一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法与流程

1.本发明涉及计算机视觉和深度学习等人工智能技术领域，尤其涉及一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法。


背景技术：

2.配电网具有分布广、设备多以及绝缘水平低的特点，因此经常会发生由于电压过大而导致绝缘事故出现的现象，尤其是在雷雨天气，绝缘事故发生的几率很大。随着环境不断劣化，雷击引起的输电线路污闪掉闸事故日益增多，不仅影响设备的正常运行，而且极大地影响了用电户的日常生产和生活。输电线路跳闸常常是由于雷击造成跳闸。据统计，在近几年的线路跳闸中，因雷击导致线路跳闸的约占40％～50％，占了相当大的一个比重。因此，配电线路管理过程中非常重视绝缘子雷击损坏的问题，采取各种方案进行泄露预防与紧急事故处理措施，做好线路的防雷工作，降低雷击跳闸率，迅速减少线路事故率，将绝缘子受到雷击后的影响降至最低。
3.在过去几年中，绝缘子雷击排查工作已经逐渐由人工智能cv图像算法识别技术取代，但是这种技术又特别依赖大量的图像数据集，因此过去通常由无人机在实验室环境中模拟数据进行数据采集以及通过人工ps的操作来获取目标数据集。
4.真实线路中绝缘子受到雷击损坏后会立即更换，因此在以往的无人机大范围的采集数据，然后进行人工筛选，挑选出雷击的数据集，这个过程需要消耗大量的人力物力，也许还不能够获取想要的数据。实验室环境下模拟由于专业性强，成本较高，且实验室模拟环境下的数据样本形式单一，不能完整模拟不同背景下的数据真实情况，造成样本背景较为单一。
5.因此更多的时候，只能通过ps等技术，后期在正常的绝缘子上渲染上雷击的痕迹来扩充数据。ps的技术难点在于这类软件需要较麻烦的学习过程，专业的绘图技能等，对数千绝缘子一一绘制雷击痕迹过程复杂，效率低下，雷击痕迹相似度高等缺点，使得其作为训练数据集效果也不明显。
6.在人工智能计算机视觉技术兴起之后，越来越多枯燥的人工操作被取代，解放了双手。计算机视觉技术是计算机模拟人类的视觉过程，具有感受环境的能力和人类视觉功能的技术。如何生成以假乱真的图像成为业界亟待解决的问题。


技术实现要素：

7.本发明提供了一种基于循环生成对抗网络的绝缘子雷击样本增广的方法，能够有效生成一批以假乱真的绝缘子雷击数据集，减少数据采集、清洗过程的人力、物力成本。
8.本发明提供的一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法包括：
9.从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像；
10.根据雷击分类规则将所述多个伞裙图像分为正常伞裙图像组和雷击伞裙图像组，
所述雷击伞裙图像组中的伞裙具有雷击痕迹；
11.根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行训练和测试。
12.可选的，
13.步骤所述从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像包括：
14.对所述多个绝缘子图像中的每个绝缘子图像中伞裙部分进行标记，得到多个具有标记的绝缘子图像；
15.根据所述标记的位置和尺寸个绝缘子图像中伞裙部分的图像，得到多个伞裙图像。
16.可选的，
17.步骤所述对所述多个绝缘子图像中的每个绝缘子图像中伞裙部分进行标记，得到多个具有标记的绝缘子图像包括：
18.使用标记框圈选所述伞裙部分，所述标记框的信息包含名称、用xmin作为标记框左上角x坐标、ymin作为标记框左上角y坐标、xmax作为标记框右下角x坐标、ymax作为标记框右下角y坐标。
19.可选的，
20.步骤所述根据雷击分类规则将所述多个伞裙图像分为正常伞裙图像组和雷击伞裙图像组包括：
21.将正常伞裙图像数据和雷击伞裙图像数据按照1：1的比例分别保存在两个文件夹中；
22.每个图像数据以cyclegan数据格式保存成txt文件。
23.可选的，
24.步骤所述从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像之前还包括过滤不含有绝缘子的图像。
25.可选的，
26.步骤所述根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行训练和测试包括：
27.搭建具有第一生成器网络、第二生成器网络和第一判别器网络和第二判别器网络的对偶结构的循环生成对抗网络；
28.利用卷积神经网络分别将正常伞裙图像组中的图像编码为预定尺寸的特征向量，得到包含多个特征向量的第一域，将雷击伞裙图像组中的图像编码为预定尺寸的特征向量，得到包含多个特征向量的第二域；
29.将第一域的特征向量通过第一生成器生成第二域的特征向量，再通过第二生成器重构回正常伞裙图像组的输入图像；
30.第一判别器用于对第一域的特征向量进行判别，第二判别器用于对第二域的特征向量进行判别。
31.可选的，
32.所述重构为使用反卷积层完成从特征向量还原与输入图像尺寸相同的图像。
33.可选的，
34.所述判别器网络还用于判断图片覆盖的预定尺寸的补丁是否来自于原图。
35.可选的，
36.步骤所述根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行训练包括：
37.构建生成器的重建损失函数、判别器的判别损失函数和均方误差损失函数；
38.所述重建损失函数记作l(g_ab，g_ba，a，b)＝e_(a～a)[||g_ab(g_ab(a))-||_1]；
[0039]
所述判别损失函数记作l_gan(g，g_y，x，y)＝e_(y～pdata(y))[log(d_y(y))]+e_(x～pdata(x))[log(1-d_y(g(x)))]；
[0040]
所述均方误差损失函数记作l_lsgan(g，g_y，x，y)＝e_(y～pdata(y))[(d_y(y)-1)2]+e_(x～pdata(x))[d_y(g(x))2]。
[0041]
可选的，
[0042]
步骤所述根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行测试的评价指标为inception score(is)，所述inception score记作is(g)＝exp(e_(x～pg)d_kl(p(y|x)||p(y)))，
[0043]
其中x～pg表示从生成器中生图片；
[0044]
p(y|x)表示把生成的图片x输入到inception v3，得到一个1000维的向量y；
[0045]
p(y)为n个生成的图片，每个生成图片都输入到inception v3中，各自得到一个自己的概率分布向量，再求所述概率分布向量的均值，得到生成器生成的图片全体在所有类别上的边缘分布。
[0046]
本技术相对于现有技术具备如下有益效果：
[0047]
首先从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像；再根据雷击分类规则将所述多个伞裙图像分为正常伞裙图像组和雷击伞裙图像组，所述雷击伞裙图像组中的伞裙具有雷击痕迹；最后根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行训练和测试。由于从原始图像中裁剪出绝缘子伞裙图像作为训练集，以此来减少背景干扰进而生成一批以假乱真的图像，解决了人工采集和标记的成本问题。能够保证深度学习模型的泛化性和通用性。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0048]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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。
[0049]
图1为本发明的基于循环生成对抗网络的绝缘子雷击图像样本增广方法第一实施例流程图；
[0050]
图2为本发明的基于循环生成对抗网络的绝缘子雷击图像样本增广方法第二实施例流程图；
[0051]
图3为本发明的基于循环生成对抗网络的绝缘子雷击图像样本增广方法第三实施例流程图；
[0052]
图4为本发明的循环生成对抗网络的一个原理结构示意图；
[0053]
图5为本发明的循环生成对抗网络的另一个原理结构示意图；
[0054]
图6为本发明的循环生成对抗网络的另一个原理结构示意图。
具体实施方式
[0055]
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
[0056]
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0057]
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0058]
下文中出现的术语包括如下解释：
[0059]
绝缘子是一种工业产品，用于高压和超高压交、直流输电线路中绝缘和悬挂导线用。绝缘子是输电线路的重要组成部分，是唯一的电气绝缘件和重要的结构支撑件，绝缘子性能及其配置的合理性直接影响线路的安全稳定运行。目前输电线路采用的绝缘子主要分两大类：一类为应用于耐张串的盘型悬式玻璃绝缘子，另一类为应用于悬垂串和跳线串的棒型悬式复合绝缘子。在长期的运行中，两种类型绝缘子表现出不同的运行性能及特点。
[0060]
生成对抗网络模型，包括生成器和判别器，其中生成器generator，简称g，判别器discriminator简称d。预设两个数据域分别为x，y。在数据域x中保存一组图像，在数据域y中保存另外一组图像。生成器用于训练一种映射g:x
→
y使得输出x∈x，判别器用于将和y区分开，生成对抗网络模型的目的是得到优选的使得判别器无法区分和y。
[0061]
具体的生成器g是一个生成图像的网络，它接收一个随机的噪声z，通过这个噪声z生成图像，记做g(z)。判别器d是一个判别网络，判别一张图像是不是“真实的”。它的输入参数是x，x代表一张图像，输出d(x)代表图像x为真实图像的概率。如果d(x)为1，就代表100％是真实图像，而d(x)为0，就代表不可能是真实图像。在训练过程中，生成器g的目标就是尽量生成真实图像去欺骗判别器d。而判别器d的目标就是尽量把生成器g生成的图像和真实图像分别开来。这样，生成器g和判别器d构成了一个动态的“博弈过程”。在最理想的状态下，生成器g可以生成足以“以假乱真”的图像g(z)。对于判别器d来说，它难以判定生成器g生成的图像究竟是不是真实的，因此d(g(z))＝0.5。这样，得到了一个生成器的模型g，它可以用来生成图像。gan的损失函数如下：其中，gan的损失函数由两项构成。x表示真实图像，z表示输入生成器g的噪声，而g(z)表示生成器g生成的图像。d(x)表示判别器d判断真实图像
是否真实的概率。因为x就是真实的，所以对于d来说，这个值越接近1越好。而d(g(z))是判别器d判断生成器g生成的图像的是否真实的概率。
[0062]
请参阅图1，本发明提供的一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法第一实施例包括：
[0063]
101、从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像；
[0064]
在本实施例中，通过预安装监控或者无人机来采集图像数据。通过色阶采样获取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像。
[0065]
需要说明的是图像数据以voc数据格式保存成xml文件，里面包含类别信息、以及位置信息，后续再将voc数据格式转换成cyclegan训练数据格式，作为数据集。
[0066]
102、根据雷击分类规则将所述多个伞裙图像分为正常伞裙图像组和雷击伞裙图像组，所述雷击伞裙图像组中的伞裙具有雷击痕迹。
[0067]
本实施例中采用标记框进行标记，标记信息包含名称、用xmin作为标记框左上角x坐标、ymin作为标记框左上角y坐标、xmax作为标记框右下角x坐标、ymax作为标记框右下角y坐标。具体标记规则在此不做具体限定。
[0068]
在本实施例中，正常伞裙图像组和雷击伞裙图像组数据按照1：1筛选出来。将绝缘子伞裙雷击和正常分别划分到两个文件夹a和b中，其中80％用于作为训练集、20％用于作为测试集。
[0069]
103、根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行训练和测试。
[0070]
本实施例中循环生成对抗网络cycle-gan不同于传统的生成对抗网络gan，其输入图像可以是任意的两张图像，让两个定义域的图像互相转化。这里，可以将正常伞裙图像和雷击伞裙图像看成两个定义域的输入，通过cycle-gan，正常伞裙图像可以转化到雷击伞裙图像的域，解决了真实图像和生成图像的定义域差异，并实现了图像的风格迁移。通常，cycle-gan是一个环形的结构，主要由两个生成器及两个判别器组成。cycle-gan包括生成器g、生成器f、判别器dx和判别器dy。x域的输入图像x通过生成器g生成y域的图像，再通过生成器f重构回x域的输入图像y域的输入图像y，通过生成器f生成x域的图像再通过生成器g重构回y域的输入图像。判别器dx用于对x域的图像进行判别，判别器dy用于对y域的图像进行判别。从而确保图像的风格迁移。在风格转换的同时，又要确保图像中的物体的几何形状和空间关系不发生变化。其中，cycle-gan的损失函数是循环一致损失函数(cycle-consistency loss)。
[0071]
本实施例中，首先从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像；再根据雷击分类规则将所述多个伞裙图像分为正常伞裙图像组和雷击伞裙图像组，所述雷击伞裙图像组中的伞裙具有雷击痕迹；最后根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行训练和测试。由于从原始图像中裁剪出绝缘子伞裙图像作为训练集，以此来减少背景干扰进而生成一批以假乱真的图像，解决了人工采集和标记的成本问题。能够保证深度学习模型的泛化性和通用性。
[0072]
上面对本发明提供的一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法的第一实施例进行了说明，下面介绍第二实施例，请参阅图2，本发明提供的一种基于循
环生成对抗网络的绝缘子雷击图像样本增广方法第二实施例与第一实施例区别在于：
[0073]
步骤所述从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像之前还包括过滤不含有绝缘子的图像。
[0074]
本实施例一种可以实现的方法包括如下步骤：
[0075]
201、从预先获取的多图像中滤不含有绝缘子的图像；
[0076]
在本实施例中，首先需要对数据集进行处理，清洗不包含目标的数据、噪声较大的数据，这里的目标数据定义为具有缘子特征的数据。
[0077]
202、从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像；
[0078]
203、根据雷击分类规则将所述多个伞裙图像分为正常伞裙图像组和雷击伞裙图像组，所述雷击伞裙图像组中的伞裙具有雷击痕迹；
[0079]
204、根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行训练和测试。
[0080]
步骤202-204与第一实施例中的步骤101-103相近，在此不做赘述。
[0081]
本实施例中，由于预先对数据集进行了清洗，仅保留含有绝缘子的图像，从而为后续图像数据处理进一步提高精确度。进一步减少噪声干扰，进而生成一批以假乱真的图像，解决了人工采集和标记的成本问题。能够保证深度学习模型的泛化性和通用性。
[0082]
上面对本发明提供的一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法的第二实施例进行了说明，下面介绍第三实施例，请参阅图3，本发明提供的一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法第三实施例与前述实施例区别在于：
[0083]
步骤所述根据预设循环生成对抗网络对所述正常伞裙图像组和雷击伞裙图像组进行训练包括：
[0084]
搭建具有第一生成器网络、第二生成器网络和第一判别器网络和第二判别器网络的对偶结构的循环生成对抗网络；
[0085]
利用卷积神经网络分别将正常伞裙图像组中的图像编码为预定尺寸的特征向量，得到包含多个特征向量的第一域，将雷击伞裙图像组中的图像编码为预定尺寸的特征向量，得到包含多个特征向量的第二域；
[0086]
将第一域的特征向量通过第一生成器生成第二域的特征向量，再通过第二生成器重构回正常伞裙图像组的输入图像；
[0087]
构建生成器的重建损失函数、判别器的判别损失函数和均方误差损失函数。
[0088]
本实施例一种可以实现的方法包括如下步骤：
[0089]
301、从预先获取的多个绝缘子图像中提取每个绝缘子图像中伞裙部分的图像，得到多个伞裙图像；
[0090]
302、根据雷击分类规则将所述多个伞裙图像分为正常伞裙图像组和雷击伞裙图像组，所述雷击伞裙图像组中的伞裙具有雷击痕迹；
[0091]
步骤301-步骤302与步骤101-102相近，不做赘述。
[0092]
303、搭建具有第一生成器网络、第二生成器网络和第一判别器网络和第二判别器网络的对偶结构的循环生成对抗网络.
[0093]
本实施例中生成器由编码器、转换器和解码器构成，首先对图像进行编码，利用卷
积神经网络从输入图象中提取特征，生成器g和生成器f采用的都是首先使用步长大于1的卷积降低特征图的长度和宽度，将图像压缩成256个64*64的特征向量。
[0094]
然后通过组合图像的不相近特征，将图像在da域中的特征向量转换为db域中的特征向量。然后使用残差连接，使用了6层reset模块，每个reset模块是一个由两个卷积层构成的神经网络层，能够达到在转换时同时保留原始图像特征的目标。最后使用反卷积层完成从特征向量中还原出低级特征的工作，最后得到生成和输入图像尺寸相同的图像。
[0095]
网络整体上经过一个降采样然后上采样的过程，中间是一系列残差块，数目由实际情况确定，当输入分辨率为128x128，采用6个残差块，当输入分辨率为256x256甚至更高时，采用9个残差块。
[0096]
在本实施例中，上述机器学习模型可以为现有技术或未来发展技术中的概率模型、分类模型或者其他分类器等，例如，机器学习模型可以包括以下任意一项：决策树模型(xgboost)、逻辑回归模型(lr)、深度神经网络模型(dnn)、梯度提升决策树模型(gradient boosting decision tree，gbdt)。
[0097]
本实施例中判别器经过5层卷积，通道数缩减为1，最后池化平均，尺寸也缩减为1x1，最最后reshape一下，变为(batchsize，1)。判别器将一张图像作为输入，并尝试预测其为原始图像或是生成器的输出图像。判别器本身属于卷积网络，需要从图像中提取特征，再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别。
[0098]
为了让模型的训练过程更加稳定，对adversarial loss(对抗损失)进行了改进。用最小二乘损失代替了负对数似然目标。使损失在训练中表现得更稳定，产生更高质量的结果。
[0099]
304、利用卷积神经网络分别将正常伞裙图像组中的图像编码为预定尺寸的特征向量，得到包含多个特征向量的第一域，将雷击伞裙图像组中的图像编码为预定尺寸的特征向量，得到包含多个特征向量的第二域；
[0100]
305、将第一域的特征向量通过第一生成器生成第二域的特征向量，再通过第二生成器重构回正常伞裙图像组的输入图像。
[0101]
在本实施例中，搭建两个生成器网络g和f，搭建两个判别器网络dx和dy。构成循环生成对抗网络是一个对偶结构。这个网络包含两个步长为2的卷积层，几个残差模块，两个步长为1/2的转置卷积层。我们使用了6个模块去处理128x128的图片，以及9个模块去处理256x256的高分辨率训练图片。我们对每个实例使用了正则化。我们使用了70x70的patchgans作为我的判别器网络，这个网络用来判断图片覆盖的70x70补丁是否来自于原图。比起全图的判别器，这样的补丁层级的判别器有更少的参数，并且可以以完全卷积的方式处理任意尺寸的图像。通过训练创建这个映射来确保输入图像和生成图像间存在有意义的关联，即输入输出共享一些特征。从域da获取输入图像，该输入图像被传递到第一个生成器generatora
→
b，其任务是将来自域da的给定图像转换到目标域db中的图像。然后这个新生成的图像被传递到另一个生成器generatorb
→
a，其任务是在原始域da转换回图像cyclea。这个输出图像必须与原始输入图像相似，用来定义非配对数据集中原来不存在的有意义映射。
[0102]
306、构建生成器的重建损失函数、判别器的判别损失函数和均方误差损失函数。
[0103]
请结合图4-图6，本实施例中训练这个单向gan，使用两个loss：生成器的重建loss
和判别器的判别loss。
[0104]
1.重建loss：希望生成的图片gba(gab(a))与原图a尽可能的相似。
[0105]
l(g_ab，g_ba，a，b)＝e_(a～a)[||g_ab(g_ab(a))-||_1]
[0106]
2.判别loss：生成的假图片和原始真图片都会输入到判别器中。公式为0，1二分类的损失函数l_gan(g，g_y，x，y)＝e_(y～pdata(y))[log(d_y(y))]+e_(x～pdata(x))[log(1-d_y(g(x)))]
[0107]
创建两个镜像对称的gan，构成一个环形网络。通过转换输入样本，从两个数据源转换数据。
[0108]
两个gan共享两个生成器，并各自带一个判别器，即共有两个判别器和两个生成器。一个单向gan两个loss，两个即共四个loss。使用均方误差损失表示：
[0109]
l_lsgan(g，g_y，x，y)＝e_(y～pdata(y))[(d_y(y)-1)2]
[0110]
+e_(x～pdata(x))[d_y(g(x))2]
[0111]
定义四个xx器的损失函数，分别优化训练g和d，两个生成器共享权重，两个判别器也共享权重训练，计算每个生成图像的损失是不可能的，因为会耗费大量的计算资源。建立一个图像库，存储之前生成的50张图，而不只是最新的生成器生成的图。
[0112]
lr＝0.0002。对于前100个周期，保持相同的学习速率0.0002，然后在接下来的100个周期内线性衰减到0。
[0113]
将绝缘子伞裙雷击和正常分别划分到两个文件夹a和b中，然后从原始图像中裁剪出绝缘子伞裙图像作为训练集，以此来减少背景干扰，然后对模型进行迭代训练，观察训练损失loss的变化，loss值不断下降趋于稳定的时候，loss值下降到5以下时，停止训练。
[0114]
测试阶段，我们同理先在原始图中裁剪出绝缘子本体图像，然后记录裁剪大小、位置信息。然后我们将本体数据输入到算法模型，生成了一批绝缘子正常-》雷击的数据，然后再根据开始记录的绝缘子在原图中的大小、位置信息来复原图像，将新生成的绝缘子替换正常伞裙。
[0115]
正常-》雷击的任务中，一个评价指标inception score(is)，inception score的完整公式如下：
[0116]
is(g)＝exp(e_(x～pg)d_kl(p(y|x)||p(y)))
[0117]
x～pg：表示从生成器中生图片。
[0118]
p(y|x)：把生成的图片x输入到inception v3，得到一个1000维的向量y，也就是该图片属于各个类别的概率分布。根据之前的假设，对于清晰的生成图片，这个向量的某个维度值格外大，而其余的维度值格外小(也就是概率密度图十分尖)。
[0119]
p(y)：n个生成的图片，每个生成图片都输入到inception v3中，各自得到一个自己的概率分布向量，把这些向量求一个平均，得到生成器生成的图片全体在所有类别上的边缘分布。
[0120]
gan网络利用正常的绝缘子，一一对应生成了一批新的带雷击的绝缘子数据，并且保证了绝缘子总体形态没有改变，但是背景环境可能有小幅度改变。暗光环境下的绝缘子，经过gan网络算法生成出的新雷击绝缘子，图像亮度发生了变化。由于的训练数据集大多都是光线明亮的绝缘子图像数据。其他生成的数据中，图像背景的亮度也会伴随着轻微改变。对于后期缺陷识别来说，亮度的变化，不影响作为后期的缺陷数据集。
[0121]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0122]
用于实施本技术的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0123]
在本技术的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0124]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0125]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0126]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
[0127]
人工智能是研究计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包
括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语音处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0128]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本技术公开的技术方案所期望的结果，本文在此不进行限制。
[0129]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。