[发明专利]一种基于CGAN的巡检图像数据小样本扩充方法

说明书

本发明涉及一种基于CGAN的巡检图像数据小样本扩充方法。首先收集巡检图像，判别巡检图像对应的缺陷类型，并进行标注，使用异常检测算法，剔除巡检图像数据集中的异常图像；然后使用传统图像处理算法，对清洗后的巡检图像数据集进行预处理，而后使用巡检图像数据集训练基于卷积神经网络的条件生成对抗网络，得到可生成给定缺陷类型巡检图像数据的CGAN模型；接着使用训练好的CGAN模型的生成器，采样并生成大量巡检图像数据；根据判别器输出的图像真实度，筛选真实度大于给定真实度阈值的生成图像加入巡检图像数据集，得到扩充巡检图像数据集。

技术领域

本发明属于输电设备巡检图像处理技术领域，更具体地，涉及一种基于CGAN的巡检图像数据小样本扩充方法。

背景技术

配网线路网络结构复杂，设备类型多样，分布点多面广，局部环境复杂、安全环境相对较差。配网线路日益密集、巡视难度不断加大，但电力巡检的时效性及精度要求不断提升。当前人工巡检手段较单一、效率低、安全风险高，缺陷发现率低。需要采用无人机巡检方法改进当前效率低下的巡检方式，同时结合深度学习等技术对设备缺陷进行快速识别。但是由于设备缺陷率较低，难以有效训练神经网络。需要解决缺陷样本数量少的问题，实现缺陷图像各类样本的自动扩充及均衡化。

中国专利CN109325532A，公开日为2019.02.12，公开了一种小样本下扩充数据集的图像处理方法，虽然实现了数据扩充，但是基于此方法扩充的数据，样本质量较低，无法满足下游模型训练的准确性。

发明内容

本发明为克服上述现有技术中的至少一个缺陷，提供一种基于CGAN的巡检图像数据小样本扩充方法，实现了小样本数据的自动扩充和均衡化。

为解决上述技术问题，本发明采用的技术方案是：一种基于CGAN的巡检图像数据小样本扩充方法，包括以下步骤：

S1.收集巡检图像，根据经验判别巡检图像对应的缺陷类型，并人工对图像进行标注，获得巡检图像数据集；使用异常检测算法，剔除巡检图像数据集中的异常图像；

S2.使用传统图像处理算法，对清洗后的巡检图像数据集进行预处理，进一步提升图像数据质量并进行数据增强；

S3.使用巡检图像数据集训练基于卷积神经网络CNN的条件生成对抗网络CGAN，得到可生成给定缺陷类型巡检图像数据的CGAN模型；

S4.使用步骤S3中训练好的CGAN模型的生成器，采样并生成大量巡检图像数据；根据判别器输出的图像真实度，筛选真实度大于给定真实度阈值的生成图像加入巡检图像数据集，得到扩充巡检图像数据集；

S5.将扩充巡检图像数据集划分为训练集和测试集，使用训练集训练基于ResNet-50的巡检图像缺陷分类模型，并使用测试集测试巡检图像缺陷分类模型的分类准确率；如果准确率达到设定的准确率，样本扩充结束；否则重新选取判别器输出的图像真实度的阈值，返回步骤S4。

进一步的，所述的步骤S1中，人工标注巡检图像对应的缺陷类型标签的步骤包括：

首先收集已完成标注的历史巡检图像和对应的缺陷类型，学习图像特征和缺陷类型的对应关系，然后根据经验和检修相关的导则文件，验证并修正图像特征和缺陷类型的对应关系；根据学习到的对应关系，人工判别未完成标注的巡检图像所属的缺陷类型标签；缺陷类型标签使用one-hot编码，正常标签编码[0001]，污闪标签编码[0010]，爆裂标签编码[0100]，雷击标签编码[1000]。

进一步的，所述的步骤S1中，巡检图像数据集中异常巡检图像的检测步骤包括：

采集的巡检图像数据为RGB彩色图片，因此是具有3个通道二维矩阵的三阶张量；将三阶张量压缩为一维向量的形式后使用LOF离群点判别算法进行异常巡检图像数据清洗；遍历巡检图像数据集并根据计算公式得到所有巡检图像数据向量的局部离群因子，当局部离群因子大于设定阈值的巡检图像为异常数据。