基于单分类器的电力图像环境影响识别方法技术

本发明专利技术属于图像分类领域，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，本发明专利技术，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。本发明专利技术主要应用于电力图像环境影响识别场合。

Recognition method of power image environmental impact based on single classifier

The invention belongs to the field of image classification, in order to put forward a method for environmental impact identification of power image, and achieve more accurate recognition effect of environmental impact assessment. For this purpose, the method of environmental impact identification of power image based on single classifier is presented in the following steps: 1. data enhancement based on power image 2. construction of generative countermeasure network model based on dense block structure 3. training of generative countermeasure network 4. single classification task 5 using trained discriminator And put forward the comprehensive evaluation index. The invention is mainly applied to the situation of electric image environmental impact recognition.

【技术实现步骤摘要】
基于单分类器的电力图像环境影响识别方法
本专利技术属于图像分类领域，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。
技术介绍
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(SupportVectorDomainDescription，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-classSupportVectorMachine，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。
技术实现思路
为克服现有技术的不足，本专利技术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，本专利技术采用的技术方案是，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深度学习框架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(ClassificationRecallIndex)，其定义为recall和neg_recall的调和平均数，用公式表示为：具体地，所述步骤二基于密集块结构的生成式对抗网络模型构建中，所构建的生成式对抗网络中的生成器共包含三个密集块连接结构，利用生成器生成合成负样本的过程如下：(1)输入随机变量。生成器的输入为随机变量，其分布服从正态分布，是一个1×1×100的空间长度张量。该随机变量进入生成器后首先经过一个卷积核大小为4×4的反卷积层，变为4×4×64的张量输入密集连接块；(2)密集块实现层间特征共享，不改变特征图像尺寸，4×4×64的张量经过第一个密集连接块，1×1的卷积层，后接pad为1的3×3的卷积层保证了特征图像的尺寸不变，而堆叠的特征图像被扩展到96个通道，即形成4×4×96的张量；(3)过渡层增大特征图像尺寸，在两个相邻的稠密块间，加入由一个1×1的卷积层与一个2×2的反卷积层构成的过渡层，使得特征图像的大小加倍，形成8×8×128的张量并输入到下一个密集连接块中；(4)重复(2)(3)步两次，经过第二个密集连接块，形成8×8×160的张量，然后经过第二个过渡层，形成16×16×192的张量，再经过第三个密集连接块，形成16×16×224的张量，最后经过第三个过渡层，形成32×32×256的张量，即经过三个密集块结构后，特征图像被映射到32×32的大小，通道数为256；(5)最后，带有3个输出通道的1×1的卷积层将32×32×256的张量整合为一个32×32的三通道合成负样本图像，作为生成器的输出；构建生成式对抗网络中的判别器共包含三个密集块连接结构，判别器的输入是待分类的图像，为实现降采样操作，在判别器的两个密集块间加入的过渡层由一个1×1的卷积层与一个2×2的平均池化层组本文档来自技高网...

【技术保护点】
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：...

【技术特征摘要】
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(ClassificationRecallIndex)，其定义为recall和neg_recall的...

【专利技术属性】
技术研发人员：侯春萍，莫晓蕾，杨阳，管岱，夏晗，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12