CN110414362A - 基于生成式对抗网络的电力图像数据增广方法 - Google Patents
基于生成式对抗网络的电力图像数据增广方法 Download PDFInfo
- Publication number
- CN110414362A CN110414362A CN201910591138.6A CN201910591138A CN110414362A CN 110414362 A CN110414362 A CN 110414362A CN 201910591138 A CN201910591138 A CN 201910591138A CN 110414362 A CN110414362 A CN 110414362A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- image data
- electric power
- production confrontation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 37
- 238000013434 data augmentation Methods 0.000 title claims abstract description 22
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000003475 lamination Methods 0.000 claims 1
- 230000003416 augmentation Effects 0.000 abstract description 8
- 230000015572 biosynthetic process Effects 0.000 abstract description 4
- 238000003786 synthesis reaction Methods 0.000 abstract description 4
- 238000002372 labelling Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 230000002194 synthesizing effect Effects 0.000 abstract description 2
- 230000006378 damage Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000009434 installation Methods 0.000 description 14
- 230000003449 preventive effect Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于生成式对抗网络的电力图像数据增广方法,包括以下步骤:获取电力***巡检时的原始图像;对原始图像进行图像处理,消除原始图像中噪声等的干扰和影响,得到高质量的目标图像;对目标图像进行特征增强,提取图像特征;通过生成式对抗网络方法进行目标图像与背景图像的博弈合成,生成新的图像数据。上述方案通过生成式对抗网络方法对电力图像进行数据增广,针对合成的图像,无需进行图像标注,节省了人力与物力成本,同时合成方法科学合理,增广结果质量高、效率快,方案可行性强。
Description
技术领域
本发明涉及图像处理技术领域,具体设计一种基于生成式对抗网络的电力图像数据增广方法。
背景技术
电网作为民生与国防建设的重要基础设施,在电能的传输、配送等方面起到决定性的作用。近年来,随着我国电网规模的不断扩大,输电线路及变电站所覆盖的区域面积也越来越大,因此,保证电网安全运行显得尤为重要。直升机、无人机和智能机器人凭借其户外作业效率高、作业风险低以及作业灵活的特点,在电力巡检上的应用逐渐普及,为电力***带来了大量的巡检图像和视频数据,相较于传统的巡检方法有效地保障了电网的安全。但是受目前的智能化水平限制,一线工作人员对收集的数据只能进行人工分析和识别,才能得到最终的巡检报告,这种处理方法效率低下且人力成本较高,己经无法满足实际的需要。
随着人工智能技术的发展与推进,利用深度学习的图像识别方法在电力故障诊断中的研究正如火如荼地进行。与传统机器学习不同的是,深度学习需要海量的正样本来进行训练,供机器学习到足够的特征来实现“举一反三”,从而防止数据集量过小容易出现过拟合的现象。而由于直升机、无人机和智能机器人推广应用的时间并不长,部分故障类型(如防鸟设施损坏、绝缘子污秽等)的图像数据采集量小,无法满足深度学习的需求。
发明内容
本发明的目的是提供一种基于生成式对抗网络的电力图像数据增广方法,对电力图像数据进行海量增广,生成的图像质量高、效率快,以满足深度学习的需要。
为实现上述目的,本发明采用的技术方案是:一种基于生成式对抗网络的电力图像数据增广方法,包括以下步骤:
S1:获取电力***巡检时的原始图像;
S2:对原始图像进行图像处理,消除原始图像中噪声等的干扰和影响,得到高质量的目标图像;
S3:对目标图像进行特征增强,提取图像特征;
S4:通过生成式对抗网络方法进行目标图像与背景图像的博弈合成,生成新的图像数据。
进一步的,所述原始图像的获取包括由固定摄像头、无人机、直升机或智能机器人采集的图像。
进一步的,所述S2中的图像处理包括图像去噪、去雾、特征提取和图像裁剪。
进一步的,所述图像去噪包括高斯滤波和中值滤波,
