[发明专利]电力监控图像异常检测方法和装置、电子设备及存储介质

权利要求书

1.一种电力监控图像异常检测方法，其特征在于，包括：

利用预训练的空间CNN模型对电力监控图像的RGB特征进行分类；

利用预训练的融合分类模型对所述电力监控图像的光流特征以及场景特征进行融合分类；

融合RGB分类结果以及光流场景融合分类结果得到异常检测结果。

2.根据权利要求1所述的电力监控图像异常检测方法，其特征在于，所述融合分类模型包括：时间CNN模型以及场景识别CNN模型；

所述时间CNN模型包括：输入层、H个神经网络层、H个单项乘法交叉层、全连接层以及输出层，每个所述神经网络层的后端均连接一单项乘法交叉连接层；

所述场景识别CNN模型包括：输入层、H个神经网络层、全连接层以及输出层；

所述场景识别CNN模型的输出层的输出连接至所述时间CNN模型的输出层的输入；所述场景识别CNN模型的第g个神经网络层的输出连接至所述时间CNN模型的第g个单项乘法交叉连接层的输入；

所述单项乘法交叉层用于对连接至其的神经网络层的输出进行单项乘法交叉运算。

3.根据权利要求2所述的电力监控图像异常检测方法，其特征在于，所述单项乘法交叉运算如下：

F[x,y]＝x×y+b

其中，表示第l个单项乘法交叉层的输出，表示时间CNN模型中第l个神经网络层的输出，表示场景识别CNN模型中第l个神经网络层的输出，表示时间CNN模型中第l个神经网络层的输入，表示场景识别CNN模型中第l个神经网络层的输入，⊙表示元素乘法；W_l为残差单元权重；F[x,y]表示时间CNN模型中学习的单向映射，b表示偏置。

4.根据权利要求2所述的电力监控图像异常检测方法，其特征在于，所述神经网络层包括：卷积层以及连接在所述卷积层之后的池化层；所述场景识别CNN模型的最后一个池化层用于根据前一神经网络层输出的语义概率以及前一卷积层的输出特征获取最终的语义向量。

5.根据权利要求4所述的电力监控图像异常检测方法，其特征在于，所述根据前一神经网络层输出的语义概率以及前一卷积层的输出特征获取最终的语义向量，包括：

根据前一神经网络层输出的语义概率以及前一卷积层的输出特征计算得到多个语义中心值以及语义方差；

利用Fisher向量对所述语义中心值以及所述语义方差进行语义编码得到最终的语义向量。

6.根据权利要求5所述的电力监控图像异常检测方法，其特征在于，所述根据前一神经网络层输出的语义概率以及前一卷积层的输出特征计算得到多个语义中心值以及语义方差，采用如下公式：

其中，前一神经网络层输出的语义概率为P＝{p₁,p₂,...,p_N}，前一卷积层的输出特征为F＝{f₁,f₂,...,f_N}，u_k表示第k维语音中心值，表示P_i的第k维；

其中，表示第k维语义方差；T表示转置。

7.根据权利要求6所述的电力监控图像异常检测方法，其特征在于，所述利用Fisher向量对所述语义中心值以及所述语义方差进行语义编码得到最终的语义向量，采用如下公式：

其中，最终的语义向量为[(S₁,G₁),(S₂,G₂),...,(S_R,G_R)]，R表示样本数量。