本发明专利技术公开了一种图像预处理方法和缺陷检测方法、装置及计算机设备，属于图像处理领域；首先获取无人机采集的图像样本，然后根据图像样本得到目标生成对抗网络，最后根据目标生成对抗网络生成图像样本集。本申请方案采用生成对抗网络生成图像样本集，能够得到较多的用于训练的图像样本集，避免数据过拟合，保证了训练得到的模型检测效果好。此外由于生成对抗网络的获取是根据图像样本及其类别特征训练得到，这样得到的生成对抗网络生成的图像样本集类别较多，解决了现有方式只能生成单一类样本的问题，能够使后续检测模型训练时训练效果更好，保证了模型的检测效果。保证了模型的检测效果。保证了模型的检测效果。
【技术实现步骤摘要】
图像预处理方法和缺陷检测方法、装置及计算机设备
[0001]本专利技术涉及图像处理领域，特别地，涉及一种图像预处理方法和缺陷检测方法、装置及计算机设备。
技术介绍
[0002]由于无人机有效载荷的限制，在飞行巡检过程中，它的成像系统可能会受到姿态变化、相对运动、镜头离焦、机械振动以及控制信号受干扰等因素的影响，将会导致像移的出现，获取的图像不是真实的理想图像，从而产生了运动模糊。此时图像的质量和模糊尺度相关，尺度又会和飞行速度、飞行高度、像机曝光时间及像机焦距等有关。同时无人机所获的图像局限于可见光波段，传感设备的固有特质、光学像差、传输过程中信号受干扰等原因的影响，会产生不可预知的随机噪声，因此导致了图像质量的降低。
[0003]现有技术为了提高图像质量，采用深度学习的方式得到模型对机巡图片进行缺陷识别，但是在实际训练模型时，无人机获取的图像样本有限，用于训练的样本模型较少，数据容易过拟合，即使能够生成样本，也只能生成单一类别的样本，采用单一类别样本训练得到模型检测效果较差。
技术实现思路
[0004]为了克服现有技术的不足，本专利技术提供一种图像预处理方法和缺陷检测方法、装置及计算机设备，以解决在实际训练模型时，无人机获取的图像样本有限，用于训练的样本模型较少，数据容易过拟合，即使能够生成样本，也只能生成单一类别的样本，采用单一类别样本训练得到模型检测效果较差的问题。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]第一方面，提供了一种图像预处理方法，包括以下步骤：
[0007]获取无人机采集的图像样本；
[0008]根据所述图像样本及其类别特征得到目标生成对抗网络；
[0009]根据所述目标生成对抗网络生成图像样本集，所述图像样本集用于缺陷检测模型的训练。
[0010]进一步地，所述根据所述图像样本及其类别特征得到目标生成对抗网络，包括：
[0011]将所述图像样本添加随机噪声并输入到初始生成对抗网络中的初始判别网络中对所述初始判别网络进行训练得到中间判别网络；
[0012]根据所述中间判别网络对所述初始生成对抗网络的初始生成网络进行训练得到中间生成网络；
[0013]当所述中间生成网络和所述中间判别网络达到平衡后，得到中间生成对抗网络，所述中间生成对抗网络包括平衡时的中间生成网络和平衡时的中间判别网络；
[0014]根据所述图像样本的类别特征对所述中间生成对抗网络进行训练得到目标生成对抗网络。
[0015]进一步地，所述根据所述图像样本的类别特征对所述中间生成对抗网络进行训练得到目标生成对抗网络，包括：
[0016]获取所述图像样本的标签，将带有标签的图像样本输入到所述中间生成对抗网络的中间判别网络中，以便所述中间判别网络的骨干网提取所述带有标签的图像样本的类别特征；
[0017]将所述类别特征分别存储到不同的网络层得到目标判别网络；
[0018]根据所述目标判别网络得到目标生成网络，所述目标生成对抗网络包括所述目标判别网络和目标生成网络。
[0019]进一步地，还包括：
[0020]在生成图像样本集后，对所述图像样本集的样本图像进行数据增强，以便数据增强后的图像样本集用于所述缺陷检测模型的训练。
[0021]进一步地，所述对所述图像样本集的数据进行数据增强，包括普通数据增强，所述普通数据增强包括采用以下任意一种或多种方式：
[0022]对所述图像样本集中的样本图像进行旋转、平移、缩放、镜像和裁剪中的一种或多种操作；
[0023]改变所述样本图像中的色调、饱和度和明亮度中的一种或多种特征。
[0024]进一步地，所述对所述图像样本集的数据进行数据增强，还包括：
[0025]选取所述图像样本集中任意数量的初始样本图像；
[0026]将各个初始样本图像放置在基准点所在预设区域的不同位置，并将各个初始样本图像中超出预设区域的像素去掉；
[0027]将目标区域的像素填充到预设区域的对应位置得到目标样本图像。
[0028]第二方面，提供一种图像缺陷检测方法，包括以下步骤：
[0029]根据权利要求1
‑
6任一项所述的方法获取图像样本集；
[0030]根据所述图像样本集对缺陷检测模型进行训练得到目标缺陷检测模型；
[0031]将待检测图像输入到目标缺陷检测模型中得到检测结果。
[0032]第三方面，提供一种图像预处理装置，包括：
[0033]图像样本获取模块，用于获取无人机采集的图像样本；
[0034]目标生成对抗网络训练模块，用于根据所述图像样本及其类别特征得到目标生成对抗网络；
[0035]图像样本集获取模块，用于根据所述目标生成对抗网络生成图像样本集，所述图像样本集用于缺陷检测模型的训练。
[0036]第四方面，提供一种图像缺陷检测装置，包括：
[0037]样本集获取模块，用于根据第一方面提供的技术方案中任一项所述的方法获取图像样本集；
[0038]检测模型训练模块，用于根据所述图像样本集对缺陷检测模型进行训练得到目标缺陷检测模型；
[0039]检测结果获取模块，用于将待检测图像输入到目标缺陷检测模型中得到检测结果。
[0040]第五方面，提供一种计算机设备，包括：
[0041]处理器；
[0042]用于存储所述处理器的可执行指令；
[0043]所述处理器被配置为用于执行第一方面提供的技术方案中任一项所述的方法，或用于执行第二方面提供的技术方案中所述的方法。
[0044]有益效果：
[0045]本申请技术方案提供一种图像预处理方法和缺陷检测方法、装置及计算机设备，首先获取无人机采集的图像样本，然后根据图像样本得到目标生成对抗网络，最后根据目标生成对抗网络生成图像样本集。本申请方案采用生成对抗网络生成图像样本集，能够得到较多的用于训练的图像样本集，避免数据过拟合，保证了训练得到的模型检测效果好。此外由于生成对抗网络的获取是根据图像样本及其类别特征训练得到，这样得到的生成对抗网络生成的图像样本集类别较多，解决了现有方式只能生成单一类样本的问题，能够使后续检测模型训练时训练效果更好，保证了模型的检测效果。
附图说明
[0046]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0047]图1是本专利技术实施例提供的一种图像预处理方法流程图；
[0048]图2是本专利技术实施例提供的一种图像缺陷检测方法流程图；
[0049]图3是本专利技术实施例提供的一种图像预处理装置结构示意图；
[0050]图4是本专利技术实施例提供的一种图像缺陷检测装置结本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像预处理方法，其特征在于，包括以下步骤：获取无人机采集的图像样本；根据所述图像样本及其类别特征得到目标生成对抗网络；根据所述目标生成对抗网络生成图像样本集，所述图像样本集用于缺陷检测模型的训练。2.根据权利要求1所述的方法，其特征在于：所述根据所述图像样本及其类别特征得到目标生成对抗网络，包括：将所述图像样本添加随机噪声并输入到初始生成对抗网络中的初始判别网络中对所述初始判别网络进行训练得到中间判别网络；根据所述中间判别网络对所述初始生成对抗网络的初始生成网络进行训练得到中间生成网络；当所述中间生成网络和所述中间判别网络达到平衡后，得到中间生成对抗网络，所述中间生成对抗网络包括平衡时的中间生成网络和平衡时的中间判别网络；根据所述图像样本的类别特征对所述中间生成对抗网络进行训练得到目标生成对抗网络。3.根据权利要求2所述的方法，其特征在于：所述根据所述图像样本的类别特征对所述中间生成对抗网络进行训练得到目标生成对抗网络，包括：获取所述图像样本的标签，将带有标签的图像样本输入到所述中间生成对抗网络的中间判别网络中，以便所述中间判别网络的骨干网提取所述带有标签的图像样本的类别特征；将所述类别特征分别存储到不同的网络层得到目标判别网络；根据所述目标判别网络得到目标生成网络，所述目标生成对抗网络包括所述目标判别网络和目标生成网络。4.根据权利要求1所述的方法，其特征在于，还包括：在生成图像样本集后，对所述图像样本集的样本图像进行数据增强，以便数据增强后的图像样本集用于所述缺陷检测模型的训练。5.根据权利要求4所述的方法，其特征在于：所述对所述图像样本集的数据进行数据增强，包括普通数据增强，所述普通数据增强包括采用以下任意一种或多种方式：对所...
【专利技术属性】
技术研发人员：许志松，于虹，周帅，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。