CN112613494A - 基于深度对抗网络的电力线路监控异常识别方法及系统 - Google Patents
基于深度对抗网络的电力线路监控异常识别方法及系统 Download PDFInfo
- Publication number
- CN112613494A CN112613494A CN202110059517.8A CN202110059517A CN112613494A CN 112613494 A CN112613494 A CN 112613494A CN 202110059517 A CN202110059517 A CN 202110059517A CN 112613494 A CN112613494 A CN 112613494A
- Authority
- CN
- China
- Prior art keywords
- generator
- discriminator
- training
- sample
- updating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 134
- 230000006870 function Effects 0.000 claims description 49
- 230000005856 abnormality Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度对抗网络的电力线路监控异常识别方法及系统。该方法包括：构建深度对抗网络；所述深度对抗网络包括生成器和判别器；所述生成器用于生成虚假图片；所述判别器用于判别输入的图像是否为虚假图片；基于训练样本集，对所述深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器；所述训练样本集包括多个真实样本和对应的多个虚假样本；获取待识别电力线路监控图像；将所述待识别电力线路监控图像输入所述训练好的判别器，识别所述待识别电力线路监控图像是否为虚假图片，得到识别结果。本发明可以提高电力线路监控异常识别的准确度。
Description
技术领域
本发明涉及电力线路检测领域，特别是涉及一种基于深度对抗网络的电力线路监控异常识别方法及系统。
背景技术
电力线路巡视工作是配电专业日常运维管理的重要工作。在线路运行过程中，如高压电气设备长期存在局部放电，会加速设备老化，最终导致故障发生。目前我国电力企业对生产运维精益化要求不断提高，新设备、新材料的持续增长以及电网设备整体规模数量的急剧增加，导致现场检修、日常运行维护工作剧增，生产结构性缺员与供电可靠性要求的矛盾日益突出。传统的通过外观检查、手工记录开展电力线路日常巡视检查的工作方式，无法对设备状态机潜伏性故障有效掌握，特别是当前对输配电设备施行定期检修等方式，针对性不强。
目前采用的视频图像采集与监控设备，智能化程度低，人工查找缺陷工作量大，特别是当视频设备的数量大幅增加后，人工查阅数据的方式变得越来越困难，可靠性不高。
目前有部分厂家提出了智能化的视频监控技术，但是目前的智能识别技术多为基于单向的神经元网络，采用的是图片分类以及图片检测技术，由于电力设备的多样性和复杂性，这种图片识别技术效果较差。
有些文献提出了使用生成对抗网络进行识别模型效果提升的方法，但是这些方法基本上是使用生成对抗网络来丰富训练数据库，对于模型识别模型的识别效果提升作用差，导致电力线路监控异常识别效果差。
发明内容
本发明的目的是提供一种基于深度对抗网络的电力线路监控异常识别方法及系统，以提高电力线路监控异常识别的准确度。
为实现上述目的，本发明提供了如下方案：
一种基于深度对抗网络的电力线路监控异常识别方法，包括：
构建深度对抗网络；所述深度对抗网络包括生成器和判别器；所述生成器用于生成虚假图片；所述判别器用于判别输入的图像是否为虚假图片；
基于训练样本集，对所述深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器；所述训练样本集包括多个真实样本和对应的多个虚假样本；
获取待识别电力线路监控图像；
将所述待识别电力线路监控图像输入所述训练好的判别器，识别所述待识别电力线路监控图像是否为虚假图片，得到识别结果。
可选的，所述深度对抗网络还包括：第一解码器网络和第二解码器网络；所述真实样本通过所述第一解码器网络生成所述真实样本对应的第一潜空间变量；所述第一潜空间变量经过所述生成器，生成所述真实样本对应的虚假图片；所述虚假图片通过所述第二解码器网络生成第二潜空间变量。
可选的，所述基于训练样本集，对所述深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器，具体包括：
根据所述训练样本集，基于生成器生成每个真实样本的生成样本，得到多个训练样本对；所述生成样本为所述真实样本对应的虚假图片，每个训练样本对包括一个真实样本及对应的生成样本；
固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代；
