[发明专利]一种螺栓图像合成方法、装置及相关设备

说明书

本发明公开了一种螺栓图像合成方法，包括螺栓训练数据集构建、PCA特征提取、BIGN网络架构选择、BIGN网络损失函数构造、生成器和判别器训练以及螺栓样本生成的步骤；其首先构建螺栓训练数据库，然后利用PCA对样本进行主成分分析，提取螺栓的螺纹等特征，使用提取的先验知识指导BIGN网络生成图像，该网络的损失函数中加入了相对均值鉴别器，能够进一步平衡生成器和判别器的能力，同时针对生成图像中的棋盘效应，使用转置卷积和微步幅卷积代替传统的反卷积和卷积，可以生成螺栓图像，解决现有人工采集工作量繁琐、效率低的问题；本发明还公开了一种螺栓图像合成装置、设备以及计算机可读存储介质，也具有上述有益效果。

技术领域

本发明涉及图像生成技术领域，特别涉及一种螺栓图像合成方法，还涉及一种螺栓图像合成装置、设备以及计算机可读存储介质。

背景技术

伴随着我国经济的快速发展，电力系统作为经济发展的基础保障和先决条件，其安全和稳定问题日益显著。螺栓是输电线路中极其重要且大量存在的部件，起到固定金具等作用，由于风吹日晒等自然条件的影响，螺栓容易产生缺陷，如销子脱落、螺母松动等，需要对其进行检修。

随着深度学习技术的进步，利用智能的手段对螺栓缺陷诊断进行研究已经逐步展开。众所周知，深度学习中的网络模型一般涉及的权重参数众多，需要充足的样本进行训练，在训练样本不足的情况下很容易出现欠拟合的情况。然而由于输电线路所处的外部环境复杂多样，输电线路上的部件的种类繁多，对螺栓目标特征的提取存在较强的干扰。且由于电力系统的极其特殊性，标注成本极其高昂，若想构建百万计的航拍输电线路绝缘子图像仍需要时间，需要探索更为完备且具有公信力的构建方法。

因此扩充数据集是实现目标检测和识别等操作的重要前提，但是，到目前为止，全球没有公开的螺栓数据集，如果直接用人工的方式大量采集，不仅工作量极大，而且效率极低，因此利用已有的少量电力航拍图像来再生螺栓样本迫在眉睫。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度卷积生成式对抗网络的螺栓图像合成方法，旨在解决对螺栓图像检测和识别的数据不足的问题，通过提取样本的特征加入先验知识，指导模型更好的生成图像，同时可以生成256×256的螺栓图像；本发明的另一目的是提供一种螺栓合成装置、设备以及计算机可读存储介质，也具有上述有益效果。

本发明的目的是通过以下技术方案来实现的：

一种螺栓图像合成方法，包括：

S1、螺栓数据集构建：

收集训练BIGN模型的样本，利用聚类算法对构建的螺栓数据库图像按照形态和缺陷类型，分别构建正常螺栓和销子缺失图像；

S2、PCA特征提取：

通过PCA对数据的协方差矩阵的特征进行分解，提取螺栓本身的主要特征，所述螺栓本身的主要特征包括边缘轮廓和螺纹特征；利用PCA提取的主要特征约束生成器的输入，指导螺栓样本生成；

S3、BIGN网络架构选择：

使用构建的螺栓图像库训练BIGN网络，螺栓图像库训练BIGN网络是基于生成式对抗网络GAN，由一个生成器G和一个判别器D构成；通过生成器G和判别器D的转置卷积和微步幅卷积，消除由于像素空间的不均匀覆盖导致的棋盘格伪影；

S4、BIGN网络损失函数构造：

在螺栓图像库训练BIGN网络的损失函数中引入相对均值判别器，将真假螺栓样本混合利用图灵测试消弱判别器的能力；

S5、生成器和判别器训练：

设置超参数k，每训练完k次判别网络后在进行一次生成器的训练；生成器G的学习率设为0.0002，判别器设置为0.0001，使用Adam Optimizer进行加速训练；