CN112907138A - 一种从局部到整体感知的电网场景预警分类方法及系统 - Google Patents
一种从局部到整体感知的电网场景预警分类方法及系统 Download PDFInfo
- Publication number
- CN112907138A CN112907138A CN202110326603.0A CN202110326603A CN112907138A CN 112907138 A CN112907138 A CN 112907138A CN 202110326603 A CN202110326603 A CN 202110326603A CN 112907138 A CN112907138 A CN 112907138A
- Authority
- CN
- China
- Prior art keywords
- classification
- local
- power grid
- model
- pixel block
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种从局部到整体感知的电网场景预警分类方法及系统,所述方法包括以下步骤:将电网场景图片输入训练好的分类模型,通过训练好的分类模型获得电网场景图片预警分类结果;训练好的分类模型的获取步骤包括:通过第一骨干网络模型和局部分类器,构建局部像素块分类模型;通过局部像素块训练集训练局部像素块分类模型,获得训练好的局部像素块分类模型;通过第二骨干网络模型、特征集成模块和全局分类器,构建获得分类模型;第二骨干网络模型加载有第一骨干网络模型的训练权重参数;通过标注的电网场景图片训练集对分类模型进行训练,获得训练好的分类模型。本发明能够解决电网场景预警分类中模型分类精度不能满足需求的技术问题。
Description
技术领域
本发明属于图像分类技术领域,涉及电网场景预警分类领域,特别涉及一种从局部到整体感知的电网场景预警分类方法及系统。
背景技术
近年来,以人工智能、智能视频监控、物联网和边缘计算技术为支撑的智能电网技术快速发展;其中,在图像分类、目标检测和视频监控领域中基于计算机视觉的检查方法激增,包括电力输电线的检查、电网入侵对象检测等等,极大地促进了电网的智能化发展。根据电网的不同工作环境,视觉传感器(包括安装在电网铁塔上的摄像机,攀爬机器人,无人机等)被广泛使用,它们可以提供电网监控在不同应用场景下的不同视角。尽管视觉传感器可以极大地促进电网设施的日常维护,但是由于采集到大量的数据,人工检查异物入侵和恶意破坏的工作量也显著增加。因此,为实现电网基础设施的实时预警和监视,开发基于视觉的风险级别分类模型至关重要。
基于视觉的预警分类可以表述为图像级的分类问题。给定监视摄像机捕获的输入图像,预警分类模型的任务是用置信度得分预测预警的级别。基于CNN的分类模型(包括VGGNet、ResNet等)被用于对自然场景的图像进行分类,用于训练的输入图像的分辨率相对较低(例如224×224)。大多数图像仅包含一个用于分类的对象;而且,主要物体通常位于图像的中间并且占据较大的面积。
在电网监视环境下,为预警分类收集的图像具有以下不同的特点,包括:
(1)高分辨率图像下的高风险小物体:通常,监视摄像机捕获的图像具有相对较高的分辨率(例如1200×900)。为了覆盖较大的监视区域,摄像机位于电网基础设施的较高位置。由于摄像机和物体之间的距离太长,导致高风险物体以较小的尺寸出现在电网中。为了将图像直接馈送到CNN模型中进行通常的图像分类,通常会将输入图像的大小调整为较小的分辨率(例如224×224)。因此,通过直接采用基于CNN的分类模型来感知具有高风险的小物体变得具有挑战性。
(2)应用场景多样:电网设施位于各种不同的场景中,包括城市,农村,荒野等。此外,由于季节和天气变化,一天中的不同拍摄时间等变化因素,图像场景的多样性使得很难将收集到的图像分类为特定级别的预警。此外,输入图像的重新缩放操作进一步对预警等级分类提出了挑战。
(3)局部信息的重要性:在预警级别的标注过程中,专家通常会更加注意图像中的高风险对象或局部区域。具体而言,局部关系(例如,高风险对象与电网设施之间是否存在接触)是确定预警级别的关键。但是,将输入图像从高分辨率缩小到小尺寸会破坏局部信息。此外,它在训练过程中会使模型无所适从,因为模型很难识别“用于预测预警级别的局部详细信息”。
上述图像数据特征使得直接采用在自然场景图像上训练的分类模型进行预警级别分类是复杂且具有挑战性的,其分类的准确性、可靠性不能满足需求。
发明内容
本发明的目的在于提供一种从局部到整体感知的电网场景预警分类方法及系统,以解决上述存在的一个或多个技术问题。本发明能够解决电网场景预警分类中模型分类精度不能满足需求的技术问题。
为达到上述目的,本发明采用以下技术方案:
