基于生成对抗网络的自爆绝缘子检测模型设计

随着输电线路的持续建设,无人机逐步代替人工成为巡线工作的主要工作方式。绝缘子在输电线路中具有重要作用,然而,因自爆绝缘子导致的事故尤为频繁,从大量的航拍图像中识别自爆绝缘子,是一个亟待解决的任务。在航拍图像中,大部分绝缘子数据均是无损绝缘子,自爆绝缘子数量较少,因而无法满足识别算法的训练要求。针对现有输电线路无人机巡检中自爆绝缘子数据量稀缺的问题,该文提出了一种基于生成对抗网络的自爆绝缘子检测模型。通过生成器和鉴别器的对抗训练,该模型仅使用无损绝缘子数据训练即能完成对自爆绝缘子的检测。在此基础上,该文优化了生成对抗网络的训练过程。通过引入指导网络,解决了生成对抗网络的模式崩塌问题,提高了对自爆绝缘子检测的召回率;通过对鉴别器的输入添加扰动,解决了生成对抗网络中的样本不均衡问题,提高了对自爆绝缘子检测的精确度。通过与其他异常检测算法的对比实验,证明了该文方法的可靠性。并通过对模型各部分的消融实验,证明了该文方法各部分的可靠性。实验结果证明,该生成对抗网络模型有效避免了传统生成对抗网络中的缺陷,完成了对自爆绝缘子的高效自动检测。     

基于改进生成对抗网络的无监督晶圆缺陷检测

为实现晶圆表面缺陷的无监督检测，提出了一种改进生成对抗网络的无监督晶圆表面缺陷检测模型，该模型通过目标图像与重构图像之间的差异来检测缺陷。该方法使用带有两层跳跃连接和记忆模块的编码器-解码器卷积神经网络来搭建生成器，跳跃连接用以捕获多尺度的输入图像特征，记忆模块对潜在特征实施约束，扩大真实缺陷样本与重构样本间的距离。该方法还通过改进判别器网络结构，使模型轻量化。实验结果表明，该模型能够准确分辨具有缺陷的晶圆样本，ROC曲线下的面积值达到0.934，与已有的无监督学习检测方法相比性能更优,同时判别器网络的参数量和计算量分别降低到1 M和60 M以下。     

基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类

螺栓是输电线路中广泛存在的紧固件,其缺陷图像具有类内差异性小、类间差异性大的特性。针对复杂度高且性能优秀的大模型在分析螺栓缺陷图像消耗大量计算资源的问题,将知识蒸馏技术引入到输电线路螺栓缺陷图像分类中,提出了一种基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类方法:在网络输出层采用自适应加权方法,提高小模型学习螺栓缺陷标签的准确性;在网络隐藏层进行注意力转移,提高小模型螺栓特征的表达能力;将网络输出层的自适应加权方法与网络隐藏层的注意力转移机制相结合,以充分提高小模型的螺栓缺陷分类能力。最后通过自建螺栓缺陷图像分类数据集验证了大模型利用所提蒸馏方法指导小模型训练的有效性,实验结果表明:小模型的分类准确率提高了2.17%,小模型与大模型的分类准确率只差0.63%,且小模型的参数量仅为大模型参数量的7.8%。研究实现了螺栓缺陷的高效分类,达到了精度与资源消耗的平衡。     

基于深层次多分类生成对抗网络的红外与可见光图像融合方法

为了实现红外和可见光图像信息的良好平衡,本文利用生成对抗网络技术,提出了一种深层次多分类的生成对抗网络红外与可见光图像融合方法。该方法将主辅思想引入到生成器的梯度和强度信息提取中,并提高了生成器卷积层的深度及浅层网络信息提取能力。在鉴别器中使用多分类器同时估计可见光和红外区域的分布。经过连续的对峙学习,使融合结果中具有显著的对比度和丰富的纹理细节信息。实验获得的信息熵及香农熵值为6.86、互信息值为13.72、标准差值为34.82、结构相似性值为0.71。对比实验结果表明,在主客观评价中,本文提出的方法获得更好的红外与可见光图像融合性能。     

基于多注意力机制的生成对抗网络的遥感图像超分重建

针对现有超分辨算法重建后的遥感图像模糊,含有伪影和噪声等问题,提出一种基于多注意力机制的生成对抗网络。首先,在生成器的残差块中引入高效注意力机制,增强全局相关性,提高模型的特征提取能力;其次,利用迭代注意特征融合模块对输入的图像和经过生成器生成的高层语义特征图进行融合,代替长跳跃连接常用的相加操作,减少输入图像进行相加操作时导致的信息损失,使重建后的图像更加清晰;最后,基于WGAN网络优化模型训练,促进网络训练的稳定,加快损失函数的收敛。在不同数据集上验证上述方法,结果表明,相较次优算法,所提方法在峰值信噪比(PSNR)和结构相似度(SSIM)上分别提高了0.062～0.122 dB和0.03～0.08。     