当完成k次判别器迭代后，基于学习率更新一次所述生成器的参数，完成一次生成器初始迭代；
当完成n次生成器初始迭代后，基于更新后的生成器生成每个真实样本的生成样本，完成一次多个训练样本对的更新；
当完成d次多个训练样本对的更新后，通过所有训练样本对对所述生成器进行一次训练，基于第二损失函数更新所述生成器的参数，完成一次生成器的更新迭代；并通过所有训练样本对对第二解码器网络进行一次训练，结合第三损失函数更新所述第二解码器网络的参数，完成一次所述第二解码器网络的更新；
锁定一次更新后的所述第二解码器网络，基于所有训练样本对对所述生成器进行一次训练，并基于第三损失函数更新所述生成器的参数，完成一次生成器的最终迭代；返回“固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代”步骤；
当判别器迭代的累计迭代次数达到最大迭代次数时，将最后一次判别器迭代更新参数后的判别器确定为训练好的判别器。
可选的，所述第一损失函数为判别器输出的生成样本的识别结果与对应的虚假样本之间的欧几里得距离；所述第二损失函数为真实样本与所述生成器生成的生成样本之间的曼哈顿距离；所述第三损失函数为第一潜空间变量与第二潜空间变量之间的欧几里得距离。
可选的，所述判别器包括一个编码器和与所述编码器连接的全连接神经元网络层。
本发明还提供一种基于深度对抗网络的电力线路监控异常识别系统，包括：
深度对抗网络构建模块，用于构建深度对抗网络；所述深度对抗网络包括生成器和判别器；所述生成器用于生成虚假图片；所述判别器用于判别输入的图像是否为虚假图片；
训练模块，用于基于训练样本集，对所述深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器；所述训练样本集包括多个真实样本和对应的多个虚假样本；
待识别电力线路监控图像获取模块，用于获取待识别电力线路监控图像；
识别模块，用于将所述待识别电力线路监控图像输入所述训练好的判别器，识别所述待识别电力线路监控图像是否为虚假图片，得到识别结果。
可选的，所述深度对抗网络还包括：第一解码器网络和第二解码器网络；所述真实样本通过所述第一解码器网络生成所述真实样本对应的第一潜空间变量；所述第一潜空间变量经过所述生成器，生成所述真实样本对应的虚假图片；所述虚假图片通过所述第二解码器网络生成第二潜空间变量。
可选的，所述训练模块，具体包括：
训练样本对生成单元，用于根据所述训练样本集，基于生成器生成每个真实样本的生成样本，得到多个训练样本对；所述生成样本为所述真实样本对应的虚假图片，每个训练样本对包括一个真实样本及对应的生成样本；
判别器更新单元，用于固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代；
生成器初始更新单元，用于当完成k次判别器迭代后，基于学习率更新一次所述生成器的参数，完成一次生成器初始迭代；
训练样本对更新单元，用于当完成n次生成器初始迭代后，基于更新后的生成器生成每个真实样本的生成样本，完成一次多个训练样本对的更新；
生成器二次更新单元，用于当完成d次多个训练样本对的更新后，通过所有训练样本对对所述生成器进行一次训练，基于第二损失函数更新所述生成器的参数，完成一次生成器的更新迭代；
第二编码器网络更新单元，用于通过所有训练样本对对第二解码器网络进行一次训练，结合第三损失函数更新所述第二解码器网络的参数，完成一次所述第二解码器网络的更新；
生成器三次更新单元，用于锁定一次更新后的所述第二解码器网络，基于所有训练样本对对所述生成器进行一次训练，并基于第三损失函数更新所述生成器的参数，完成一次生成器的最终迭代；并返回“固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代”步骤；
训练好的判别器确定单元，用于当判别器迭代的累计迭代次数达到最大迭代次数时，将最后一次判别器迭代更新参数后的判别器确定为训练好的判别器。
可选的，所述第一损失函数为判别器输出的生成样本的识别结果与对应的虚假样本之间的欧几里得距离；所述第二损失函数为真实样本与所述生成器生成的生成样本之间的曼哈顿距离；所述第三损失函数为第一潜空间变量与第二潜空间变量之间的欧几里得距离。
可选的，所述判别器包括一个编码器和与所述编码器连接的全连接神经元网络层。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
大量的视频图像类监控不具备智能检测异常和报警的能力，本发明基于少量历史数据和生成对抗网络共同训练的方式，实现对异常图像和视频进行检出和报警的能力。同时，优化了训练过程，从而达到了不需要海量数据就能够达到更高精度的检测能力，降低准确率，减少误报和漏报率，提高电力线路视频监控的智能化水平。并且，还能实现虚假攻击数据检测，防止恶意的网络攻击使用虚假数据来蒙骗系统，提升系统的预警能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于深度对抗网络的电力线路监控异常识别方法的流程示意图；
图2为生成对抗网络的示意图；
图3为本发明深度对抗网络的示意图；
图4为本发明判别器识别电力线路监控图像的示意图；
图5为本发明基于深度对抗网络的电力线路监控异常识别系统的结构示意图；
图6为本发明实施时的硬件结构示意图；
图7为本发明硬件系统的总体框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于深度对抗网络的电力线路监控异常识别方法的流程示意图。如图1所示，基于深度对抗网络的电力线路监控异常识别方法包括以下步骤：
步骤100：构建深度对抗网络。图2为生成对抗网络的示意图，如图2所示，传统的生成对抗网络中将深度逆卷积神经元网络模型(也可视为解码器)作为生成器G，能够输入一个向量，输出设定像素图像，输入的变量称为潜空间中的潜变量z；将深度网络来作为判别器用来判别图片是真的还是假的，深度网络包括2个部分卷积神经元网络(也可视为编码器)，连接一个全连接层网络(也可视为分类器)，输入图片，输出为判别图片的正常或异常的判断结果。
生成器(Generator)，也称为解码器(Encoder)，他们拥有同样的逆卷积神经元网络结构。输入一个n维度向量，这个变量与特征的n维潜空间(latent space)有关，常被称为潜变量(latent variance)，输出为图片像素大小的图片。例如，将输入的潜变量维数设为100，通过4层逆卷级神经元网络后，可以输出一张64*64的图像。
编码器则是一个完全相反过程，只是将逆卷级神经元网络换成了卷级神经元网络。判别器由一个编码器并且将输出的向量连接一个全联接层分类器。
基于生成对抗网络的结构，本发明构建的深度对抗网络包括生成器和判别器，生成器用于生成虚假图片，判别器用于判别输入的图像是否为虚假图片。
本发明在拥有大量正常图片数据集，以及少量异常和受攻击的虚假数据的情况下，构建一种可以识别通用情况下的异常或虚假图片的深度对抗网络。对该深度对抗网络输入一张照片，计算该照片的异常程度和虚假程度得分A(x)，当异常程度和虚假程度得分A(x)小于阈值可以判断图片的异常。图3为本发明深度对抗网络的示意图，如图3所示，本发明的深度对抗网络还包括：第一解码器网络D1和第二解码器网络D2，真实样本通过所述第一解码器网络生成所述真实样本对应的第一潜空间变量；所述第一潜空间变量经过所述生成器，生成所述真实样本对应的虚假图片；所述虚假图片通过所述第二解码器网络生成第二潜空间变量。整个深度对抗网络包括三个子网络：子网络1、子网络2和子网络3。
子网络1为包括第一解码器网络D1和生成器G的自动编码网络。生成器G学习输入图像x在潜空间中的表述(潜变量)z，并将其重构成输入图像xr。
该网络的计算过程如下：
先将图片x，前向经过第一解码器网络D1，得到一组向量z，z＝D1(x)，即为图片在潜空间中的表述，该表述可以被视为包含了图像特征最佳表述的最低维度；向量z随后前向经过生成器G，将潜空间中的表述还原成维数与输入一致的图片，表示为xr＝G(z)。
子网络1将输入图片和输出的生成图片之间的曼哈顿距离构成损失函数，通过该函数可以使用以梯度下降算法为基础的各类优化算法,来学习生成图片尽跟原图片的背景相似度。损失函数如下：
L1＝||x-xr||1
子网络2包括生成对抗网络中的判别器，由一个编码器连接一个全联接神经元网络层组成。该判别器的目标在于将输入真实样本x、输入生成样本xr和虚假样本x′分别分类为真实图片和异常或虚假图片。
子网络2将输出的生成样本的识别结果与对应的虚假样本之间的欧几里得距离构成损失函数，损失函数如下：
L2＝||D(xr)-D(x′)||2
子网络3为第二解码器网络D2，将图片xr重新计算成一组潜空间变量。第二解码器网络D2与判别器D有相同的网络结构和不同的参数。与其他所有的基于生成对抗网络和自动编码网络通过瓶颈来实现潜变量维度最小化的所有方法不同，本发明子网络3使用一个额外的解码器网络的显式训练过程来获得第二解码器网络D2的网络模型参数。
第二解码器网络D2的输出z′和子网络1的中间变量z的欧几米得距离构成损失函数，通过该函数可以使用以梯度下降算法为基础的各类优化算法。损失函数如下：
L3＝||z-z′||2
步骤200：基于训练样本集，对深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器。训练样本集包括多个真实样本和对应的多个虚假样本。具体训练过程如下：
Step1：根据所述训练样本集，基于生成器生成每个真实样本的生成样本，得到多个训练样本对。从真实样本中采样m个样本(x1,x2,…,xm)，从先验分布噪声中采样m个噪声样本(z1,z2,…,zm)并通过生成器获取m个生成样本(xr1,xr2,…,xrm)。生成样本为所述真实样本对应的虚假图片，每个训练样本对包括一个真实样本及对应的生成样本；
