一种用于配电网巡检缺陷识别的样本扩充方法及系统技术方案

本发明专利技术涉及电力巡检技术领域，提供了一种用于配电网巡检缺陷识别的样本扩充方法及系统，包括：获取配电网巡检图像及缺陷描述；将所述配电网巡检图像加入噪声，得到临时图像矩阵；将所述缺陷描述转为文本向量，将文本向量与临时图像矩阵利用梯度场引导融合进行融合；基于融合后的结果，使用神经网络预测噪声；将临时图像矩阵减去预测的噪声后，转化为生成图像

【技术实现步骤摘要】
一种用于配电网巡检缺陷识别的样本扩充方法及系统


[0001]本专利技术属于电力巡检
，尤其涉及一种用于配电网巡检缺陷识别的样本扩充方法及系统
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术
。
[0003]随着深度学习技术的发展和普及，深度学习在计算机视觉等领域得到了广泛应用
。
在物体识别
、
图像分类等任务中，深度学习已经取得了较好的效果和成果
。
然而，在配电网巡检这一领域中，缺乏大量的高质量样本数据，对深度学习算法的研究和应用带来了极大的挑战
。
[0004]配电网智能巡检是近几年研究的热点，巡检图像缺陷智能识别可以大大减少工作人员的工作量，提高巡检效率
。
利用模型来进行巡检图像目标检测识别是配电网巡检缺陷识别的有效方法，训练模型需要大量的样本，因此设备缺陷图像的样本数量和质量是制约模型识别精度的重要因素
。
随着配电网智能巡检的应用，逐渐凸显出以下问题：
(1)
配电网设备种类繁多，缺陷类型更加多样，针对特定场景收集大量带有标注的高质量可用样本非常困难；
(2)
缺陷样本稀缺，巡检场景多样
、
背景复杂，缺陷隐患属于小概率事件，存在正负样本不均衡，缺陷样本较少等问题；
(3)
电网对于安全性有着极高的要求，人为在配电线路制造隐患缺陷场景以获取样本的方式也不可取/>。
因此，针对上述问题，利用现有缺陷图像进行样本扩充是一种提升模型性能的有效方法
。
[0005]目前，样本扩充一般是通过旋转
、
镜像
、
对称
、
平移
、
尺度变换等几何变换
、
色彩抖动
、
添加噪声等方法来实现图像样本增广
。
这些方法通过把图像沿水平
、
垂直翻转
、
平移
、
扭曲以及随机角度旋转变化的方式来生成新的图像数据，以此扩充样本集
。
这些方法虽然一定程度上扩充了样本数量，但样本质量并没有提高，在使用的过程中需要人为设置相关参数，如平移距离
、
旋转角度等，仍需耗费一定的人力，且样本数据分布单一，对于环境复杂
、
设备种类繁多的配电网巡检图像的扩充样本，模型的提升效果有限甚至难以凑效，且通过这些方法得到的图像与原始图像的相似度极高，用于训练识别模型对模型的性能提升有限，甚至存在过拟合的风险
。
[0006]此外，还有基于
PS(Photoshop)
的缺陷纹理贴图和基于
3D
模型渲染的样本扩充技术，其中，利用
PS
进行缺陷贴图的方式生成样本速度较慢，且需要耗费大量的人力；基于
3D
模型渲染扩充样本的方式，需要先对配电线路设备进行建模，
3D
模型渲染是通过点云扫描设备扫描部件点云数据，拍摄部件图像，利用
3DMAX
等专业软件进行贴图，实现真实场景建模的方式，该方法需要对配电线路进行建模，成本高
、
计算量大，且模型场景较为单一仿真效果有限
。
[0007]此外，基于传统生成模型
(
如
GAN、VAE)
的样本扩充方法在生成高质量图像时存在一些问题，如图像模糊
、
生成图像出现重复等，且很难保证生成的图像质量
。

