[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

说明书

本发明提供了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，该方法包括：从真实绝缘子样本库中获取真实绝缘子图像输入绝缘子深度卷积生成对抗网络模型，生成模拟绝缘子图像并进行图像质量评分排序，根据图像质量评分排序的结果筛选模拟绝缘子图像，生成模拟样本库，根据真实绝缘子样本库和模拟样本库对预设神经网络模型进行训练，并根据预设神经网络模型的训练结果，得到真实绝缘子图像与模拟绝缘子图像的最优扩充比例，计算模拟绝缘子图像的扩充样本数量，并从模拟样本库中获取后加入真实绝缘子样本库，生成绝缘子样本扩充库。实现了对绝缘子图像样本的扩充，提高了样本图像质量，并提高了识别模型准确性，进而提高了绝缘子的识别率。

技术领域

本发明涉及图像识别技术领域，具体涉及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。

背景技术

绝缘子是输电线路中重要的电气绝缘及机械支撑部件，承受较大的机械张力和极高的电压，且其长期暴露在野外，运行时很容易发生故障，若不及时巡检发现绝缘子存在的安全隐患，会造成重大损失。随着智能电网的建设，无人机巡检逐步在输电线路巡检中承担重要任务以克服人工巡检效率低和危险性高的问题。

随着机器学习在图像识别领域的应用，人们开始采用机器学习方式建立图像识别模型，用来识别无人机航拍图像中的绝缘子。该识别模型由训练样本进行训练得到，因此训练样本的数量和质量将影响最终生成模型的性能。然而，目前输电线路巡检中已有的绝缘子图像样本数量较少，容易出现训练不足的问题，因此需要对绝缘子图像样本进行扩充。但是，现有的图像样本扩充方法中通过对原始训练样本做“镜面”变换和“对称”变换等方式产生的虚拟训练样本，只是在倾斜方向上产生差异，目标的特征并没有随着倾斜方向的变化而变化，使得所得到的训练样本集中的模拟图像样本存在生成率低、品质差等问题，并且根据训练样本集所得到的测试模型的准确性较低。

发明内容

本发明要解决的技术问题在于克服现有技术中的绝缘子图像样本数量较少，容易出现训练不足，现有的图像样本扩充方法生成的模拟图像样本存在生成率低、品质差等问题，并且得到的测试模型的准确性较低。

根据第一方面，本发明实施例提供了一种基于深度卷积生成对抗网络的绝缘子样本扩充方法，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。

结合第一方面，在第一方面的第一实施方式中，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：构建深度卷积神经网络对抗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。