本申请涉及一种基于联邦学习的电力图像数据增广方法，包括如下步骤：获取变电站电力巡检系统的原始图像；对原始图像进行图像处理，消除原始图像中噪声的干扰和影响，构建图像数据集，在生成式对抗网络上进行训练；基于变电站训练好的生成对抗网络模型权重，上传到中心服务器进行聚合训练，并将最后的训练结果下发到变电站；生成器利用中心服务器下发的权重信息，生成新的图像数据。本发明专利技术通过基于联邦学习的生成对抗网络方法，在保护各个变电站数据隐私性和安全性的前提下，对电力图像数据进行数据增广，针对于合成的图像，无需进行图像标注，节省了人力和物力成本，同时合成方法科学合理，增广结果质量高，效率高，方案安全，可行性高。
【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种基于联邦学习的电力图像数据增广方法。
技术介绍
1、电网作为民生与国防建设的重要基础设施，在电能的传输、配送等方面起到决定性的作用。近年来，随着我国电网规模的不断扩大，输电线路及变电站所覆盖的区域面积也越来越大，因此，保证电网安全运行显得尤为重要。直升机、无人机和智能机器人凭借其户外作业效率高、作业风险低以及作业灵活的特点，在电力巡检上的应用逐渐普及，为电力系统带来了大量的巡检图像和视频数据，相较于传统的巡检方法有效地保障了电网的安全。但是受目前的智能化水平限制，一线工作人员对收集的数据只能进行人工分析和识别，才能得到最终的巡检报告，这种处理方法效率低下且人力成本较高，己经无法满足实际的需要。
2、随着人工智能技术的发展与推进，利用深度学习的图像识别方法在电力故障诊断中的研究正如火如荼地进行。与传统机器学习不同的是，深度学习需要海量的正样本来进行训练，供机器学习到足够的特征来实现“举一反三”，从而防止数据集量过小容易出现过拟合的现象。而由于直升机、无人机和智能机器人推广应用的时间并不长，部分故障类型(如防鸟设施损坏、绝缘子污秽等)的图像数据采集量小，无法满足深度学习的需求。
技术实现思路
1、本申请实施例的目的在于提供一种基于联邦学习的电力图像数据增广方法，基于联邦学习利用生成对抗网络进行数据扩充，解决了以往因为数据隐私性和安全性问题，数据量少的问题，对电力图像数据进行海量增广，生成的图像质量高、效率快，以满足深度学习的需要。
<
p>2、为实现上述目的，本申请提供如下技术方案：3、本申请实施例提供一种基于联邦学习的电力图像数据增广方法，包括如下步骤：
4、1)获取变电站电力巡检系统的原始图像；
5、2)对原始图像进行图像处理，消除原始图像中噪声的干扰和影响，构建图像数据集，在生成式对抗网络上进行训练；
6、3)基于变电站训练好的生成对抗网络模型权重，上传到中心服务器进行聚合训练，并将最后的训练结果下发到变电站；
7、4)生成器利用中心服务器下发的权重信息，生成新的图像数据。
8、获取变电站电力巡检系统的原始图像，具体包括：
9、1)获取预设时间段内变电站中抓取的真实图像数据；
10、2)将所述预设时间段，平均分配到全年的各个时间段，尽可能保证所获取的图像，包括所有了工控协议业务；
11、3)将所有获取的样本，制作称为变电站中真实图像的数据集。
12、构建图像信息数据集，在生成式对抗网络上进行训练，具体包括：
13、所述s2中的图像处理包括图像去噪、去雾、特征提取和特征增强；
14、所述图像去噪包括高斯滤波和中值滤波。
15、所述高斯滤波通过对图像数据进行加权平均，消除图像数据中的高斯噪声，包括：
16、用一个模板扫描图像中的每一个像素；
17、用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值；所述中值滤波包括：
18、把图像数据中一点的值用该点的一个邻域中各点值的中值代替；
19、使周围的像素值接近的真实值，消除孤立的脉冲噪声。
20、所述去雾包括直方图均衡和同态滤波：
21、直方图均衡通过直方图对图像的对比度进行调整，增加图像的全局对比度；
22、同态滤波法对图像进行转换，去除乘性噪声，增加图像对比度以及标准化亮度。
23、所述的特征提取包括：
24、利用方向梯度直方图计算和统计图像局部区域的梯度方向直方图来构成特征；
25、结合支持向量机分类器对目标图像进行分类的特征提取；
26、所述s3中的特征增强包括：
27、通过窗口滑动对目标核心区域进行多次采样；
28、得到初步增强的目标数据，增强图像特征。
29、所述s4中的生成式对抗网络包括生成器网络和判别器网络，通过生成器网络进行数据生成，判别器网络对数据进行鉴别，通过学习到的数据特征指导生成器网络生成数据并与背景图像合成生成新的图像数据，所述的生成器网络为7层卷积神经网络，其网络结构依次为生成器第一卷积层、生成器第一非线性激活函数、生成器第二卷积层、生成器第二非线性激活函数、生成器第三卷积层、生成器第三非线性激活函数、生成器全连接层，所述的判别器网络为7层卷积神经网络，其网络结构依次为判别器第一卷积层、判别器第一非线性激活函数、判别器第二卷积层、判别器第二非线性激活函数、判别器第三卷积层、判别器第三非线性激活函数、判别器全连接层。
30、基于变电站训练好的模型权重，上传到中心服务器进行聚合训练，并下发变电站，具体包括：
