一种基于改进GAN实现输电线路图像增广的方法及系统与流程

技术特征：
1.一种基于改进gan实现输电线路图像增广的方法，其特征在于，所述方法包括：采集输电线路的缺陷图像样本数据；改进生成对抗网络gan网络模型的结构，得到改进后的gan网络模型；对改进后的gan网络模型进行训练，将所述缺陷图像样本数据输入至改进后的gan网络模型，直至鉴别器d无法判别图片来自于训练样本集合；在所述鉴别器d无法识别图片为缺陷图像样本还是生成器g生成的样本时，设定所述鉴别器d的辨别概率为0.5；利用所述生成器g生成增广后的数据。2.如权利要求1所述的基于改进gan实现输电线路图像增广的方法，其特征在于，所述改进生成对抗网络gan网络模型的结构，得到改进后的gan网络模型包括：将频谱归一化技术应用于生成器g和鉴别器中的权重；在生成式对抗网络gan的发生器和鉴别器中添加自注意力机制。3.如权利要求2所述的基于改进gan实现输电线路图像增广的方法，其特征在于，所述将频谱归一化技术应用于生成器g和鉴别器中的权重包括：将谱范数设置为1来约束权重的lipschitz常数，用来控制渐变；对发生器和鉴别器应用光谱归一化。4.如权利要求3所述的基于改进gan实现输电线路图像增广的方法，其特征在于，所述对改进后的gan网络模型进行训练包括：在训练的过程中固定一方，更新另一方的网络权重；固定鉴别器d的参数，更改生成器g的参数；通过引入判别器d来实现得到高质量的生成器g。5.如权利要求4所述的基于改进gan实现输电线路图像增广的方法，其特征在于，所述固定生成器g的参数，更改鉴别器d的参数包括：引入鉴别器d进行引入对抗训练，通过对抗训练的方式让生成器生成高质量的图片；判别器d通过不断训练进行鉴别能力训练。6.如权利要求5所述的基于改进gan实现输电线路图像增广的方法，所述通过引入判别器d来实现得到高质量的生成器g包括：d和g通过交替迭代，在这个过程中，双方都极力优化自己的网络，从而形成竞争对抗，直到双方达到一个动态的平衡，此时生成模型g恢复了训练数据的分布，判别模型再也判别不出来结果，准确率为50％。7.一种基于改进gan实现输电线路图像增广的系统，其特征在于，所述系统包括：采集模块，用于采集输电线路的缺陷图像样本数据；网络模型改进模块，用于改进生成对抗网络gan网络模型的结构，得到改进后的gan网络模型；训练模块，用于对改进后的gan网络模型进行训练，将所述缺陷图像样本数据输入至改进后的gan网络模型，直至鉴别器d无法判别图片来自于训练样本集合；在所述鉴别器d无法识别图片为缺陷图像样本还是生成器g生成的样本时，设定所述鉴别器d的辨别概率为0.5；生成模块，用于利用所述生成器g生成增广后的数据。8.如权利要求7所述的基于改进gan实现输电线路图像增广的系统，其特征在于，所述
网络模型改进模块用于将频谱归一化技术应用于生成器g和鉴别器中的权重；在生成式对抗网络gan的发生器和鉴别器中添加自注意力机制。9.如权利要求8所述的基于改进gan实现输电线路图像增广的系统，其特征在于，所述网络模型改进模块还用于将谱范数设置为1来约束权重的lipschitz常数，用来控制渐变；对发生器和鉴别器应用光谱归一化。10.如权利要求9所述的基于改进gan实现输电线路图像增广的系统，其特征在于，所述训练模块用于在训练的过程中固定一方，更新另一方的网络权重；固定鉴别器d的参数，更改生成器g的参数；通过引入判别器d来实现得到高质量的生成器g。

技术总结
本发明公开了一种基于改进GAN实现输电线路图像增广的方法及系统，其方法包括：采集输电线路的缺陷图像样本数据；改进生成对抗网络GAN网络模型的结构，得到改进后的GAN网络模型；对改进后的GAN网络模型进行训练，将所述缺陷图像样本数据输入至改进后的GAN网络模型，直至鉴别器D无法判别图片来自于训练样本集合；在所述鉴别器D无法识别图片为缺陷图像样本还是生成器G生成的样本时，设定所述鉴别器D的辨别概率为0.5；利用所述生成器G生成增广后的数据。在本发明实施例通过改进DCGAN模型，实现利用较少的缺陷数据实现数据增广。现利用较少的缺陷数据实现数据增广。现利用较少的缺陷数据实现数据增广。


技术研发人员：王海霖 王江 覃明生 唐锦鹏 邓春明 韦维 石忠诚 韦基毅 兰建蒙 崖望洲 谭堃 韦屹健 黄东 谭文海 蒋英俊
受保护的技术使用者：广西电网有限责任公司河池供电局
技术研发日：2021.07.01
技术公布日：2021/11/19