申请/专利权人：南京航空航天大学

申请日：2023-09-27

公开（公告）日：2024-04-02

公开（公告）号：CN117315354B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06N3/0464;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本申请公开了一种基于多判别器复合编码GAN网络的绝缘子异常检测方法，涉及供电技术领域，该方法基于无监督学习方法实现，通过构建并训练多判别器复合编码GAN网络得到图像重构模型，利用图像重构模型来基于重构正常图像，然后分析重构前后图像之间的差异实现绝缘子异常检测。该方法利用图像处理技术实现对绝缘子异常的自动化检测，构建的多判别器复合编码GAN网络采用VIT编码器和CNN编码器结合的复合编码结构，然后利用多个判别器进行多方面的判别训练，使得训练得到的图像重构模型能够更全面的提取绝缘子特征，输出更准确的重建图像，从而有更准确的异常检测结果。

主权项：1.一种基于多判别器复合编码GAN网络的绝缘子异常检测方法，其特征在于，所述绝缘子异常检测方法包括：构建多判别器复合编码GAN网络的网络结构，所述多判别器复合编码GAN网络包括生成器网络和判别器网络，所述生成器网络包括依次连接的复合编码器和解码器，所述复合编码器中的VIT编码器和CNN编码器分别对生成器网络的输入图像编码后进行特征拼接得到复合编码输入所述解码器；所述判别器网络包括第一判别器和第二判别器，所述第一判别器用于对所述生成器网络的输入图像和输出图像进行分类判别得到对抗损失，所述第二判别器用于对VIT编码器的潜在编码和CNN编码器的潜在编码进行分类判别得到编码损失；构建训练数据集，所述训练数据集包括若干不存在异常的绝缘子样本图像，根据对抗损失、编码损失以及所述生成器网络的输入图像和输出图像之间的重建损失确定混合损失，并利用所述训练数据集按照混合损失对多判别器复合编码GAN网络进行模型训练，并提取完成模型训练的生成器网络作为图像重构模型；获取包含绝缘子的初始图像，并利用所述图像重构模型对所述初始图像中的绝缘子进行异常检测；所述生成器网络还包括Senet模块，Senet模块对生成器网络的输入图像进行图像处理，得到消除反光和增加对比度的输入图像并分别输入VIT编码器和CNN编码器进行编码；在构建的多判别器复合编码GAN网络的网络结构中，生成器网络的输出端还依次连接附加Senet模块和附加复合编码器，附加Senet模块与所述生成器网络中的Senet模块相同，附加复合编码器与所述生成器网络中的复合编码器相同；所述附加Senet模块对所述生成器网络的输出图像进行图像处理，得到消除反光和增加对比度的输出图像并分别输入所述附加复合编码器中的VIT编码器和CNN编码器进行编码，VIT编码器和CNN编码器进行编码后进行特征拼接得到复合编码；则所述混合损失还包括根据复合编码和复合编码确定的编码损失；重建损失用于表征所述生成器网络的输入图像和输出图像之间的差异，输入图像和输出图像之间的差异越小，重建损失越小；对抗损失用于表征所述第一判别器对所述生成器网络的输入图像的分类判别结果以及对输出图像的分类判别结果之间的差异，两个分类判别结果之间的差异越小，对抗损失越小；编码损失用于表征复合编码和复合编码之间的差异，复合编码和复合编码之间的差异越小，编码损失越小；编码损失用于表征潜在编码和潜在编码之间的差异，潜在编码和潜在编码之间的差异越大、复合编码的特征越丰富，编码损失越小；混合损失，权重的取值远大于权重、和的取值。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于多判别器复合编码GAN网络的绝缘子异常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD