[發明專利]一種基于融合多種圖像生成技術的加權平均圖像生成方法

在審

• 申請號: 202110864793.1
• 申請日: 2021-07-29
• 公開（公告）號: CN113674185A
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 張福正;李琨;李仕林;趙李強;董厚奇
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T3/40;G06N3/04;G06N3/08
• 代理公司: 昆明金科智誠知識產權代理事務所(普通合伙) 53216
• 代理人: 楊釗霞

本發明公開了一種基于融合多種圖像生成技術的加權平均圖像生成方法，收集電力系統內部巡維人員傳回的巡視圖像，挑選其中目標明顯且目標占圖像四分之三的所述巡視圖像作為樣本圖像，多個所述樣本圖像構建為輸電線路的圖像訓練數據集，用于后期網絡的訓練和優化使用，其次結合集成學習的原理，進行個體學習器的訓練以用來作為基生成器，同時將每一個基生成器的輸出作為多元生成模型的輸入，然后運用主成分分析算法，對每一路的輸入圖像進行特征提取，最后進行圖像的融合得到最終的高分辨率圖像。本發明本著“1+1＞2”的原則，結合幾種優異的圖像生成方法，吸收各種方法的優點，集幾種方法的優點于一身，使得最終的圖像進一步逼真。

技術領域

本發明涉及計算機視覺與圖像處理技術領域，特別涉及一種基于融合多種圖像生成技術的加權平均圖像生成方法。

背景技術

以南方電網公司電力系統的背景為例，研究電力系統的輸電線路圖像?？v觀整個南方電網甚至國家電網，當下的輸電線路的巡維方式主要以人工巡維和無人機巡維或者人工與無人機相結合的方式為主，巡維工作人員傳回的巡維圖片數據量是很龐大，如果這些照片僅僅靠人工去逐張的檢查是否存在缺陷，這工作量無疑是巨大的，而且由于存在工作人員的個體差異性就難以保證效率和質量。此外，經過總結歸類傳回的巡維照片發現，輸電線路照片中大多數為正常的沒有缺陷的圖像樣本圖像，存在缺陷的圖片極少，這就導致研究人員在基于深度學習等人工智能算法對輸電線路進行進一步研究的時候，存在一個正常樣本圖像和缺陷樣本圖像不均衡的問題，從而沒法將AI等智能技術運用到電力行業，難以實現徹底的“互聯網AI+電力行業”和“AI+電力系統”的完美結合。

近些年來，隨著計算機技術軟硬件方面和通信與自動化等學科領域的不斷發展，在人工智能深度學習領域取得巨大突破，深度學習等技術已經和很多傳統行業實現深度完美的融合并且成效顯著，于是得到啟發，考慮結合深度學習技術和圖像處理技術，采用現在的輸電線路為研究對象，利用現在研究火熱的圖像處理網絡模型來生成輸電線路中的巡維樣本圖像，其中主要是生成帶有缺陷的樣本圖像，這樣一來我們可以構建出屬于電力系統領域的專業的正常樣本圖像庫與缺陷樣本圖像庫作為標準數據集，這樣一來就為“AI+電力系統”提供了大數據支撐，也為后續的研究提供了數據支撐。目前，用以圖像生成的人工智能算法已經很普遍，諸如傳統的基于灰度插值的方法，主成分分析的方法，變分自編碼器的方法，基于信息融合技術的方法，基于特征提取重建的方法，乃至近幾年出現的生成對抗網絡系列的方法等等，基于以上方法再進行改進的研究方法也層出不窮，但是實際需要的是讓生成圖像和原始真實圖像無限接近，普遍存在的問題就是生成圖像的質量和效果均沒有達到預期。這是無監督學習領域一個待解決的研究問題。因此，如何既能高效準確地生成缺陷樣本圖像圖像，同時保證圖像的質量如分辨率等，是目前基于深度學習的應用領域中亟待解決的問題。

輸電線路缺陷圖像如果僅靠人員逐張收集，這樣不僅效率低下，而且短時間內難以達到一定規格的數目，提出一種綜合高效的圖像生成方法是一個研究難點。

發明內容

本發明的目的是提供一種基于融合多種圖像生成技術的加權平均圖像生成方法，目的在于解決生成圖像的質量問題，改善圖像的生成效果。

本發明的上述技術目的是通過以下技術方案得以實現的：

所述加權平均圖像生成方法的具體步驟如下：

Step1、收集電力系統內部巡維人員傳回的巡視圖像，挑選其中目標明顯且目標占圖像四分之三的所述巡視圖像作為樣本圖像，多個所述樣本圖像構建為輸電線路的圖像訓練數據集，用于后期網絡的訓練和優化使用；

Step2、搭建生成式對抗網絡(GAN)的模型，定義卷積層的層數，卷積核的尺寸和數目，采用的損失函數和優化器，將所述圖像訓練數據集內的其中一個所述樣本圖像輸入，輸出picture1；

Step3、選擇基于深度特征提取的圖像超分辨率重建的網絡模型，定義卷積層的層數，卷積核的尺寸和數目，采用的損失函數和優化器，將步驟Step2中的所述樣本圖像輸入，輸出picture2；