31、1)电网边缘设备从中心服务器上下载全局模型wt-1；
32、2)电网边缘设备训练本地指令数据得到本地模型wt,k，第k个电网边缘设备第t轮通信的本地模型更新；
33、3)各个电网边缘设备上传本地机密模型更新到中心服务器；
34、4)中心服务器接受各个电网边缘设备的加密权值后，首先进行解密操作，随后进行加权聚合操作，得到全局模型wt，第t轮通信的全局模型更新，中心服务器的目标函数具体如下：
35、
36、其中m是参与训练的电网边端设备总数，n是所有电网边端设备，nk是第k个边端设备的数据量，fk(w)是第k个设备的本地目标函数：
37、
38、其中dk是第k个边端设备的本地数据集，f(w)＝a(x,y,w)是具有参数w的模型对于数据集dk中的实例(x,y)产生的损失函数，dk中所有实列产生的损失函数之后除以电网边端设备k的总数据量，就是边端设备的平均损失函数，损失函数与模型精度成反比，边端设备的模型权重更新如下：
39、
40、第t轮通信中心服务器的模型聚合更新如下：
41、
42、与现有技术相比，本申请的有益效果是：针对合成的图像，无需进行图像标注，节省了人力与物力成本，同时合成方法科学合理，增广结果质量高、效率快，方案可行性强，基于联邦学习保护数据隐私，示例的基于生成式对抗网络的电力图像数据增广方法，定义了生成式对抗网络中生成器网络g与判别器网络d的网络结构，包括卷积层、非激活函数与全连接层等共7层。网络层数较少，所需计算量较低，可有效完成新图像数据的生成与优化。
本文档来自技高网...
【技术保护点】
1.一种基于联邦学习的电力图像数据增广方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，获取变电站电力巡检系统的原始图像，具体包括：
3.根据权利要求1所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，构建图像信息数据集，在生成式对抗网络上进行训练，具体包括：
4.根据权利要求3所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，所述高斯滤波通过对图像数据进行加权平均，消除图像数据中的高斯噪声，包括：
5.根据权利要求3所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，所述去雾包括直方图均衡和同态滤波：
6.根据权利要求3所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，所述的特征提取包括：
7.根据权利要求1所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，所述S4中的生成式对抗网络包括生成器网络和判别器网络，通过生成器网络进行数据生成，判别器网络对数据进行鉴别，通过学习到的数据特征指导生成器网络生成数据并与背景图像合成生成新的图像数据，所述的生成器网络为7层卷积神经网络，其网络结构依次为生成器第一卷积层、生成器第一非线性激活函数、生成器第二卷积层、生成器第二非线性激活函数、生成器第三卷积层、生成器第三非线性激活函数、生成器全连接层，所述的判别器网络为7层卷积神经网络，其网络结构依次为判别器第一卷积层、判别器第一非线性激活函数、判别器第二卷积层、判别器第二非线性激活函数、判别器第三卷积层、判别器第三非线性激活函数、判别器全连接层。
8.根据权利要求1所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，基于变电站训练好的模型权重，上传到中心服务器进行聚合训练，并下发变电站，具体包括：
...
【技术特征摘要】
1.一种基于联邦学习的电力图像数据增广方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，获取变电站电力巡检系统的原始图像，具体包括：
3.根据权利要求1所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，构建图像信息数据集，在生成式对抗网络上进行训练，具体包括：
4.根据权利要求3所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，所述高斯滤波通过对图像数据进行加权平均，消除图像数据中的高斯噪声，包括：
5.根据权利要求3所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，所述去雾包括直方图均衡和同态滤波：
6.根据权利要求3所述的一种基于联邦学习的电力图像数据增广方法，其特征在于，所述的特征提取包括：
7.根据权利要求1所述的一种基于联邦...
【专利技术属性】
技术研发人员：肖思昌，柳明，丰金浩，鲁非，王晓婷，潘柳兆，涂京，石川，刘雯，彭学林，
申请(专利权)人：国网湖北省电力有限公司武汉供电公司，
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。