[发明专利]基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置

权利要求书

1.一种基于深度卷积生成对抗网络的绝缘子样本扩充方法，其特征在于，包括：

从真实绝缘子样本库中获取各真实绝缘子图像；

分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成各模拟绝缘子图像；

对各所述模拟绝缘子图像进行图像质量评分排序，根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像，生成模拟样本库；

根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例；

根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量，计算所述模拟绝缘子图像的扩充样本数量；

根据所述扩充样本数量，从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库，生成绝缘子样本扩充库。

2.根据权利要求1所述的基于深度卷积生成对抗网络的绝缘子样本扩充方法，其特征在于，所述绝缘子深度卷积生成对抗网络模型通过以下步骤生成：

构建深度卷积生成对抗网络模型的生成模型和判别模型；

采用多个所述真实绝缘子图像对所述生成模型和所述判别模型进行训练，生成训练生成模型和训练判别模型；

根据所述训练生成模型和所述训练判别模型，生成所述绝缘子深度卷积生成对抗网络模型。

3.根据权利要求1所述的基于深度卷积生成对抗网络的绝缘子样本扩充方法，其特征在于，所述根据所述真实绝缘子样本库和所述模拟样本库对预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例，包括：

从所述真实绝缘子样本库中提取第一预设数量的所述真实绝缘子图像作为测试样本集；

从所述真实绝缘子样本库中提取第二预设数量的所述真实绝缘子图像作为训练基础样本集；

根据从所述模拟样本库中获取的不同预设扩充比例的所述模拟绝缘子图像及所述训练基础样本集生成各训练样本集；

将各所述训练样本集分别输入所述预设神经网络模型进行绝缘子识别训练，得到各训练模型；

将测试样本集分别输入各所述训练模型进行绝缘子识别测试，得到各所述训练模型的测试准确率；

根据各所述训练模型的测试准确率，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例。

4.一种绝缘子识别模型训练方法，其特征在于，包括：

从如权利要求1-3中任一项所述的绝缘子样本扩充方法生成的绝缘子样本扩充库提取预设数量的绝缘子样本；

根据所述绝缘子样本对预设神经网络模型进行训练，生成绝缘子识别模型。

5.一种绝缘子识别方法，其特征在于，包括：

获取待识别图像；

根据所述待识别图像及如权利要求4所述的绝缘子识别模型训练方法生成的绝缘子识别模型进行图像识别，生成识别结果。

6.一种基于深度卷积生成对抗网络的绝缘子样本扩充装置，其特征在于，包括：

真实绝缘子图像获取模块(1)，用于从真实绝缘子样本库中获取各真实绝缘子图像；

模拟绝缘子图像生成模块(2)，用于分别将各所述真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成各模拟绝缘子图像；

模拟样本库构建模块(3)，用于对各所述模拟绝缘子图像进行图像质量评分排序，根据所述图像质量评分排序的结果筛选各所述模拟绝缘子图像，生成模拟样本库；

最优扩充比例确定模块(4)，用于从所述真实绝缘子样本库和所述模拟样本库中获取不同比例的所述真实绝缘子图像和所述模拟绝缘子图像输入预设神经网络模型进行训练，并根据所述预设神经网络模型的训练结果，得到所述真实绝缘子图像与所述模拟绝缘子图像的最优扩充比例；

扩充样本数量计算模块(5)，用于根据所述最优扩充比例和所述真实绝缘子样本库中所述真实绝缘子图像的样本数量，计算所述模拟绝缘子图像的扩充样本数量；

绝缘子样本扩充库构建模块(6)，用于根据所述扩充样本数量，从所述模拟样本库中获取各所述模拟绝缘子图像加入所述真实绝缘子样本库，生成绝缘子样本扩充库。