[发明专利]基于多层次自监督学习的变电站监控异常检测方法

权利要求书

1.基于多层次自监督学习的变电站监控异常检测方法，其特征在于：包括以下步骤：

S1、对红外异常图像进行数据预处理；

S2、利用自监督学习理解数据中的潜在信息；

S3、将在自监督学习中学到的知识迁移到神经网络并利用多层次学习训练。

2.根据权利要求1所述的基于多层次自监督学习的变电站监控异常检测方法，其特征在于：所述步骤S1具体包括如下分步骤：

S11、按照双线性插值的方法，将获取到的变电站电力设备红外图像数据集，图像大小调整为256×256；

S12、通过LabelImg对步骤S11中数据集的异常区域进行标注，最终制作成PASCAL VOC格式的数据集；

S13、将步骤S12中获取得到的数据集进行水平翻转处理，其中水平翻转处理指随机选取数据集中的红外图像并对其水平翻转；

S14、将步骤S13中获取得到的数据集进行裁剪处理，其中裁剪处理指随机选取数据集中经水平翻转处理后的红外图像，并对其裁剪尺寸调整为256×256；

S15、将步骤S14中获取得到的数据集进行高斯噪声处理，其中高斯噪声处理指随机选取数据集中经裁剪处理后的红外图像，并对其添加信噪比为15dB-30dB的高斯噪声；

S16、将步骤S15中获取得到的数据集进行椒盐噪声处理，其中椒盐噪声处理指随机选取数据集中经高斯噪声处理后的红外图像，并对其添加信噪比为15dB-30dB的椒盐噪声。

3.根据权利要求1所述的基于多层次自监督学习的变电站监控异常检测方法，其特征在于：所述步骤S2具体包括如下分步骤：

S21、从预处理后的数据集中选取N＝32个样本作为一个batch，自监督学习的训练过程按照batch的形式完成；

S22、采用ResNet50的两条训练支路共享权重参数，并设置最后层是2048个节点的全连接层，后连接一层ReLU激活函数层和一层128个节点的全连接层；

S23、自监督学习在输入数据时采用代理任务，通过代理任务产生正样本对和负样本对，其中正样本对是由某样本和它的变换组成的，负样本对是当前batch中的其他样本；

S24、设置自监督学习中训练的学习率为2×10^-5，神经网络参数更新算法为Adam；

S25、自监督学习中损失函数采用InfoNCE Loss，其具体的计算公式如下：

其中，q代表样本本身，k₊代表正样本，k_i代表负样本，负样本是队列中全部数据，q和k₊点积表示样本本身与正样本的相似性，q和k_i的点积表示样本本身与负样本的相似性，τ表示控制分布浓度水平的超参数。

4.根据权利要求1所述的基于多层次自监督学习的变电站监控异常检测方法，其特征在于：

所述步骤S3具体包括如下分步骤：

S31、从预处理后的数据集中选取N＝128个样本作为一个batch，自监督学习的训练过程按照batch的形式完成的；

S32、多层次训练使用神经网络结构；

S33、在训练前采用迁移学习的方式加载步骤S2中使用自监督学习训练得到的参数，自监督学习和多层次学习的backbone是相同的；

S34、设置多层次学习中训练的学习率为1×10^-4，神经网络参数更新算法为Adam；

S35、多层次学习中的损失函数包含边界框回归损失函数置信度损失函数和分类损失函数三部分，其具体计算公式如下所示：

其中λ₁和λ₂表示平衡参数，用于平衡不同损失函数间的数量级关系，以达到同时优化三目标的目的。