一种基于生成式对抗网络的小样本缺陷检测方法技术

本发明专利技术公开一种基于生成式对抗网络的小样本缺陷检测方法，缺陷检测过程分为缺陷样本生成，缺陷样本重建，缺陷定位三个步骤，陷样本生成步骤包括：搜集大量正常样本和少量缺陷样本，通过人工添加缺陷以及Cycle

【技术实现步骤摘要】
一种基于生成式对抗网络的小样本缺陷检测方法


[0001]本专利技术涉及计算机视觉技术，具体地说，涉及一种基于生成式对抗网络的小样本缺陷检测方法，基于生成式对抗网络，可以用于输电线设备表面缺陷检测与定位。

技术介绍

[0002]在电网巡检中，输电线设备表面的缺陷检测与定位对于维护电网安全有着至关重要的作用，在传统的巡检中，缺陷的发现通过是通过人工完成的，需要耗费大量人力。且存在主观因素，从而造成缺陷的漏检与误检，严重的会造成巨大经济损失。随着人工智能算法的发展，机器在缺陷检测上的精度不断提高，使用机器的成本远小于人力,精度反而接近甚至超过人类，因此使用成本更低的缺陷检测算法代替人力对于输电线设备表面的缺陷检测是十分有意义的。
[0003]目前缺陷检测算法在输电线设备表面检测仍然会遇到很多问题与挑战。缺陷检测应用传统的机器学习算法往往受环境因素干扰过大，泛化性不强。而随着数据和算力的爆炸式发展，深度学习技术在图像识别，目标检测，实景分割上都取得了接近人类甚至超过人类的结果，这些结果让越来越多的研究者将深度学习技术应用在缺陷检测中。
[0004]然而，一个现实的问题是输电线设备的正常样本很多，然而缺陷样本量是极其不足的，这与深度学习算法需要大量标注数据的样本是相互矛盾的。也就是说，小样本已经成为深度学习应用于输电线设备缺陷检测的瓶颈。因此针对输电线设备缺陷检测需要从一个全新角度设计有效使用的方案
[0005]大量研究已经表明，生成式对抗网络不仅具有强大的生成能力，而且有很强的区分异常的能力，可以实现大规模的缺陷检测。针对上述输电线设备缺陷检测存在的问题，本专利技术提出了一种基于生成式对抗网络的小样本缺陷检测方法。基于生成式对抗网络，缺陷检测过程通过缺陷样本生成，缺陷样本重建，缺陷定位三个步骤就可以完成较高精度的输电线设备缺陷检测。

