本申请实施例的一种数据增强的电子设备的结构示意图
。
具体实施方式
[0022]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合
。
下面将参考附图并结合实施例来详细说明本申请
。
[0023]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式
。
如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和
/
或“包括”时，其指明存在特征
、
步骤
、
操作
、
器件
、
组件和
/
或它们的组合
。
[0024]除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置
、
数字表达式和数值不限制本申请的范围
。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的
。
对于相关领域普通技术人员已知的技术
、
方法和设备可能不作详细讨论
。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制
。
因此，示例性实施例的其它示例可以具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种生成式数据增强方法，其特征在于，包括：获取待数据增强的图像；对生成网络模型与对抗网络模型的网络参数和结构进行优化与改进，得到生成式数据增强网络模型，利用训练数据集训练所述生成式数据增强网络模型直至所述生成式数据增强网络模型的生成器与判别器达到纳什平衡状态；将所述待数据增强的图像输入到训练好的所述生成式数据增强网络模型进行数据增强，得到数据增强的图像
。2.
根据权利要求1所述的方法，其特征在于，所述训练数据集是通过以下方法得到的：对图像样本进行筛选，筛除图像质量小于质量阈值的图像样本，保留图像质量大于等于所述质量阈值的图像样本；对筛选出的图像样本进行归一化处理，统一所述筛选出的图像样本的尺寸；对归一化处理后的图像样本进行非生成式数据增强，扩充图像数量，构建初始数据集；将所述筛选出的图像样本与所述初始数据集进行组合，得到所述训练数据集
。3.
根据权利要求2所述的方法，其特征在于，对归一化处理后的图像样本进行非生成式数据增强包括：对所述归一化处理后的图像样本进行以下至少之一的变换：随机旋转
、
平移
、
剪切
、
放缩
、
色调
、
饱和度和亮度
。4.
根据权利要求1所述的方法，其特征在于，对对抗网络模型的网络参数和结构进行优化与改进，包括：在所述生成网络模型的所述生成器中构建2层反卷积层，并在每层反卷积层后构建1层批归一化层和1层激活函数，其中，最后1层激活函数为非线性激活函数；在所述对抗网络模型的所述判别器中构建2层卷积层，并在每层卷积层后构建1层批归一化层和1层激活函数，其中，最后1层激活函数为逻辑斯谛函数；将参数修正线性单元损失函数引入所述生成网络模型的所述生成器中，代替原始损失函数；将基于推土机距离构成的损失函数引入所述对抗网络模型的所述判别器中，代替原始基于
JS
散度构成的损失函数来表示数据分布之间的距离关系
。5.
根据权利要求4所述的方法，其特征在于，所述参数修正线性单元损失函数为：其中，
x
为横坐标数值，
a
为常数
。6.
根据权利要求4所述的方法，其特征在于，所述推土机距离构成的损失函数为：其中，
P1
，

【专利技术属性】
技术研发人员：赵辉，赵昱昕，苏中，赵旭，刘福朝，周浩，林家振，王鑫凯，张志诚，孙振振，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：