[发明专利]一种牵引变电所异常检测方法

权利要求书

1.一种牵引变电所异常检测方法，其特征在于，包括如下步骤：

步骤S1、构建异常检测数据集，对基础数据集进行背景条件聚类；

步骤S2、构建距离特征提取模型；

步骤S3、构建异常检测网络模型；

步骤S4、采用构建的数据集对异常检测网络模型进行训练；

步骤S5、采集视频图像作为图像输入，如果输入图像为空，则整个流程中止；

步骤S6、提取距离特征；

步骤S7、检测异常发生的位置；

步骤S8、每隔β帧输入图像对异常检测网络模型进行在线更新，跳转到步骤S5；

所述步骤S1还包括：提取来自牵引变电所视频监控系统的视频图像数据，对这些图像数据进行数据增强操作，包括平移、旋转、缩放、改变亮度，然后对得到的图像数据进行清洗、筛选获得基础数据集；对基础数据集中包含异常的图像进行异常标注，即将异常部分对应位置的标注图像像素值标为1，正常部分标为0，进而得到标注数据集；基础数据集与标注数据集共同构成异常检测数据集；

所述步骤S1还包括：对基础数据集进行背景条件聚类，具体过程为计算基础数据集中每个图像的亮度均值，然后基于所述亮度均值采用K-means算法对基础数据集进行聚类计算，获得K个背景条件聚类中心；

所述步骤S2还包括：所述距离特征提取模型包含深度特征提取网络和距离矩阵输出层；

所述深度特征提取网络采用DenseNet网络，将所述DenseNet网络的Block4模块的输出作为所提取的深度特征；

距离矩阵输出层对所述深度特征内的距离信息进行计算，将所述深度特征进行Flatting平坦化操作变为特征向量，N为包含的元素个数，基于计算其每两两元素之间差值的绝对值，基于这些差值构成距离矩阵，即所述距离矩阵的元素的值为对应特征向量中与两个元素差值的绝对值，，然后对进行归一化处理，即计算归一化的：

,

其中，表示M中的最大值；M为距离特征提取模型的输出；

所述步骤S3还包括：异常检测网络模型由编解码网络和输出层构成；

所述编解码网络基于U-Net网络构建，包含依次连接的5个编码模块和5个解码模块，每个编码模块包含卷积层、ReLU激活层和最大池化层，每个解码模块包含卷积层、ReLU激活层和个上采样层；

异常检测网络模型的输出层为编解码网络的最后一层经过的卷积计算得到，所述输出层的特征尺度与距离特征提取模型的输入尺度一致；异常检测网络模型的输出为对应输入图像的异常得分图，所述异常得分图中每个元素的值对应输入图像在相同位置处的像素属于异常的分数。

2.根据权利要求1所述的牵引变电所异常检测方法，其特征在于，所述步骤S4还包括：首先将数据集中的图像输入到距离特征提取模型进行正向推理，得到与输入图像对应的距离特征，然后将所述距离特征输入异常检测网络模型进行模型训练，训练过程中的损失函数计算为：

,

其中，表示对应输入图像的异常检测网络模型的输出，表示对应相同输入图像的数据集中对应标注的结果，H和W分别表示图像的高和宽，这里H = 512, W = 512；网络模型的训练方法采用Adam 优化方法；训练完成后，所述异常检测网络模型具备对图像异常进行检测的检测能力。

3.根据权利要求1所述的牵引变电所异常检测方法，其特征在于，所述步骤S5还包括：在实时处理情况下，提取通过视频监控摄像头采集并保存在存储区的视频图像，作为要进行异常检测的输入图像；在离线处理情况下，将已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像。