基于对抗学习的绝缘子故障检测方法、装置及终端设备

技术领域

本发明涉及一种基于对抗学习的绝缘子故障检测方法、装置及终端设备。

背景技术

电力资源对于每个行业来说都很重要，随着社会的不断进步，各行各业对电力的需求量也在不断增大。随着高压输电线路里程的增加，电力线路的巡检对电力行业持续供电发挥着关键作用。其中，绝缘子作为输电线路的核心部位，是电力系统中常见器件。由于自然环境的复杂多变，若绝缘子长期暴露会导致各种缺陷，如老化、破损和裂缝等，这将严重危及输变电系统的安全和正常运作。因此，绝缘子故障的检测，对于电力系统维护是一项十分有价值的工作。

近年来，采用直升机或者无人机等空中飞行平台对线路进行巡检的方式逐渐应用到电力系统中，由于其准确、高效、安全等特点，能够有效减轻工人的劳动强度、提高工作效率、降低巡检成本，同时巡检人员的安全性也能够保障。因此，无人机和计算机视觉技术相结合，共同实现对绝缘子破损、污秽等故障的自动精确检测，在输电线路正常工作的情况下及时有效地排除线路隐患。但传统的绝缘子故障检测分割方法难以对绝缘子故障进行精确检测。

发明内容

本发明提供一种基于对抗学习的绝缘子故障检测方法、装置及终端设备，用于解决现有的绝缘子故障检测分割方法的绝缘子故障检测准确性差的技术问题。

本发明采用以下技术方案：

一种基于对抗学习的绝缘子故障检测方法，包括：

获取训练样本集，所述训练样本集包括至少两个绝缘子故障样本图像；

对所述训练样本集进行标注，得到标注数据；

将所述训练样本集输入至分割器网络中的分割编码器中进行绝缘子故障部位的特征提取，所述分割编码器输出给分割器网络中的分割解码器中进行上采样，输出绝缘子故障部位粗分割图；将所述绝缘子故障部位粗分割图与所述标注数据分别输入至鉴别器网络中，通过W距离对所述绝缘子故障部位粗分割图与所述标注数据进行比对，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡；

将待检测绝缘子图像输入至训练好的分割器网络中进行故障检测。

在一个具体实施方式中，所述通过W距离对所述绝缘子故障部位粗分割图与所述标注数据进行比对，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡，包括：

通过W距离获取所述绝缘子故障部位粗分割图与所述标注数据的空间距离，若空间距离大于预设阈值，则返回损失值，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡。

在一个具体实施方式中，所述基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，包括：

所述分割器网络和鉴别器网络交替训练，其中，当训练鉴别器网络时，设置迭代次数为第一次数，并在该过程中冻结分割网络的参数；当训练分割网络时，设置迭代次数为第二次数，并在该过程中冻结鉴别器网络的参数；所述分割器网络和鉴别器网络交替训练第三次数后停止训练。

在一个具体实施方式中，所述获取训练样本集之后，所述绝缘子故障检测方法还包括：

对所述训练样本集进行预处理。

在一个具体实施方式中，所述对所述训练样本集进行预处理，包括：

对所述训练样本集依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换。

在一个具体实施方式中，所述对所述训练样本集进行标注，得到标注数据，包括：

通过Labelme工具，对所述训练样本集进行标注，然后进行二值化，得到二值化标注数据。

一种基于对抗学习的绝缘子故障检测装置，包括：

训练样本集获取模块，用于获取训练样本集，所述训练样本集包括至少两个绝缘子故障样本图像；

标注模块，用于对所述训练样本集进行标注，得到标注数据；

网络训练模块，用于将所述训练样本集输入至分割器网络中的分割编码器中进行绝缘子故障部位的特征提取，所述分割编码器输出给分割器网络中的分割解码器中进行上采样，输出绝缘子故障部位粗分割图；将所述绝缘子故障部位粗分割图与所述标注数据分别输入至鉴别器网络中，通过W距离对所述绝缘子故障部位粗分割图与所述标注数据进行比对，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡；

故障检测模块，用于将待检测绝缘子图像输入至训练好的分割器网络中进行故障检测。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于对抗学习的绝缘子故障检测方法的步骤。

本发明的有益效果为：对获取到的训练样本集进行标注，得到标注数据，然后将训练样本集输入至分割器网络中的分割编码器中进行绝缘子故障部位的特征提取，分割编码器输出给分割器网络中的分割解码器中进行上采样，输出绝缘子故障部位粗分割图，将得到的绝缘子故障部位粗分割图与标注数据分别输入至鉴别器网络中，通过W距离对这两个输入进行比对，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡，改善了生成对抗网络训练不稳定以及不容易收敛的问题，实现分割网络与鉴别器网络的对抗训练，也即鉴别器网络达到了最好的鉴别性能，分割器网络也达到了最好的分割性能，分割器网络得到的分割结果与标注数据相差无几，增强了分割网络对故障部位特征的提取能力，进而提高了分割网络的分割能力，最后将待检测绝缘子图像输入至训练好的分割器网络中进行故障检测。因此，本发明基于对抗学习的方法，设计分割性能良好的分割器网络和鉴别器网络，提高网络训练过程中的稳定性，实现对高压输电线路无人机巡检图像绝缘子故障部位的精确分割和检测。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：

图1是本申请实施例一提供的基于对抗学习的绝缘子故障检测方法的整体流程示意图；

图2是分割器网络的运行示意图；

图3是基于对抗学习的网络模型结构示意图；

图4是本申请实施例二提供的基于对抗学习的绝缘子故障检测装置的整体结构示意图；

图5是本申请实施例三提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

为了说明本申请所述的技术方案，下面通过具体实施方式来进行说明。

参见图1，是本申请实施例一提供的基于对抗学习的绝缘子故障检测方法的一种实现过程的流程图，为了便于说明，仅示出了与本申请实施例相关的部分。

步骤S101：获取训练样本集，所述训练样本集包括至少两个绝缘子故障样本图像：

获取训练样本集，训练样本集为未标注的初始样本集，训练样本集包括至少两个绝缘子故障样本图像，具体个数由实际需要进行设置，个数越多，训练得到的网络模型越准确。应当理解，训练样本集中除了包括绝缘子故障样本图像之外，还可以包括正常绝缘子图像，即没有故障的绝缘子样本图像。

本实施例中，训练样本集中的各样本图像均是从无人机巡检设备获得的高压输电线路中绝缘子图像。

为了保证各样本图像满足训练要求，本实施例中，获取训练样本集之后，绝缘子故障检测方法还包括：对训练样本集进行预处理的步骤。通过图像预处理之后，使得样本图像能够很好地突出故障特征，且样本图像尺寸符合分割网络要求。

图像预处理过程由实际需要进行设置，本实施例给出一种具体的预处理过程，具体如下：对训练样本集中的各样本图像依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换。图像大小转换是指将各样本图像的大小转化为统一规格，用于网络训练。

本实施例中，除了获取训练样本集之外，还可以获取验证样本集和测试样本集，其中，验证样本集用于验证训练得到的网络性能，并可通过交叉验证的方式进行网络调参，测试样本集用测测试训练得到的网络模型的性能。其中，验证样本集和测试样本集也包括至少两个绝缘子故障样本图像。

步骤S102：对所述训练样本集进行标注，得到标注数据：

为了更好地实现绝缘子故障检测，对训练样本集的绝缘子故障部位进行精确的标注，完成数据集的制作，标注数据为对训练样本集中的各样本图像中的故障部位进行标注而得到的标注结果。本实施例中，通过Labelme工具，对训练样本集进行标注，得到初步标注数据，即得到json文件，然后，对初步标注数据进行二值化，得到二值化标注数据。

步骤S103：将所述训练样本集输入至分割器网络中的分割编码器中进行绝缘子故障部位的特征提取，所述分割编码器输出给分割器网络中的分割解码器中进行上采样，输出绝缘子故障部位粗分割图；将所述绝缘子故障部位粗分割图与所述标注数据分别输入至鉴别器网络中，通过W距离对所述绝缘子故障部位粗分割图与所述标注数据进行比对，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡：

本实施例设计分割器网络和鉴别器网络进行对抗性训练，并使用训练样本集和标注数据对设计的网络进行训练。

分割器网络包括分割编码器和分割解码器，本实施例中，分割编码器的卷积层与分割解码器相应的层连接，增强特征的传递以及上下文信息。同时，为了有助于分割解码器获取更多图像细节信息，将大尺度低维图像特征进行降维，并和低尺度的高维图像进行特征融合，使得分割器网络获得更好的性能。图2是分割器网络的运行示意图。

将训练样本集输入至分割编码器中进行绝缘子故障部位的特征提取，如故障部位的长短、形状、所在位置以及故障类型等等。分割编码器将提取到的特征数据输出给分割解码器进行上采样，输出绝缘子故障部位粗分割图。

将分割解码器得到的绝缘子故障部位粗分割图，以及标注数据分别输入至鉴别器网络中，其中，标注数据作为真值图，通过W距离对绝缘子故障部位粗分割图与标注数据进行比对，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡。具体地：通过W距离获取绝缘子故障部位粗分割图与标注数据的空间距离，若空间距离大于预设阈值，表示绝缘子故障部位粗分割图与标注数据差异较大，则返回损失值，通过优化该损失并反向传播梯度，指导分割器网络进一步对输入图像分割的改进。基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡，训练过程为分割器网络和鉴别器网络交替训练过程，即：当训练鉴别器网络时，设置迭代次数为第一次数，并在该过程中冻结分割网络的参数；当训练分割网络时，设置迭代次数为第二次数，并在该过程中冻结鉴别器网络的参数；分割器网络和鉴别器网络交替训练第三次数后停止训练。作为一个具体实施方式，当训练鉴别器网络时，设置迭代次数为40次，并在该过程中冻结分割器网络的参数；当训练分割器网络时，设置迭代次数为40次，并在该过程中冻结鉴别器网络的参数；该交替训练8000次后停止训练。

最终分割器网络和鉴别器网络之间通过博弈训练，达到纳什平衡，也即鉴别器网络达到了最好的鉴别性能，分割器网络也达到了最好的分割性能，分割器得到的分割结果与标注数据相差无几，保存分割器网络的网络参数，完成了整体网络的训练。图3是基于对抗学习的整体网络模型结构示意图。

步骤S104：将待检测绝缘子图像输入至训练好的分割器网络中进行故障检测：

将待检测绝缘子图像输入至训练好的分割器网络中，通过分割器网络对待检测绝缘子图像进行分割，得到待检测绝缘子图像的分割结果，实现了绝缘子故障部位的精确定位和分割。

应当理解，本发明提到的图像分割，是指图像语义分割。语义分割可以分割出图像中的多种不同种类的样本。本发明只需要检测出绝缘子故障部位即可，也即分辨故障部位以及背景，将两种样本分割出来。因此，分割器网络得到的分割结果，完成了绝缘子故障部位的检测和定位问题。

对应于上文中的基于对抗学习的绝缘子故障检测方法实施例中所述的基于对抗学习的绝缘子故障检测方法，图4示出了本申请实施例二提供的基于对抗学习的绝缘子故障检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图4，基于对抗学习的绝缘子故障检测装置200包括：

训练样本集获取模块201，用于获取训练样本集，所述训练样本集包括至少两个绝缘子故障样本图像；

标注模块202，用于对所述训练样本集进行标注，得到标注数据；

网络训练模块203，用于将所述训练样本集输入至分割器网络中的分割编码器中进行绝缘子故障部位的特征提取，所述分割编码器输出给分割器网络中的分割解码器中进行上采样，输出绝缘子故障部位粗分割图；将所述绝缘子故障部位粗分割图与所述标注数据分别输入至鉴别器网络中，通过W距离对所述绝缘子故障部位粗分割图与所述标注数据进行比对，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡；

故障检测模块204，用于将待检测绝缘子图像输入至训练好的分割器网络中进行故障检测。

在一个具体实施方式中，所述通过W距离对所述绝缘子故障部位粗分割图与所述标注数据进行比对，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡，包括：

通过W距离获取所述绝缘子故障部位粗分割图与所述标注数据的空间距离，若空间距离大于预设阈值，则返回损失值，基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，使得分割器网络和鉴别器网络达到纳什平衡。

在一个具体实施方式中，所述基于对抗学习的方式，对分割器网络和鉴别器网络进行迭代训练，包括：

所述分割器网络和鉴别器网络交替训练，其中，当训练鉴别器网络时，设置迭代次数为第一次数，并在该过程中冻结分割网络的参数；当训练分割网络时，设置迭代次数为第二次数，并在该过程中冻结鉴别器网络的参数；所述分割器网络和鉴别器网络交替训练第三次数后停止训练。

在一个具体实施方式中，所述绝缘子故障检测装置还包括：

预处理模块，用于对所述训练样本集进行预处理。

在一个具体实施方式中，所述预处理模块具体用于：对所述训练样本集依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换。

在一个具体实施方式中，所述标注模块202具体用于：通过Labelme工具，对所述训练样本集进行标注，然后进行二值化，得到二值化标注数据。

需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请基于对抗学习的绝缘子故障检测方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见基于对抗学习的绝缘子故障检测方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将所述基于对抗学习的绝缘子故障检测装置200的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述中各功能模块的具体工作过程，可以参考前述基于对抗学习的绝缘子故障检测方法实施例中的对应过程，在此不再赘述。

图5是本申请实施例三提供的终端设备的结构示意图。如图5所示，终端设备300包括：处理器302、存储器301以及存储在存储器301中并可在处理器302上运行的计算机程序303。处理器302的个数是至少一个，图5以一个为例。处理器302执行计算机程序303时实现上述基于对抗学习的绝缘子故障检测方法的实现步骤，即图1所示的步骤。

终端设备300的具体实现过程可以参见上文中的基于对抗学习的绝缘子故障检测方法实施例。

示例性的，计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器301中，并由处理器302执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序303在终端设备300中的执行过程。

终端设备300可以是桌上型计算机、笔记本、掌上电脑、主控等计算设备，也可以是手机等移动终端。终端设备300可包括，但不仅限于，处理器以及存储器。本领域技术人员可以理解，图5仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备300还可以包括输入输出设备、网络接入设备、总线等。

处理器302可以是CPU（Central Processing Unit，中央处理单元），还可以是其他通用处理器、DSP（Digital Signal Processor，数字信号处理器）、ASIC（ApplicationSpecific Integrated Circuit，专用集成电路）、FPGA（Field-Programmable Gate Array，现成可编程门阵列）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器301可以是终端设备300的内部存储单元，例如硬盘或内存。存储器301也可以是终端设备300的外部存储设备，例如终端设备300上配备的插接式硬盘、SMC（SmartMedia Card，智能存储卡）、SD卡（Secure Digital，安全数字卡）、Flash Card（闪存卡）等。进一步地，存储器301还可以既包括终端设备300的内部存储单元也包括外部存储设备。存储器301用于存储操作系统、应用程序、引导装载程序、数据以及其他程序等，例如所述计算机程序303的程序代码等。存储器301还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上文中的基于对抗学习的绝缘子故障检测方法实施例中的步骤。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述基于对抗学习的绝缘子故障检测方法实施例中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述计算机程序303可存储于一计算机可读存储介质中，该计算机程序303在被处理器302执行时，可实现上述基于对抗学习的绝缘子故障检测方法实施例的步骤。其中，所述计算机程序303包括计算机程序代码，所述计算机程序303代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM（Read-Only Memory，只读存储器）、RAM（Random Access Memory，随机存取存储器）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。