[发明专利]基于单分类器的电力图像环境影响识别方法

摘要

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。

主权项

1.一种基于单分类器的电力图像环境影响识别方法，其特征是，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首先构建生成式对抗网络中的生成器，构建的生成器共包含三个密集块连接结构，密集块链接结构由一个1×1的卷积层后接上填充值pad为1的3×3的卷积层构成，其中每一层的输入来自在它之前的所有层的输出，第i层输入图像为是第i‑1层密集块对第0至i‑1层产生的特征图级联而成的张量进行非线性变换的结果；利用生成器生成合成负样本的过程为输入随机变量经过反卷积层后，依次通过三个密集块结构，并且在相邻两密集块中加入了过渡层以增大特征图像尺寸，最后，利用卷积层将末层特征整合为一个32×32的三通道合成负样本图像，作为生成器的输出；然后构建生成式对抗网络中的判别器，判别器结构同样包含三个密集块连接结构，与生成器的结构大致相同，判别器的输入是待分类的图像，为实现降采样操作，判别器中的过渡层使用平均池化层代替反卷积层组成，在第三个密集块结尾，特征图像被缩放为一个列向量，网络最后的全连接层将这个列向量转换为一个2维向量作为判别器的输出，明确判断输入样本属于正、负样本的概率；三、对生成式对抗网络进行训练在PyTorch框架上搭建网络框架，对生成器与判别器进行交替对抗训练，直到代价损失减小到一定程度并且训练达到迭代最大次数；四、使用训练好的判别器进行单分类任务保持判别器参数、权重固定，在测试时单独使用判别器，进行单分类任务，直接将待测试数据输入判别器即可直接输出判别结果，由于判别器在训练过程中仅学习到正样本的特征，因此会把其他图像归类为未知类即负样本，则这些图像被判定为负样本的图像即为存在环境影响的电力图像；五、综合评估指标的提出在单分类问题中，对于任意输入，其单分类结果可分为以下四种情况：被模型预测为正的正样本TP，被模型预测为负的负样本TN，被模型预测为正的负样本FP，被模型预测为负的正样本FN，衡量单分类器效果的常用指标为分类准确率Acc(Accuracy)和F1得分，分别用公式表示为：式中，采用评估指标CRI：首先定义负样本集上的召回率neg_recall，并进一步定义一种新的单分类器评估指标——“分类召回率”CRI(Classification Recall Index)，其定义为recall和neg_recall的调和平均数，用公式表示为：