[發(fā)明專利]一種牽引變電所異常檢測方法

有效

• 申請?zhí)枺?/td>: 202111494822.6
• 申請日: 2021-12-08
• 公開（公告）號: CN114140731B
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計(jì)）人: 權(quán)偉;林國松;高仕斌;劉曉紅;趙海全;趙麗平
• 申請（專利權(quán)）人: 西南交通大學(xué)
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/48;G06V10/764;G06V10/762;G06V10/774;G06N5/046
• 代理公司: 成都點(diǎn)睛專利代理事務(wù)所(普通合伙) 51232
• 代理人: 葛啟函

1.一種牽引變電所異常檢測方法，其特征在于，包括如下步驟：

步驟S1、構(gòu)建異常檢測數(shù)據(jù)集，對基礎(chǔ)數(shù)據(jù)集進(jìn)行背景條件聚類；

步驟S2、構(gòu)建距離特征提取模型；

步驟S3、構(gòu)建異常檢測網(wǎng)絡(luò)模型；

步驟S4、采用構(gòu)建的數(shù)據(jù)集對異常檢測網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

步驟S5、采集視頻圖像作為圖像輸入，如果輸入圖像為空，則整個流程中止；

步驟S6、提取距離特征；

步驟S7、檢測異常發(fā)生的位置；

步驟S8、每隔β幀輸入圖像對異常檢測網(wǎng)絡(luò)模型進(jìn)行在線更新，跳轉(zhuǎn)到步驟S5；

所述步驟S1還包括：提取來自牽引變電所視頻監(jiān)控系統(tǒng)的視頻圖像數(shù)據(jù)，對這些圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)操作，包括平移、旋轉(zhuǎn)、縮放、改變亮度，然后對得到的圖像數(shù)據(jù)進(jìn)行清洗、篩選獲得基礎(chǔ)數(shù)據(jù)集；對基礎(chǔ)數(shù)據(jù)集中包含異常的圖像進(jìn)行異常標(biāo)注，即將異常部分對應(yīng)位置的標(biāo)注圖像像素值標(biāo)為1，正常部分標(biāo)為0，進(jìn)而得到標(biāo)注數(shù)據(jù)集；基礎(chǔ)數(shù)據(jù)集與標(biāo)注數(shù)據(jù)集共同構(gòu)成異常檢測數(shù)據(jù)集；

所述步驟S1還包括：對基礎(chǔ)數(shù)據(jù)集進(jìn)行背景條件聚類，具體過程為計(jì)算基礎(chǔ)數(shù)據(jù)集中每個圖像的亮度均值，然后基于所述亮度均值采用K-means算法對基礎(chǔ)數(shù)據(jù)集進(jìn)行聚類計(jì)算，獲得K個背景條件聚類中心；

所述步驟S2還包括：所述距離特征提取模型包含深度特征提取網(wǎng)絡(luò)和距離矩陣輸出層；

所述深度特征提取網(wǎng)絡(luò)采用DenseNet網(wǎng)絡(luò)，將所述DenseNet網(wǎng)絡(luò)的Block4模塊的輸出作為所提取的深度特征；

距離矩陣輸出層對所述深度特征內(nèi)的距離信息進(jìn)行計(jì)算，將所述深度特征進(jìn)行Flatting平坦化操作變?yōu)樘卣飨蛄浚?Italic>N為包含的元素個數(shù)，基于計(jì)算其每兩兩元素之間差值的絕對值，基于這些差值構(gòu)成距離矩陣，即所述距離矩陣的元素的值為對應(yīng)特征向量中與兩個元素差值的絕對值，，然后對進(jìn)行歸一化處理，即計(jì)算歸一化的：

,

其中，表示M中的最大值；M為距離特征提取模型的輸出；

所述步驟S3還包括：異常檢測網(wǎng)絡(luò)模型由編解碼網(wǎng)絡(luò)和輸出層構(gòu)成；

所述編解碼網(wǎng)絡(luò)基于U-Net網(wǎng)絡(luò)構(gòu)建，包含依次連接的5個編碼模塊和5個解碼模塊，每個編碼模塊包含卷積層、ReLU激活層和最大池化層，每個解碼模塊包含卷積層、ReLU激活層和個上采樣層；

異常檢測網(wǎng)絡(luò)模型的輸出層為編解碼網(wǎng)絡(luò)的最后一層經(jīng)過的卷積計(jì)算得到，所述輸出層的特征尺度與距離特征提取模型的輸入尺度一致；異常檢測網(wǎng)絡(luò)模型的輸出為對應(yīng)輸入圖像的異常得分圖，所述異常得分圖中每個元素的值對應(yīng)輸入圖像在相同位置處的像素屬于異常的分?jǐn)?shù)。

2.根據(jù)權(quán)利要求1所述的牽引變電所異常檢測方法，其特征在于，所述步驟S4還包括：首先將數(shù)據(jù)集中的圖像輸入到距離特征提取模型進(jìn)行正向推理，得到與輸入圖像對應(yīng)的距離特征，然后將所述距離特征輸入異常檢測網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練，訓(xùn)練過程中的損失函數(shù)計(jì)算為：

,

其中，表示對應(yīng)輸入圖像的異常檢測網(wǎng)絡(luò)模型的輸出，表示對應(yīng)相同輸入圖像的數(shù)據(jù)集中對應(yīng)標(biāo)注的結(jié)果，H和W分別表示圖像的高和寬，這里H?=?512,?W?=?512；網(wǎng)絡(luò)模型的訓(xùn)練方法采用Adam?優(yōu)化方法；訓(xùn)練完成后，所述異常檢測網(wǎng)絡(luò)模型具備對圖像異常進(jìn)行檢測的檢測能力。

3.根據(jù)權(quán)利要求1所述的牽引變電所異常檢測方法，其特征在于，所述步驟S5還包括：在實(shí)時處理情況下，提取通過視頻監(jiān)控?cái)z像頭采集并保存在存儲區(qū)的視頻圖像，作為要進(jìn)行異常檢測的輸入圖像；在離線處理情況下，將已采集的視頻文件分解為多個幀組成的圖像序列，按照時間順序，逐個提取幀圖像作為輸入圖像。