王金娜，蘇杰，楊凱，翟永杰，劉洪吉

(1.華北電力大學(xué) 自動(dòng)化系，河北 保定 071003;2.國(guó)網(wǎng)河北省電力有限公司檢修分公司，河北 石家莊 050070)

絕緣子是高壓輸電線路重要絕緣控件與支撐部件，同時(shí)也是故障多發(fā)部件，其安全性關(guān)乎整個(gè)電網(wǎng)的安全，因此絕緣子檢測(cè)任務(wù)至關(guān)重要。伴隨智能電網(wǎng)建設(shè)的全面推進(jìn)及電網(wǎng)規(guī)模的不斷擴(kuò)大，檢測(cè)任務(wù)量日益龐大，在線檢測(cè)技術(shù)需求隨之加大。深度學(xué)習(xí)作為圖像識(shí)別和目標(biāo)檢測(cè)的技術(shù)手段在智能電網(wǎng)建設(shè)中具有重要應(yīng)用研究?jī)r(jià)值，而在絕緣子檢測(cè)中的瓶頸之一就是訓(xùn)練樣本缺少問(wèn)題。近年深度學(xué)習(xí)模型在絕緣子等電力部件檢測(cè)領(lǐng)域的成果[1-3]普遍在私有數(shù)據(jù)集上取得，極少或沒(méi)有公開(kāi)數(shù)據(jù)集可供學(xué)術(shù)研究，很大程度限制了研究進(jìn)展，樣本缺少問(wèn)題不可忽視。

樣本不足是當(dāng)前深度學(xué)習(xí)在眾多領(lǐng)域應(yīng)用中面臨的難題之一，如何在少量樣本基礎(chǔ)上訓(xùn)練出良好的學(xué)習(xí)模型是未來(lái)重點(diǎn)研究方向之一[4-5]。當(dāng)前主要以遷移學(xué)習(xí)、度量學(xué)習(xí)以及人工樣本數(shù)據(jù)擴(kuò)充的方式緩解樣本不足問(wèn)題。其中，遷移學(xué)習(xí)[6]要求以關(guān)聯(lián)大型數(shù)據(jù)集作為輔助提升小數(shù)據(jù)集學(xué)習(xí)效果，對(duì)不易尋求關(guān)聯(lián)數(shù)據(jù)集的應(yīng)用領(lǐng)域存在限制；度量學(xué)習(xí)[7]從少量樣本學(xué)習(xí)到一個(gè)嵌入空間，容易導(dǎo)致過(guò)擬合且運(yùn)算過(guò)程復(fù)雜；人工樣本擴(kuò)增指對(duì)現(xiàn)有樣本進(jìn)行一定人工操作得到新的樣本，較前2種方法，人工樣本更簡(jiǎn)單可控，且適用領(lǐng)域較廣，具有重要應(yīng)用價(jià)值。文獻(xiàn)[8]提出采用人工虛擬樣本擴(kuò)充真實(shí)樣本集，結(jié)合平行執(zhí)行可有效優(yōu)化學(xué)習(xí)模型，同時(shí)指出人工樣本用于擴(kuò)增數(shù)據(jù)具有較高可行性及廣闊應(yīng)用前景。

基礎(chǔ)人工圖像樣本擴(kuò)增是對(duì)原始圖像進(jìn)行幾何變換，例如通過(guò)平移、翻轉(zhuǎn)及彈性形變等操作獲取新樣本以緩解樣本不足[9-10]和過(guò)擬合現(xiàn)象[11]等問(wèn)題，后衍生出矩形擦除[12]、圖像融合[13-16]以及生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks, GANs)生成[17]等獲取新樣本的方式。其中：幾何變換具有操作簡(jiǎn)單、易于實(shí)現(xiàn)的特點(diǎn)，但不能有效擴(kuò)增樣本特征多樣性；圖像融合多采用圖像處理算法對(duì)原圖進(jìn)行微小變動(dòng)或?qū)⒛繕?biāo)與背景合成為新樣本，相較于GANs，在樣本生成前期工作量大且樣本多樣性依賴人工設(shè)定；較前2種方法，具備強(qiáng)大生成圖像潛力的GANs對(duì)人工樣本擴(kuò)增技術(shù)具有重要研究?jī)r(jià)值。

