面向电力缺陷场景的小样本图像生成方法

由于电力缺陷数据稀缺,目前大多数缺陷检测方法都无法有效地对电力缺陷情况进行准确的检测.为此,使用小样本图像生成方法,基于改进的LoFGAN(局部融合生成对抗网络),设计基于上下文信息的小样本图像生成器,提高缺陷检测网络对细节特征的提取能力;引入基于LC-散度的正则化损失来优化图像生成模型在有限数据集上的训练效果.实验表明,小样本图像生成方法能够为电力场景缺陷情况生成有效且多样的缺陷数据,所提模型能够有效解决电力缺陷场景数据稀缺的问题....

Full description

Saved in:
Bibliographic Details
Published in浙江电力 Vol. 43; no. 1; pp. 126 - 132
Main Authors 何宇浩, 宋云海, 何森, 周震震, 孙萌, 陈毅, 闫云凤
Format Journal Article
LanguageChinese
Published 浙江大学 电气工程学院,杭州 310027 25.01.2023
南网超高压公司电力科研院,广州 510000%浙江大学 机械工程学院,杭州 310027%浙江大学 海南研究院,海南 三亚 572000
Subjects
few-shot image generation
上下文信息
LC-散度
context-aware
LC-divergence
小样本图像生成
power defect
电力缺陷
Online AccessGet full text
ISSN1007-1881
DOI10.19585/j.zjdl.202401015

Cover

More Information
Summary:由于电力缺陷数据稀缺,目前大多数缺陷检测方法都无法有效地对电力缺陷情况进行准确的检测.为此,使用小样本图像生成方法,基于改进的LoFGAN(局部融合生成对抗网络),设计基于上下文信息的小样本图像生成器,提高缺陷检测网络对细节特征的提取能力;引入基于LC-散度的正则化损失来优化图像生成模型在有限数据集上的训练效果.实验表明,小样本图像生成方法能够为电力场景缺陷情况生成有效且多样的缺陷数据,所提模型能够有效解决电力缺陷场景数据稀缺的问题.
ISSN:1007-1881
DOI:10.19585/j.zjdl.202401015