[发明专利]一种适用于电力设备机巡图像去雨滴的方法及系统

权利要求书

1.一种适用于电力设备机巡图像去雨滴的方法，其特征在于，包括以下步骤：

构建生成对抗网络，包括生成网络与判别网络；

在训练阶段，利用生成网络和判别网络之间的相互博弈，在注意力图的引导下使生成网络生成符合条件的去雨滴图像；

在使用阶段，将包含雨滴的图像输入训练好的生成器中，得到去雨滴图像。

2.根据权利要求1所述的一种适用于电力设备机巡图像去雨滴的方法，其特征在于，所述生成对抗网络的整体损失函数为：

式中，G代表生成网络，D代表判别网络，I是含雨滴图像，R是不含雨滴的真实样本，G(I)是去雨滴后的图像，E_{R Pclean}表示在不含雨滴图像中的图像细节损失量，E_{I Praindrop}表示在含雨滴图像中的图像细节损失量。

3.根据权利要求1所述的一种适用于电力设备机巡图像去雨滴的方法，其特征在于，生成网络的输入是背景场景完全相同的图像对，包含一张含雨滴的图像和一张不含雨滴的图像，输出为去雨滴图像；所述生成网络包含注意力循环网络和上下文自动编码器；

所述注意力循环网络包括一个以上的循环网络，通过循环迭代的方式生成注意力图，注意力图含雨滴图像中雨滴的位置信息，引导上下文自动编码器重点关注雨滴及其周围区域；

每个循环模块均包括一个以上的残差块、一个LSTM单元以及一个卷积层，每个循环模块中的LSTM单元的输出一方面输入到本循环模块中的卷积层用于产生2维注意力图，另一方面输入给下一个循环模块的LSTM单元中实现时间维度上的特征保留；

每个循环模块的损失函数L_ATT({A},M)为输出注意力图A与二进制掩码M之间的均方误差，如下：

式中，A_t表示时间步长t时注意力循环网络产生的注意力图，ATT_t函数表示在时间步长为t时的循环模块，F_t-1表示含雨滴图像和上一个循环模块输出注意力图的融合；N为循环模块的个数，θ表示一个0到1的随机数，L_MSE表示均方误差函数。

4.根据权利要求3所述的一种适用于电力设备机巡图像去雨滴的方法，其特征在于，θ的取值为0.8。

5.根据权利要求3所述的一种适用于电力设备机巡图像去雨滴的方法，其特征在于，N的取值为4。

6.根据权利要求3所述的一种适用于电力设备机巡图像去雨滴的方法，其特征在于，所述上下文自动编码器的输入为含雨滴图像和注意力循环网络输出的注意力图，在注意力图的引导下实现图像去雨滴和背景修复；

所述上下文自动编码器包括16个conv-relu模块，编码器和解码器部分结构对称，对应模块之间添加了跳过连接，以防止去雨滴图像模糊。

7.根据权利要求6所述的一种适用于电力设备机巡图像去雨滴的方法，其特征在于，所述上下文自动编码器采用两种损失函数，分别为多尺度损失和感知损失；

所述多尺度损失从解码器不同层提取图像特征信息，充分利用图像多层次信息对模型进行优化获得清晰的去雨滴图像，多尺度损失函数L_M({S},{A})如下：

式中，S_i表示从编码器中第i层提取出的图像特征，表示具有与S_i相同尺度的真实图像，λ_i表示第i层权重，M为编码器的总层数，L_MSE表示均方误差函数。

所述感知损失从图像的全局角度衡量去雨滴图像和真实的图像之间的差异，使得去雨滴图像更加接近真实样本；感知损失函数L_P的计算如下：

L_P(O,T)＝L_MSE(VGG(O),VGG(T))；

其中VGG是经过预训练的CNN网络，用以完成对给定输入图像的特征提取；O是上下文自动编码器的输出图像，T是不含雨滴的真实图像样本；L_MSE表示均方误差函数。