[发明专利]一种基于生成式对抗网络模型的图像异常检测方法

说明书

本发明公开一种基于生成式对抗网络模型的图像异常检测方法，所述异常检测方法包括以下步骤：将摄取设备生成的原始图片输入生成式对抗网络模型中；经过判别器倒数第二层后获得原始图片和生成图片的特征，将所述两者特征相减的结果作为二分类器的输入，输出对应异常类别分数；根据异常类别分数与异常分数阈值的关系，判断图像是否正常。本发明图像异常检测方法在编码器中引入SENET模块有效提取原图中的显著性信息，降低背景噪声对模型训练的干扰；结合监督学习和无监督学习，解决了巡检过程中电力塔杆图像数据集中正常样本和异常样本不均衡导致分类效果不佳的问题，并且能有效区分背景复杂的正常样本和异常样本，模型鲁棒性强。

技术领域

本发明涉及电力线路巡检和图像检测技术领域，具体是一种基于生成式对抗网络模型的图像异常检测方法。

背景技术

在电力线路巡检中，由于面临着设施布置复杂，巡线作业强度大、周期长，部分地区自然环境复杂恶劣等问题，提高了工作人员的野外工作强度，降低了巡线效率。为了解决上述问题，近几年电网逐渐引入无人机巡检技术，通过无人机载体上的检测装置对目标物体进行检测。

在数据处理方面，仍然是以人工肉眼观察拍摄的图片并标注缺陷信息为主。这种处理数据方式不仅效率低下，而且判别准确率取决于检查人员的专业水平，同时长时间的视觉观察检测导致误判率上升。

人工智能作为近几年的技术热点，在诸多领域取得了令人瞩目的成果，特别是深度学习技术，在图像特征提取方面所取得的成果要优于使用人工设计特征的较为传统的机器学习方法，利用具备学习能力的深度网络模型自动提取图像特征。

在输电线杆塔倾斜程度检测的数据集中，正常样本远多于异常样本，现有的深度学习模型对均衡的数据集效果显著，而对于类别不平衡的数据集难以适用。近几年提出了基于对抗式生成网络(Generative Adversarial Network,简称GAN)的异常检测模型，基于学习正常样本的数据分布能重构出正常样本而难以重构异常样本这一原理，从而有效区分正常样本和异常样本。现有的方法中还存在如下缺陷：

第一，电力巡检图像场景多变，背景复杂，拍摄视角多样化，背景噪声对图像重构及编码的影响较大，从而干扰了异常检测结果；

第二，现有的异常检测模型适合于区分正常样本和异常样本相差较大的图片，对于两类样本差别不大的图片仍然无法正确判别。

发明内容

本发明的目的在于提供一种基于生成式对抗网络模型的图像异常检测方法，在编码器中引入SENET模块有效提取原图中的显著性信息，降低背景噪声对模型训练的干扰；结合监督学习和无监督学习，解决了巡检过程中电力塔杆图像数据集中正常样本和异常样本不均衡导致分类效果不佳的问题，并且能有效区分背景复杂的正常样本和异常样本，模型鲁棒性强。

本发明的目的可以通过以下技术方案实现：

一种基于生成式对抗网络模型的图像异常检测方法，所述异常检测方法包括以下步骤：

S1：将摄取设备生成的原始图片输入生成式对抗网络模型中,生成式对抗网络模型包括编码器、生成器、判别器和二分类器，编码器、生成器和判别器共同构成了基于SENET模块的特征提取模型，用于学习正常样本的数据分布，二分类器用于计算检测图片的异常分数；

S2：经过判别器倒数第二层后获得原始图片和生成图片的特征，将所述两者特征相减的结果作为二分类器的输入，输出对应异常类别分数；

S3：计算异常类别判别阈值，根据异常类别分数与异常类别判别阈值的关系，判断图像是否正常。

进一步的，所述生成式对抗网络模型的训练包括以下步骤：

S11：制作训练集、分类集和测试集；

S12：设置训练参数；