技术实现思路

[0006]本专利技术针对上述输电线设备缺陷检测存在的问题，而提出了一种基于生成式对抗网络的小样本缺陷检测方法，用于克服上述问题。通过缺陷样本生成，缺陷样本重建，缺陷定位三个步骤就可以完成较高精度的输电线设备缺陷检测，极大减少人力成本。
[0007]为实现上述目的，本专利技术采取的技术方案为：设计一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，具体包括以下步骤：
[0008]S1：缺陷样本生成，对于搜集的大量正常样本和少量缺陷样本，通过添加人造缺陷噪声及利用Cycle
‑
GAN的方式训练正常样本到缺陷样本的域转换，从而扩充缺陷样本；
[0009]S2：缺陷样本重建，使用自编码网络的方式，可以将上述缺陷样本重建为正常样本，而正常样本保持不变，同时为了提升重建效果，提出结构性重建损失，以此优化重建效果；
[0010]S3：缺陷定位，计算缺陷样本与重建样本的结构相似性指数，并进行阈值处理从而定位缺陷。
[0011]进一步的，所述S1中通过人造缺陷噪声，以增加不同大小、不同位置以及不同灰度值的缺陷块的人工缺陷扩充缺陷样本，同时也使用随机剪切、缩放以及添加高斯噪声的方式以增加人工缺陷样本的多样性。
[0012]进一步的，所述S1在缺陷样本的生成中，通过Cycle
‑
GAN的方式生成缺陷样本，其具体步骤为：
[0013]S1:定义两个生成器网络G1和G2，G1用于正常样本x生成缺陷样本y，G2用于生成的缺陷样本y逆变换生成与输入正常样本x尽可能一致的样本x；
[0014]S2:定义两个辨别器网络D1和D2，D1用于判别生成器G1生成缺陷样本的真实程度，D2用于判断生成器G2生成正常样本的真实程度；
[0015]S3:在缺陷样本生成网络训练过程中，存在两个Cycle过程，其中，第一个Cycle过程中，输入正常样本x到G1产生缺陷样本y，然后输入y到G2生成x，最后使用均方误差损失评估x和x的差异，在第二个Cycle过程中，输入缺陷样本y到G2生成正常样本x，然后输入x到G1产生缺陷样本y，最后评估y和y的差异,循环往复，最后G1产生足够多样化的缺陷样本，扩充缺陷样本的基数。
[0016]进一步的，使用对抗损失函数，使生成器生成接近真实的数据分布，损失函数定义为：
[0017][0018]其中，G(x)表示生成的样本，D
Y
表示辨别器，用于判断G(x)是否接近Y。
[0019]进一步的，整个缺陷样本生成网络还包括循环一致性损失，用于两个生成器G1和G2可以生成相对应的已知样本，损失函数表达为：
[0020][0021]其中|| ||1表示了L1损失，用于衡量Cycle过程中相互转换的一致性；
[0022]进一步的，整个缺陷样本生成网络的总损失可以表达为：
[0023]L(G1,G2,D1,D2)＝L
GAN
(G1,D2,X,Y)+L
GAN
(G2,D1,Y,X)+λL
cyc
(G1,G2)
ꢀꢀꢀ
(9)
[0024]进一步的，使用自编码网络的方式，将缺陷样本重建为正常样本，而正常样本保持不变，自编码网络采用GAN网络的生成器G，然后通过GAN网络的判别器D判断重建样本与正常样本的差距，在训练的过程中，判别器会尽可能的区分正常样本，而生成器会将输入的正常或者缺陷样本都重建为正常样本，通过判别器与生成器之间的相互博弈，生成器逐渐提升会与缺陷样本的发现能力，缺陷样本重建网络的损失函数定义为：
[0025][0026]其中y表示正常样本，G(x)表示重建样本，p
data
(x)表示正常样本满足的概率分布。
[0027]进一步的，缺陷样本重建网络采用GAN网络的形式进行模型的训练，同时为了提升重建效果，提出结构性重建损失，以此优化重建效果，结构性重建损失定义：
[0028][0029]其中，x表示输入的样本，x.label表示输入样本的属性，1表示正常样本，
‑
1表示缺陷样本，结构性重建损失的目的是保证重建的正常样本与缺陷样本的不同，确保尽可能的与正常样本相同。
[0030]进一步的，缺陷样本重建网络的总损失包含GAN网络损失和相应的结构性重建损失，具体表示为：
[0031][0032]其中，β表示平衡损失的参数。
[0033]进一步的，所述S3中在缺陷定位的过程中，计算缺陷样本与重建样本的结构相似性指数，并进行阈值处理从而定位缺陷。
[0034]本专利技术相对于现有技术具有以下有益效果：
[0035]1、有效减少了对缺陷样本的依赖，通过人工添加缺陷噪声方法和缺陷样本生成网络可以产生大量可用的缺陷样本，这为深度学习在输电线设备缺陷检测的大规模应用提供了基础；
[0036]2、有效减少了对精细位置标注的依赖，仅需要计算缺陷样本与重建样本的结构相似性指数，并进行阈值处理就能较准确地定位缺陷；
[0037]3、使用的样本增强方法，提升了缺陷检测在光照变化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，具体包括以下步骤：S1：缺陷样本生成，对于搜集的大量正常样本和少量缺陷样本，通过添加人造缺陷噪声及利用Cycle
‑
GAN的方式训练正常样本到缺陷样本的域转换，从而扩充缺陷样本；S2：缺陷样本重建，使用自编码网络的方式，可以将上述缺陷样本重建为正常样本，而正常样本保持不变，同时为了提升重建效果，提出结构性重建损失，以此优化重建效果；S3：缺陷定位，计算缺陷样本与重建样本的结构相似性指数，并进行阈值处理从而定位缺陷。2.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于：所述S1中通过人造缺陷噪声，以增加不同大小、不同位置以及不同灰度值的缺陷块的人工缺陷扩充缺陷样本，同时也使用随机剪切、缩放以及添加高斯噪声的方式以增加人工缺陷样本的多样性。3.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，所述S1在缺陷样本的生成中，通过Cycle
‑
GAN的方式生成缺陷样本，其具体步骤为：S1:定义两个生成器网络G1和G2，G1用于正常样本x生成缺陷样本y，G2用于生成的缺陷样本y逆变换生成与输入正常样本x尽可能一致的样本x；S2:定义两个辨别器网络D1和D2，D1用于判别生成器G1生成缺陷样本的真实程度，D2用于判断生成器G2生成正常样本的真实程度；S3:在缺陷样本生成网络训练过程中，存在两个Cycle过程，其中，第一个Cycle过程中，输入正常样本x到G1产生缺陷样本y，然后输入y到G2生成x，最后使用均方误差损失评估x和x的差异，在第二个Cycle过程中，输入缺陷样本y到G2生成正常样本x，然后输入x到G1产生缺陷样本y，最后评估y和y的差异,循环往复，最后G1产生足够多样化的缺陷样本，扩充缺陷样本的基数。4.根据权利要求1所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于,使用对抗损失函数，使生成器生成接近真实的数据分布，损失函数定义为：其中，G(x)表示生成的样本，D
Y
表示辨别器，用于判断G(x)是否接近Y。5.根据权利要求4所述的一种基于生成式对抗网络的小样本缺陷检测方法，其特征在于，整个缺陷样本生成网络还包...

【专利技术属性】
技术研发人员：琚小明，
申请(专利权)人：浙江捷瑞电力科技有限公司，
类型：发明
国别省市：