[发明专利]基于单分类器的电力图像环境影响识别方法

说明书

本发明属于图像分类领域，为提出电力图像环境影响识别方法，实现评估环境影响的识别效果上更为准确。为此，本发明，基于单分类器的电力图像环境影响识别方法，步骤如下：一、基于电力图像的数据增强二、基于密集块结构的生成式对抗网络模型构建三、对生成式对抗网络进行训练四、使用训练好的判别器进行单分类任务五、综合评估指标的提出。本发明主要应用于电力图像环境影响识别场合。

技术领域

本发明属于图像分类领域，涉及一种基于深度学习技术的识别无人机或电力机器人巡检图像中存在环境影响图像的方法。具体讲,涉及基于单分类器的电力图像环境影响识别方法。

背景技术

图像分类是计算机视觉领域中的基本问题，应用深度学习的发展解决此类问题的同时，往往容易将分类的结果限制在已知类别内。单分类任务是一类特殊的二分类任务，将待分类的样本类别从已知类扩大到未知类，能够从所有待分类样本中找到某种特定类别的样本(即正样本)，而将其他样本的类别(即负样本)笼统地归为一类。目前单分类问题已有了许多解决方法，根据其原理大致分为四类：密度估计法，基于神经网络的方法，基于聚类的方法，基于支持域的方法。

对一类样本识别的最简单直接的方法是通过参数化或非参数化方法来估计训练样本的密度模型，并设置一密度阈值，小于该阈值的被认为是异常，其中最简单的密度模型是高斯密度估计。使用神经网络的方法中，比较知名的是Japkowicz的自联想器，包括基于区分的多层感知器和基于识别的自关联器。聚类方法也可以对一类数据进行学习，从而应用到单分类器的设计上，例如K均值和K中心方法。该类方法假定目标类样本满足某种聚类假设，对已有的聚类算法进行改进，以满足单类学习的特殊需求。

基于支持域的方法数据描述直观，且借助于核技巧，方便在高维特征空间中进行求解，因而成为目前最流行的单类分类方法。基于支持域的单分类方法中有两个经典算法，SVDD和OCSVM。

支持向量域描述(Support Vector Domain Description，SVDD)方法，其基本思想是通过在映射到高维的特征空间中找出一个包围目标样本点的超球体，并通过最小化该超球体所包围的体积让目标样本点尽可能地被包围在超球体中，而非目标样本点尽可能地排除在超球体中，从而达到两类之间划分的目的。该算法采用软间隔思想，不严格要求训练样本包围在超球内部或分布于超球上，但是对超球外的样本进行惩罚。SVDD算法一直是单分类算法中的主流算法，仅适用正样本训练，因此当样本数不充足时很难刻画出正样本集在高维空间中的分布，分类器容易产生过拟合的现象。

单类支持向量机(One-class Support Vector Machine，OCSVM)方法中，数据样本通过核函数映射到高维特征空间，使其具有更好的的聚集性。其最简单的思想是在特征空间中求解一个最优超平面实现目标数据与坐标原点的最大分离，此处坐标原点被假设为唯一负样本。OCSVM使用了正样本和一些人工生成的负样本共同训练，通过构建负样本集将单分类问题转化为二分类问题，然后训练出一个二分类器从而实现单分类。然而，在缺少测试集先验知识的情况下，很难构建出合适的负样本集。

因此，研究如何有效地构建出合适的负样本集并用于辅助单分类器提升分类效果是当今学术研究上的一大难点。

发明内容

为克服现有技术的不足，本发明旨在提出电力图像环境影响识别方法，实现评估环境影响的识别效果上更为准确。为此，本发明采用的技术方案是，基于单分类器的电力图像环境影响识别方法，步骤如下：

一、基于电力图像的数据增强

利用电力机器人巡检采集到的电力系统实地图像，进行数据增强以增加负样本的数量，实现正负样本数量均衡，提高单分类器的识别能力；

二、基于密集块结构的生成式对抗网络模型构建