技术摘要：
本发明公开了一种用于绝缘子缺陷样本生成模型的方法、系统及存储介质，本发明提供的绝缘子缺陷样本生成模型的方法，用于输电线路绝缘子缺陷图像样本的生成，本发明提供的方法通过训练样本集，获取高频特征和低频特征，然后将高频特征和低频特征进行拼接，最后通过亚像  全部
背景技术：
在现今关于与高压电路相关的电力项目中，主要的样本来源于现场的拍摄。但是 高架塔和高压电线都处于比较高的地方或者是一些环境较为恶劣的山上，在地面进行拍摄 时，由于拍摄设备的性能有限，变焦距离有限，对于较远距离的样本进行拍摄采集的时候， 往往会使得采集的样本照片清晰度不够，或者是对于想要的目标区域并不能很清晰的显示 出来。随着无人机的出现，这个问题得到一定程度的缓解，但是由于无人机受天气影响非常 大，特别是在有风的时候，加上无人机的不稳定性，使得拍摄的照片的质量会与理想的有一 定的偏差。在电力相关的绝缘子缺陷样本的采集这一块，由于现存的实际样本缺陷较少，加 上拍摄条件的限制，能得到的有效的绝缘子缺陷样本的数量较少，不能满足现有的神经网 络的训练需求。 近几年来，生成自然图像的探索在提出变分自动编码器后已经取得了一些成功。 在训练中输入图像输入编码器得到输入图像的均值和方差，从服从该均值和方差的高斯分 布中采样隐藏表示输入解码器得到生成图像，在测试中直接从该高斯分布采样生成图像， 由于损失函数是生成图像和输入图像欧式距离和的均值的最小化，所以生成图像比较模 糊。为了提高生成图像的清晰度，Ian  J .Goodfellow等人于2014年10月在《Generative  Adversarial  Networks》中提出生成对抗网络。生成对抗网络由生成器和鉴别器组成，生成 器和鉴别器对抗学习，生成器尽可能混淆鉴别器，生成鉴别器识别不出来的图像；鉴别器尽 可能地从真实图像和生成图像中识别出生成器生成的图像。但是对抗生成网络的生成图像 具有很大的不确定性，它只满足和输入图像一个域，生成图像不具有特定的属性。编码器和 生成器组合的网络能够解决上述问题，网络训练好后，直接从特定高斯分布中采样输入生 成器得到绝缘子缺陷图像。 然而，通过实验发现生成图像模糊，很难达到预期效果，生成图像对神经网络的训 练起不到良好的效果，这是因为该图像生成方法需要大量的特征和细节信息，网络提取特 征和生成图像的负担很重，并且该方法要求大量的训练样本，这对于绝缘子缺陷样本在现 实中采集是一个很大的困难。 因此，如何发明一种生成图像清晰、训练样本少的绝缘子缺陷样本生成模型的方 法成为亟待解决的问题。
技术实现要素：
本发明提供了一种绝缘子缺陷样本生成模型的方法、系统及存储介质，以解决现 有技术的不足。 第一方面，本发明提供一种绝缘子缺陷样本生成模型的方法，包括： 4 CN 111598842 A 说　明　书 2/8 页 S1：采集多个绝缘子图像，对采集的每个绝缘子图像通过Photoshop软件中处理和 在labeling软件中标注，得到训练样本集； S2：通过所述训练样本集，分别获取高频特征和低频特征； S3：将所述高频特征和所述低频特征进行拼接，通过亚像素卷积对拼接后的特征 生成图像，得到缺陷绝缘子图像，所述缺陷绝缘子图像即绝缘子缺陷样本模型。 可选择的，所述通过所述训练样本集，分别获取高频特征和低频特征包括以下步 骤： S21：通过所述训练样本集，采用LZM变换和知识蒸馏的方式，获取高频特征： S22：通过所述训练样本集，采用深度卷积神经网络构造FGAN网络，获取低频特征。 可选择的，所述采用LZM变换和知识蒸馏的方式，获取高频特征包括以下步骤： S211：在训练样本集中获取绝缘子图像； S212：采用LZM对获取的绝缘子图像进行多尺度分解，得到含有高频特征的多尺度 分解图像； S213：通过知识蒸馏训练学生流网络，将所述含有高频特征的多尺度分解图像输 入到所述学生流网络中，得到高频特征，所述高频特征包括图像的纹理特征、形状特征和空 间结构特征。 可选择的，所述采用深度卷积神经网络构造FGAN网络，获取低频特征包括以下步 骤： S221：在训练样本集中获取绝缘子图像； S222：采用深度卷积神经网络构造FGAN网络并对所述FGAN网络进行训练，得到训 练好的FGAN网络； S223：将在训练样本集中获取的绝缘子图像输入到所述训练好的FGAN网络中，得 到无颜色差异的模糊图像； S224：通过低通高斯滤波器在所述无颜色差异的模糊图像中提取低频特征，所述 低频特征包括颜色特征。 可选择的，所述知识蒸馏训练学生流网络包括以下步骤： S11：获取绝缘子正常图像； S12：通过所述绝缘子正常图像，训练教师流支路模型，所述教师流支路模型提取 所述含有高频特征的多尺度分解图像的特征； S13：采用知识蒸馏方式训练学生流模型，所述学生流模型学习所述教师流支路模 型提取的所述含有高频特征的多尺度分解图像的特征。 可选择的，所述FGAN网络包括生成器和鉴别器，所述生成器包括四层卷积层、一层 空间金字塔层和四层反卷积层；所述鉴别器包括两个卷积层和三个全连接层。 可选择的，所述生成器的四层卷积层的前三个卷积层采用卷积核为4、步长stride 等于2和填充padding等予一的跨步卷积,采用批归一化和Relu的激活函数。 可选择的，所述生成器的四层卷积层的第四层采用步长stride等于2、填充 padding等于1的跨步卷积，激活函数为Tanh激活函数； 所述鉴别器的两个卷积层均采用卷积核为5、填充padding等于2的跨步卷积，激活 函数为leaky  relu激活函数和卷积核为2且步长为2的全局最大平均池化； 5 CN 111598842 A 说　明　书 3/8 页 三个所述全连接层的激活函数分别为leaky  relu函数、leaky  relu函数胡和 sigmoid函数。 第二方面，本发明提供一种用于绝缘子缺陷样本生成的系统，包括训练样本集获 取模块、特征模块获取模块和缺陷绝缘子图像获取模块，其中： 训练样本集获取模块，用于采集多个绝缘子图像，对采集的每个绝缘子图像通过 Photoshop软件中处理和在labeling软件中标注，得到训练样本集； 特征获取模块，用于通过所述训练样本集，分别获取高频特征和低频特征； 缺陷绝缘子图像获取模块，用于将所述高频特征和所述低频特征进行拼接，通过 亚像素卷积对拼接后的特征生成图像，得到缺陷绝缘子图像，所述缺陷绝缘子图像即绝缘 子缺陷样本模型。 第三方面，本发明提供一种包含计算机可执行指令的存储介质，所述计算机可执 行指令在由计算机处理器执行时实现第一方面所述的绝缘子缺陷样本生成模型的方法。 本发明提供一种绝缘子缺陷样本生成模型的方法，包括：采集多个绝缘子图像，对 采集的每个绝缘子图像通过Photoshop软件中处理和在labeling软件中标注，得到训练样 本集；通过所述训练样本集，分别获取高频特征和低频特征；将所述高频特征和所述低频特 征进行拼接，通过亚像素卷积对拼接后的特征生成图像，得到缺陷绝缘子图像，所述缺陷绝 缘子图像即绝缘子缺陷样本模型。本发明提供的绝缘子缺陷样本生成模型的方法，用于输 电线路绝缘子缺陷图像样本的生成，本发明通过训练样本集，获取高频特征和低频特征，然 后将高频特征和低频特征进行拼接，最后通过亚像素卷积对拼接后的特征生成图像，所生 成的图像由融合效果差的存在差异的绝缘子缺陷样本生成，得到的图像清晰，所需的样本 集少。 附图说明 为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简 单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其他的附图。 图1为本发明提供的一种绝缘子缺陷样本生成模型的方法的流程图； 图2为输电线路绝缘子缺陷样本生成模型的测试结构图； 图3为本发明的FGAN结构图； 图4为本发明采用的空间金字塔池化结构图； 图5为本发明的知识蒸馏网络图； 图6为本发明绝缘子缺陷样本生成模型的方法实施例中的生成模型训练图； 图7为本发明的绝缘子缺陷样本生成模型的方法实施例中的生成模型测试图。