所述高斯滤波通过对图像数据进行加权平均,消除图像数据中的高斯噪声,包括:
用一个模板扫描图像中的每一个像素;
用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值;
所述中值滤波包括:
把图像数据中一点的值用该点的一个邻域中各点值的中值代替;
使周围的像素值接近的真实值,消除孤立的脉冲噪声。
进一步的,所述去雾包括直方图均衡和同态滤波:
直方图均衡通过直方图对图像的对比度进行调整,增加图像的全局对比度;
同态滤波法对图像进行转换,去除乘性噪声,增加图像对比度以及标准化亮度。
进一步的,所述的特征提取包括:
利用方向梯度直方图计算和统计图像局部区域的梯度方向直方图来构成特征;
结合支持向量机分类器对目标图像进行分类的特征提取。
进一步的,所述S3中的特征增强包括:
通过窗口滑动对目标核心区域进行多次采样;
得到初步增强的目标数据,增强图像特征。
进一步的,所述S4中的生成式对抗网络包括生成器网络和判别器网络,通过生成器网络进行数据生成,判别器网络对数据进行鉴别,通过学习到的数据特征指导生成器网络生成数据并与背景图像合成生成新的图像数据。
进一步的,所述的生成器网络为7层卷积神经网络,其网络结构依次为卷积层、非线性激活函数、卷积层、非线性激活函数、卷积层、非线性激活函数、全连接层。
进一步的,所述的判别器网络为7层卷积神经网络,其网络结构依次为卷积层、非线性激活函数、卷积层、非线性激活函数、卷积层、非线性激活函数、全连接层。
采用上述技术方案的有益效果是:
1、本发明示例的基于生成式对抗网络的电力图像数据增广方法,针对合成的图像,无需进行图像标注,节省了人力与物力成本,同时合成方法科学合理,增广结果质量高、效率快,方案可行性强;
2、本发明示例的基于生成式对抗网络的电力图像数据增广方法,对原始图像进行去噪、去雾处理,消除原始图像中噪声的干扰和影响,获取高质量数字图像,提高原始图像的清晰度,利于后续步骤的准确识别,提高结果的准确性;
3、本发明示例的基于生成式对抗网络的电力图像数据增广方法,所采取的特征提取与图像增强方法,可以获取预期目标的图像,并较好地保留其特征,为后续图像的博弈(生成与判别)做好基础;
4、本发明示例的基于生成式对抗网络的电力图像数据增广方法,定义了生成式对抗网络中生成器网络G与判别器网络D的网络结构,包括卷积层、非激活函数与全连接层等共7层。网络层数较少,所需计算量较低,可有效完成新图像数据的生成与优化。
附图说明
图1是本发明的流程图;
图2是本发明的图像特征增强方法示意图;
图3是本发明生成式对抗网络的基本结构示意图;
图4是本发明生成器网络的结构示意图;
图5是本发明判别器网络的结构示意图。
具体实施方式
下面结合附图对本发明进行进一步的详细阐述。
一种基于生成式对抗网络的电力图像数据增广方法,包括以下步骤:
S1:获取电力***巡检时的原始图像;
S2:对原始图像进行图像处理,消除原始图像中噪声等的干扰和影响,得到高质量的目标图像;
S3:对目标图像进行特征增强,提取图像特征;
S4:通过生成式对抗网络方法进行目标图像与背景图像的博弈合成,生成新的图像数据。
本发明利用生成式对抗网络,在采集到的原始图像数据量较小的情况下,通过对原始图像的处理、增强后,在生成式对抗网络中生成并合成足以以假乱真的新的图像数据,再将这些新生成的图像数据补充到原始数据集中,达到电力图像数据增广的目的,为深度学习提供海量的数据基础。采用生成式对抗网络方法,增广结果质量高、效率快,方案可行性强,针对合成的图像,无需进行图像标注,有效节约了人力与物力成本。
进一步的,所述原始图像的获取包括由固定摄像头、无人机、直升机或智能机器人采集的图像。通过固定摄像头、无人机、直升机或智能机器人等智能设备采集原始图像,较传统的人工采集方法而言其户外作业效率高、作业风险低、作业灵活性强。
进一步的,所述S2中的图像处理包括图像去噪、去雾、特征提取和图像裁剪。通过对原始图像进行去噪、去雾等处理操作,消除原始图像中噪声的干扰和影响,获取高质量数字图像,提高原始图像的清晰度,有利于后续步骤的准确识别,提高结果的准确性。
进一步的,所述图像去噪包括高斯滤波和中值滤波,
所述高斯滤波通过对图像数据进行加权平均,消除图像数据中的高斯噪声,包括:
用一个模板扫描图像中的每一个像素;
用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
具体的,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到,从而消除原始图像中高斯噪声的干扰和影响,提高原始图像的质量。
所述中值滤波包括:
把图像数据中一点的值用该点的一个邻域中各点值的中值代替;
使周围的像素值接近的真实值,消除孤立的脉冲噪声。
具体的,中值滤波的算法比较简单,易于用硬件实现,其在在滤除噪声的同时,还能够保护图像的边缘,使之不被模糊。
进一步的,所述去雾包括直方图均衡和同态滤波:
直方图均衡通过直方图对图像的对比度进行调整,增加图像的全局对比度。具体的,当图像的有用数据的对比度相当接近的时候。直方图均衡方法能够使亮度更好地在直方图上分布,这样就可以用于增强局部的对比度而不影响整体的对比度。
同态滤波对图像进行转换,去除乘性噪声,增加图像对比度以及标准化亮度。具体的,同态滤波将原本的图像信号经由非线性映射,转换到可以使用线性滤波器的不同域,做完运算后再映射回原始域。将原本复杂的运算转为效能相同但相对简单的运算,并保持相关的属性不变。