Step2：固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数L2更新所述判别器的参数，完成一次判别器迭代。具体的，通过子网络2的判别器D计算(A1,A2,…,Am)，尽可能地区分正确的虚假样本和生成的样本。通过损失函数L2计算判别器D的参数梯度误差，并更新D的参数。当进行下一次判别器迭代时，继续执行Step2即可。
Step3：当完成k次判别器迭代后，判别器D能力提升，并且生成器生成的图片可以达到与真实数据难以辨别。此时，基于较小的学习率更新一次所述生成器的参数，完成一次生成器初始迭代。
Step4：当完成n次生成器初始迭代后，生成器G的性能有所提升。基于更新后的生成器生成每个真实样本的生成样本，完成一次多个训练样本对的更新。
Step5：当完成d次多个训练样本对的更新后，通过所有训练样本对对所述生成器进行一次训练，基于第二损失函数更新所述生成器的参数，完成一次生成器的更新迭代，通过损失函数L1反向计算，训练生成器使其尽可能能够减小生成样本与真实样本之间的差距。
同时，通过所有训练样本对对第二解码器网络进行一次训练，结合第三损失函数L3更新所述第二解码器网络的参数，完成一次所述第二解码器网络的更新。
Step6：锁定一次更新后的所述第二解码器网络D2，基于生成器G若干次生成的所有训练样本对对所述生成器进行一次训练，并基于第三损失函数L3更新所述生成器的参数，完成一次生成器的最终迭代。
Step1-Step6为一次整体的训练过程，训练完成后返回Step1，进入下一次整体迭代。当判别器迭代的累计迭代次数达到最大迭代次数时，将最后一次判别器迭代更新参数后的判别器确定为训练好的判别器。
步骤300：获取待识别电力线路监控图像。
步骤400：将待识别电力线路监控图像输入训练好的判别器，识别待识别电力线路监控图像是否为虚假图片，得到识别结果。如图4所示，将待识别电力线路监控图像输入训练好的判别器D中，计算该照片的异常程度和虚假程度得分A(x)，当A(x)小于阈值可以判定图片异常。
基于上述方法，本发明还提供一种基于深度对抗网络的电力线路监控异常识别系统，图5为本发明基于深度对抗网络的电力线路监控异常识别系统的结构示意图。如图5所示，本发明基于深度对抗网络的电力线路监控异常识别系统包括：
深度对抗网络构建模块501，用于构建深度对抗网络；所述深度对抗网络包括生成器和判别器；所述生成器用于生成虚假图片；所述判别器用于判别输入的图像是否为虚假图片。
训练模块502，用于基于训练样本集，对所述深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器；所述训练样本集包括多个真实样本和对应的多个虚假样本。
待识别电力线路监控图像获取模块503，用于获取待识别电力线路监控图像。
识别模块504，用于将所述待识别电力线路监控图像输入所述训练好的判别器，识别所述待识别电力线路监控图像是否为虚假图片，得到识别结果。
作为具体实施例，本发明基于深度对抗网络的电力线路监控异常识别系统中，所述深度对抗网络还包括：第一解码器网络和第二解码器网络；所述真实样本通过所述第一解码器网络生成所述真实样本对应的第一潜空间变量；所述第一潜空间变量经过所述生成器，生成所述真实样本对应的虚假图片；所述虚假图片通过所述第二解码器网络生成第二潜空间变量。
作为具体实施例，本发明基于深度对抗网络的电力线路监控异常识别系统中，所述训练模块502，具体包括：
训练样本对生成单元，用于根据所述训练样本集，基于生成器生成每个真实样本的生成样本，得到多个训练样本对；所述生成样本为所述真实样本对应的虚假图片，每个训练样本对包括一个真实样本及对应的生成样本。
判别器更新单元，用于固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代。
生成器初始更新单元，用于当完成k次判别器迭代后，基于学习率更新一次所述生成器的参数，完成一次生成器初始迭代。
训练样本对更新单元，用于当完成n次生成器初始迭代后，基于更新后的生成器生成每个真实样本的生成样本，完成一次多个训练样本对的更新。
生成器二次更新单元，用于当完成d次多个训练样本对的更新后，通过所有训练样本对对所述生成器进行一次训练，基于第二损失函数更新所述生成器的参数，完成一次生成器的更新迭代。
第二编码器网络更新单元，用于通过所有训练样本对对第二解码器网络进行一次训练，结合第三损失函数更新所述第二解码器网络的参数，完成一次所述第二解码器网络的更新。
生成器三次更新单元，用于锁定一次更新后的所述第二解码器网络，基于所有训练样本对对所述生成器进行一次训练，并基于第三损失函数更新所述生成器的参数，完成一次生成器的最终迭代；并返回“固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代”步骤。
训练好的判别器确定单元，用于当判别器迭代的累计迭代次数达到最大迭代次数时，将最后一次判别器迭代更新参数后的判别器确定为训练好的判别器。
本发明实施时，将训练好深度对抗网络作为模型部署到设备上，在现场设备上实现视频监控数据的虚假攻击数据和异常数据识别。图6为本发明实施时的硬件结构示意图，图7为本发明硬件系统的总体框图。结合图6和图7所示，应用在现场设备时，其硬件设备由图像显示传感器--高清夜视CMOS、中心处理单元、边缘计算模块以及警报输出与通信系统组成。
该设备也可以应用于多种其他深度神经元网络的智能图像采集系统。
中心计算模块硬件由中心处理单元组成，其软件主要为操作系统，本设备采用支持docker的基于linux裁剪系统。
边缘计算模块同样需要支持docker的加速操作，同时采用专用的TPU硬件模块使得运算能力达到2.0T浮点运算。
警报与输出系统由用户管理部门决定，可以是各种后台管理系统，通过本专利提供的识别结果，对问题进行呈现和管理。
具体应用时，真实图片缺陷数据集选用电力线路图像在线监测缺陷数据库，由以往采集的数据，以及人工标注与专家分析的标签构成。其为本发发明构成深度学习网络训练所需要的数据集。使用该数据集对深度对抗网络模型进行训练，在边缘计算模块上进行安装。
识别和分析过程图7所示，由电力线路图像采集设备对图像进行采集，然后使用边缘计算模块通过深度对抗网络模型进行训练，得到的结果经过处理后回传到后台，在后台生成报告和警报信息并在运维管理平台上进行显示。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于深度对抗网络的电力线路监控异常识别方法，其特征在于，包括：
构建深度对抗网络；所述深度对抗网络包括生成器和判别器；所述生成器用于生成虚假图片；所述判别器用于判别输入的图像是否为虚假图片；
基于训练样本集，对所述深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器；所述训练样本集包括多个真实样本和对应的多个虚假样本；
获取待识别电力线路监控图像；
将所述待识别电力线路监控图像输入所述训练好的判别器，识别所述待识别电力线路监控图像是否为虚假图片，得到识别结果。
2.根据权利要求1所述的基于深度对抗网络的电力线路监控异常识别方法，其特征在于，所述深度对抗网络还包括：第一解码器网络和第二解码器网络；所述真实样本通过所述第一解码器网络生成所述真实样本对应的第一潜空间变量；所述第一潜空间变量经过所述生成器，生成所述真实样本对应的虚假图片；所述虚假图片通过所述第二解码器网络生成第二潜空间变量。
3.根据权利要求2所述的基于深度对抗网络的电力线路监控异常识别方法，其特征在于，所述基于训练样本集，对所述深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器，具体包括：
根据所述训练样本集，基于生成器生成每个真实样本的生成样本，得到多个训练样本对；所述生成样本为所述真实样本对应的虚假图片，每个训练样本对包括一个真实样本及对应的生成样本；
固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代；
当完成k次判别器迭代后，基于学习率更新一次所述生成器的参数，完成一次生成器初始迭代；
当完成n次生成器初始迭代后，基于更新后的生成器生成每个真实样本的生成样本，完成一次多个训练样本对的更新；
当完成d次多个训练样本对的更新后，通过所有训练样本对对所述生成器进行一次训练，基于第二损失函数更新所述生成器的参数，完成一次生成器的更新迭代；并通过所有训练样本对对第二解码器网络进行一次训练，结合第三损失函数更新所述第二解码器网络的参数，完成一次所述第二解码器网络的更新；
锁定一次更新后的所述第二解码器网络，基于所有训练样本对对所述生成器进行一次训练，并基于第三损失函数更新所述生成器的参数，完成一次生成器的最终迭代；返回“固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代”步骤；
当判别器迭代的累计迭代次数达到最大迭代次数时，将最后一次判别器迭代更新参数后的判别器确定为训练好的判别器。
4.根据权利要求3所述的基于深度对抗网络的电力线路监控异常识别方法，其特征在于，所述第一损失函数为判别器输出的生成样本的识别结果与对应的虚假样本之间的欧几里得距离；所述第二损失函数为真实样本与所述生成器生成的生成样本之间的曼哈顿距离；所述第三损失函数为第一潜空间变量与第二潜空间变量之间的欧几里得距离。
5.根据权利要求1所述的基于深度对抗网络的电力线路监控异常识别方法，其特征在于，所述判别器包括一个编码器和与所述编码器连接的全连接神经元网络层。
6.一种基于深度对抗网络的电力线路监控异常识别系统，其特征在于，包括：
深度对抗网络构建模块，用于构建深度对抗网络；所述深度对抗网络包括生成器和判别器；所述生成器用于生成虚假图片；所述判别器用于判别输入的图像是否为虚假图片；
训练模块，用于基于训练样本集，对所述深度对抗网络中的生成器和判别器交替训练，得到训练好的判别器；所述训练样本集包括多个真实样本和对应的多个虚假样本；
待识别电力线路监控图像获取模块，用于获取待识别电力线路监控图像；