技术实现思路

[0008]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种用于配电网巡检缺陷识别的样本扩充方法及系统，将缺陷描述与加入噪声的配电网巡检图像，利用梯度场引导融合进行融合，增强了特征的表征能力，保证了神经网络生成高质量的配电网巡检缺陷图像，实现配电网巡检图像小样本的扩充和处理
。
[0009]为了实现上述目的，本专利技术采用如下技术方案：
[0010]本专利技术的第一个方面提供一种用于配电网巡检缺陷识别的样本扩充方法，其包括：
[0011]获取配电网巡检图像及缺陷描述；
[0012]将所述配电网巡检图像加入噪声，得到临时图像矩阵；
[0013]将所述缺陷描述转为文本向量，将文本向量与临时图像矩阵利用梯度场引导融合进行融合；
[0014]基于融合后的结果，使用神经网络预测噪声；
[0015]将临时图像矩阵减去预测的噪声后，转化为生成图像
。
[0016]进一步地，对配电网巡检图像使用编码器降低维度后，加入噪声
。
[0017]进一步地，在使用神经网络预测噪声之前，对融合后的结果进行群组归一化
。
[0018]进一步地，所述转化为生成图像的方法包括：使用解码器将临时图像矩阵转换到配电网巡检图像的维度
。
[0019]进一步地，还包括：将生成图像转为向量，同时与向量检索库中的向量计算相似度，若最高的相似度值不超过阈值，则将生成图像和生成图像转化的向量分别加入到数据存储库和向量检索库
。
[0020]本专利技术的第二个方面提供一种配电网小样本巡检缺陷识别模型训练方法，包括：
[0021]采用如第一方面所述的一种用于配电网巡检缺陷识别的样本扩充方法，得到所述生成图像，并与所述配电网巡检图像，组合为训练集；
[0022]采用所述训练集对预设神经网络进行训练，生成配电网小样本巡检缺陷识别模型
。
[0023]本专利技术的第三个方面提供一种配电网小样本巡检缺陷识别方法，包括：
[0024]获取待识别的配电网巡检图像；
[0025]根据所述待识别的配电网巡检图像及第一方面所述的一种配电网小样本巡检缺陷识别模型训练方法生成的配电网小样本巡检缺陷识别模型进行缺陷识别
。
[0026]本专利技术的第四个方面提供一种用于配电网巡检缺陷识别的样本扩充系统，包括：
[0027]数据获取模块，其被配置为：获取配电网巡检图像及缺陷描述；
[0028]噪声加入模块，其被配置为：将所述配电网巡检图像加入噪声，得到临时图像矩阵；
[0029]融合模块，其被配置为：将所述缺陷描述转为文本向量，将文本向量与临时图像矩阵利用梯度场引导融合进行融合；
[0030]噪声预测模块，其被配置为：基于融合后的结果，使用神经网络预测噪声；
[0031]图像生成模块，其被配置为：将临时图像矩阵减去预测的噪声后，转化为生成图像
。
[0032]本专利技术的第五个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种用于配电网巡检缺陷识别的样本扩充方法中的步骤
。
[0033]本专利技术的第六个方面提供一种计算机设备，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于配电网巡检缺陷识别的样本扩充方法，其特征在于，包括：获取配电网巡检图像及缺陷描述；将所述配电网巡检图像加入噪声，得到临时图像矩阵；将所述缺陷描述转为文本向量，将文本向量与临时图像矩阵利用梯度场引导融合进行融合；基于融合后的结果，使用神经网络预测噪声；将临时图像矩阵减去预测的噪声后，转化为生成图像
。2.
如权利要求1所述的一种用于配电网巡检缺陷识别的样本扩充方法，其特征在于，对配电网巡检图像使用编码器降低维度后，加入噪声
。3.
如权利要求1所述的一种用于配电网巡检缺陷识别的样本扩充方法，其特征在于，在使用神经网络预测噪声之前，对融合后的结果进行群组归一化
。4.
如权利要求1所述的一种用于配电网巡检缺陷识别的样本扩充方法，其特征在于，所述转化为生成图像的方法包括：使用解码器将临时图像矩阵转换到配电网巡检图像的维度
。5.
如权利要求1所述的一种用于配电网巡检缺陷识别的样本扩充方法，其特征在于，还包括：将生成图像转为向量，同时与向量检索库中的向量计算相似度，若最高的相似度值不超过阈值，则将生成图像和生成图像转化的向量分别加入到数据存储库和向量检索库
。6.
一种配电网小样本巡检缺陷识别模型训练方法，其特征在于，包括：采用如权利要求1‑5中任一项所述的一种用于配电网巡检缺陷识别的样本扩充方法，得到所述生成图像，并与所述配电网巡检...

【专利技术属性】
技术研发人员：任佳颖，王琦，张志，邱玲，许荣浩，王万国，王振利，刘珅岐，黄锐，左新斌，隗笑，张斌，孙志周，袁弘，刘天举，吴见，
申请(专利权)人：国网智能科技股份有限公司，
类型：发明
国别省市：