进一步的,所述的特征提取包括:
利用方向梯度直方图计算和统计图像局部区域的梯度方向直方图来构成特征;
结合支持向量机分类器对目标图像进行分类的特征提取。
进一步的,所述S3中的特征增强包括:
通过窗口滑动对目标核心区域进行多次采样;
得到初步增强的目标数据,增强图像特征。
通过上述的特征提取和图像增强,可以获取预期目标的图像,并较好地保留其特征,为后续图像的博弈(生成与判别)做好基础。
进一步的,所述S4中的生成式对抗网络包括生成器网络和判别器网络,通过生成器网络进行数据生成,判别器网络对数据进行鉴别,通过学习到的数据特征指导生成器网络生成数据并与背景图像合成生成新的图像数据。通过生成器网络与判别器网络的互相博弈学习产生相当好的输出,最后由生成器网络生成判别器网络难易判断真假的图像数据。
进一步的,所述的生成器网络为7层卷积神经网络,其网络结构依次为卷积层、非线性激活函数、卷积层、非线性激活函数、卷积层、非线性激活函数、全连接层;所述的判别器网络为7层卷积神经网络,其网络结构依次为卷积层、非线性激活函数、卷积层、非线性激活函数、卷积层、非线性激活函数、全连接层。将生成器网络和判别器网络的网络结构都设计成卷积层、非线性激活函数以及全连接层交替结合的7层卷积神经网络,网络层数较少,所需计算量较低,可有效完成新图像数据的生成与优化。生成器网络和判别器网络的具体结构层级如下表所示:
生成器网络结构
层数 | 结构 |
1 | 卷积层:卷积核5*5,通道64 |
2 | 非线性激活函数:ReLu |
3 | 卷积层:卷积核3*3,通道128 |
4 | 非线性激活函数:ReLu |
5 | 卷积层:卷积核3*3,通道256 |
6 | 非线性激活函数:tanh |
7 | 全连接层 |
判别器网络结构
层数 | 结构 |
1 | 卷积层:卷积核3*3,通道64 |
2 | 非线性激活函数:ReLu |
3 | 卷积层:卷积核3*3,通道128 |
4 | 非线性激活函数:ReLu |
5 | 卷积层:卷积核5*5,通道256 |
6 | 非线性激活函数:Sigmoid |
7 | 全连接层 |
实施例
下面提供本发明的一个实施例,以输电线路中的防鸟设施图像增广为例,包括以下步骤:
S1:获取电力***巡检时的原始图像;
S2:对原始图像进行图像处理,消除原始图像中噪声等的干扰和影响,得到高质量的目标图像;
S3:对目标图像进行特征增强,提取图像特征;
S4:通过生成式对抗网络方法进行目标图像与背景图像的博弈合成,生成新的图像数据。
原始图像的获取通过固定摄像头、无人机、直升机或智能机器人等进行,利用前端装置将所拍摄的包含防鸟设施的图像回传给接收终端,进行收集整理。
由于采集到的防鸟设施图像大小层次不齐,甚至会出现对焦模糊、丢失本体等现象,实验前需对数据集进行筛选与处理。去除不含防鸟设施损坏、移位等缺陷的图像数据,并经高斯滤波和中值滤波器进行去噪操作,消除原始图像中噪声等的干扰和影响;通过直方图均衡和同态滤波进行去雾操作,提高原始图像的对比度和亮度,是原始图像更加清晰。再借由方向梯度直方图(Histogram of Oriented Gradient,HOG)计算和统计图像局部区域的梯度方向直方图来,并结合支持向量机(SVM)分类器对于目标进行分类地特征提取,完成图像中防鸟设施的截取,并最后进行统一调整为同一大小,本次处理后的图像大小设定为224*224。
在样本数量较少时,通过窗口滑动对目标核心区域进行多次采样,以实现图像特征的增强,更利于生成式对抗网络的增广。如图2所示,在大小为a*b的图像上,目标核心区域大小为w*h。初始化随机生成滑动窗口的大小与起点位置,并判断该窗口各顶点是否处于核心区域内,若符合则输出,否则随机初始化。经过此步骤可得到初步增强的目标数据,为后续图像生成与判别做足准备。
提取防鸟设施的图像后,最终目的是在有限的电力背景图中生成数量充足的防鸟设施损坏数据。假设训练的样本为其中xi为真实的样本图像,为防鸟设施的种类,为防鸟设施的位置,n为训练数据的总量,生成器网络即是负责生成指定类别防鸟设施、指定位置的合成图像。值得注意的是,是一个位置范围,最终合成图像的防鸟设施位置可以是满足其的一个任意值。
生成式对抗网络的结构如图3所示,训练过程中,参数输入至网络,并转化为one-hot向量,可平衡生成器网络和判别器网络在学习时的进度,并与随机的噪声变量z一起输入生成器网络,得到生成数据而判别器网络一方面鉴别属于真实数据xi还是生成数据另一方面通过学习到的真实数据的特征来指导生成器网络的生成过程,在不断学习与指导的过程中直至完成预期样本的增广。两个网络的参数在迭代优化过程中,判别器网络满足最小化对抗损失项(公式1)的同时,又要参照多分类交叉熵损失项(公式2)方法。与对应判别网络进行真实数据中防鸟设施种类和位置的预测,x′即为生成的图像数据。
相应地,生成器网络的对抗损失项和多属***叉熵损失项如公式3和公式4所示,其中与针对于判别网络对生成数据中防鸟设施种类和位置的预测。
网络的输入与输出图像尺寸为224*224,取50个样本一组作为一个训练批次,最大迭代次数为5000,梯度优化算法选择Adam优化器。生成器网络与判别器网络的网络结构均为浅层卷积神经网络,卷积核尺寸小,且通道数量少,这有利于生成海量的样本数据,提高训练效率。
优选的,本实施例所采用的环境为Ubuntu 16.04平台,采用python作为编程语言,并基于Caffe框架进行完成。硬件层面,实验采用的CPU为E5-2680V4,最大主频为3.30GHZ,内存为32GB,GPU选用NVIDIATESLA P100,显存为16GB。训练生成器网络G与判别器网络D时,权重递减参数(weight decay)为0.0005,学习率(learning rate)以0.0001开始,并随着迭代次数增加以倍率10逐渐减小。
通过上述方法实验得到的样本数据,防鸟设施的特征均较好地被提取、保存并合成到新数据中,合成的部分过渡平缓,且新得到的数据可作为深度学习有效的训练集或测试集被使用。
Claims (10)
1.一种基于生成式对抗网络的电力图像数据增广方法,其特征在于:包括以下步骤:
S1:获取电力***巡检时的原始图像;
S2:对原始图像进行图像处理,消除原始图像中噪声等的干扰和影响,得到高质量的目标图像;
S3:对目标图像进行特征增强,提取图像特征;
S4:通过生成式对抗网络方法进行目标图像与背景图像的博弈合成,生成新的图像数据。
2.根据权利要求1所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述原始图像的获取包括由固定摄像头、无人机、直升机或智能机器人采集的图像。
3.根据权利要求1所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述S2中的图像处理包括图像去噪、去雾、特征提取和图像裁剪。
4.根据权利要求3所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述图像去噪包括高斯滤波和中值滤波,
所述高斯滤波通过对图像数据进行加权平均,消除图像数据中的高斯噪声,包括:
用一个模板扫描图像中的每一个像素;
用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值;
所述中值滤波包括:
把图像数据中一点的值用该点的一个邻域中各点值的中值代替;
使周围的像素值接近的真实值,消除孤立的脉冲噪声。
5.根据权利要求3所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述去雾包括直方图均衡和同态滤波:
直方图均衡通过直方图对图像的对比度进行调整,增加图像的全局对比度;
同态滤波法对图像进行转换,去除乘性噪声,增加图像对比度以及标准化亮度。
6.根据权利要求3所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述的特征提取包括:
利用方向梯度直方图计算和统计图像局部区域的梯度方向直方图来构成特征;
结合支持向量机分类器对目标图像进行分类的特征提取。
7.根据权利要求1所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述S3中的特征增强包括:
通过窗口滑动对目标核心区域进行多次采样;
得到初步增强的目标数据,增强图像特征。
8.根据权利要求1所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述S4中的生成式对抗网络包括生成器网络和判别器网络,通过生成器网络进行数据生成,判别器网络对数据进行鉴别,通过学习到的数据特征指导生成器网络生成数据并与背景图像合成生成新的图像数据。
9.根据权利要求8所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述的生成器网络为7层卷积神经网络,其网络结构依次为卷积层、非线性激活函数、卷积层、非线性激活函数、卷积层、非线性激活函数、全连接层。
10.根据权利要求8所述的基于生成式对抗网络的电力图像数据增广方法,其特征在于:所述的判别器网络为7层卷积神经网络,其网络结构依次为卷积层、非线性激活函数、卷积层、非线性激活函数、卷积层、非线性激活函数、全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910591138.6A CN110414362A (zh) | 2019-07-02 | 2019-07-02 | 基于生成式对抗网络的电力图像数据增广方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910591138.6A CN110414362A (zh) | 2019-07-02 | 2019-07-02 | 基于生成式对抗网络的电力图像数据增广方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414362A true CN110414362A (zh) | 2019-11-05 |
Family
ID=68358766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910591138.6A Pending CN110414362A (zh) | 2019-07-02 | 2019-07-02 | 基于生成式对抗网络的电力图像数据增广方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414362A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091069A (zh) * | 2019-11-27 | 2020-05-01 | 云南电网有限责任公司电力科学研究院 | 一种盲图像质量评价引导的电网目标检测方法及*** |
CN111178401A (zh) * | 2019-12-16 | 2020-05-19 | 上海航天控制技术研究所 | 一种基于多层对抗网络的空间目标分类方法 |
CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
CN111523564A (zh) * | 2020-03-24 | 2020-08-11 | 北京航天自动控制研究所 | 一种用于深度学习训练的sar时敏目标样本增广方法 |
CN111767326A (zh) * | 2020-09-03 | 2020-10-13 | 国网浙江省电力有限公司营销服务中心 | 基于生成式对抗网络的关系型表格数据的生成方法及装置 |
CN113361443A (zh) * | 2021-06-21 | 2021-09-07 | 广东电网有限责任公司 | 一种输电线路图像样本对抗学习增广方法及*** |
CN113688953A (zh) * | 2021-10-25 | 2021-11-23 | 深圳市永达电子信息股份有限公司 | 基于多层gan网络的工控信号分类方法、装置和介质 |
CN113702439A (zh) * | 2021-08-20 | 2021-11-26 | 浙江科技学院 | 一种基于迭代生成稀疏主成分模型的红外无损检测方法 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
WO2023052850A1 (en) * | 2021-09-30 | 2023-04-06 | Sensetime International Pte. Ltd. | Methods and apparatuses for generating, methods and apparatuses for processing image |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
CN109886975A (zh) * | 2019-02-19 | 2019-06-14 | 武汉大学 | 一种基于生成对抗网络的图像优化处理去雨滴方法和*** |
CN109919921A (zh) * | 2019-02-25 | 2019-06-21 | 天津大学 | 基于生成对抗网络的环境影响程度建模方法 |
US20190197358A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Generative Adversarial Network Medical Image Generation for Training of a Classifier |
-
2019
- 2019-07-02 CN CN201910591138.6A patent/CN110414362A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
US20190197358A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Generative Adversarial Network Medical Image Generation for Training of a Classifier |
CN109886975A (zh) * | 2019-02-19 | 2019-06-14 | 武汉大学 | 一种基于生成对抗网络的图像优化处理去雨滴方法和*** |
CN109919921A (zh) * | 2019-02-25 | 2019-06-21 | 天津大学 | 基于生成对抗网络的环境影响程度建模方法 |
Non-Patent Citations (5)
Title |
---|
何东健: "《数字图像处理(第三版)》", 28 February 2015 * |
刘国华: "《HALCON数字图像处理》", 31 May 2018 * |
苗启广 等: "《多传感器图像融合技术及应用》", 30 April 2014 * |
陈文兵 等: "基于条件生成式对抗网络的数据增强方法", 《计算机应用》 * |
马春光 等: "生成式对抗网络图像增强研究综述", 《信息网络安全》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN111091069A (zh) * | 2019-11-27 | 2020-05-01 | 云南电网有限责任公司电力科学研究院 | 一种盲图像质量评价引导的电网目标检测方法及*** |
CN111178401B (zh) * | 2019-12-16 | 2023-09-12 | 上海航天控制技术研究所 | 一种基于多层对抗网络的空间目标分类方法 |
CN111178401A (zh) * | 2019-12-16 | 2020-05-19 | 上海航天控制技术研究所 | 一种基于多层对抗网络的空间目标分类方法 |
CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
CN111523564B (zh) * | 2020-03-24 | 2023-05-12 | 北京航天自动控制研究所 | 一种用于深度学习训练的sar时敏目标样本增广方法 |
CN111523564A (zh) * | 2020-03-24 | 2020-08-11 | 北京航天自动控制研究所 | 一种用于深度学习训练的sar时敏目标样本增广方法 |