识别模块，用于将所述待识别电力线路监控图像输入所述训练好的判别器，识别所述待识别电力线路监控图像是否为虚假图片，得到识别结果。
7.根据权利要求6所述的基于深度对抗网络的电力线路监控异常识别系统，其特征在于，所述深度对抗网络还包括：第一解码器网络和第二解码器网络；所述真实样本通过所述第一解码器网络生成所述真实样本对应的第一潜空间变量；所述第一潜空间变量经过所述生成器，生成所述真实样本对应的虚假图片；所述虚假图片通过所述第二解码器网络生成第二潜空间变量。
8.根据权利要求7所述的基于深度对抗网络的电力线路监控异常识别系统，其特征在于，所述训练模块，具体包括：
训练样本对生成单元，用于根据所述训练样本集，基于生成器生成每个真实样本的生成样本，得到多个训练样本对；所述生成样本为所述真实样本对应的虚假图片，每个训练样本对包括一个真实样本及对应的生成样本；
判别器更新单元，用于固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代；
生成器初始更新单元，用于当完成k次判别器迭代后，基于学习率更新一次所述生成器的参数，完成一次生成器初始迭代；
训练样本对更新单元，用于当完成n次生成器初始迭代后，基于更新后的生成器生成每个真实样本的生成样本，完成一次多个训练样本对的更新；
生成器二次更新单元，用于当完成d次多个训练样本对的更新后，通过所有训练样本对对所述生成器进行一次训练，基于第二损失函数更新所述生成器的参数，完成一次生成器的更新迭代；
第二编码器网络更新单元，用于通过所有训练样本对对第二解码器网络进行一次训练，结合第三损失函数更新所述第二解码器网络的参数，完成一次所述第二解码器网络的更新；
生成器三次更新单元，用于锁定一次更新后的所述第二解码器网络，基于所有训练样本对对所述生成器进行一次训练，并基于第三损失函数更新所述生成器的参数，完成一次生成器的最终迭代；并返回“固定所述生成器，基于所有训练样本对对所述判别器进行一次训练，并基于第一损失函数更新所述判别器的参数，完成一次判别器迭代”步骤；
训练好的判别器确定单元，用于当判别器迭代的累计迭代次数达到最大迭代次数时，将最后一次判别器迭代更新参数后的判别器确定为训练好的判别器。
9.根据权利要求8所述的基于深度对抗网络的电力线路监控异常识别系统，其特征在于，所述第一损失函数为判别器输出的生成样本的识别结果与对应的虚假样本之间的欧几里得距离；所述第二损失函数为真实样本与所述生成器生成的生成样本之间的曼哈顿距离；所述第三损失函数为第一潜空间变量与第二潜空间变量之间的欧几里得距离。
10.根据权利要求6所述的基于深度对抗网络的电力线路监控异常识别系统，其特征在于，所述判别器包括一个编码器和与所述编码器连接的全连接神经元网络层。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011298972 | 2020-11-19 | ||
| CN2020112989725 | 2020-11-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112613494A true CN112613494A (zh) | 2021-04-06 |
Family
ID=75254163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110059517.8A Pending CN112613494A (zh) | 2020-11-19 | 2021-01-18 | 基于深度对抗网络的电力线路监控异常识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613494A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113395280A (zh) * | 2021-06-11 | 2021-09-14 | 成都为辰信息科技有限公司 | 基于生成对抗网络的抗混淆性网络入侵检测方法 |
| CN113449679A (zh) * | 2021-07-14 | 2021-09-28 | 湖南长城科技信息有限公司 | 一种人体异常行为识别方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
| WO2020100136A1 (en) * | 2018-11-15 | 2020-05-22 | Uveye Ltd. | Method of anomaly detection and system thereof |
| CN111582348A (zh) * | 2020-04-29 | 2020-08-25 | 武汉轻工大学 | 条件生成式对抗网络的训练方法、装置、设备及存储介质 |
| CN111709408A (zh) * | 2020-08-18 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 图像真伪检测方法和装置 |
-
2021
- 2021-01-18 CN CN202110059517.8A patent/CN112613494A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020100136A1 (en) * | 2018-11-15 | 2020-05-22 | Uveye Ltd. | Method of anomaly detection and system thereof |
| CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
| CN111582348A (zh) * | 2020-04-29 | 2020-08-25 | 武汉轻工大学 | 条件生成式对抗网络的训练方法、装置、设备及存储介质 |
| CN111709408A (zh) * | 2020-08-18 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 图像真伪检测方法和装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113395280A (zh) * | 2021-06-11 | 2021-09-14 | 成都为辰信息科技有限公司 | 基于生成对抗网络的抗混淆性网络入侵检测方法 |
| CN113395280B (zh) * | 2021-06-11 | 2022-07-26 | 成都为辰信息科技有限公司 | 基于生成对抗网络的抗混淆性网络入侵检测方法 |
| CN113449679A (zh) * | 2021-07-14 | 2021-09-28 | 湖南长城科技信息有限公司 | 一种人体异常行为识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
| CN113158814B (zh) | 一种基于卷积自编码器的轴承健康状态监测方法 | |
| CN114993669B (zh) | 多传感器信息融合的传动系统故障诊断方法及系统 | |
| CN112613494A (zh) | 基于深度对抗网络的电力线路监控异常识别方法及系统 | |
| CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
| CN112766334A (zh) | 一种基于伪标签域适应的跨域图像分类方法 | |
| CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
| CN115278741A (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN116386081A (zh) | 一种基于多模态图像的行人检测方法及系统 | |
| CN113255591A (zh) | 一种基于随机森林和融合特征的轴承故障诊断方法 | |
| CN113505531B (zh) | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 | |
| CN117290719B (zh) | 基于数据分析的巡检管理方法、装置及存储介质 | |
| CN114359167A (zh) | 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法 | |
| CN114821299A (zh) | 一种遥感图像变化检测方法 | |
| CN113946920A (zh) | 一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法 | |
| CN114154530A (zh) | 一种心电时序信号房颤检测模型训练方法及装置 | |
| Stracuzzi et al. | Quantifying Uncertainty to Improve Decision Making in Machine Learning. | |
| CN116388865B (zh) | 一种基于pon光模块光功率异常的自动筛选方法 | |
| CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
| CN115329663A (zh) | 处理电力负荷监测稀疏数据的关键特征选择方法和装置 | |
| CN115546689A (zh) | 基于无监督下帧相关性的视频时间序列的异常帧探测方法 | |
| CN114169398A (zh) | 基于随机森林算法的光伏直流电弧故障识别方法及装置 | |
| CN114627325A (zh) | 场景分类方法、装置、设备以及存储介质 | |
| CN112733951B (zh) | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |