CN114972900A - 一种电力多源数据筛选方法、装置及终端设备 - Google Patents

Abstract

本发明适用于图像识别技术领域，提供了一种电力多源数据筛选方法、装置及终端设备，该方法包括：获取初始图像数据，对初始图像数据进行预处理，得到待筛选图像数据；将待筛选图像数据输入预先训练的神经网络分类器，分类得到有效数据集和无效数据集；获取无效数据集中各个无效数据的评分，基于评分获取无效数据集中的存疑数据；将存疑数据进行二次筛选，将符合预设二次筛选条件的存疑数据移动至有效数据集。本发明提供的电力多源数据筛选方法基于神经网络分类器能够提高图像数据筛选的速度和可靠性，并通过二次筛选进一步保障筛选的准确性，提高电力系统输变电图像数据的筛选效率。

Description

一种电力多源数据筛选方法、装置及终端设备

技术领域

本发明属于图像识别技术领域，尤其涉及一种电力多源数据筛选方法、装置及终端设备。

背景技术

电力系统的输变电场景的监测分析中涉及多种数据来源，例如无人机、摄像头或巡检机器人等。输变电场景中获取的图像数据角度多变，情况复杂，其中的很大部分图像并不能包含检测目标，是无效数据。此类无效数据会造成数据冗余，影响图像数据分析处理的效率。

传统的图像数据筛选方式包括人工采集，确保只采集包含有效检测目标的图像数据。上述方法虽然可以在数据采集阶段直接获得有效数据，但需要进行集中大规模的数据采集，耗费大量的人力物力，且数据有效与否与具体的检测任务有关，不能适应检测任务类别扩展的需求。传统的图像数据筛选方式还可以包括人工筛选固定摄像头和无人机采集到的每张图片，确定图片中是否存在有效目标。该方法获取的图像数据量大，包含的有效信息密度低，存在大量无用冗余数据，人工筛选的效率低下，若有新的检测任务，还需要重新筛选。

发明内容

有鉴于此，本发明实施例提供了一种电力多源数据筛选方法、装置及终端设备，能够提高电力系统输变电图像数据筛选的效率。

本发明实施例的第一方面提供了一种电力多源数据筛选方法，包括：

获取初始图像数据，对所述初始图像数据进行预处理，得到待筛选图像数据；

将所述待筛选图像数据输入预先训练的神经网络分类器，分类得到有效数据集和无效数据集；

获取所述无效数据集中各个无效数据的评分，基于所述评分获取所述无效数据集中的存疑数据；

将所述存疑数据进行二次筛选，将符合预设二次筛选条件的存疑数据移动至所述有效数据集。

本发明实施例的第二方面提供了一种电力多源数据筛选装置，包括：

初始图像获取模块，用于获取初始图像数据，对所述初始图像数据进行预处理，得到待筛选的图像数据；

分类模块，用于将所述待筛选图像数据输入预先训练的神经网络分类器，分类得到有效数据集和无效数据集；

存疑数据获取模块，用于获取所述无效数据集中各个无效数据的评分，基于所述评分获取所述无效数据集中的存疑数据；

二次筛选模块，用于将所述存疑数据进行二次筛选，将符合预设二次筛选条件的存疑数据移动至所述有效数据集。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。

本发明实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得电子设备执行上述第一方面中任一项所述方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例提供了一种电力多源数据筛选方法，包括：获取初始图像数据，对初始图像数据进行预处理，得到待筛选图像数据；将待筛选图像数据输入预先训练的神经网络分类器，分类得到有效数据集和无效数据集；获取无效数据集中各个无效数据的评分，基于评分获取无效数据集中的存疑数据；将存疑数据进行二次筛选，将符合预设二次筛选条件的存疑数据移动至有效数据集。本发明实施例提供的电力多源数据筛选方法基于神经网络分类器能够提高图像数据筛选的速度和可靠性，并通过二次筛选进一步保障筛选的准确性，提高电力系统输变电图像数据的筛选效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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是本发明实施例提供的电力多源数据筛选方法的实现流程示意图；