當(dāng)前，由于GANs在圖像生成中表現(xiàn)仍未成熟，較復(fù)雜的圖像生成仍舊依賴龐大數(shù)據(jù)量和較高硬件計(jì)算水平[18]，因此無(wú)需大量一對(duì)一樣本訓(xùn)練的循環(huán)一致性生成對(duì)抗網(wǎng)絡(luò)[19](Cycle-GAN)成為生成復(fù)雜圖像樣本可供選擇的重要模型之一。在Cycle-GAN的應(yīng)用中，文獻(xiàn)[20-21]采用Cycle-GAN有效緩解了樣本類別不平衡問(wèn)題；在輸電線路部件檢測(cè)應(yīng)用中，文獻(xiàn)[22]采用Cycle-GAN輔助探究了遷移學(xué)習(xí)的有效性，但并未對(duì)Cycle-GAN生成的圖像用于擴(kuò)充的樣本要求、生成樣本是否篩選及其用于擴(kuò)充的具體效果進(jìn)行進(jìn)一步探究。同時(shí)Cycle-GAN在絕緣子等輸電線路部件樣本問(wèn)題中的研究也極少，對(duì)于當(dāng)前絕緣子檢測(cè)存在的樣本問(wèn)題，Cycle-GAN在樣本擴(kuò)增應(yīng)用方面的應(yīng)用探究十分必要。

針對(duì)上述問(wèn)題及分析，本文首先對(duì)Cycle-GAN原理進(jìn)行介紹；隨后分析絕緣子圖像樣本特點(diǎn)，提出基于Cycle-GAN生成絕緣子圖像樣本的方法，通過(guò)設(shè)計(jì)樣本替代和樣本擴(kuò)充實(shí)驗(yàn)，進(jìn)一步探究了基于Cycle-GAN生成的絕緣子圖像樣本用于數(shù)據(jù)集擴(kuò)增的具體效果，證明了本文方法的可行性并分析了采用不同生成圖像擴(kuò)充量對(duì)網(wǎng)絡(luò)性能的影響；最后針對(duì)Cycle-GAN用于樣本擴(kuò)充存在的問(wèn)題進(jìn)行了分析并對(duì)下一步研究工作進(jìn)行了展望。

1 循環(huán)一致性生成對(duì)抗網(wǎng)絡(luò)

Cycle-GAN是基于GANs的衍生模型，相較于初始的GAN[23]模型，將輸入的噪聲數(shù)據(jù)改為了圖片數(shù)據(jù)；相較于pix2pix[24]模型，在實(shí)現(xiàn)對(duì)應(yīng)風(fēng)格域之間圖像風(fēng)格轉(zhuǎn)換時(shí)不需要準(zhǔn)備成對(duì)圖像，結(jié)構(gòu)簡(jiǎn)單且對(duì)樣本要求相對(duì)較低，適用于當(dāng)前樣本集條件。其對(duì)抗思想基于初始的GAN模型對(duì)抗訓(xùn)練策略，Cycle-GAN的提出是用于實(shí)現(xiàn)圖像的風(fēng)格遷移。

最初提出的GAN模型主要由1個(gè)生成器和1個(gè)判別器構(gòu)成。生成器通過(guò)學(xué)習(xí)真實(shí)數(shù)據(jù)和來(lái)自判別器的反饋信息，由自由噪聲生成“偽”圖像輸入到判別器以騙過(guò)判別器；判別器則通過(guò)學(xué)習(xí)不斷提升判別真?zhèn)蔚哪芰?，以區(qū)分來(lái)自生成器的偽圖像；二者經(jīng)過(guò)反復(fù)對(duì)抗學(xué)習(xí)，直到判別器難以區(qū)分生成器生成的偽圖像和真實(shí)圖像，即視為達(dá)到納什均衡，此時(shí)可認(rèn)為生成器生成了真假難辨的圖像數(shù)據(jù)。其網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示，損失函數(shù)L為

(lnPD(x))+Ez～Pz(z)[ln(1-PD(G(z)))].

(1)

式中：z為隨機(jī)噪聲，x為真實(shí)數(shù)據(jù)，G和D分別為生成模型和判別模型;G(z)為生成模型生成的數(shù)據(jù);PD(x)為輸入到判別模型的數(shù)據(jù)為真實(shí)數(shù)據(jù)的概率；x～Pdata(x)表征x服從真實(shí)數(shù)據(jù)分布；z～Pz(z)則為z服從隨機(jī)噪聲分布；E(·)為期望值。

圖1 GAN模型結(jié)構(gòu)Fig.1 GAN model structure

在初始GAN模型的基礎(chǔ)上，Cycle-GAN首先以給定圖像作為輸入，在保證生成圖像質(zhì)量的同時(shí)改善GAN的不穩(wěn)定問(wèn)題；其次，Cycle-GAN采用1對(duì)GAN模型構(gòu)成循環(huán)訓(xùn)練與生成結(jié)構(gòu)，網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示，損失函數(shù)為式(5)，其中式(2)和式(3)分別為網(wǎng)絡(luò)框架中GAN結(jié)構(gòu)的損失函數(shù)LGAN1和LGAN2。

圖2 Cycle-GAN模型結(jié)構(gòu)Fig.2 Cycle-GAN model structure

LGAN1(G,PY,X,Y)=EY～Pdata(Y)(lnPY)+

EX～Pdata(X)[ln(1-PY(G(X)))].

(2)

LGAN2(F,PX,X,Y)=EX～Pdata(X)(lnPX)+

EY～Pdata(Y)[ln(1-PX(F(Y)))].

(3)

式中：G(X)和F(Y)分別為生成器G和F的生成圖像函數(shù)；DX和DY為分別屬于X域和Y域的判別器函數(shù)，且PX和PY分別為DX和DY判斷圖像來(lái)自X域和Y域的概率(其他依次類推)。

循環(huán)一致?lián)p失分別由生成器G和F生成的圖像經(jīng)互相重建，獲取其生成圖像的重建圖像和真實(shí)圖像的一致性損失，采用L1距離作為度量，即

Lcyc(G,F)=Lcyc1(G,F)+Lcyc2(G,F)=

EX～P data (X)[‖F(xiàn)(G(X))-X‖L1]+

EY～P data (Y)[‖G(F(Y))-Y‖L1].

(4)

式中Lcyc、Lcyc1、Lcyc2為損失函數(shù)。

最后，將上述損失函數(shù)加權(quán)求和，得到Cycle-GAN損失函數(shù)，即

(5)

式中λ為大于零的實(shí)數(shù)，作為一致性損失項(xiàng)的權(quán)值。式(5)前2項(xiàng)為內(nèi)部GAN結(jié)構(gòu)損失，由于二者網(wǎng)絡(luò)結(jié)構(gòu)完全相同、權(quán)重相同，因此可將其權(quán)重設(shè)置為1，損失函數(shù)僅需調(diào)整λ值來(lái)控制重建一致性重視程度。

2 基于Cycle-GAN的絕緣子圖像生成方法

2.1 方法流程

根據(jù)對(duì)某省公司提供的無(wú)人機(jī)航拍絕緣子局部圖像樣本分析可知：絕緣子種類多樣并且角度多變，受光照影響較大，絕緣子本身顏色變化范圍較大，無(wú)鮮明風(fēng)格，從絕緣子著手進(jìn)行樣本分析不但會(huì)加大風(fēng)格劃分難度，多樣的背景也會(huì)削弱風(fēng)格特征；而絕緣子圖像樣本中，背景占比大且主要以天空和地面為主，風(fēng)格鮮明，因此可從絕緣子背景入手進(jìn)行風(fēng)格域的劃分,進(jìn)而實(shí)現(xiàn)后續(xù)圖像生成。航拍絕緣子圖像的背景可主要分為4個(gè)風(fēng)格域：植被稀少的黃色調(diào)地面背景、植被豐富的綠色調(diào)背景、以天空為背景的藍(lán)色背景以及在氣候條件較差的情況下采集到的以灰色調(diào)為主的天空背景。以此為基礎(chǔ)，采用Cycle-GAN完成絕緣子樣本的生成。

本文絕緣子圖像生成方法流程示意如圖3所示，其中圖3(a)為Cycle-GAN生成器訓(xùn)練階段，圖3(b)為絕緣子圖像生成階段。結(jié)合Cycle-GAN在風(fēng)格遷移中的循環(huán)一致性特點(diǎn)，將絕緣子圖像樣本分為4個(gè)域，使用Cycle-GAN分別對(duì)4個(gè)域進(jìn)行不同域間的風(fēng)格遷移以生成新的絕緣子圖像，不同域間絕緣子樣本可互相遷移。本文以藍(lán)、灰、綠和黃色調(diào)背景分別遷移為例進(jìn)行后續(xù)闡釋與實(shí)驗(yàn)。

2.2 風(fēng)格域劃分

如圖3(a)所示，在訓(xùn)練Cycle-GAN前，首先要對(duì)絕緣子圖像數(shù)據(jù)集進(jìn)行不同圖像域的劃分，根據(jù)絕緣子圖像背景特征進(jìn)行分類，獲取用于圖像域轉(zhuǎn)換的訓(xùn)練數(shù)據(jù)集。由于絕緣子圖像中背景在圖像中區(qū)域占比較大且色彩特點(diǎn)鮮明，因此基于不同色調(diào)背景訓(xùn)練樣本域的創(chuàng)建，選擇以圖像顏色特征作為分類依據(jù)，以圖像檢索[25-26]的方式實(shí)現(xiàn)絕緣子圖像域的劃分。

圖像處理中較常用的顏色空間是RGB和HSV， HSV色彩空間相較RGB更符合人類對(duì)色彩的認(rèn)知，因此本文采用HSV色彩空間。色彩直方圖作為圖像特征，其算法簡(jiǎn)單，運(yùn)算速度快，且具有尺度、平移和旋轉(zhuǎn)不變性等優(yōu)勢(shì)，故采用HSV顏色直方圖，結(jié)合相似性度量對(duì)4種色調(diào)背景的絕緣子圖像進(jìn)行域的劃分。HSV顏色空間的3個(gè)分量分別代表顏色H(hue)、飽和度S(saturation)和值(value)，本文中絕緣子圖像主要依據(jù)背景色調(diào)進(jìn)行域的劃分,故選取色彩分量H值的色彩直方圖作為圖像特征，可有效提升運(yùn)算速度和抗噪聲能力。

圖3 絕緣子圖像生成流程Fig.3 Insulator image generation process

圖像間相似性度量采用直方圖間歐式距離，通過(guò)設(shè)置合理的直方圖劃分區(qū)間數(shù)目bins，從4種背景色調(diào)選取具代表性的圖像作為中心樣本，其余圖像則通過(guò)色彩直方圖相似性度量判斷其所屬類別實(shí)現(xiàn)分類。設(shè)圖像A和圖像B，相似性度量為

(6)

式中hAn、hBn分別為圖像A和圖像B在色彩分量直方圖中第n個(gè)劃分區(qū)間的值，且n=bins。所獲取fsim值越小，表明圖像相似性較高。對(duì)絕緣子圖像進(jìn)行4種域的分類,創(chuàng)建用于Cycle-GAN生成圖像訓(xùn)練的子樣本集。參與分類的絕緣子圖像共 2 000張,bins設(shè)置為10，經(jīng)分類分別得到黃色調(diào)背景樣本284張、綠色調(diào)樣本668張、藍(lán)色調(diào)背景樣本313張以及灰色調(diào)背景樣本735張，對(duì)應(yīng)錯(cuò)誤率分別為0、0、0.96%及0.40%。當(dāng)增大bins時(shí)，分類錯(cuò)誤率隨之降低，而運(yùn)算速度也會(huì)隨之下降。

2.3 Cycle-GAN結(jié)構(gòu)

本文采用模型參考ZHU等提出的Cycle-GAN網(wǎng)絡(luò)結(jié)構(gòu)，生成器編碼部分由3組卷積層構(gòu)成，轉(zhuǎn)換部分采用9層殘差塊，解碼部分由3組微步幅卷積層構(gòu)成。網(wǎng)絡(luò)結(jié)構(gòu)細(xì)節(jié)如圖4所示，其中每層網(wǎng)絡(luò)下方的結(jié)構(gòu)及運(yùn)算細(xì)節(jié)介紹文字中，字母C表示卷積層，本文卷積層結(jié)構(gòu)采用Convolution-InstanceNorm-ReLU結(jié)構(gòu)；殘差塊由字母R表示，結(jié)構(gòu)采用文獻(xiàn)[27-29]提出的Resnet結(jié)構(gòu)；微步幅卷積層則由U代表，采用fractional-srtided-Convolution-InstanceNorm-ReLU結(jié)構(gòu)。字母后首位數(shù)字表征該層采用的卷積核尺寸，s-x表示步幅為x，末尾的數(shù)字則代表卷積核數(shù)目，例如C3s-2-64表示該組卷積層卷積核尺寸為3×3，卷積核數(shù)目為64，步幅為2。判別器第一組卷積層不采用InstanceNorm運(yùn)算層。

生成器網(wǎng)絡(luò)結(jié)構(gòu)如圖4(a)所示，輸入絕緣子圖像尺寸為256×256×3，經(jīng)3組卷積層運(yùn)算，輸出尺寸為64×64×128，通過(guò)轉(zhuǎn)換部分9層殘差塊運(yùn)算，最后經(jīng)由3組微步幅卷積層，得到256×256×3的生成圖像。判別器由5組卷積層構(gòu)成，真實(shí)圖像和生成圖像作為輸入，尺寸固定為256×256×3，經(jīng)由5組卷積層運(yùn)算，最后輸出圖像判定為真實(shí)圖像的概率值，網(wǎng)絡(luò)結(jié)構(gòu)如圖4(b)所示。

圖4 本文Cycle-GAN結(jié)構(gòu)Fig.4 Cycle-GAN structureproposed in this paper

2.4 分類網(wǎng)絡(luò)

分類網(wǎng)絡(luò)對(duì)含絕緣子的圖像和不含絕緣子的圖像進(jìn)行分類，分類網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。其中，卷積層采用結(jié)構(gòu)為Convolution-BatchNorm- LeakyReLU-Dropout，由字母C代表。網(wǎng)絡(luò)由4組卷積層和1層全連接層構(gòu)成，輸入的圖像尺寸恒為256×256×3，輸出為類別標(biāo)簽1和2，1即判定圖像含絕緣子，2即判定圖像不含絕緣子。

圖5 分類網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Classification network architecture

3 方法驗(yàn)證與分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)所用絕緣子圖像樣本共2 500張，含玻璃、陶瓷和復(fù)合絕緣子等3類圖像，其中500張作為測(cè)試樣本，2 000張用于訓(xùn)練Cycle-GAN及分類網(wǎng)絡(luò)。

參照?qǐng)D3(a)所示的訓(xùn)練流程，隨機(jī)選取子樣本集中10%作為測(cè)試集，其余樣本用于訓(xùn)練。當(dāng)2組Cycle-GAN迭代15 000次時(shí)，測(cè)試圖像生成效果較佳，保存生成器參數(shù)用于絕緣子圖像生成。參照?qǐng)D3(b)所示的生成流程，對(duì)4種色調(diào)背景的絕緣子圖像進(jìn)行風(fēng)格域轉(zhuǎn)換。經(jīng)訓(xùn)練Cycle-GAN，共生成絕緣子圖像2 000張，生成圖像用于樣本擴(kuò)充。4種不同色調(diào)背景絕緣子生成圖像如圖6所示，其中第1列和第3列為真實(shí)圖像，第2列和第4列為對(duì)應(yīng)域生成圖像。

圖6 部分生成圖像示例Fig.6 Some examples of generated images

對(duì)于分類網(wǎng)絡(luò)訓(xùn)練和測(cè)試部分，將含絕緣子的圖像作為正樣本，不含絕緣子的圖像作為負(fù)樣本，正、負(fù)樣本比例始終保持1比1。

3.2 驗(yàn)證環(huán)境及驗(yàn)證內(nèi)容

驗(yàn)證實(shí)驗(yàn)平臺(tái)的硬件為GPU-GTX1080Ti，操作系統(tǒng)為64位ubuntu18，算法基于Tensorflow框架，版本為1.10.0，編程語(yǔ)言為Python3.5.2。

實(shí)驗(yàn)旨在驗(yàn)證和探究采用本文方法生成的絕緣子圖像樣本對(duì)網(wǎng)絡(luò)性能的具體影響，分2部分內(nèi)容：①樣本替換實(shí)驗(yàn)。以2 000為正樣本量基數(shù)，按基數(shù)的10%逐次遞減真實(shí)圖像占比分別訓(xùn)練分類網(wǎng)絡(luò)，獲取網(wǎng)絡(luò)測(cè)試準(zhǔn)確率及常用網(wǎng)絡(luò)性能評(píng)價(jià)指標(biāo)Fmeasure值，測(cè)得結(jié)果作為無(wú)替換組；作為對(duì)照，以2 000為正樣本量基數(shù)，按基數(shù)的10%逐次遞減真實(shí)圖像占比的同時(shí)，采用生成圖像替換真實(shí)正樣本，使訓(xùn)練網(wǎng)絡(luò)的正樣本量始終保持2 000，獲取測(cè)試準(zhǔn)確率和Fmeasure值，測(cè)得結(jié)果為替換組。②擴(kuò)充實(shí)驗(yàn)。分別以1 000、1 250、1 500為真實(shí)正樣本量基數(shù)，按基數(shù)的10%逐次擴(kuò)增生成圖像用于訓(xùn)練網(wǎng)絡(luò)獲取測(cè)試準(zhǔn)確率和Fmeasure值，得到3組實(shí)驗(yàn)結(jié)果以分析不同擴(kuò)充比例對(duì)網(wǎng)絡(luò)性能的影響。最后采用3個(gè)經(jīng)典分類網(wǎng)絡(luò)進(jìn)行擴(kuò)充實(shí)驗(yàn)進(jìn)一步驗(yàn)證實(shí)驗(yàn)結(jié)果。迭代1 000次后獲取網(wǎng)絡(luò)測(cè)試準(zhǔn)確率及Fmeasure進(jìn)行對(duì)比分析。測(cè)試準(zhǔn)確率和Fmeasure均取后200次迭代結(jié)果平均值，其中

(7)

式中:P為準(zhǔn)確率，表征分類的有效性；R為召回率，表征對(duì)正樣本測(cè)試的完整性。

3.3 實(shí)驗(yàn)結(jié)果與分析

3.3.1 樣本替換實(shí)驗(yàn)

選取樣本最高替換比例為50%，確保網(wǎng)絡(luò)訓(xùn)練真實(shí)樣本占主導(dǎo)。數(shù)據(jù)結(jié)果保留2位小數(shù)，見(jiàn)表1。

表1 替換實(shí)驗(yàn)結(jié)果Tab.1 Substitution experiment results

從表1結(jié)果可得:隨著真實(shí)樣本占比的減小， 無(wú)替換和替換數(shù)據(jù)的網(wǎng)絡(luò)性能均隨之下降,其中無(wú)替換組結(jié)果表明訓(xùn)練樣本量會(huì)直接影響網(wǎng)絡(luò)性能；替換組數(shù)據(jù)則表明生成圖像并不能完全替換真實(shí)圖像，準(zhǔn)確率均不低于無(wú)替換組的準(zhǔn)確率；Fmeasure則在真實(shí)樣本占比不低于55%時(shí)，替換組的Fmeasure均不低于無(wú)替換組的Fmeasure，表明適量擴(kuò)增生成樣本能夠緩解真實(shí)樣本不足帶來(lái)的性能損失。將數(shù)據(jù)結(jié)果繪制成折線圖，如圖7所示。

圖7橫坐標(biāo)表示樣本量以2 000為基數(shù)的真實(shí)正樣本占比，圖7(a)顯示在真實(shí)樣本占比為60%左右時(shí)，替換樣本對(duì)網(wǎng)絡(luò)性能下降緩解幅度較大；圖7(b)顯示在真實(shí)樣本占比約55%以上時(shí)，替換樣本組的Fmeasure值都有提升。

綜上所述，生成圖像可一定程度上替代真實(shí)圖像用于樣本擴(kuò)充具有可行性，但生成圖像不能完全替代真實(shí)圖像，不同生成圖像和真實(shí)圖像數(shù)量之比對(duì)網(wǎng)絡(luò)性能好壞有不同影響。

3.3.2 樣本擴(kuò)充實(shí)驗(yàn)

擴(kuò)充實(shí)驗(yàn)的設(shè)置旨在探究生成圖像擴(kuò)充比例對(duì)網(wǎng)絡(luò)性能的影響，實(shí)驗(yàn)結(jié)果保留4位有效數(shù)字，結(jié)果如圖8所示。圖8(a)和圖8(b)分別給出了3組初始測(cè)試數(shù)據(jù)比例，3組數(shù)據(jù)測(cè)試結(jié)果與真實(shí)正樣本基數(shù)1 000、1 250、1 500一一對(duì)應(yīng)。

圖7 替換實(shí)驗(yàn)結(jié)果Fig.7 Substitution experimental results

圖8 擴(kuò)充實(shí)驗(yàn)結(jié)果Fig.8 Expanded experimental results

由圖8(a)可知：隨著擴(kuò)充比例的增大，準(zhǔn)確率呈現(xiàn)先減小再增大再減小的趨勢(shì)。生成樣本擴(kuò)充比例在20%至50%時(shí)，測(cè)試準(zhǔn)確率均有提升；擴(kuò)充比例從30%到40%階段準(zhǔn)確率提升幅度較大，3組峰值均在這一范圍，其中基數(shù)為1 000和1 250的峰值均超過(guò)基數(shù)為1 500的峰值；比例低于20%或高于50%時(shí)，測(cè)試準(zhǔn)確率存在下降趨勢(shì)。由圖8(b)可知：Fmeasure呈現(xiàn)先增大后減小趨勢(shì)，性能提升峰值在30%到50%；隨著基數(shù)增加，F(xiàn)measure提升幅度隨之增加。因此，在確保Fmeasure不下降的情況下，擴(kuò)充比例設(shè)定在40%～50%時(shí)，網(wǎng)絡(luò)性能提升效果較佳。

為進(jìn)一步驗(yàn)證結(jié)果，分別采用ResNet50、Inception_v3及DenseNet121以真實(shí)正樣本基數(shù)1 000進(jìn)行樣本擴(kuò)充實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 經(jīng)典網(wǎng)絡(luò)擴(kuò)充實(shí)驗(yàn)結(jié)果Fig.9 Expanded experimental results of classic models

由圖9(a)可看出:隨著生成樣本擴(kuò)充比例的增大，3個(gè)網(wǎng)絡(luò)的測(cè)試準(zhǔn)確率均呈現(xiàn)先降低后提升最后再呈現(xiàn)下降的趨勢(shì)。其中，擴(kuò)充比例在30%～60%時(shí)，ResNet50和DenseNet121測(cè)試準(zhǔn)確率均高于未擴(kuò)充初值;Inception_v3測(cè)試準(zhǔn)確率則在擴(kuò)充比例超過(guò)約45%時(shí)超過(guò)初值,且3種網(wǎng)絡(luò)準(zhǔn)確率測(cè)試峰值均落于40%～50%范圍內(nèi)。圖9(b)則顯示：3種經(jīng)典網(wǎng)絡(luò)的Fmeasure值變化趨勢(shì)較緩，呈現(xiàn)出同測(cè)試準(zhǔn)確率類似趨勢(shì)；擴(kuò)充比例在40%～70%時(shí)，F(xiàn)measure均較初值有所提升，且擴(kuò)充比例在40%～60%之間時(shí)Fmeasure值較高。綜上，若采用Cycle-GAN生成的絕緣子圖像樣本直接用于樣本擴(kuò)充，當(dāng)擴(kuò)充比例在40%～50%時(shí)可緩解樣本不足問(wèn)題，且可以有效提升網(wǎng)絡(luò)性能。

4 結(jié)論

本文將視角從絕緣子本身轉(zhuǎn)變到背景色彩特征，對(duì)絕緣子圖像進(jìn)行了4種色調(diào)風(fēng)格域的劃分， 利用訓(xùn)練過(guò)的Cycle-GAN實(shí)現(xiàn)了絕緣子圖像樣本的生成，并對(duì)生成圖像的具體擴(kuò)充效果進(jìn)行了驗(yàn)證與探究。實(shí)驗(yàn)表明：本文方法用于絕緣子樣本擴(kuò)增具有可行性，當(dāng)擴(kuò)充比例在40%～50%時(shí)，擴(kuò)充效果較佳，生成樣本對(duì)真實(shí)樣本的可替代性能夠一定程度上緩解輸電線路絕緣子樣本缺乏問(wèn)題；但難以避免的不逼真生成圖像及GAN生成過(guò)程中添加的噪聲信息均可能對(duì)特征學(xué)習(xí)產(chǎn)生負(fù)面影響。不合理的生成樣本擴(kuò)充量不但會(huì)增加運(yùn)算負(fù)荷，也可能對(duì)網(wǎng)絡(luò)訓(xùn)練產(chǎn)生反效果，目前GAN生成圖像篩選并無(wú)統(tǒng)一標(biāo)準(zhǔn)；因此，下一步工作將針對(duì)絕緣子生成圖像的篩選方式進(jìn)行進(jìn)一步探究，避免人為篩選造成的主觀因素影響，提升生成圖像整體質(zhì)量，為后續(xù)遠(yuǎn)距離航拍絕緣子標(biāo)注數(shù)據(jù)的生成和工程應(yīng)用奠定基礎(chǔ)，有效緩解絕緣子樣本不足問(wèn)題。