生成缺陷图像样本的方法、装置、介质及程序产品

技术领域

本申请涉及计算机技术领域，具体涉及计算机视觉和深度学习等人工智能技术领域，尤其涉及一种生成缺陷图像样本的方法、装置、介质及程序产品。

背景技术

在高压输电线路中，绝缘子器件用于将导线固定在电杆并使导线与电杆等器件绝缘。绝缘子由于其诸多优点，例如，玻璃绝缘子和瓷瓶式绝缘子，以玻璃绝缘子为例，在当前的线路绝缘子用量中占据1/3左右。然而，一旦玻璃绝缘子器件中压应力和张应力的平衡被破坏，在应力作用下玻璃绝缘子器件会迅速产生裂纹，进而造成玻璃件粉碎，也即自爆。玻璃绝缘子自爆、断串一旦发生都将严重影响线路安全。因此，加强玻璃绝缘子巡视检查，在恶劣天气如雷击后应及时对输电线路进行特定巡检。

在巡检输电线路过程中，由于玻璃绝缘子自爆仍然属于小概率事件。所以，通过人工巡检方式和无人机巡检方式获取的图像数据存在一个共同的问题就是玻璃绝缘子样本数据非常少。

目前，通过基于几何变换的扩增方法和数据合成的扩增方法，为深度学习模型的缺陷检测提供大量的缺陷样本作为训练数据。

发明内容

本申请实施例提出了一种生成缺陷图像样本的方法、装置、介质及程序产品。

第一方面，本申请实施例提出了一种生成缺陷图像样本的方法，包括：获取目标图像，以及目标图像中绝缘子的缺陷部分对应的位置标签；确定目标图像中的图像块与预设的图块库中的图像块之间的匹配度，其中，图块库由获取的第一缺陷图像样本中的图像块所构建；根据匹配度和预设的匹配度阈值，构建掩模矩阵；根据掩模矩阵和位置标签，确定目标图像中的绝缘子图像对应的无背景图像；根据绝缘子图像对应的无背景图像和预设的正常图像样本，生成第二缺陷图像样本。

第二方面，本申请实施例提出了一种生成缺陷图像样本的装置，包括：图像获取模块，被配置成获取目标图像，以及目标图像中绝缘子的缺陷部分对应的位置标签；第一确定模块，被配置成确定目标图像中的图像块与预设的图块库中的图像块之间的匹配度，其中，图块库由获取的第一缺陷图像样本中的图像块所构建；矩阵构建模块，被配置成根据匹配度和预设的匹配度阈值，构建掩模矩阵；第二确定模块，被配置成根据掩模矩阵和位置标签，确定目标图像中的绝缘子图像对应的无背景图像；样本生成模块，被配置成根据绝缘子图像对应的无背景图像和预设的正常图像样本，生成第二缺陷图像样本。

第三方面，本申请实施例提出了一种用于确定缺陷部分的模型的方法，包括：获取第二缺陷图像样本和第二缺陷图像样本中绝缘子的缺陷部分对应的位置标签；利用第二缺陷图像样本和位置标签进行训练，得到用于确定缺陷部分的模型。

第四方面，本申请实施例提出了一种用于确定缺陷部分的模型的装置，包括：样本获取模块，被配置成获取第二缺陷图像样本和第二缺陷图像样本中绝缘子的缺陷部分对应的位置标签；模型训练模块，被配置成利用第二缺陷图像样本和位置标签进行训练，得到用于确定缺陷部分的模型。

第五方面，本申请实施例提出了一种用于预测缺陷部分对应的位置标签的方法，包括：获取待预测图像；将待预测图像输入预先训练的用于确定缺陷部分的模型中，得到待预测图像中绝缘子的缺陷部分对应的位置标签。

第六方面，本申请实施例提出了一种用于预测缺陷部分对应的位置标签的装置，包括：图像获取模块，被配置成获取待预测图像；标签预测模块，被配置成将待预测图像输入预先训练的用于确定缺陷部分的模型中，得到待预测图像中绝缘子的缺陷部分对应的位置标签。

第七方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面、第三方面或第五方面描述的方法。

第八方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面、第三方面或第五方面描述的方法。

第九方面，本申请实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面、第三方面或第五方面描述的方法。

本申请实施例提供的生成缺陷图像样本的方法、装置、介质及程序产品，先获取目标图像，以及所述目标图像中绝缘子的缺陷部分对应的位置标签；之后，确定所述目标图像中的图像块与预设的图块库中的图像块之间的匹配度，其中，所述图块库由获取的第一缺陷图像样本中的图像块所构建；之后，根据所述匹配度和预设的匹配度阈值，构建掩模矩阵；之后，根据所述掩模矩阵和所述位置标签，确定所述目标图像中的绝缘子图像对应的无背景图像；之后，根据所述绝缘子图像对应的无背景图像和预设的正常图像样本，生成第二缺陷图像样本；通过在现有标注的少样本缺陷数据中，自动提取绝缘子信息，与相关技术相比，去除了背景对绝缘子的干扰，能够生成大量逼真的新样本。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的生成缺陷图像样本的方法的一个实施例的流程图；

图3为生成第二缺陷图像样本的示意图；

图4是生成对抗网络的示意图；

图5是根据本申请的用于确定缺陷部分的模型的方法的一个实施例的流程图；

图6是根据本申请的用于预测缺陷部分对应的位置标签的方法的一个实施例的流程图；

图7是根据本申请的生成缺陷图像样本的装置的一个实施例的结构示意图；

图8是根据本申请的用于确定缺陷部分的模型的装置的一个实施例的结构示意图；

图9是根据本申请的用于预测缺陷部分对应的位置标签的装置的一个实施例的结构示意图；

图10是用来实现本申请实施例的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的生成缺陷图像样本的方法和装置、用于确定缺陷部分的模型的方法和装置，或用于预测缺陷部分对应的位置标签的方法和装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103、服务器105任意两个之间提供通信链路的介质。网络104可以包括各种连接类别，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如各种客户端应用、多方交互应用、人工智能应用、图像处理应用等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

在实践中，本申请实施例所提供的生成缺陷图像样本的方法、用于确定缺陷部分的模型的方法，或用于预测缺陷部分对应的位置标签的方法可以由终端设备101、102、103或服务器105执行，生成缺陷图像样本的装置、用于确定缺陷部分的模型的装置，或用于预测缺陷部分对应的位置标签的装置也可以设置于终端设备101、102、103或服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的生成缺陷图像样本的方法的一个实施例的流程200。该生成缺陷图像样本的方法可以包括以下步骤：

步骤201，获取目标图像，以及目标图像中绝缘子的缺陷部分对应的位置标签。

在本实施例中，生成缺陷图像样本的方法的执行主体(例如图1所示的终端设备101、102、103)从本地获取目标图像，以及目标图像中绝缘子的缺陷部分对应的位置标签；或，生成缺陷图像样本的方法的执行主体(例如图1所示的服务器105)从终端设备(例如图1所示的终端设备101、102、103)获取目标图像，以及目标图像中绝缘子的缺陷部分对应的位置标签。上述目标图像可以包括绝缘子和缺陷部分的图像，其中，绝缘子可以为玻璃绝缘子或瓷瓶式绝缘子，缺陷部分可以为绝缘子中自爆、断串的部分。上述缺陷部分对应的位置标签可以用于标注缺陷部分在目标图像上的位置。

步骤202，确定目标图像中的图像块与预设的图块库中的图像块之间的匹配度。

在本实施例中，上述执行主体可以分别计算目标图像中的每个图像块与预设的图块库中的每个图像块之间的匹配度。

在一个具体的示例中，以目标图像包括第一图像块和第二图像块为示例，分别计算目标图像中的每个图像块与预设的图块库中的每个图像块之间的匹配度可以包括：

确定目标图像中的第一图像块与图块库中的每个图像块之间的第一匹配度，以及确定目标图像中的第二图像块与图块库中的每个图像块之间的第二匹配度。

需要说明的是，在图块库中的图像块的数量为多个时，第一匹配度和第二匹配度的数量也为多个，每一个第一匹配度与图块库中对应的图像块和第一图像块对应，每一个第二匹配度与图块库中对应的图像块和第二图像块对应。

在本实施例中，目标图像中的图像块可以与图块库中的图像块等大小。

在这里，图块库可以根据获取的第一缺陷图像样本中的图像块所构建。上述图块库可以包括第一缺陷图像样本中的所有图像块。第一缺陷图像样本可以为包括绝缘子和缺陷部分的图像。目标图像可以为第一缺陷图像样本。也即，目标图像可以为旧样本中的任意样本。

在一个具体的示例中，将目标图像进行分成等大小的图像块(例如，与图块库中图像块的大小一样)，通过线性遍历的方式，将目标图像中的图像块与图像库中的图像进行模版匹配；其中，匹配方式可以如下：

R(x，y)＝∑(T(x’，y’)-I(x+x’，y+y’))

其中，T为图像库，I为目标图像。R(x，y)为匹配结果，x和y为目标图像的尺寸，x’和y’为图像块的尺寸。

需要说明的是，第一缺陷图像样本中的“第一”并不是用于限定缺陷图像样本的数量为一个，也不是用于限定缺陷图像样本的为的顺序为第一，而是用于与第二缺陷图像样本区分。

步骤203，根据匹配度和预设的匹配度阈值，构建掩模矩阵。

在本实施例中，上述执行主体可以根据匹配度和预设的匹配度阈值，确定匹配结果；之后，根据匹配结果，构建掩模矩阵。

在一个具体的示例中，以目标图像包括第一图像块和第二图像块为示例。根据匹配度和预设的匹配度阈值，确定匹配结果可以包括：

根据第一图像块与图块库中的每个图像块的第一匹配度，以及预设的匹配度阈值，确定与图块库中每个图像块、第一图像块对应的匹配结果；以及根据第二图像块与图块库中的每个图像块的第二匹配度，以及预设的匹配度阈值，确定与图块库中每个图像块、第二图像块对应的匹配结果；之后，在与图块库中每个图像块、第一图像块对应的匹配结果中存在匹配结果为匹配度不满足预设的匹配度阈值时，将掩模矩阵中的值设置为与匹配结果对应的值，将掩模矩阵中的值设置为与匹配结果对应的值。上述掩模矩阵可以用来弱化目标图像中部分区域的信息；例如，弱化目标图像的背景。上述预设的匹配度阈值可以根据图像与背景分割的清晰度所确定。

需要说明的是，可以建立与目标图像等大小的掩模矩阵M。

步骤204，根据掩模矩阵和位置标签，确定目标图像中的绝缘子图像对应的无背景图像。

在本实施例中，上述执行主体可以根据掩模矩阵先弱化目标图像中的背景，得到无背景的目标图像；之后，根据无背景的目标图像和位置标签，得到目标图像中的绝缘子图像对应的无背景图像。无背景图像可以指没有背景的图像。

步骤205，根据绝缘子图像对应的无背景图像和预设的正常图像样本，生成第二缺陷图像样本。

在本实施例中，上述执行主体可以根据绝缘子图像对应的无背景图像和预设的正常图像样本，得到第二缺陷图像样本。

在一个具体的示例中，可以将绝缘子图像对应的无背景图像(例如，图像分割)进行旋转、缩放，融合叠加到正常(即，正常图像样本)样本上，以生成第二缺陷图像样本(如图3所示的缺陷生成)。图像分割是指将绝缘子从背景中分割出来。

需要说明的是，生成缺陷图像样本的方法可以应用在智能云和电网巡检场景下。

本申请实施例提供的生成缺陷图像样本的方法，先获取目标图像，以及所述目标图像中绝缘子的缺陷部分对应的位置标签；之后，确定所述目标图像中的图像块与预设的图块库中的图像块之间的匹配度，其中，所述图块库由获取的第一缺陷图像样本中的图像块所构建；之后，根据所述匹配度和预设的匹配度阈值，构建掩模矩阵；之后，根据所述掩模矩阵和所述位置标签，确定所述目标图像中的绝缘子图像对应的无背景图像；之后，根据所述绝缘子图像对应的无背景图像和预设的正常图像样本，生成第二缺陷图像样本；通过在现有标注的少样本缺陷数据中，自动提取绝缘子信息，与相关技术相比，去除了背景对绝缘子的干扰，能够生成大量逼真的新样本。

在本实施例的一些可选的实现方式中，步骤203所述的根据匹配度和预设的匹配度阈值，构建掩模矩阵，可以包括：将匹配度和预设的匹配度阈值进行比较，确定匹配结果；根据匹配结果，构建掩模矩阵。

在本实现方式中，先将匹配度和预设的匹配度阈值进行比较，确定匹配结果；之后，将掩模矩阵中的值设置为与匹配结果对应的值。

在一个具体的示例中，将匹配度和预设的匹配度阈值进行比较，在匹配度满足预设的匹配度阈值时(例如，匹配度大于或等于预设的匹配度阈值)，确定第一匹配结果；在匹配度不满足预设的匹配度阈值时(例如，匹配度小于预设的匹配度阈值)，确定第二匹配结果；之后，将掩模矩阵中的值设置为与第一匹配结果或第二匹配结果对应的值。

需要说明的是，第一匹配结果中的“第一”和第二匹配结果中的“第二”，只是用于区分第一匹配结果和第二匹配结果，并不是用于限定顺序，以及数量。

在本实现方式中，可以先将匹配度和预设的匹配度阈值进行比较，以确定匹配结果；之后，根据匹配结果，实现对掩模矩阵的构建。

在本实施例的一些可选的实现方式中，根据匹配结果，构建掩模矩阵，可以包括：将掩模矩阵中的值设置为与匹配结果对应的值。

在本实现方式中，掩模矩阵可以为包括至少两个值所组成的矩阵。

在本实现方式中，可以通过将掩模矩阵中的值设置为与匹配结果对应的值的方式实现对掩模矩阵的构建。

在本实施例的一些可选的实现方式中，若目标图像中的图像块包括第一图像块和第二图像块；匹配度包括：第一图像块与图块库中的图像块之间的第一匹配度，以及第二图像块与图块库中的图像块之间的第二匹配度。

将掩模矩阵中的值设置为与匹配结果对应的值可以包括：响应于第一匹配结果为第一匹配度不满足预设的匹配度阈值的结果，将掩模矩阵中的第一值设置为与第一匹配结果对应的值；响应于第二匹配结果为第二匹配度满足预设的匹配度阈值，将掩模矩阵中的第二值设置为与第二匹配结果对应的值。

在一个具体的示例中，以掩模矩阵包括第一值和第二值为示例；在第一匹配结果为第一匹配度满足预设的匹配度阈值时，将掩模矩阵中的第一值设置为与第一匹配结果对应的数值，例如，第一匹配结果为1(即，第一匹配度满足预设的匹配度阈值)，将掩模矩阵中的第一值设置为1；在第二匹配结果为第二匹配度不满足预设的匹配度阈值时，将掩模矩阵中的第二值设置为与第二匹配结果对应的数值，例如，第二匹配结果为0(即，第二匹配度不满足预设的匹配度阈值)，将掩模矩阵中的第二值设置为0。

需要说明的是，上述还可以是第一匹配结果为第一匹配度不满足预设的匹配度阈值，第二匹配结果为第二匹配度满足预设的匹配度阈值；另外，第一匹配结果和第二匹配结果用于区分两种不同的结果，并不用限定匹配结果的数量和顺序。掩模矩阵中不仅限于只包括第一值和第二值，以上只是一个示例。第一图像块和第二图像块为目标图像中的示例图像块，目标图像包括但不限于第一图像块和第二图像块。

在本实现方式中，可以通过将掩模矩阵中的值设置为与匹配结果对应的值的方式实现对掩模矩阵的构建。

在本实施例的一些可选的实现方式中，步骤204所述的根据掩模矩阵和位置标签，确定目标图像中的绝缘子图像对应的无背景图像，包括：根据掩模矩阵和目标图像，确定目标图像对应的无背景图像；根据目标图像对应的无背景图像和位置标签，确定分割后的绝缘子图像对应的无背景图像。

在一个具体的示例中，通过掩膜矩阵和目标图像进行交集运算，得到不带背景的干净的目标图像。之后，根据标注的绝缘子的相对位置可以得到分割好的绝缘子的图像。

在本实现方式中，基于掩模矩阵和位置标签，可以实现对目标图像中绝缘子图像对应的无背景图像的确定。

在本实施例的一些可选的实现方式中，将目标图像和第二缺陷图像样本输入预先训练的生成对抗网络中，将目标图像的风格迁移至第二缺陷图像样本，得到风格迁移后的缺陷图像样本。

在一个具体的示例中，在图4(a)～(c)中，将生产的样本Q(即，第二缺陷图像样本)与目标图像同时送入生成对抗网络Cycle GAN中，Cycle GAN能够将信息从一种表示形式转换为另一种表示形式。Cycle Gan是一个神经网络，可以学习两个域之间的两个数据转换函数。其中之一是G(x)。它将给定样本x∈X转换为域Y的元素。第二个是F(y)，它将样本元素y∈Y转换为域X的元素。其中，Cycle-GAN的损失函数是循环一致损失函数(cycle-consistency loss)。

G：X—>Y

F：Y—>X

在本实现方式中，利用生成对抗网络可以实现目标图像的风格的迁移，以得到具有目标图像风格的缺陷图像样本。

在本实施例的一些可选的实现方式中，生成对抗网络包括学习周期一致的变换函数F和G。

在本实现方式中，Cycle GAN学习周期一致的变换函数F和G。在给定输入x的情况下，前后变换F(G(x))＝x’准确地输出原始输入x。周期一致性减少了这些网络可以学习的映射的可能集合，并迫使F和G进行相反的转换。学习的函数F通过修改绝缘子图像对应的无背景图像将其转换为具有目标图像的风格的图像，而G通过修改第二缺陷图像样本将其转换为具有目标图像的风格的图像。

在本实现方式中，通过Cycle GAN，将第二缺陷图像样本生成具有目标图像的风格的图像，从而解决了数据合成第二缺陷图像样本中绝缘子边缘与背景明显，导致绝缘子风格与背景风格不一致的问题。

在本实施例的一些可选的实现方式中，图块库可以基于以下步骤确定：获取第一缺陷图像样本中绝缘子的缺陷部分对应的位置标签；根据第一缺陷图像样本中绝缘子的缺陷部分对应的位置标签，确定第一缺陷图像样本中绝缘子的相对位置；在相对位置处，利用绝缘子的色彩区间对第一缺陷图像样进行采样，以确定绝缘子在第一缺陷图像样本上的位置信息；将位置信息所对应的绝缘子图像划分为多个图像块；基于多个图像块，构建图块库。

在一个具体的示例中，在已经标注的“自爆一片”第一缺陷图像样本中，绝缘子可以位于第一缺陷图像样本的上下或左右两侧，缺陷部分可以位于第一缺陷图像样本的中心区域。根据绝缘子的色彩区间进行定向采样(guiled samping)，定位出玻璃绝缘子的位置。将第一缺陷图像样本中绝缘子的图像通过特定大小的块(patch)进行建图块库。

在本实现方式中，可以通过第一缺陷图像样本实现对获取第一缺陷图像样本中绝缘子的缺陷部分对应的位置标签；根据第一缺陷图像样本中绝缘子的缺陷部分对应的位置标签，确定第一缺陷图像样本中绝缘子的相对位置；在相对位置处，利用绝缘子的色彩区间对第一缺陷图像样进行采样，以确定绝缘子在第一缺陷图像样本上的位置信息；将位置信息所对应的绝缘子图像划分为多个图像块；基于多个图像块，实现对图块库的构建。

在本实施例的一些可选的实现方式中，方法还包括：检测第二图像中的绝缘子是否倾斜；响应于检测到第二图像中的绝缘子倾斜，调整第二图像中的绝缘子，以使调整后的第二图像中的绝缘子不倾斜。

继续参考图5，其示出了根据本申请的用于确定缺陷部分的模型的方法的一个实施例的流程500。该用于确定缺陷部分的模型的方法可以包括以下步骤：

步骤501，获取第二缺陷图像样本和第二缺陷图像样本中绝缘子的缺陷部分对应的位置标签。

在本实施例中，用于确定缺陷部分的模型的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)获取第二缺陷图像样本和第二缺陷图像样本中绝缘子的缺陷部分对应的位置标签。

需要说明的是，第二缺陷图像样本可以为由图2对应的实施例生成的缺陷图像样本。

步骤502，利用第二缺陷图像样本和位置标签进行训练，得到用于确定缺陷部分的模型。

在本实施例中，上述执行主体将第二缺陷图像样本作为用于确定缺陷部分的模型的输入，将与第二缺陷图像样本对应的缺陷部分对应的位置标签作为用于确定缺陷部分的模型的输出，训练机器学习模型，得到用于确定缺陷部分的模型。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)。

需要说明的是，利用第二缺陷图像样本进行训练，得到用于确定缺陷部分的模型可以包括：先利用第二缺陷图像样本对初始的用于确定缺陷部分的模型进行训练，以得到训练后的用于确定缺陷部分的模型。其中，初始的用于确定缺陷部分的模型可以为旧缺陷样本训练得到模型(例如，图1对应的实施例中的“第一缺陷图像样本”)；在得到初始的用于确定缺陷部分的模型之后，可以利用新的样本(即第二缺陷图像样本)调整初始的用于确定缺陷部分的模型的参数，以得到训练好的用于确定缺陷部分的模型。

在本实施例中，通过少样本缺陷数据(即旧样本)，完成绝缘子在复杂背景中的自动提取，通过这样的方法生成大量逼真的新样本，再参与到深度学习模型等训练，提高了模型等性能，准确地识别出自爆绝缘子的相对位置。

本申请实施例提供的用于确定缺陷部分的模型的方法，能够识别出图像中绝缘子的缺陷部分对应的位置标签。

继续参考图6，其示出了根据本申请的用于预测缺陷部分对应的位置标签的方法的一个实施例的流程600。该用于预测缺陷部分对应的位置标签的方法可以包括以下步骤：

步骤601，获取待预测图像。

在本实施例中，用于预测缺陷部分对应的位置标签的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以获取待预测图像。

步骤602，将待预测图像输入预先训练的用于确定缺陷部分的模型中，得到待预测图像中绝缘子的缺陷部分对应的位置标签。

在本实施例中，上述执行主体可以将待预测图像输入用于确定缺陷部分的模型中，得到待预测图像中绝缘子的缺陷部分对应的位置标签。其中，用于确定缺陷部分的模型可以为图5对应的实施例训练的得到的模型。

需要说明的是，为了必须对所有图像识别是否存在绝缘子的缺陷部分，可以先对所有的图像进行筛选，也即在该确定该图像中绝缘子是否存在缺陷部分时，可以先确定该图像是否存在绝缘子，如果不存在，则不执行对该图像中绝缘子的缺陷部分的预测。

本申请实施例提供的用于预测缺陷部分对应的位置标签的方法，能够识别出图像中绝缘子的缺陷部分对应的位置标签，进而能够确定绝缘子是否存在缺陷部分对应的位置标签。

进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种生成缺陷图像样本的装置700的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的生成缺陷图像样本的装置700可以包括：第一确定模块701、第一确定模块702、矩阵构建模块703、第二确定模块704和样本生成模块705。其中，图像获取模块701，被配置成获取目标图像，以及目标图像中绝缘子的缺陷部分对应的位置标签；第一确定模块702，被配置成确定目标图像中的图像块与预设的图块库中的图像块之间的匹配度，其中，图块库由获取的第一缺陷图像样本中的图像块所构建；矩阵构建模块703，被配置成根据匹配度和预设的匹配度阈值，构建掩模矩阵；第二确定模块704，被配置成根据掩模矩阵和位置标签，确定目标图像中的绝缘子图像对应的无背景图像；样本生成模块705，被配置成根据绝缘子图像对应的无背景图像和预设的正常图像样本，生成第二缺陷图像样本。

在本实施例中，生成缺陷图像样本的装置700中：第一确定模块701、第一确定模块702、矩阵构建模块703、第二确定模块704和样本生成模块705的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，矩阵构建模块703，包括：结果确定单元，被配置成将匹配度和预设的匹配度阈值进行比较，确定匹配结果；矩阵构建单元，被配置成根据匹配结果，构建掩模矩阵。

在本实施例的一些可选的实现方式中，矩阵构建单元，进一步被配置成：将掩模矩阵中的值设置为与匹配结果对应的值。

在本实施例的一些可选的实现方式中，若目标图像中的图像块包括第一图像块和第二图像块，匹配度包括：第一图像块与图块库中的图像块之间的第一匹配度，以及第二图像块与图块库中的图像块之间的第二匹配度；矩阵构建单元，进一步配置成：响应于第一匹配结果为第一匹配度满足预设的匹配度阈值，将掩模矩阵中的第一值设置为与第一匹配度对应的值；响应于第二匹配结果为第二匹配度不满足预设的匹配度阈值，将掩模矩阵中的第二值设置为与第二匹配度对应的值；根据第一值和第二值，构建掩模矩阵。

在本实施例的一些可选的实现方式中，其中，第二确定模块704，进一步被配置成：根据掩模矩阵和目标图像的交集，确定目标图像对应的无背景图像；根据目标图像对应的无背景图像和位置标签，确定分割后的绝缘子图像对应的无背景图像。

在本实施例的一些可选的实现方式中，装置还包括：样本处理模块，被配置成将目标图像和第二缺陷图像样本输入预先训练的生成对抗网络中，将目标图像的风格迁移至第二缺陷图像样本，得到风格迁移后的缺陷图像样本。

在本实施例的一些可选的实现方式中，生成对抗网络包括学习周期一致的变换函数F和G。

在本实施例的一些可选的实现方式中，装置还包括：标签获取模块，被配置成获取第一缺陷图像样本中绝缘子的缺陷部分对应的位置标签；第三确定模块，被配置成根据第一缺陷图像样本中绝缘子的缺陷部分对应的位置标签，确定第一缺陷图像样本中绝缘子的相对位置；图像采样模块，被配置成在相对位置处，利用绝缘子的色彩区间对第一缺陷图像样进行采样，以确定绝缘子在第一缺陷图像样本上的位置信息；图像划分模块，被配置成将位置信息所对应的绝缘子图像划分为多个图像块；图块库构建模块，被配置成基于多个图像块，构建图块库。

进一步参考图8，作为对上述各图所示方法的实现，本申请提供了一种用于确定缺陷部分的模型的装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图8所示，本实施例的用于确定缺陷部分的模型的装置800可以包括：样本获取模块801和模型训练模块802。其中，样本获取模块801，被配置成获取第二缺陷图像样本和第二缺陷图像样本中绝缘子的缺陷部分对应的位置标签；模型训练模块802，被配置成利用第二缺陷图像样本和位置标签进行训练，得到用于确定缺陷部分的模型。

在本实施例中，用于确定缺陷部分的模型的装置800中：样本获取模块801和模型训练模块802的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-502的相关说明，在此不再赘述。

进一步参考图9，作为对上述各图所示方法的实现，本申请提供了一种用于预测缺陷部分对应的位置标签的装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图9所示，本实施例的用于预测缺陷部分对应的位置标签的装置900可以包括：图像获取模块901和标签预测模块902。其中，图像获取模块901，被配置成获取待预测图像；标签预测模块902被配置成将待预测图像输入预先训练的用于确定缺陷部分的模型中，得到待预测图像中绝缘子的缺陷部分对应的位置标签。

在本实施例中，用于预测缺陷部分对应的位置标签的装置900中：图像获取模块901和标签预测模块902的具体处理及其所带来的技术效果可分别参考图6对应实施例中的步骤601-602的相关说明，在此不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图10示出了可以用来实施本申请的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如生成缺陷图像样本的方法、用于确定缺陷部分的模型的方法，或用于预测缺陷部分对应的位置标签的方法。例如，在一些实施例中，生成缺陷图像样本的方法、用于确定缺陷部分的模型的方法，或用于预测缺陷部分对应的位置标签的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的生成缺陷图像样本的方法、用于确定缺陷部分的模型的方法，或用于预测缺陷部分对应的位置标签的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行生成缺陷图像样本的方法、用于确定缺陷部分的模型的方法，或用于预测缺陷部分对应的位置标签的方法。

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。

用于实施本申请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。

在本申请的上下文中，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。

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。

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。

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。

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。

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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。