[發明專利]一種基于知識圖譜的電力安全預警方法及系統

有效

• 申請號: 202110660681.4
• 申請日: 2021-06-15
• 公開（公告）號: CN113312499B
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 趙沖;葛久松;衛星;虞浩;姚尚;侯寶華;康旭;陸陽
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/33;G06V10/74;G06V10/774;G06V10/82;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 張雪

1.一種基于知識圖譜的電力安全預警方法，其特征在于，包括；

采集電力設備場景圖像數據，并將所述電力設備場景圖像數據預處理為標記圖像數據；

剔除所述標記圖像數據中異常的圖像數據，以得到數據集，將所述數據集劃分為訓練樣本和測試樣本；

通過基于知識圖譜的電力安全預警模型訓練樣本，以得到訓練后基于知識圖譜的電力安全預警模型；

通過訓練后基于知識圖譜的電力安全預警模型對所述測試樣本進行圖像處理，發送預警信息至危險信息檢測設備，判定危險級別；

得到訓練后基于知識圖譜的電力安全預警模型，包括：

根據電力設備日常巡檢中的設備缺陷情況記錄，篩選出現頻次較高的預警信息描述范式，構成預警信息模板集；

獲取封閉域知識圖譜；

使用Inception_v4模型對所述標記圖像數據進行編碼獲取信息；

提取Inception_v4模型最后一層全連接層的輸出特征作為圖像的全局特征V0；

提取Inception_v4模型最后一層卷積層的輸出特征作為圖像的局部特征V＝{v₁，...，v_K}，k為圖像被劃分的總區域個數，V為圖像的局部特征向量；

通過所述訓練樣本進行分詞處理、去除停用詞以及詞性篩選，形成圖像標簽詞匯表，采用訓練好的FCN模型分別對圖像的各個區域特征進行標簽預測，得到圖像局部特征標簽；

對圖像局部特征標簽進行篩選檢查，以剔除無意義的局部特征塊；

依據所述圖像各局部特征標簽向知識圖譜發出查詢請求；

依據知識圖譜中相關知識的存儲格式對各實體標簽進行描述歸一化；

通過描述歸一化后的實體標簽形成對應標準化的SPARQL查詢語句；

通過標準化的查詢語句檢索知識庫中相應的實體以及與其在類別、關系、相關性匹配度較高的實體，然后投射到高維向量空間，獲得字向量或者詞向量；

利用訓練好的深度學習模型對實體相似度進行計算，再通過相應的打分機制獲得候選排序；

篩選出與圖像各區域特征相似度最高的實體，確定實體之間存在的關系路徑；

依據所述關系路徑和信息描述模板形成預警信息，得到訓練后基于知識圖譜的電力安全預警模型。

2.根據權利要求1所述的基于知識圖譜的電力安全預警方法，其特征在于，所述獲取電力設備場景圖像數據，并將所述電力設備場景圖像數據預處理為標記圖像數據包括：

采集攝像頭視距范圍內的電力設備場景視頻流數據；

提取視頻流數據中的關鍵幀，并保存所述關鍵幀為圖像數據；

裁剪所述圖像數據，得到所述標記圖像數據。

3.根據權利要求1所述的基于知識圖譜的電力安全預警方法，其特征在于，所述訓練好的FCN模型分別對圖像的各個區域特征進行標簽預測，包括：

利用13個3×3的卷積層和5個最大池化層提取圖像中抽象的語義特征；

利用1×1的卷積層實現任意尺寸圖像的輸入；

通過反卷積進行上采樣，將圖像恢復成原始大小；

將第5個池化層輸出的特征圖經過反卷積擴大2倍后與第4個池化層輸出的特征圖結合，并將其結果反卷積擴大2倍后與第3個池化層輸出的特征圖結合，最后反卷積擴大8倍后生成預測標簽圖像。

4.根據權利要求1所述的基于知識圖譜的電力安全預警方法，其特征在于，所述篩選與圖像各區域特征相似度最高的實體，包括：

利用訓練好的深度學習模型對實體相似度進行計算，可表示為：

S_i＝Calculate(p_i|q_i)

其中，S_i表示實體相似度，Calculate函數表示深度學習模型中的相似度打分機制，p_i表示圖像的各個局部特征，q_i表示知識圖譜中的實體；

篩選出與圖像各區域特征相似度最高的實體，表示為：

Z_i＝max(S_i)

其中，Z_i表示知識圖譜中對應各局部圖像特征相似度最高的實體，S_i表示知識圖譜中各實體的相似度。