[發明專利]一種基于風格遷移方法的缺陷絕緣子樣本生成方法及系統

有效

• 申請號: 202110270530.8
• 申請日: 2021-03-12
• 公開（公告）號: CN112884758B
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 張凌浩;閆志杰;唐勇;梁暉輝;陳亮;張菊玲;向思嶼;劉姍梅;潘文分
• 申請（專利權）人: 國網四川省電力公司電力科學研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T3/00;G06V10/26;G06V10/774;G06V10/82
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 喻英

本發明公開的一種基于風格遷移方法的缺陷絕緣子樣本生成方法及系統，首先將采集的多幅絕緣子圖像樣本根據視覺差異劃分為多個圖像域并對每個圖像域進行編碼，再通過風格遷移網絡對圖像域進行風格遷移訓練，獲得任意兩個圖像域之間的風格遷移器；最后使用獲得的風格遷移器將圖像域內的缺陷絕緣子樣本進行風格遷移生成新的缺陷絕緣子樣本；本發明通過風格遷移器來對圖像域內的缺陷絕緣子樣本進行風格遷移，生成新的較為逼真的風格遷移圖像樣本，生成的缺陷絕緣子圖像樣本質量高，保留了絕緣子樣本的語義連接信息，且生成的缺陷絕緣子樣本可以有效提供基于深度學習的目標檢測模型的準確率及召回率，具有一定實用價值。

技術領域

本發明涉及技術領域，具體涉及一種基于風格遷移方法的缺陷絕緣子樣本生成方法及系統。

背景技術

近年來，在電力系統智能巡檢工作中，國家電網嘗試引入新穎的人工智能技術來解決巡檢工作中勞動密集問題，如通過基于深度學習的目標檢測算法來實現智能化巡檢目標，但是由于電力系統中部分故障缺陷出現的頻率較低，從而導致可收集的缺陷樣本較少，很難滿足深度學習對數據量的需求，因此亟需一種生成缺陷樣本的方法來解決上述問題。

對于缺陷絕緣子樣本而言，當前可用數據量仍達不到神經網絡訓練的需求，因而在對人工智能技術實際驗證工作中，對缺陷絕緣子的檢測準確率較低，難以實際應用。針對絕緣子缺陷樣本缺少問題，主要有以下兩種數據增強樣本擴充技術，分別是變換式和生成式技術。

變換式生成方法側重使用鏡像翻轉，仿射變換等傳統方法來實現數據增強，有部分方法通過ps軟件將缺陷絕緣子與新的背景融合來實現數據增強，也有部分方法通過對融合后的圖像添加噪音等來實現數據增強，雖然這些方法一定程度上增加了缺陷樣本的數量，但幾乎沒有增加缺陷樣本的多樣性，在實際電網環境中，絕緣子會隨著環境的改變呈現出不同的外觀特性，而變換式增強方法很難生成多樣性豐富的絕緣子樣本。

生成式方法最具代表性的便是生成對抗網絡(Gan)，Ian J.Goodfellow依據零和博弈思想創造了Gan，其由生成器與判別器組成，通過二者博弈訓練，可以生成真實的樣本來實現樣本擴充?；贕an的生成式方法大致分為以下兩種，一是通過隱變量生成真實樣本的方法，特點是通過生成器與判別器的對抗訓練，從隱空間生成符合期望分布的樣本，但此種生成方法依賴大量的原始樣本訓練，并不適合樣本量本身就較少的絕緣子數據；二是而通過風格遷移來實現樣本擴充的方法，特點是將當前風格的缺陷樣本作為輸入，生成多種不同風格的樣本數據，此種方法對樣本依賴量相較隱空間生成法而言比較少，而基于Cycle-Gan的方法生成了多種環境風格下缺陷絕緣子樣本，雖然風格遷移類方法一定程度上能實現絕緣子樣本的數據增強，但現有的算法往往存在以下幾個問題：

1.缺陷樣本生成比不足；

2.缺陷樣本生成質量較差；

3.缺陷樣本不能供深度學習目標檢測模型訓練使用。

發明內容

為解決上述技術問題，本發明基于如何在現有小樣本缺陷絕緣子數據的基礎上生成大量質量較高、可供深度學習目標檢測模型訓練使用的絕緣子缺陷樣本為出發點，本發明提供一種基于風格遷移方法的缺陷絕緣子樣本生成方法及系統。

本發明通過下述技術方案實現：

本方案提供一種基于風格遷移方法的缺陷絕緣子樣本生成方法，包括步驟：

S1.采集多幅絕緣子圖像樣本；

S2.將絕緣子圖像樣本根據視覺差異劃分為多個圖像域并對每個圖像域進行編碼；

S3.通過風格遷移網絡對圖像域進行風格遷移訓練，獲得任意兩個圖像域之間的風格遷移器；

S4.使用S3得到的風格遷移器將圖像域內的缺陷絕緣子樣本進行風格遷移生成新的缺陷絕緣子樣本。