生成对抗网络 GAN 的发展与最新应用

近年来,生成式对抗网络(generative adversarial nets, GAN)迅速发展,已经成为当前机器学习领域的主要研究方向之一。GAN来源于零和博弈的思想,其生成器和鉴别器对抗学习,获取给定样本的数据分布,生成新的样本数据。对GAN模型在图片生成、异常样本检测和定位、文字生成图片以及图片超分辨率等多方面进行了大量的调查研究,并在这些GAN的应用所取得的实质性进展进行了系统的阐述。对GAN的提出背景与研究意义、理论模型与改进结构,以及其主要应用领域进行了总结。通过对GAN在各方面的应用分析,对GAN的不足以及未来发展方向进行综述。     

生成对抗网络扩充样本用于高光谱图像分类

高光谱图像包含着丰富的地理位置信息和光谱信息,高光谱图像分类是遥感领域的一个基础而又重要的研究方向。然而,高光谱图像样本数量不足仍然是限制分类精度进一步提升的主要问题。生成对抗网络中生成器和判别器的不断地对抗学习,最终理想状态为,生成器生成的伪样本判别器无法判别,生成与真实样本非常相似的伪数据样本。文章通过生成对抗网络来依据原有的少量样本,生成新的伪样本,解决样本获取困难、样本数量不足的问题。实验在两个高光谱图像数据集上分别选取200个和400个样本点进行实验,在生成对抗网络中生成新的伪样本,进行分类训练。与SVM、3DCNN等分类方法在同样是样本不足的情况下比较下,分类整体的平均精度得到明显定提升,实验证明文中分类方法的分类表现优于相比的其他分类方法。     

多路径生成对抗网络的红外与可见光图像融合

生成对抗网络在红外与可见光图像融合领域受到广泛关注,但单路径进行融合容易丢失浅层信息、分支路特征提取 融合能力有限。提出一种基于多路径生成对抗网络的红外与可见光图像融合方法。在生成器端,利用源图像与导向滤波结 果构建3条输入路径提取更多源图像特征信息,以获得细节更丰富的融合图像;然后,卷积层加入掩码注意力机制模块,提升 显著信息的提取效率,引入密集连接和残差连接,在提升特征传递效率的同时可获取更多源图像重要特征信息。在鉴别器 端,采用双鉴别器估计红外与可见光图像的区域分布,避免单鉴别器网络丢失对比度信息的模态失衡问题。在 TNO 数据集 上进行了实验,实验结果表明,所提算法在5个客观评估指标上4项取得了最好结果,优于多数主流算法,在主观评估方面,所 提算法保留了更多的纹理细节信息,具有更好的视觉效果。     

基于FAMGAN的轮胎X光图像缺陷检测

针对气泡缺陷特征和图像背景像素差异较小、检测困难的问题,以Skip-GANomaly为基础框架,提出了融合注意力机制生成对抗网络(FAMGAN),首先,生成器中编码器和解码器之间的跳连层由注意力特征融合模块(AFF)和注意力机制模块(CBAM)构成,提高了对目标特征的关注、减少了图像特征丢失;然后,在判别器中加入联合上采样模块(JPU),提高了模型检测图像缺陷的速度。最后,将本文提出的FAMGAN网络与近几年经典的生成对抗网络在自制的轮胎缺陷数据集上进行训练、测试和评估。实验结果表明,本文提出的网络对轮胎气泡缺陷检测的精度达到0.837,相比于Skip-GANomaly网络提高了近30%。     

基于改进生成式对抗网络的电气数据升频重建方法

高频电气数据是提高电网态势感知准确度、监测水平和辅助服务质量等的数据基础之一,但是,传统重建算法难以实现高精度的数据重建。因此,文中利用改进生成式对抗网络将低频电气数据重建为高频。通过将时序数据转化为电气图像,实现神经网络方法对电气图像特征的高效提取。利用基于深层残差网络的生成器和改进的残差块结构,提高生成器的特征学习能力。此外,生成器损失函数考虑真实样本与生成样本在低维或高维特征的差别。以公开数据集为例进行算法验证,验证结果表明,相比于传统重建方法,所提方法具有更高的峰值信噪比、结构相似性和更低的平均绝对误差、平均绝对误差百分数,以及更高的高频细节还原度、重建精度,能够对不同数据集实现泛化。     

基于改进循环生成对抗网络实现红外图像生成

针对目前已有的可见光图像生成红外图像的算法不能感知图像的弱纹理区域而导致生成的图像细节信息不突出、图像质量低的问题，本文提出了一种适用于图像生成任务的改进循环生成对抗网络（CycleGAN）结构。首先，利用特征提取能力更强的残差网络构建CycleGAN的生成器网络结构，使图像特征可以充分被提取，解决图像因特征提取不充分导致图像质量低下的问题；其次，在生成器的网络结构中引入了通道注意力机制和空间注意力机制，利用注意力机制对图像感知能力较差的区域进行权重处理，解决图像纹理细节丢失的问题。在OSU数据集上，本文所提出的方法相较于CycleGAN方法在峰值信噪比(PSNR)以及结构相似性(SSIM)指标上分别提高了7.1%和10.9%，在Flir数据集上的PSNR和SSIM分别提高了4.0%和6.7%。经过多个数据集上的实验结果证明，本文改进的方法能够突出图像生成任务中的细节特征信息，并且能有效地提升图像生成的质量。     

量子粒子群算法在配电网重构中的改进和应用

针对传统算法容易早熟收敛、计算效率低下等缺点,文章提出一种改进量子粒子群算法,并将其应用于含分布式电源的配电网重构问题.文章综合考虑配电网的经济性和可靠性,以有功网损和电压稳定性指标作为目标函数建立配电网重构模型,并对传统算法在全局收敛性、收敛速度和编码策略等方面进行了改进.引入遗传算法中的锦标赛选择策略,扩大种群多样...     

基于多模型级联的轻量级缺陷检测算法

基于深度学习技术的缺陷检测算法往往因为网络参数较多而需要大量的图像样本去训练模型,但是在工业生产过程中缺陷产品数量极少,采集大量缺陷数据图像费时又费力。针对这一难题,本文提出了一种基于多模型级联的轻量级缺陷检测算法,它采用监督学习的训练方式,通过少量缺陷样本就可以获得较好的检测效果。首先,使用CBAM注意力残差模块代替常规卷积层进行特征提取,以聚焦缺陷特征,强化网络对缺陷的表征能力;其次,设计了SE-FPN模块,促进各级特征之间有效融合,提高网络对缺陷的分割效果,尤其是对小缺陷的分割效果;最后,在训练阶段,采用监督学习方式对本文所提的多模型算法网络进行训练。实验结果表明,本文所提算法在KolektorSDD数据集上的检测准确率高达99.28%,每张图像的平均检测时间仅需10.5ms,不但充分满足了工业检测行业高精度、实时性的要求,同时,还能实现对缺陷区域精准定位。因此,本文的研究内容非常适合应用在工业产品表面质量在线检测领域。     

基于Cycle-GAN的绝缘子图像生成方法

深度学习模型应用于输电线路绝缘子目标检测时,在训练样本方面存在公开样本集缺乏和优质样本不足的问题,为此提出一种基于循环一致性生成对抗网络(cycle-generative adversarial networks,Cycle-GAN)的绝缘子图像生成方法。首先分析绝缘子样本集,对绝缘子图像基于背景色彩特征进行风格域划分;之后在划分好的绝缘子风格域样本集基础上,采用Cycle-GAN生成绝缘子图像样本;最后,搭建分类网络验证生成图像用于扩充的有效性,并进一步探究了生成图像不同扩增比例对分类性能的影响。结果表明:绝缘子生成样本可一定程度上替代真实样本;生成图像不同扩充比例对网络性能影响不同,当扩充比例在40%~50%时,分类网络性能提升效果最佳。     

融合边缘检测的遥感图像超分辨率重建算法

针对基于生成对抗网络的遥感图像超分辨率重建存在训练不稳定,参数冗余,图片纹理细节不够清晰等问题。提出一种融合边缘检测的遥感图像超分辨率重建算法。首先,在生成器网络中引入改进后的Canny边缘检测算子用于低分辨率图像特征提取,通过在Canny算子边缘提取流程中利用双边滤波和3×3邻域梯度以检测图像的边缘信息,使网络能够更好的表达高频特征;其次,为降低网络参数和提高网络训练的稳定性,去除判别器网络中冗余的BN层,同时将Wasserstein距离定义为对抗损失以解决生成对抗网络训练出现的梯度消失现象。在NWPU RESISC45数据集上,所提方法的峰值信噪比与结构相似性较WDSR和CARN算法分别提升了1.22 dB、0.114和0.32 dB、0.013,且重建后的图像相比较WDSR、CARN等其他SR算法在图像纹理细节和主观视觉效果方面也均有提升。