[發(fā)明專利]基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的鋁電解火眼圖像修補(bǔ)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010012947.X
• 申請(qǐng)日: 2020-01-07
• 公開（公告）號(hào): CN111192221A
• 公開（公告）日: 2020-05-22
• 發(fā)明（設(shè)計(jì)）人: 陳曉方;潘慕堯;謝永芳;謝世文
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06N3/04;G06N3/08
• 代理公司: 長(zhǎng)沙軒榮專利代理有限公司 43235
• 代理人: 黃藝平

本發(fā)明公開了一種基于Wasserstein深度卷積生成對(duì)抗網(wǎng)絡(luò)的鋁電解火眼圖像修補(bǔ)方法。在實(shí)際鋁電解過(guò)程中，電解過(guò)程中會(huì)有大量碳渣脫落，還有火焰的干擾，使得大量火眼圖像無(wú)法識(shí)別，大大降低了圖像識(shí)別的準(zhǔn)確率。本發(fā)明公開一種DCGAN與WGAN方法結(jié)合的圖像修補(bǔ)方法，其中包括兩部分：首先是對(duì)圖像做個(gè)簡(jiǎn)單的預(yù)處理，取以火眼為中心，邊長(zhǎng)為400像素的正方形的火眼圖像，這樣可以防止其余圖像的干擾特征。其次，對(duì)于本發(fā)明模型，綜合DCGAN和WGAN的特點(diǎn)，使用其相結(jié)合的模型—Wasserstein深度卷積生成對(duì)抗網(wǎng)絡(luò)(W?DCGAN)模型。利用卷積網(wǎng)絡(luò)特征提取能力加上使用Wasserstein函數(shù)輔以訓(xùn)練，最后使用RMSProp優(yōu)化算法優(yōu)化損失函數(shù)，之后將訓(xùn)練好的W?DCGAN中的生成器模型部分抽取出來(lái)，用于圖像修補(bǔ)的新網(wǎng)絡(luò)結(jié)構(gòu)。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種基于Wasserstein深度卷積生成對(duì)抗網(wǎng)絡(luò)的鋁電解火眼圖像修補(bǔ)方法。

背景技術(shù)

鋁電解槽電解質(zhì)的過(guò)熱度是指電解質(zhì)溫度與初晶溫度的差值，一般認(rèn)為，過(guò)熱度維持在8一12℃左右比較適宜，既能維持鋁電解過(guò)程的正常進(jìn)行，又保證較低的能源損耗。因此，在生產(chǎn)過(guò)程中對(duì)過(guò)熱度的判斷也是尤為重要。目前國(guó)內(nèi)把過(guò)熱度分為高，正常，低三類，維持一個(gè)良好的過(guò)熱度能降低鋁電解過(guò)程中的能源損耗。但是在實(shí)際的鋁電解過(guò)程中，對(duì)過(guò)熱度不好直接測(cè)量。

隨著深度學(xué)習(xí)的興起，我們發(fā)現(xiàn)可以利用深度學(xué)習(xí)對(duì)火眼圖像進(jìn)行處理，利用計(jì)算機(jī)視覺，對(duì)火眼中電解質(zhì)運(yùn)動(dòng)視頻進(jìn)行采集分析，建立火眼視頻視覺分析模型，對(duì)過(guò)熱度進(jìn)行分析，進(jìn)而識(shí)別電解槽的過(guò)熱度，擬達(dá)到減少耗能的同時(shí)又能增加鋁電解的產(chǎn)量的目的。但是，電解過(guò)程中會(huì)有大量碳渣脫落，還有火焰的干擾，使得大量火眼圖像無(wú)法識(shí)別，大大降低了識(shí)別的準(zhǔn)確率。實(shí)際圖像在形成、傳輸?shù)倪^(guò)程中，由于各種干擾因素的存在會(huì)受到噪聲的污染。

近幾年來(lái)，數(shù)字圖像處理技術(shù)已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)研究熱點(diǎn)，圖像修復(fù)是圖像處理的重要組成部分，是對(duì)圖像中的受損區(qū)域進(jìn)行信息填充的過(guò)程，其目的是恢復(fù)受損的圖像，并使觀察者無(wú)法察覺圖像曾經(jīng)缺損或已被修復(fù)。圖像修補(bǔ)技術(shù)，指用圖像中的已知部分區(qū)域來(lái)填充修補(bǔ)圖像中的受損區(qū)域，比如污點(diǎn)，遮掩等等。隨著圖像處理技術(shù)的日益成熟，數(shù)字圖像的應(yīng)用領(lǐng)域越來(lái)越廣。

生成式對(duì)抗網(wǎng)絡(luò)(GAN,Generative Adversarial Networks)是一種深度學(xué)習(xí)模型，是lan Goodfellow在2014年提出的一個(gè)概念。生成對(duì)抗網(wǎng)絡(luò)包括一個(gè)生成器(Generator,簡(jiǎn)稱G)生成數(shù)據(jù)，一個(gè)判別器(Discriminator,簡(jiǎn)稱D)來(lái)判別真實(shí)數(shù)據(jù)和生成數(shù)據(jù)。在訓(xùn)練時(shí)，生成網(wǎng)絡(luò)G接收一個(gè)隨機(jī)噪聲z，通過(guò)這個(gè)噪聲生成圖片G(z)，判別網(wǎng)絡(luò)D來(lái)判斷這張圖片是不是真實(shí)數(shù)據(jù)。輸入?yún)?shù)x，x表示一張圖片，輸出D(x)表示這張圖片是真實(shí)圖片的概率，輸出值在0-1之間。生成器和判別器是一個(gè)對(duì)抗的關(guān)系，在訓(xùn)練過(guò)程中，兩者是一個(gè)博弈的關(guān)系，生成網(wǎng)絡(luò)盡量生成一個(gè)與真實(shí)圖片相近的假圖片去迷惑判別網(wǎng)絡(luò)，而判別網(wǎng)絡(luò)就是盡量把生成圖片和真實(shí)圖片分開來(lái)，兩者一直對(duì)抗直到達(dá)到一個(gè)納什均衡，生成器生成的數(shù)據(jù)與真實(shí)樣本無(wú)差別，判別器也無(wú)法正確的區(qū)分生成數(shù)據(jù)和真實(shí)數(shù)據(jù)。圖1是它的一個(gè)流程圖。

但是訓(xùn)練GAN需要達(dá)到納什均衡，有時(shí)候可以用梯度下降法做到，有時(shí)候卻做不到，因?yàn)檫€沒有找到一個(gè)穩(wěn)定的可以達(dá)到納什均衡的方法，所以訓(xùn)練 GAN是不穩(wěn)定的。所以在GAN網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)，出現(xiàn)了更好的深度卷積生成對(duì)抗網(wǎng)絡(luò)(Deep ConvolutionalGenerative Adversarial Network,DCGAN) 和Wasserstein GAN(WGAN)，本發(fā)明結(jié)合兩者的特點(diǎn)建立Wasserstein深度卷積生成對(duì)抗網(wǎng)絡(luò)(W-DCGAN)模型來(lái)進(jìn)行火眼圖像的修補(bǔ)。

發(fā)明內(nèi)容

在實(shí)際鋁電解過(guò)程中，電解過(guò)程中會(huì)有大量碳渣脫落，還有火焰的干擾，使得大量火眼圖像無(wú)法識(shí)別，大大降低了圖像識(shí)別的準(zhǔn)確率。