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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。