CN111767326B (zh) * | 2020-09-03 | 2020-11-27 | 国网浙江省电力有限公司营销服务中心 | 基于生成式对抗网络的关系型表格数据的生成方法及装置 |
CN111767326A (zh) * | 2020-09-03 | 2020-10-13 | 国网浙江省电力有限公司营销服务中心 | 基于生成式对抗网络的关系型表格数据的生成方法及装置 |
CN113361443A (zh) * | 2021-06-21 | 2021-09-07 | 广东电网有限责任公司 | 一种输电线路图像样本对抗学习增广方法及*** |
CN113702439A (zh) * | 2021-08-20 | 2021-11-26 | 浙江科技学院 | 一种基于迭代生成稀疏主成分模型的红外无损检测方法 |
WO2023052850A1 (en) * | 2021-09-30 | 2023-04-06 | Sensetime International Pte. Ltd. | Methods and apparatuses for generating, methods and apparatuses for processing image |
CN113688953A (zh) * | 2021-10-25 | 2021-11-23 | 深圳市永达电子信息股份有限公司 | 基于多层gan网络的工控信号分类方法、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414362A (zh) | 基于生成式对抗网络的电力图像数据增广方法 | |
Zhang et al. | Fast depth image denoising and enhancement using a deep convolutional network | |
CN108898077B (zh) | 电力设备红外热图的识别方法和电力设备红外识别*** | |
CN106897673B (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN110334612A (zh) | 具有自学习能力的电力巡检图像目标检测方法 | |
CN110516728B (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN110503617B (zh) | 一种基于高、低频信息融合的水下图像增强方法 | |
CN109508741A (zh) | 基于深度学习筛选训练集的方法 | |
CN108664839A (zh) | 一种图像处理方法和设备 | |
CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
CN111598842A (zh) | 一种绝缘子缺陷样本生成模型的方法、***及存储介质 | |
CN113936302B (zh) | 行人重识别模型的训练方法、装置、计算设备及存储介质 | |
CN111179208A (zh) | 基于显著图与卷积神经网络的红外-可见光图像融合方法 | |
CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类*** | |
CN113569981A (zh) | 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法 | |
Yeh et al. | Single image dehazing via deep learning-based image restoration | |
CN117409083B (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
Su et al. | GeFuNet: A knowledge-guided deep network for the infrared and visible image fusion | |
CN110110765A (zh) | 一种基于深度学习的多源数据融合目标识别方法 | |
Niu et al. | Electrical equipment identification method with synthetic data using edge-oriented generative adversarial network | |
Hanumantharaju et al. | A particle swarm optimization method for tuning the parameters of multiscale retinex based color image enhancement | |
Huang et al. | Mango surface defect detection based on HALCON | |
Kugu | Satellite image denoising using Bilateral Filter with SPEA2 optimized parameters | |
CN116094159A (zh) | 一种基于云计算和大数据分析的智慧电网安全运维*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |