[发明专利]基于深度卷积生成对抗网络的铝电解火眼图像修补方法

说明书

本发明公开了一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法。在实际铝电解过程中，电解过程中会有大量碳渣脱落，还有火焰的干扰，使得大量火眼图像无法识别，大大降低了图像识别的准确率。本发明公开一种DCGAN与WGAN方法结合的图像修补方法，其中包括两部分：首先是对图像做个简单的预处理，取以火眼为中心，边长为400像素的正方形的火眼图像，这样可以防止其余图像的干扰特征。其次，对于本发明模型，综合DCGAN和WGAN的特点，使用其相结合的模型—Wasserstein深度卷积生成对抗网络(W‑DCGAN)模型。利用卷积网络特征提取能力加上使用Wasserstein函数辅以训练，最后使用RMSProp优化算法优化损失函数，之后将训练好的W‑DCGAN中的生成器模型部分抽取出来，用于图像修补的新网络结构。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法。

背景技术

铝电解槽电解质的过热度是指电解质温度与初晶温度的差值，一般认为，过热度维持在8一12℃左右比较适宜，既能维持铝电解过程的正常进行，又保证较低的能源损耗。因此，在生产过程中对过热度的判断也是尤为重要。目前国内把过热度分为高，正常，低三类，维持一个良好的过热度能降低铝电解过程中的能源损耗。但是在实际的铝电解过程中，对过热度不好直接测量。

随着深度学习的兴起，我们发现可以利用深度学习对火眼图像进行处理，利用计算机视觉，对火眼中电解质运动视频进行采集分析，建立火眼视频视觉分析模型，对过热度进行分析，进而识别电解槽的过热度，拟达到减少耗能的同时又能增加铝电解的产量的目的。但是，电解过程中会有大量碳渣脱落，还有火焰的干扰，使得大量火眼图像无法识别，大大降低了识别的准确率。实际图像在形成、传输的过程中，由于各种干扰因素的存在会受到噪声的污染。

近几年来，数字图像处理技术已经成为计算机视觉领域的一个研究热点，图像修复是图像处理的重要组成部分，是对图像中的受损区域进行信息填充的过程，其目的是恢复受损的图像，并使观察者无法察觉图像曾经缺损或已被修复。图像修补技术，指用图像中的已知部分区域来填充修补图像中的受损区域，比如污点，遮掩等等。随着图像处理技术的日益成熟，数字图像的应用领域越来越广。

生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，是lan Goodfellow在2014年提出的一个概念。生成对抗网络包括一个生成器(Generator,简称G)生成数据，一个判别器(Discriminator,简称D)来判别真实数据和生成数据。在训练时，生成网络G接收一个随机噪声z，通过这个噪声生成图片G(z)，判别网络D来判断这张图片是不是真实数据。输入参数x，x表示一张图片，输出D(x)表示这张图片是真实图片的概率，输出值在0-1之间。生成器和判别器是一个对抗的关系，在训练过程中，两者是一个博弈的关系，生成网络尽量生成一个与真实图片相近的假图片去迷惑判别网络，而判别网络就是尽量把生成图片和真实图片分开来，两者一直对抗直到达到一个纳什均衡，生成器生成的数据与真实样本无差别，判别器也无法正确的区分生成数据和真实数据。图1是它的一个流程图。

但是训练GAN需要达到纳什均衡，有时候可以用梯度下降法做到，有时候却做不到，因为还没有找到一个稳定的可以达到纳什均衡的方法，所以训练 GAN是不稳定的。所以在GAN网络的基础上改进，出现了更好的深度卷积生成对抗网络(Deep ConvolutionalGenerative Adversarial Network,DCGAN) 和Wasserstein GAN(WGAN)，本发明结合两者的特点建立Wasserstein深度卷积生成对抗网络(W-DCGAN)模型来进行火眼图像的修补。

发明内容

在实际铝电解过程中，电解过程中会有大量碳渣脱落，还有火焰的干扰，使得大量火眼图像无法识别，大大降低了图像识别的准确率。