一种基于深度学习算法的配电站房异常检测方法及装置与流程

本发明属于配电站房异常检测，涉及一种基于深度学习算法的配电站房异常检测方法及装置。

背景技术：

1、随着互联网行业的飞速发展，人工智能技术趋于成熟，电力行业的配电站房逐渐趋向于无人化和智能化应用，这使得在提高电力作业效率的同时，也有效缓解了人力资源的浪费，创造了极大的经济收益和社会效益。然而，在无人值守的配电站房内部，出现违规或异常情况的频率激增，员工未佩戴安全帽违规出入站房，人员摔倒危及生命安全，配电站房内出现小动物入侵室内破坏电力设施、损坏线路导致出现安全事故等问题，极大的影响了站房内的安全环境，造成大量的人员伤亡和巨额的经济损失，使得智能化电网工作推进受到限制。

2、目前针对生物入侵问题所采用的防范手段是利用铁丝网、挡板、粘鼠板等传统方式阻止小动物进入室内，而这些方式的确能起到一定的防御效果，但同时存在着一定的问题。首先，利用这些方法的防御能力有限，动物可以通过别的途径进入站房内；其次，挡板等装置容易被动物破坏或老化腐蚀，需要定期检修更换，使得传统的方法并不能很好的满足需求。而对于人员摔倒和未佩戴安全帽的情况，通常只能由人工通过监控发觉，效率低下且造成人力资源的浪费。

技术实现思路

1、目的：为了克服现有技术中存在的不足，本发明提供一种基于深度学习算法的配电站房异常检测方法及装置，以实现对无人配电站房内生物入侵情况的自动化检测，并且实现对人员跌倒和违规行为的检测。

2、深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。

3、深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。

4、目前，基于深度学习的目标检测方法的检测精度不断上升，使得该技术不断应用到各个领域当中。在经济领域，利用灰色关系分析(gra)和人工神经网络模型用于预测消费者交易所交易基金或者利用深度神经网络预测股票趋势。在工业领域，最为知名和热门的则是车联网的自动驾驶，利用深度学习技术对车道线、交通灯等目标进行检测，反馈车辆周围的异常信息。此外，在工业流水线上，缺陷检测也是目前目标检测的主要研究方向之一，利用缺陷产品和合格产品之间的差异甄别出不合格的物品，极大提高了质量检测效率。目标检测技术在农业领域同样大放异彩，提出了一种新的深度学习体系结构vddnet(葡萄藤病检测网络)，用于检测葡萄藤病害，利用knn算法进行柑橘的黄龙病检测。zeze等人利用cnn实现了对苹果的识别。

5、综上，利用深度学习技术对图像进行目标检测，可以实现对图像内目标进行定位、识别和反馈，为本发明提出的异常检测方法提供强大的检测能力，达到对站房内异常情况和违规行为的检查和阻止。本方案中，提供了一种基于深度学习的站房入侵检测方法，本方案针对配电站房内的情况，改进了深度学习模型，实现站房内的实时异常检测。具体的讲，提出了一种利用剪枝技术和注意力机制技术，构建了一个轻量级异常检测模型。本方案基于一下几点：(1)加入注意力机制构建泛化能力更强的模型，提升光线较弱或模糊的物体检测能力；(2)对模型进行剪枝处理，获得模型体积更小和识别速度更快的模型，可部署在嵌入式终端中进行检测。该模型可以在摄像头拍摄到图像后进行实时检测，用来检测配电站房内的违规、异常和入侵问题。

6、技术方案：为解决上述技术问题，本发明采用的技术方案为：

7、第一方面，提供一种基于深度学习算法的配电站房异常检测方法，包括：

8、获取配电站房内的图像，对图像进行预处理，其中所述预处理包括图像缩放，图像修补；

9、将预处理后的图像输入训练好的基于深度学习算法的异常目标检测模型；

10、根据所述异常目标检测模型的输出，确定配电站房异常检测结果；

11、其中所述异常目标检测模型包括输入层、带ca注意力机制的主干网络、颈部网络和输出层；所述主干网络由一系列的卷积层组合而成，ca注意力机制用于融合位置信息；所述颈部网络采用特征图金字塔网络fpn+像素聚合网络pan的结构，其中特征图金字塔网络fpn是自顶向下的网络结构，通过上采样操作对高层特征图进行传递融合，传达高层的强语义特征，像素聚合网络pan自底向上进行卷积操作，传递强定位特征，提高了不同尺度目标的检测能力；fpn与pan相结合，得到最终进行预测的特征图。

12、在一些实施例中，所述异常目标检测模型的处理过程包括：

13、图像经过输入层送入主干网络，通过主干网络对输入的图像进行特征提取，生成高层特征图；

14、颈部网络对高层特征图进行分化检测，通过上采样网络和卷积神经网络并进行跨层拼接，分成不同大小的特征图进行不同大小目标检测；

15、将颈部网络输出的特征图通过输出层的卷积层进行分类，得到异常目标检测结果。

16、进一步地，在一些实施例中，分成不同大小的特征图进行不同大小目标检测，包括：分别得到用于检测小目标76*76大小的特征图、用于检测中等目标38*38大小的特征图和用于检测大目标的19*19大小的特征图。

17、在一些实施例中，所述异常目标检测模型的训练方法，包括：

18、获取训练数据集；

19、将训练数据集输入待训练的异常目标检测模型进行训练，对模型的输出进行加权非极大值抑制处理和置信度评估，结合损失函数对模型参数进行优化更新直至达到预设条件，得到训练好的异常目标检测模型。

20、进一步地，获取训练数据集还包括：对训练数据集进行数据增强处理，其中所述数据增强处理包括马赛克mosaic数据增强、图像重叠、添加dropout噪声处理。

21、进一步地，mosaic数据增强采用4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接；

22、图像重叠是将两张相同大小的图片按照随机的比例进行融合，合成一张新的图片，比例数值服从参数都为的beta分布；新的图片将拥有两张图片的目标，同时将两张图片的标签拼接到一起，形成新的标签；

23、添加dropout噪声为随机在图像上生成多个相同大小的矩形块，遮挡住原有图片，丢失矩形块位置的信息。

24、进一步地，将训练数据集输入待训练的异常目标检测模型进行训练，对模型的输出进行加权非极大值抑制处理和置信度评估，包括：

25、异常目标检测模型的输出包括检测出来的候选目标框的每个类别的分数、置信度分数和位置信息；

26、将每个候选目标框进行非极大值抑制处理，去除多余目标框，得到优质目标框；

27、将优质目标框的置信度与预设的置信度阈值进行比较，响应于置信度大于预设的置信度阈值，则判定合格，保存相关目标框和图片，返回结果。

28、进一步地，所述异常目标检测模型的训练方法还包括对异常目标检测模型进行剪枝处理：

29、通过对神经网络中卷积层后的bn层加入l1惩罚项来进行约束，使得模型参数稀疏化；bn层的输出out公式如下：

30、out＝γ*xi′+β

31、其中，γ为缩放因子，β为平移因子；xi′为bn层的输入；

32、γ的大小成正态分布，通过加入l1惩罚项，使得大量γ值趋于0，去除更多的不影响结果的层；

33、

34、其中，l为模型训练的损失函数，式中第一项∑(x,l(f(x,w,y)是模型训练的损失，x为输入数据，与模型权重w计算出实际预测结果，其结果f(x,w和标签结果y计算loss损失，第二项λ∑γ∈rgγ)是约束条件其中γ为极坐标半径，gγ)为权值向量中各个元素的绝对值之和，λ是可调整的正则化系数，通过设置合适的λ值，使得权重达到稀疏化效果。

35、第二方面，本发明提供了一种基于深度学习算法的配电站房异常检测装置，包括处理器及存储介质；

36、所述存储介质用于存储指令；

37、所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

38、第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。

39、第四方面，本发明提供了一种计算设备，包括：

40、一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据第一方面所述的方法中的任一项方法的指令。

41、本发明提出的方法采用一阶段目标检测的机制进行入侵检测，该种方法依赖于yolov5目标检测模型来识别在配电站房中的生物入侵、人员跌倒和违规行为。选择运用该方法来构建异常检测机制基于下列几点原因:(1)yolov5算法模型在检测速度方面都有较好的效果，对其进行改进形成的异常检测系统可以对于配电站房内的物体检测进行快速扫描检测，由此提高检测的速度，达到实时检测的效果。(2)检测结果可以得到更加直观的展示和储存，方便用户观察和取用。(3)便于部署落地，对系统进行简单转化修改即可直接部署在不同的设备当中。

42、有益效果：本发明提供的基于深度学习算法的配电站房异常检测方法及装置，具有以下优点：利用卷积神经网络和计算机视觉技术对配电站房内的异常情况完成系统中的检测与定位，并构建一个轻量级，强干扰的异常检测模型，在不降低检测精度的前提下，有效地降低模型的体积和泛化能力，完成对站房内的实时监测和对异常与违规情况的识别。下面进行具体的说明。

43、高效率：目前很多对于配电站房内的检测研究着眼于利用物理措施和利用红外感应等装置进行加强和改进，甚至进行人工检测。而现有的目标检测算法直接应用于复杂的站房环境，误报率较高，效率低下。本发明提出的异常检测方法则是在不降低检测精度的情况下，提供了一个基于深度学习和模型剪枝技术的异常检测模型，该系统通过一阶段的目标检测算法加以剪枝，检测速度快，部署条件低，可移植性强，可以实现流畅的高效发现站房内的异常情况。

44、普适性强：在传统的解决方式中，由于地形因素和运维测试需要克服各种不利因素。例如，利用铁丝网，挡板等设施防范能力不强，在特殊地形很难防止动物入侵，且损坏后不易及时发现，需要定期检修。而使用红外方式进行检测，可能由于撞击，地形，天气原因失去工作能力。本方案提出的入侵检测方法则可以完全解决设备被破坏的问题，摄像头部署在高处，不易损坏，损坏时也可以通过监控及时发现。

45、可移植性高：现有的目标检测模型大多不能很好的应用于各种环境硬件条件下，由于模型的体积和系统版本问题，模型环境的搭建可能并不兼容，只能应用于特定的环境下。本发明提出的模型可以适用于多种设备条件，并取得不错的检测精度和运行延迟。对于软件环境，本发明的模型可以在各种稳定版本的linux系统和windows系统运行；对于硬件要求，本模型具有轻量级特点，对硬件要求较低，通过移植，可以部署在嵌入式开发板，手机，电脑等各种设备中。