本发明公开的一种从局部到整体感知的电网场景预警分类方法,包括以下步骤:
将待分类电网场景图片输入训练好的分类模型,通过所述训练好的分类模型获得电网场景图片预警分类结果;
所述训练好的分类模型的获取步骤包括:
通过第一骨干网络模型和局部分类器,构建获得局部像素块分类模型;其中,所述第一骨干网络模型用于局部像素块的特征提取,所述局部分类器用于根据所述第一骨干网络模型提取的特征输出局部像素块分类结果;
根据标注的电网场景图片训练集提取获得局部像素块训练集,通过所述局部像素块训练集训练所述局部像素块分类模型,获得训练好的局部像素块分类模型;
通过第二骨干网络模型、特征集成模块和全局分类器,构建获得分类模型;其中,所述第二骨干网络模型用于电网场景图片的特征提取,所述特征集成模块用于集成所述第二骨干网络模型提取的特征并输出,所述全局分类器用于根据所述特征集成模块输出的特征输出电网场景图片预警分类结果;所述第二骨干网络模型加载有所述第一骨干网络模型的训练权重参数;
通过标注的电网场景图片训练集对所述分类模型进行训练,获得训练好的分类模型。
本发明的进一步改进在于,所述根据标注的电网场景图片训练集提取获得局部像素块训练集,通过所述局部像素块训练集训练所述局部像素块分类模型,获得训练好的局部像素块分类模型的步骤具体包括:
基于预标注过的电网场景视频数据集构建获得电网场景图片训练集;
提取电网场景图片训练集中的预定局部像素块,获得局部像素块训练集;
利用局部像素块训练集训练所述局部像素块分类模型,使局部像素块分类模型中的深度卷积编码译码网络具备局部像素块的分类能力,获得训练好的局部像素块分类模型;
其中,训练完成后,冻结所述第一骨干网络模型的训练权重参数。
本发明的进一步改进在于,第一骨干网络模型或第二骨干网络模型为Resnet网络模型。
本发明的进一步改进在于,所述局部像素块分类模型的分类过程表示为,
p=MLPL(fL(Xs)),
本发明的进一步改进在于,所述分类模型的分类过程表示为,
ρ=FCG(FIM(fL(IG))),
本发明的进一步改进在于,所述分类模型训练时采用的损失函数为交叉熵损失。
本发明公开的一种从局部到整体感知的电网场景预警分类系统,包括:
分类模块,用于将待分类电网场景图片输入训练好的分类模型,通过所述训练好的分类模型获得电网场景图片预警分类结果;
所述训练好的分类模型的获取步骤包括:
通过第一骨干网络模型和局部分类器,构建获得局部像素块分类模型;其中,所述第一骨干网络模型用于局部像素块的特征提取,所述局部分类器用于根据所述第一骨干网络模型提取的特征输出局部像素块分类结果;根据标注的电网场景图片训练集提取获得局部像素块训练集,通过所述局部像素块训练集训练所述局部像素块分类模型,获得训练好的局部像素块分类模型;
通过第二骨干网络模型、特征集成模块和全局分类器,构建获得分类模型;其中,所述第二骨干网络模型用于电网场景图片的特征提取,所述特征集成模块用于集成所述第二骨干网络模型提取的特征并输出,所述全局分类器用于根据所述特征集成模块输出的特征输出电网场景图片预警分类结果;所述第二骨干网络模型加载有所述第一骨干网络模型的训练权重参数;通过标注的电网场景图片训练集对所述分类模型进行训练,获得训练好的分类模型。
本发明的进一步改进在于,所述局部像素块分类模型的分类过程表示为,
p=MLPL(fL(Xs)),
本发明的进一步改进在于,所述分类模型的分类过程表示为,
ρ=FCG(FIM(fL(IG))),
本发明的进一步改进在于,所述分类模型训练时采用的损失函数为交叉熵损失。
与现有技术相比,本发明具有以下有益效果:
本发明提供的一种从局部到整体感知的电网场景预警分类方法中,为了获得对高风险的局部区域和物体的敏感性,首先在局部像素块上训练基本模型,即局部像素块分类模型(局部像素块响应器)。在第二阶段,将训练过的骨干网重用,通过加载已冻结的预训练权重参数,可以迁移骨干网感知高风险区域和对象的泛化能力。最后,利用全局分类器结构来预测整个图像的预警分类级别。
本发明中,在训练基本模型的阶段可以通过利用边界框标注来提取具有电网基础设施或高风险对象的训练图像,然后学习并提取具有局部高风险敏感性的判别特征图。
本发明中,局部像素块分类模型和分类模型可以是深度卷积编码译码网络,由于在全卷积框架下的骨干网络去除了全连接层以提取具有高风险区域或物体敏感性的特征图。因此,可以将输入图像扩展到任意大的尺寸以防止细节信息的丢失。
本发明的系统中,所述分类模型使用两阶段训练方法,首先根据数据集中被标记的对象的信息,使用从训练集中提取的像素块来训练局部像素块的响应器。通过向训练完成的局部像素块响应器加载冻结的权重参数来迁移识别高风险对象和电网基础设施的能力,并将特征集成然后通过全局分类器对整个图像进行预警分类。
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,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种从局部到整体感知的电网场景预警分类方法的流程示意图;
图2是本发明实施例的一种从局部到整体感知的电网场景预警分类方法的流程示意框图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面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,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
本发明考虑到直接将深度卷积神经网络应用于构建的数据集上进行图像级预警分类具有一定的挑战性且不易实现。特别是,具有高安全风险的对象看上去离电网基础设施很远,并使得这种对象在高分辨率图像中相对较小。为了使模型的训练策略适用于局部的风险响应和对整体情况的全局理解,本发明考虑设计并实现一个局部到整体的两阶段的感知模型用于预警分类。
请参阅图1,本发明实施例的一种从局部到整体感知的电网场景预警分类模型,包括以下步骤:
步骤1、在训练数据集中提取出高风险的对象或区域(即局部像素块),并在局部像素块上训练骨干网络模型,得到局部像素块响应器;
步骤2、重新用训练过的骨干网络,通过加载步骤1得到的预训练权重参数,迁移骨干网络感知高风险区域和对象的泛化能力,并在步骤1的网络模型后加入用于整体感知的卷积模块组成全局分类器来预测整个图像的预警分类级别。
根据本发明上述实施例,先将局部像素块作为输入训练局部像素响应器,后将整图作为输入训练基于图像分类的编码译码构造的模型可以对输入的图像进行预警级别的分类。
本发明实施例中,所述步骤1包括以下步骤:
步骤1.1、基于给定的标注过的视频数据集构建获得训练数据集;
步骤1.2、将训练数据集中的特定局部像素块提取出来,即通过利用矩形框标注来提取具有电网基础结构或高风险对象的训练图像;
步骤1.3、根据提取出的特定局部像素块,设计基于局部像素块的图像分类深度卷积编码译码网络,利用已有的局部像素块进行模型预训练,生成特征,并使得深度卷积编码译码网络具备局部像素块的分类能力(即:局部像素响应器)。该网络主要由特征提取模块(骨干网)与局部像素块分类模块(分类器)两部分组成。
具体地:为了训练局部像素块响应器,给定输入本地像素块Xs,本地像素块分类器MLPL(·)输出每个类别的分类分数。整个过程可以表述为:
p=MLPL(fL(Xs)),
直观上,可以将局部像素块分类模型视为映射函数,该映射函数通过预测类别的分类分数将输入图像的像素块映射到特定η类别。在实践中,可以通过修改最后一个完全连接的层的输出神经元的数量来使用一些最新的卷积神经网络模型进行图像分类。在训练的第一阶段之后,本地像素块分类模型能够识别高风险对象和电网设施。同时,本地像素块响应器可以学习并提取区分特征。这为下一步整个图像的预警分类提供了基本线索。
本发明实施例中,所述步骤2包括以下步骤:
步骤2.1设计基于整图的图像分类深度卷积编码译码网络,该整图分类网络基于步骤1.3中的局部像素块分类网络。该网络主要由三部分组成:一、步骤1.3生成的局部像素块分类网络的骨干网;二、用于整体感知的卷积模块(特征集成模块);三、全局分类模块(全局分类器),该网络用来预测整个图像的预警分类级别。
步骤2.2将步骤1.1得到的训练数据集输入到步骤2.1中设计的网络中,并加载步骤1.3中训练完成后冻结的权重参数。
步骤2.3训练步骤2.1中设计的网络,将训练数据集中的图像分配到特定的预警级别。
具体地:在训练阶段中,给定具有高分辨率的输入图像IG(即1024x1024)以进行预警分类,将本地响应器fL(·)生成的特征输入到特征集成模块FIM(·)中。
然后,全局分类器FCG(·)将整个图像分配到特定的预警级别。整个过程可以表述为:
ρ=FCG(FIM(fL(IG))),
在实现中,交叉熵损失是广泛用于多类别识别的损失函数,被用来训练提出的全局分类模型。交叉熵损失是负对数似然损失和log-softmax函数的组合。它可以描述为:
其中,t表示在[0,c-1]范围内的真实级别索引。为了清楚起见,在实施中,在局部像素块响应器的训练阶段将交叉熵损失应用于电网基础设施及高风险入侵物体识别。在训练的第二阶段,采用交叉熵损失来训练全局分类器,以进行整个图像预警预测。最后,整个框架可以看作是一个局部到整体的感知模型,并可以利用迁移学习技术和多阶段的训练策略进行训练。
根据本发明上述实施例,为了获得对高风险的局部区域和物体的敏感性,首先在局部像素块上训练基本模型,即局部像素块响应器。在此阶段,通过利用边界框标注来提取具有电网基础设施或高风险对象的训练图像。随后,可以学习并提取具有局部高风险敏感性的判别特征图。在第二阶段,训练过的骨干网被重用。通过加载已冻结的预训练权重参数,可以迁移骨干网感知高风险区域和对象的泛化能力。另外,由于在全卷积框架下的骨干网络去除了全连接层以提取具有高风险区域或物体敏感性的特征图。因此,可以将输入图像扩展到任意大的尺寸以防止细节信息的丢失。最后,利用由几个卷积块组成的全局分类器结构来预测整个图像的预警分类级别。可选的,利用GPU并行计算加速技术,可以实现高速的训练和测试过程。
请参阅图2,本发明实施例的一种局部到整体感知的电网场景预警分类方法,包括以下步骤:
步骤1、首先在训练数据集中提取出高风险的对象或区域(即:局部像素块),并在局部像素块上训练骨干网络模型,得到局部像素块响应器。
本发明实施例的步骤1具体包括以下步骤:
步骤1.1、基于给定的标注过的视频数据集构建获得训练数据集;
步骤1.2、将训练数据集中的特定局部像素块提取出来;
步骤1.3、根据提取出的特定局部像素块,设计基于局部像素块的图像分类深度卷积编码译码网络,利用已有的局部像素块进行模型预训练,生成特征,并使得深度卷积编码译码网络具备局部像素块的分类能力(即:局部像素响应器)。该网络主要由特征提取模块(骨干网)与局部像素块分类模块(分类器)两部分组成。
步骤2、重新用训练过的骨干网络,通过加载步骤1得到的预训练权重参数,迁移骨干网络感知高风险区域和对象的泛化能力,并在步骤1的网络模型后加入用于整体感知的卷积模块组成全局分类器来预测整个图像的预警分类级别。
本发明实施例的步骤2具体包括:
步骤2.1设计基于整图的图像分类深度卷积编码译码网络。该整图分类网络基于步骤1.3中的局部像素块分类网络。该网络主要由三部分组成:一、步骤1.3生成的局部像素块分类网络的骨干网;二、用于整体感知的卷积模块(特征集成模块);三、全局分类模块(全局分类器),该网络用来预测整个图像的预警分类级别。
步骤2.2将步骤1.1得到的训练数据集输入到步骤2.1中设计的网络中,并加载步骤1.3中训练完成后冻结的权重参数。
步骤2.3训练步骤2.1中设计的网络,将训练数据集中的图像分配到特定的预警级别。
本发明实施例在模型训练过程中,图像样本(即从构造的数据集中提取的局部像素块)用于训练。在训练阶段,输入图像的分辨率为256×256,并随机裁剪为224×224。通过使用动量为0.9的随机梯度下降优化了所有局部像素块响应器的模型。初始学习率设置为0.1。在实践中,为前五轮训练执行了学习率预热策略。之后,根据余弦退火策略(CosineAnnealing schedule)降低并更新学习率。重量衰减设定为0.0001。通过加载ImageNet公开数据集上预先训练的相应模型权重参数来训练所有本地像素块响应器。为了充分利用GPU的内存,相应设置了每种型号的最大批处理大小。利用多卡GPU工作站或计算集群等设备进行并行计算,加速模型的训练过程;利用训练好的模型,通过给定待检测的电网场景图像,可以实现电网场景的预警分类。
本发明提供了一种局部到整体感知的分类模型框架,用于电网场景的预警分类。多阶段训练策略适用于局部的风险响应和对整体情况的全局理解。通过对传统电网场景预警分类方法的调研,以及基于深度神经网络对图像分类的应用中,利用从局部到整体的感知框架,形成一种预警分类方法。所述方法包括两个阶段:阶段一、在高风险的对象或区域(局部像素块)上训练基本网络模型,得到局部风险响应器。阶段二、重新用训练过的骨干网,通过加载阶段一得到的预训练权重参数,迁移骨干网络感知高风险区域和对象的泛化能力,并在阶段一的网络模型后加入用于整体感知的卷积模块组成全局分类器来预测整个图像的预警分类级别。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种从局部到整体感知的电网场景预警分类方法,其特征在于,包括以下步骤:
将待分类电网场景图片输入训练好的分类模型,通过所述训练好的分类模型获得电网场景图片预警分类结果;
所述训练好的分类模型的获取步骤包括:
通过第一骨干网络模型和局部分类器,构建获得局部像素块分类模型;其中,所述第一骨干网络模型用于局部像素块的特征提取,所述局部分类器用于根据所述第一骨干网络模型提取的特征输出局部像素块分类结果;
根据标注的电网场景图片训练集提取获得局部像素块训练集,通过所述局部像素块训练集训练所述局部像素块分类模型,获得训练好的局部像素块分类模型;
通过第二骨干网络模型、特征集成模块和全局分类器,构建获得分类模型;其中,所述第二骨干网络模型用于电网场景图片的特征提取,所述特征集成模块用于集成所述第二骨干网络模型提取的特征并输出,所述全局分类器用于根据所述特征集成模块输出的特征输出电网场景图片预警分类结果;所述第二骨干网络模型加载有所述第一骨干网络模型的训练权重参数;
通过标注的电网场景图片训练集对所述分类模型进行训练,获得训练好的分类模型。
2.根据权利要求1所述的一种从局部到整体感知的电网场景预警分类方法,其特征在于,所述根据标注的电网场景图片训练集提取获得局部像素块训练集,通过所述局部像素块训练集训练所述局部像素块分类模型,获得训练好的局部像素块分类模型的步骤具体包括:
基于预标注过的电网场景视频数据集构建获得电网场景图片训练集;
提取电网场景图片训练集中的预定局部像素块,获得局部像素块训练集;
利用局部像素块训练集训练所述局部像素块分类模型,使局部像素块分类模型中的深度卷积编码译码网络具备局部像素块的分类能力,获得训练好的局部像素块分类模型;
其中,训练完成后,冻结所述第一骨干网络模型的训练权重参数。
3.根据权利要求1所述的一种从局部到整体感知的电网场景预警分类方法,其特征在于,第一骨干网络模型或第二骨干网络模型为Resnet网络模型。
6.根据权利要求5所述的一种从局部到整体感知的电网场景预警分类方法,其特征在于,所述分类模型训练时采用的损失函数为交叉熵损失。
7.一种从局部到整体感知的电网场景预警分类系统,其特征在于,包括:
分类模块,用于将待分类电网场景图片输入训练好的分类模型,通过所述训练好的分类模型获得电网场景图片预警分类结果;
所述训练好的分类模型的获取步骤包括:
通过第一骨干网络模型和局部分类器,构建获得局部像素块分类模型;其中,所述第一骨干网络模型用于局部像素块的特征提取,所述局部分类器用于根据所述第一骨干网络模型提取的特征输出局部像素块分类结果;根据标注的电网场景图片训练集提取获得局部像素块训练集,通过所述局部像素块训练集训练所述局部像素块分类模型,获得训练好的局部像素块分类模型;
通过第二骨干网络模型、特征集成模块和全局分类器,构建获得分类模型;其中,所述第二骨干网络模型用于电网场景图片的特征提取,所述特征集成模块用于集成所述第二骨干网络模型提取的特征并输出,所述全局分类器用于根据所述特征集成模块输出的特征输出电网场景图片预警分类结果;所述第二骨干网络模型加载有所述第一骨干网络模型的训练权重参数;通过标注的电网场景图片训练集对所述分类模型进行训练,获得训练好的分类模型。
10.根据权利要求9所述的一种从局部到整体感知的电网场景预警分类系统,其特征在于,所述分类模型训练时采用的损失函数为交叉熵损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326603.0A CN112907138B (zh) | 2021-03-26 | 2021-03-26 | 一种从局部到整体感知的电网场景预警分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326603.0A CN112907138B (zh) | 2021-03-26 | 2021-03-26 | 一种从局部到整体感知的电网场景预警分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907138A true CN112907138A (zh) | 2021-06-04 |
CN112907138B CN112907138B (zh) | 2023-08-01 |
Family
ID=76108838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326603.0A Active CN112907138B (zh) | 2021-03-26 | 2021-03-26 | 一种从局部到整体感知的电网场景预警分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907138B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807731A (zh) * | 2021-09-28 | 2021-12-17 | 一汽出行科技有限公司 | 车辆预警信息的处理方法、装置、计算机设备及存储介质 |
CN114386767A (zh) * | 2021-12-14 | 2022-04-22 | 南通联拓信息科技有限公司 | 一种配电运维管理系统的故障预警方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130129143A1 (en) * | 2011-11-21 | 2013-05-23 | Seiko Epson Corporation | Global Classifier with Local Adaption for Objection Detection |
CN109145979A (zh) * | 2018-08-15 | 2019-01-04 | 上海嵩恒网络科技股份有限公司 | 敏感图像鉴定方法及终端系统 |
CN110276394A (zh) * | 2019-06-21 | 2019-09-24 | 扬州大学 | 一种小样本下基于深度学习的电力设备分类方法 |
CN111062441A (zh) * | 2019-12-18 | 2020-04-24 | 武汉大学 | 基于自监督机制和区域建议网络的场景分类方法及装置 |
US20200265220A1 (en) * | 2019-02-19 | 2020-08-20 | Fujitsu Limited | Apparatus and method for training classification model and apparatus for classifying with classification model |
CN112001399A (zh) * | 2020-09-07 | 2020-11-27 | 中国人民解放军国防科技大学 | 基于局部特征显著化的图像场景分类方法和装置 |
CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
CN112419268A (zh) * | 2020-11-23 | 2021-02-26 | 广东电网有限责任公司广州供电局 | 一种输电线路图像缺陷检测方法、装置、设备及介质 |
CN112669316A (zh) * | 2021-01-29 | 2021-04-16 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-26 CN CN202110326603.0A patent/CN112907138B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130129143A1 (en) * | 2011-11-21 | 2013-05-23 | Seiko Epson Corporation | Global Classifier with Local Adaption for Objection Detection |
CN109145979A (zh) * | 2018-08-15 | 2019-01-04 | 上海嵩恒网络科技股份有限公司 | 敏感图像鉴定方法及终端系统 |
US20200265220A1 (en) * | 2019-02-19 | 2020-08-20 | Fujitsu Limited | Apparatus and method for training classification model and apparatus for classifying with classification model |
CN110276394A (zh) * | 2019-06-21 | 2019-09-24 | 扬州大学 | 一种小样本下基于深度学习的电力设备分类方法 |
CN111062441A (zh) * | 2019-12-18 | 2020-04-24 | 武汉大学 | 基于自监督机制和区域建议网络的场景分类方法及装置 |
CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
CN112001399A (zh) * | 2020-09-07 | 2020-11-27 | 中国人民解放军国防科技大学 | 基于局部特征显著化的图像场景分类方法和装置 |
CN112419268A (zh) * | 2020-11-23 | 2021-02-26 | 广东电网有限责任公司广州供电局 | 一种输电线路图像缺陷检测方法、装置、设备及介质 |
CN112669316A (zh) * | 2021-01-29 | 2021-04-16 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
王南,徐世超,欧阳超,高峰,魏昊焜,马磊,杨彪: "基于双分支结构的电网外部入侵预警识别方法", 智慧电力, vol. 50, no. 6 * |
邵泽: "电力传输网风险评估和预警模块的设计与实现", 中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑, no. 10 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807731A (zh) * | 2021-09-28 | 2021-12-17 | 一汽出行科技有限公司 | 车辆预警信息的处理方法、装置、计算机设备及存储介质 |
CN113807731B (zh) * | 2021-09-28 | 2024-04-09 | 一汽出行科技有限公司 | 车辆预警信息的处理方法、装置、计算机设备及存储介质 |
CN114386767A (zh) * | 2021-12-14 | 2022-04-22 | 南通联拓信息科技有限公司 | 一种配电运维管理系统的故障预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112907138B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN107153817B (zh) | 行人重识别数据标注方法和装置 | |
WO2022100470A1 (en) | Systems and methods for target detection | |
CN116485717B (zh) | 一种基于像素级深度学习的混凝土坝表面裂缝检测方法 | |
CN112907138B (zh) | 一种从局部到整体感知的电网场景预警分类方法及系统 | |
CN111652035B (zh) | 一种基于ST-SSCA-Net的行人重识别方法及系统 | |
Park et al. | Advanced wildfire detection using generative adversarial network-based augmented datasets and weakly supervised object localization | |
CN115830531A (zh) | 一种基于残差多通道注意力多特征融合的行人重识别方法 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
Yandouzi et al. | Investigation of combining deep learning object recognition with drones for forest fire detection and monitoring | |
CN115761537A (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及系统 | |
CN116579992A (zh) | 一种用于无人机巡检的小目标螺栓缺陷检测方法 | |
CN115620090A (zh) | 模型训练方法、低照度目标重识别方法和装置、终端设备 | |
CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
CN112949578B (zh) | 车灯状态识别方法、装置、设备及存储介质 | |
CN110969173A (zh) | 目标分类方法及装置 | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
Negri | Estimating the queue length at street intersections by using a movement feature space approach | |
Omar | ResNet and LSTM based accurate approach for license plate detection and recognition | |
Wu et al. | Research on Asphalt Pavement Disease Detection Based on Improved YOLOv5s | |
Kim et al. | Development of a real-time automatic passenger counting system using head detection based on deep learning | |
Liu et al. | A real-time smoke and fire warning detection method based on an improved YOLOv5 model | |
Zuo et al. | A SECI method based on improved YOLOv4 for traffic sign detection and recognition | |
Yamaguchi et al. | Road crack detection interpreting background images by convolutional neural networks and a self‐organizing map |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |