[发明专利]一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统

说明书

本发明公开的一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统，首先将采集的多幅绝缘子图像样本根据视觉差异划分为多个图像域并对每个图像域进行编码，再通过风格迁移网络对图像域进行风格迁移训练，获得任意两个图像域之间的风格迁移器；最后使用获得的风格迁移器将图像域内的缺陷绝缘子样本进行风格迁移生成新的缺陷绝缘子样本；本发明通过风格迁移器来对图像域内的缺陷绝缘子样本进行风格迁移，生成新的较为逼真的风格迁移图像样本，生成的缺陷绝缘子图像样本质量高，保留了绝缘子样本的语义连接信息，且生成的缺陷绝缘子样本可以有效提供基于深度学习的目标检测模型的准确率及召回率，具有一定实用价值。

技术领域

本发明涉及技术领域，具体涉及一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统。

背景技术

近年来，在电力系统智能巡检工作中，国家电网尝试引入新颖的人工智能技术来解决巡检工作中劳动密集问题，如通过基于深度学习的目标检测算法来实现智能化巡检目标，但是由于电力系统中部分故障缺陷出现的频率较低，从而导致可收集的缺陷样本较少，很难满足深度学习对数据量的需求，因此亟需一种生成缺陷样本的方法来解决上述问题。

对于缺陷绝缘子样本而言，当前可用数据量仍达不到神经网络训练的需求，因而在对人工智能技术实际验证工作中，对缺陷绝缘子的检测准确率较低，难以实际应用。针对绝缘子缺陷样本缺少问题，主要有以下两种数据增强样本扩充技术，分别是变换式和生成式技术。

变换式生成方法侧重使用镜像翻转，仿射变换等传统方法来实现数据增强，有部分方法通过ps软件将缺陷绝缘子与新的背景融合来实现数据增强，也有部分方法通过对融合后的图像添加噪音等来实现数据增强，虽然这些方法一定程度上增加了缺陷样本的数量，但几乎没有增加缺陷样本的多样性，在实际电网环境中，绝缘子会随着环境的改变呈现出不同的外观特性，而变换式增强方法很难生成多样性丰富的绝缘子样本。

生成式方法最具代表性的便是生成对抗网络(Gan)，Ian J.Goodfellow依据零和博弈思想创造了Gan，其由生成器与判别器组成，通过二者博弈训练，可以生成真实的样本来实现样本扩充。基于Gan的生成式方法大致分为以下两种，一是通过隐变量生成真实样本的方法，特点是通过生成器与判别器的对抗训练，从隐空间生成符合期望分布的样本，但此种生成方法依赖大量的原始样本训练，并不适合样本量本身就较少的绝缘子数据；二是而通过风格迁移来实现样本扩充的方法，特点是将当前风格的缺陷样本作为输入，生成多种不同风格的样本数据，此种方法对样本依赖量相较隐空间生成法而言比较少，而基于Cycle-Gan的方法生成了多种环境风格下缺陷绝缘子样本，虽然风格迁移类方法一定程度上能实现绝缘子样本的数据增强，但现有的算法往往存在以下几个问题：

1.缺陷样本生成比不足；

2.缺陷样本生成质量较差；

3.缺陷样本不能供深度学习目标检测模型训练使用。

发明内容

为解决上述技术问题，本发明基于如何在现有小样本缺陷绝缘子数据的基础上生成大量质量较高、可供深度学习目标检测模型训练使用的绝缘子缺陷样本为出发点，本发明提供一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统。

本发明通过下述技术方案实现：

本方案提供一种基于风格迁移方法的缺陷绝缘子样本生成方法，包括步骤：

S1.采集多幅绝缘子图像样本；

S2.将绝缘子图像样本根据视觉差异划分为多个图像域并对每个图像域进行编码；

S3.通过风格迁移网络对图像域进行风格迁移训练，获得任意两个图像域之间的风格迁移器；

S4.使用S3得到的风格迁移器将图像域内的缺陷绝缘子样本进行风格迁移生成新的缺陷绝缘子样本。