(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210486017.7 (22)申请日 2022.05.06 (71)申请人 国网河北省电力有限公司石家庄供 电分公司 地址 050051 河北省石家庄市红旗大街6 6 号 申请人 国家电网有限公司 (72)发明人 张颖　张益辉　吴灏　傅伯雄　 郭思炎　董璇　李炀　苏克　 (74)专利代理 机构 石家庄新世纪专利商标事务 所有限公司 1310 0 专利代理师 张晓佩 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/73(2017.01)G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种融合DCGAN和改进GoogLeNet的电力设 备裂缝检测方法 (57)摘要 本发明提出了一种融合DCGAN和改进 GoogLeNet的电力设备裂缝检测方法， 首先， 针对 样本数量少的电气设备裂缝图像， 利用传统数据 增强与深度卷积生成对抗网络相结合的方式扩 充样本量； 其次， 为了减少网络参数量， 提高网络 的分类准确率， 对GoogLeNet网络模型进行改进， 在Inception结构中引入DenseBlock代替原结构 中的两个分支， 并精简了网络中改进Inception 的个数。 第三， 将构建好的数据集作为改进 GoogLeNet的输入完成对网络的训练。 本发明相 比于GoogLeNet网络的准确率提升了1.19％， 裂 缝定位时间缩短了8.12s。 权利要求书2页 说明书8页 附图8页 CN 114913142 A 2022.08.16 CN 114913142 A 1.一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 包括以下 步骤： (1)数据的获取与预处 理； (2)基于DCGAN网络 的数据扩充； DCGAN网络 的数据扩充具体为在生成器和鉴别器中采 用深度卷积网络， 则衍生出D CGAN模型， DCGAN利用卷积操作的特征提取能力， 生 成器与鉴别 器在网络训练过程中不断相互博弈与学习， 从而使生成器生成的图像接近真实的图像， 直 至鉴别器不能判别输入图像的真伪； (3)裂缝图像分类与定位。 2.根据权利要求1所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 步骤(1)包括以下步骤： 图像采集和图像预处 理； (3)裂缝图像分类与定位包括以下步骤： 建立数据 集， 改进的GoogLeNet网络模型， 判断 是否分类为裂缝； 判断是否分类为裂缝步骤中否不标记， 是对图片进行方框标记， 最后滑动 窗口定位裂 缝。 3.根据权利要求2所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 图像的预 处理步骤包括图像裁剪、 翻转、 镜像、 镜像翻转， 并且利用传统数据增 强与深度卷积生成对抗网络相结合的方式扩充样本量。 4.根据权利要求2所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 步骤(2)具体工作过程包括以下步骤： 真实裂缝图像传输给鉴别器， 鉴别器将 判别结果传输给生成器， 同时随机噪声传输给生成器后生成裂缝图像。 5.根据权利要求4所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 生成器网络为5层结构， 包含1层全连接层与4层转置卷积层； 生成器利用转置 卷积学习图像细节信息， 实现图像上采样； 将100维均匀分布的随机噪声作为生成器网络的 输入， 经过reshape后得到4 ×4的512层图像， 再与卷积核大小为5,步长为2， padding＝2， outpadding＝1进行转置卷积， 得到8 ×8的256层图像， 依次类推共执行4次转置卷积运算， 最终得到尺 寸大小为64 ×64×3的仿真裂缝图像， 作为鉴别器的输入； 生成器的最后一层 采 用了Tanh函数做为激活函数， 其余层的激活函数均采用ReLU函数， 并且每一层都加入了 BatchNorm层， 减少了网络参数量。 6.根据权利要求4所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 采用的鉴别器共有5层卷积层； 将真实的电气设备裂缝图像和生成网络生 成的 假裂缝图像作为鉴别器的输入， 首先经过4层卷积核为5， 步长为2， 填充为2的卷积实现下采 样， 确保鉴别器提取到输入图像的特征； 再经过一层卷积核大小为4的卷积， 最后输出一个 在[0,1]之间的数值， 该数值越接近于1说明判别器生成的图像越真实； 除第一与最后一层 的卷积层外， 每个卷积层之间都加入了BatchNorm层， 激活函数选择LeakyReLU函数， 确保收 敛速度快又不易使神经元坏死； 输出为二分类问题， 故输出层的激活函数选择Sigmoid函 数。 7.根据权利要求4所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 将交叉熵作为DCGAN的损失函数,生成器和鉴别器均使用Adam优化器， 在训练 过程中自适应地调整学习率， 实现非凸优化。权　利　要　求　书 1/2 页 2 CN 114913142 A 28.根据权利要求1所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 步骤(3)裂缝图像分类与定位： 利用改进GoogLeNet网络与滑动窗口相结合的 方式对裂缝图像进行先分类后定位； 训练完成的改进GoogLeNet网络实现对裂缝图像与背 景图像的分类， 利用滑动窗口将待检测图像裁剪成大小64 ×64的小图像， 按照顺序输入至 改进GoogLeNet网络进行分类， 若该图像被分类为裂缝图像， 则对其进行方框标注， 将分类 完成后的小图像拼接还原成大图像从而得到 了图像中裂缝的准确位置 。 9.根据权利要求2所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 改进的GoogLeNet网络模型为借助于GoogLeNet网络Inception模块的多尺度 卷积结构； Inception结构使用多个不同尺寸的卷积核； 在Inception结构中引入 DenseBlock代替原结构中的两个分支， 对GoogLeNet网络中的Inception结构进行 改进， 精 简改进的I nception的数量， 由9个精简为6个。 10.根据权利 要求9所述的一种融合DCGAN和改进GoogLeNet的电力设备裂缝检测方法， 其特征在于， 改进后的Inception模块包含1 ×1的卷积层分支、 1 ×1与3×3的卷积层分支、 包含2个特征计算单 元(BN‑ReLU‑Conv(1×1)‑BN‑ReLU‑Conv(3×3))的DenseBl ock分支。 改进后Go ogLeNet网络也选择交叉熵作为损失函数， 如式(1)所示： 其中， yi为输出的实际值， 为模型的预测结果； M为样本总数； 网络采用Adam算法优化 参数。权　利　要　求　书 2/2 页 3 CN 114913142 A 3