图2是本发明实施例提供的电力多源数据筛选方法中图像数据的示例图；

图3是本发明实施例提供的电力多源数据筛选方法中图像数据的又一示例图；

图4是本发明实施例提供的电力多源数据筛选方法应用的装置结构示例图；

图5是本发明实施例提供的电力多源数据筛选方法的又一实现流程示意图；

图6是本发明实施例提供的电力多源数据筛选装置的结构示意图；

图7是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

本发明实施例提供的电力多源数据筛选方法可以应用到大规模输变电设备的运行维护工作中。现有的电力巡检图像监控系统仅能将收集到的图像视频数据传输至服务器，而无法对收集到的多媒体数据进行高效处理，需要人工筛选。电力巡检依赖的目标检测模型需要大量经过筛选的干净数据作为基础。图像数据的生成速度快，包含的有用信息并不多，人工筛选的效率低下。

在一些实施例中，图像数据的来源包括但不限于输电场景和变电场景中的巡检机器人、红外/可见光和巡检无人机等。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的电力多源数据筛选方法的实现流程示意图。参见图1，在一些实施例中，本发明实施例提供的电力多源数据筛选方法可以包括步骤S101至S104。

在一些实施例中，S101包括：获取初始图像数据，对所述初始图像数据进行预处理，得到待筛选图像数据。

在一些实施例中，预处理包括基于扰动量因子ε对所述初始图像数据进行归一化处理。

在一些实施例中，通过归一化处理可以分离开受扰动更大的分布内数据和扰动较少的分布外数据，使得有效数据和无效数据更容易被分离。

在一些实施例中，S101中预处理还可以包括：基于预处理公式对所述初始图像数据进行预处理，得到待筛选图像数据。

所述预处理公式包括：

其中，其中，x为初始图像数据，

为待筛选图像数据，ε为扰动因子，

为初始图像数据的偏导，T为温度标量参数，

为待筛选图像分类后softmax得分中的最大值。

在一些实施例中，经过预处理，可以为后续扰动分布外样本的softmax得分做铺垫。

在一些实施例中，基于扰动因子进行预处理，可以使分布内数据的扰动比分布外数据的扰动更大，使得分布内图像和分布外图像更容易分离。

S102：将所述待筛选图像数据输入预先训练的神经网络分类器，分类得到有效数据集和无效数据集。

深度学习技术在许多行业得到广泛的应用，其中，应用深度学习技术的计算机视觉技术在电力系统输变电场景中具有巨大的应用前景。深度学习需要大量高质量的标注数据以供监督学习，且模型的检测目标类别均需预先设定。

在一些实施例中，所述神经网络分类器的判别器公式包括：

其中，g(x；δ,T,ε)为判别结果，x为初始图像数据，δ为判别阈值，T为温度标量参数，ε为扰动因子，

为待筛选图像数据，

为初始图像数据的类别为i的最大概率。

在S102之前，本发明实施例提供的电力多源数据筛选方法还可以包括：获取所述神经网络分类器中的超参数值，基于所述超参数值构建所述神经网络分类器。

在一些实施例中，超参数包括判别阈值δ，温度标量参数T，扰动因子ε；对上述温度标量参数、判别阈值和扰动因子进行赋值和调整，完成初始化。

在一些实施例中，通过对以上温度标量、阈值和扰动因子进行赋值和调整，可以适应不同的筛选任务需求。通过合理设置以上超参数的值，可以优化最终的判别效果。

具体的，输入图像数据的扰动因子ε，取值可以为0.002；有效和无效图像数据得分判别阈值δ，取值可以为0.5；温度标量参数T，取值可以为1000。

其中，判别阈值的取值越大，筛选出的有效样本的召回率越高，但相应的有效样本漏检率也会增大。因此需要恰当设置判别阈值的取值。

在一些实施例中，基于所述超参数值构建所述神经网络分类器之后，所述方法还包括：基于历史图像数据训练所述神经网络分类器，得到所述预先训练的神经网络分类器。

在一些实施例中，在神经网络分类器中添加温度标量T，可以将分部内和分布外的图像样本之间的softmax分数差距进一步扩大，分离有效和无效数据。

在一些实施例中，获取所述无效数据集中各个无效数据的评分，包括：

基于评分公式计算所述无效数据的评分。

在一些实施例中，评分公式包括：

其中，为初始图像数据对第i类分类的评分，为初始图像数据，为温度标量参数，为初始图像数据分类为i类的预测结果，为初始图像数据分类为j类的预测结果，为模型分类的总类别数。

传统的评分公式，

在评估图像属于某个类别的概率分数后，将分数最高的类别作为最终的预测结果。

本发明实施例提供的电力多源数据筛选方法采用神经网络分布外检测(Out ofDistribution Image Detection in Neural Networks，ODID)方法，无需对预先训练的神经网络分类器进行改变，在神经网络训练过程中令T＝1，相当于使用原始的softmax函数。

在一些实施例中，在评分公式中添加温度标度参数，对预测分数进行温度缩放，结合数据预处理中加入的受控扰动因子，可以将分部内和分布外的图像样本之间的softmax分数差距进一步扩大，有利于分离开分部内的有效数据和分布外的无效数据。

在一些实施例中，在得到分类得分后，再将得分与阈值进行比较，将高于阈值的部分作为有效数据，低于阈值的部分进行二次处理。

S103：获取所述无效数据集中各个无效数据的评分，基于所述评分获取所述无效数据集中的存疑数据。

S104：将所述存疑数据进行二次筛选，将符合预设二次筛选条件的存疑数据移动至所述有效数据集。

具体的，将无效数据集中的样本进行倒序排列，取倒序排列后的前预设数量的样本进行二次筛选。

可选的，二次筛选为人工筛选。

在一些实施例中，通过二次筛选可以兼顾数据筛选的效率和准确性，既可以减少自动筛选可能导致的分布内样本流失的问题，同时又能降低人工筛选的工作量。

在一些实施例中，将二次筛选得到的有效数据作为已知数据，增量训练神经网络分类器，提升装置的整体精度。

在S104之后，本发明实施例提供的电力多源数据筛选方法可以包括：

S105：对分类结果进行可视化展示。

在一些实施例中，可视化展示包括但不限于通过图表或文本的形式对筛选结果进行展示。

具体的，展示样本中有效图像和无效图像的比例，经过二次筛选后得到的新增有效图像样本数占初筛后分布外图像数目的比例等，有助于了解数据的杂质率及模型的判别性能，为后续的数据获取和模型改进提供经验和思路。

在一个具体的应用场景中，以判断输变电系统中是否有鸟巢目标，进行多源图像数据的筛选。

图2示出了上述具体的示例中，包含鸟巢的有效数据。

图3示出了上述具体的示例中，未包含预设检测目标的无效数据。

本发明实施例提供的电力多源数据筛选方法在收集到原始数据后，将原始图片数据进行处理和分类，应用分布外检测算法，可快速、准确地得到有效的图片数据，对目标检测任务中的多源有效数据进行自动筛选。

图4示出了本发明实施例提供的电力多源数据筛选方法应用的多源数据自动筛选装置的结构示意图。参见图4，多源数据自动筛选装置可以包括参数设置模块、数据预处理模块、分类得分与判别模块、二次处理模块、分类结果展示模块。参数设置模块用于初始化改进后的数据预处理模块和分类得分与判别模块所需要的超参数。数据预处理模块用于对输入图像进行归一化处理，进行一定的输入扰动。分类得分与判别模块，用于利用改进分类层之后的预训练神经网络模型计算图像分类得分，并将得分与设置的阈值进行比较，进行初步的分布内外图像归类。二次处理模块，用于将分类得分低于阈值的图像进行倒序排序，并取得分靠前的部分进行二次人工初筛。分类结果展示模块，用于使用图表或文本的形式展示分类统计结果。

本发明实施例提供的电力多源数据筛选方法能够建立统一的数据处理和筛选方法，实现多源数据的高效筛选。本方法在参数设置模块使用设置阈值参数控制筛选有效数据的召回率，针对不同的数据量和质量需求调整阈值，可以获得最佳的筛选效果。进一步的，本方法在输入图像预处理模块使用扰动量因子来增加分布内有效数据和分布外无效数据的差异，能够使得分布内图像和分布外图像更容易分离。在分类得分与判别模块，本方法使用添加温度标量的改进softmax函数评估分类得分，能够将分布内和分布外的图像样本之间的softmax分数差距进一步扩大。在本方法中，使用分布判别器对输入的分类得分进行分布内判决，是通过比较最大得分是否大于阈值来确定输入图像样本是否属于分布内的有效图像。进一步的，使用改进的带温度标量的softmax函数及分布判决器作为单独的组件，嵌入到预训练模型，不用对神经网络模型本身做修改，具有通用性。本方法的二次处理模块中，将分类得分与判别模块中筛选出得分低于判别阈值的样本进行二次人工筛选，能够兼顾处理效率与准确性。将二次处理模块得到的有效数据作为已知数据增量训练神经网络分类器，能够迭代地提升整个装置的模型精度。最后，在分类结果展示模块，不仅能够将有效数据和无效数据分离开，还可以将此次工作的统计结果进行可视化展示，有助于了解数据的杂质率及模型的判别性能。

图5示出了本发明实施例提供的电力多源数据筛选方法又一实现流程示意图。参见图5，在一些实施例中，将未知数据进行预处理，输入由已有数据预训练的神经网络分类器中。预处理后的位置数据经过神经网络分类器的前向传播，得到预测向量，通过预设的分类得分计算公式得到分类得分。最终通过分布判决器分类得到有效数据和无效数据。

本发明实施例提供的电力多源数据筛选方法，首先通过深度学习的方式训练目标检测模型，通过输入扰动及分类改进优化，使模型可以自动对输入数据进行分布内外的初步筛选，提高筛选速度。进一步的，提取部分存疑的无效数据进行二次人工筛选，减小有效数据丢失的比例，兼顾处理效率和准确性。本发明实施例提供的电力多源数据筛选的方法能够减少人工筛选数据带来的人力物力消耗，提高数据筛选的效率，节省时间成本，适应多种不同检测的数据类别需求，及单个检测任务数据需求的变化，能够消除因人工主观因素导致的筛选误差。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图6示出了本发明实施例提供的电力多源数据筛选装置的结构示意图。参见图6，本发明实施例提供的电力多源数据筛选装置60可以包括初始图像获取模块610、分类模块620、存疑数据获取模块630、二次筛选模块640。

在一些实施例中，初始图像获取模块610，用于获取初始图像数据，对初始图像数据进行预处理，得到待筛选的图像数据；

在一些实施例中，分类模块620，用于将待筛选图像数据输入预先训练的神经网络分类器，分类得到有效数据集和无效数据集；

在一些实施例中，存疑数据获取模块630，用于获取无效数据集中各个无效数据的评分，基于评分获取无效数据集中的存疑数据；

在一些实施例中，二次筛选模块640，用于将存疑数据进行二次筛选，将符合预设二次筛选条件的存疑数据移动至有效数据集。

本发明提供的电力多源数据筛选装置基于神经网络分类器能够提高图像数据筛选的速度和可靠性，并通过二次筛选进一步保障筛选的准确性，提高电力系统输变电图像数据的筛选效率。

在一些实施例中，初始图像获取模块610具体用于：

基于预处理公式对初始图像数据进行预处理，得到待筛选图像数据。

预处理公式包括：

其中，x为初始图像数据，

为待筛选图像数据，ε为扰动因子，

为初始图像数据的偏导，T为温度标量参数，

为待筛选图像分类后softmax得分中的最大值。

在一些实施例中，电力多源数据筛选装置60还可以包括神经网络分类器构建模块，用于：

获取神经网络分类器中的超参数值，基于超参数值构建神经网络分类器。

神经网络分类器的判别公式包括：

其中，g(x；δ,T,ε)为判别结果，x为初始图像数据，δ为判别阈值，T为温度标量参数，ε为扰动因子，

为待筛选图像数据，

为初始图像数据的类别为i的最大概率。

在一些实施例中，神经网络分类器构建模块还可以用于：

基于历史图像数据训练神经网络分类器，得到预先训练的神经网络分类器。

在一些实施例中，存疑数据获取模块630具体用于：

基于评分公式计算无效数据的评分。

评分公式包括：

其中，为初始图像数据对第i类分类的评分，为初始图像数据，为温度标量参数，为初始图像数据分类为i类的预测结果，为初始图像数据分类为j类的预测结果，为模型分类的总类别数。

在一些实施例中，存疑数据获取模块630还可以用于：

将无效数据集中评分较大的预设数量无效数据作为存疑数据。

在一些实施例中，二次筛选模块640具体用于：

将存疑数据进行人工二次筛选。

图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备70包括：处理器700、存储器710以及存储在所述存储器710中并可在所述处理器700上运行的计算机程序720，例如电力多源数据筛选程序。所述处理器70执行所述计算机程序720时实现上述各个电力多源数据筛选方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器700执行所述计算机程序720时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块610至640的功能。

示例性的，所述计算机程序720可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器710中，并由所述处理器700执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序720在所述终端设备70中的执行过程。例如，所述计算机程序720可以被分割成初始图像获取模块、分类模块、存疑数据获取模块、二次筛选模块。

所述终端设备70可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器700、存储器710。本领域技术人员可以理解，图7仅仅是终端设备70的示例，并不构成对终端设备70的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器700可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器710可以是所述终端设备70的内部存储单元，例如终端设备70的硬盘或内存。所述存储器710也可以是所述终端设备70的外部存储设备，例如所述终端设备70上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器710还可以既包括所述终端设备70的内部存储单元也包括外部存储设备。所述存储器710用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器710还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电力多源数据筛选方法，其特征在于，包括：

获取初始图像数据，对所述初始图像数据进行预处理，得到待筛选图像数据；

将所述待筛选图像数据输入预先训练的神经网络分类器，分类得到有效数据集和无效数据集；

获取所述无效数据集中各个无效数据的评分，基于所述评分获取所述无效数据集中的存疑数据；

将所述存疑数据进行二次筛选，将符合预设二次筛选条件的存疑数据移动至所述有效数据集。

2.如权利要求1所述的电力多源数据筛选方法，其特征在于，所述对所述初始图像数据进行预处理，得到待筛选图像数据，包括：

基于预处理公式对所述初始图像数据进行预处理，得到待筛选图像数据；

所述预处理公式包括：

其中，x为初始图像数据，

为待筛选图像数据，ε为扰动因子，

为初始图像数据的偏导，T为温度标量参数，

为待筛选图像分类后softmax得分中的最大值。

3.如权利要求1所述的电力多源数据筛选方法，其特征在于，在所述将所述待筛选数据输入预先训练的神经网络分类器之前，所述方法还包括：

获取所述神经网络分类器中的超参数值，基于所述超参数值构建所述神经网络分类器；

所述神经网络分类器的判别公式包括：

其中，g(x；δ,T,ε)为判别结果，x为初始图像数据，δ为判别阈值，T为温度标量参数，ε为扰动因子，

为待筛选图像数据，

为初始图像数据的类别为i的最大概率。

4.如权利要求3所述的电力多源数据筛选方法，其特征在于，所述基于所述超参数值构建所述神经网络分类器之后，所述方法还包括：

基于历史图像数据训练所述神经网络分类器，得到所述预先训练的神经网络分类器。

5.如权利要求1所述的电力多源数据筛选方法，其特征在于，所述获取所述无效数据集中各个无效数据的评分，包括：

基于评分公式计算所述无效数据的评分；

所述评分公式包括：

其中，为初始图像数据对第i类分类的评分，为初始图像数据，为温度标量参数，为初始图像数据分类为i类的预测结果，为初始图像数据分类为j类的预测结果，为模型分类的总类别数。

6.如权利要求1所述的电力多源数据筛选方法，其特征在于，所述基于所述评分获取所述无效数据集中的存疑数据，包括：

将所述无效数据集中评分较大的预设数量无效数据作为所述存疑数据。

7.如权利要求1所述的电力多源数据筛选方法，其特征在于，所述将所述存疑数据进行二次筛选，包括：

将所述存疑数据进行人工二次筛选。

8.一种电力多源数据筛选装置，其特征在于，包括：

初始图像获取模块，用于获取初始图像数据，对所述初始图像数据进行预处理，得到待筛选的图像数据；

分类模块，用于将所述待筛选图像数据输入预先训练的神经网络分类器，分类得到有效数据集和无效数据集；

存疑数据获取模块，用于获取所述无效数据集中各个无效数据的评分，基于所述评分获取所述无效数据集中的存疑数据；

二次筛选模块，用于将所述存疑数据进行二次筛选，将符合预设二次筛选条件的存疑数据移动至所述有效数据集。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images