[发明专利]基于生成对抗网络的红外图像电力设备分割方法

说明书

基于生成对抗网络的红外图像电力设备分割方法，包括以下步骤：S1：准备网络输入数据；S2：构建生成对抗模型:Cycle‑Gan；S3：设计热成像图像语义分割模型；S4：设计分割网络的损失函数。本发明中，解决对于热成像图像如何消除不同模态数据之间的差异充分利用现有的预训练分割模型，利用生成对抗网络建立不同模态数据之间的联系，使得热成像图像可以充分利用现有的基于自然图像语义分割模型的优势，实现性能更加优越的热成像图像语义分割模型。

技术领域

本发明涉及图像处理技术领域，尤其涉及基于生成对抗网络的红外图像电力设备分割方法。

背景技术

对于电力系统，智能巡检机器人、无人机等技术正在逐步替代低效的人工巡检。为了更加全面的监控电力系统中设备的异常，除了在正常光照条件下收集自然图像，在光照条件不理想的情况下通过红外检测及诊断技术收集热成像图像也在被实际运用中被采用。收集的热成像图中包含了设备是否异常的信息，运用人工智能技术实现热成像图像的自动异常检测具有显得尤为重要。要实现热成像图像的智能化分析，对其图像进行语义分割是一个必不可少的步骤。

图像语义分割，是利用计算机视觉技术预测图像每个像素点所属的类别的技术，是一项典型的稠密预测任务。该项技术是实现计算机图像理解的基础，今年来随着深度学习技术的快速发展，其性能被显著提升，已经可以在某些特定领域运用到实际的运用场景中。生成对抗网络是今年来很火热的一项计算机视觉处理技术，其旨在使得计算机可以自动生成形态各异的图像。尤其是循环生成对抗网络(Cycle-GAN)在训练的过程中不需要成对的数据，该特定拓展了生成对抗网络的实际运用，因为收集成对的图像是一个极为繁琐的过程。

近年来，研究人员主要研究基于自然图像(比如RGB彩色图像)的语义分割方法，并取得了显著的成就。但是，为了更全面实时的检测电力系统中的异常情况，必须实现热成像图像的语义分割。

然而，由于自然彩色图像和热成像图像的结构差异，利用自然图像中广泛采用的技术方案直接处理是一个很有挑战性的任务。其主要的两个技术难点是：热成像图像和自然图像的分布存在很大差异，目前没有专门准对热成像图像进行处理的系统；目前广泛采用的深度学习模型，对其进行合理的预训练是很有必要的，但是对于热成像图像没有这样的参数模型。

现有的热成像语义分割系统直接建立深度模型，利用热成像的标注图像对其进行学习，没有很好的利用目前在自然图像上研究的深度模型的优势。

现有的语义分割方案主要都针对自然图像进行改进，有大量的已标注的自然图像分割数据集，而基于热成像图像的模型则很少，充分利用基于自然图像的分割模型是提升热成像图像语义分割性能的一种解决思路，这样的设计思路可以保证热成像语义分割模型可以充分利用现有预训练深度模型的优势。

为解决上述问题，本申请中提出基于生成对抗网络的红外图像电力设备分割方法。

发明内容

(一)发明目的

为解决背景技术中存在的技术问题，本发明提出基于生成对抗网络的红外图像电力设备分割方法，利用生成对抗网络建立不同模态数据之间的联系，使得热成像图像可以充分利用现有的基于自然图像语义分割模型的优势，实现性能更加优越的热成像图像语义分割模型。

(二)技术方案

为解决上述问题，本发明提供了基于生成对抗网络的红外图像电力设备分割方法，包括以下步骤：

S1：准备网络输入数据；采用部署在电力系统中视频监控设备和红外检测设备收集的电力设备的自然图像数据集和热成像图像数据集；将所有的图像大小归一化为320mm×320mm，将其值减去均值除以方差，适应网络的输入；

S2：构建生成对抗模型:Cycle-Gan；