【技术实现步骤摘要】
在线视频异常行为检测模型训练、异常检测方法及系统
本专利技术涉及异常行为检测
，具体涉及一种在线视频异常行为检测模型训练、异常检测方法及系统。
技术介绍
随着社会经济高速发展，电网建设呈现出电压等级越来越高，输电距离越来越长，电网越来越大的特点。因此，对电网的安全性、可靠性要求也越来越高。往往大多数电网员工承担着很重的电网设备运维工作，任何电网员工作业行为违章都有可能造成重大的安全隐患和生产事故。目前，电网人员作业监督工作，最通用的做法是采用工作票机制，在日常作业过程中通过监督员辅助监督作业行为的方式来避免作业行为违章。电网作业具有类型多样，流程复杂的特点，完全依靠人工监督的办法已经无法适应现代化的电网作业特点。由此可见，研究电网在线视频异常检测方法有重要的理论意义和实用价值。目前针对电网作业行为的在线视频异常行为检测技术，主流是的基于有监督的深度学习方法检测准确率较高，但算法精度很大程度上受限于异常数据的数据规模；基于重构的方法则无需异常数据的支撑，仅靠正常设备数据便可实现设备异常行为检测的任务，而正...
【技术保护点】
1.一种在线视频异常行为检测模型训练方法，其特征在于，包括:/n构建2D-3D深度时空自动编码器网络模型，所述网络模型包括依次连接的2D卷积网络、3D卷积网络、3D反卷积网络及2D反卷积网络；/n从在线视频流中采样得到多个长度相同的RGB片段，随机取历史RGB片段中一半数量的片段对新采样的RGB片段做等量替换，随后从每个片段中随机采集一帧，组成采样帧组；/n将采样帧组作为训练数据集输入构建的网络模型中，首先通过共享权重的单个2D卷积网络得到二维特征图，通过堆叠多个视频帧的二维特征图得到对应的时空特征体，随后3D卷积网络对所述时空特征体进行处理提取时空特征，将时空特征输入3D...
【技术特征摘要】
1.一种在线视频异常行为检测模型训练方法，其特征在于，包括:
构建2D-3D深度时空自动编码器网络模型，所述网络模型包括依次连接的2D卷积网络、3D卷积网络、3D反卷积网络及2D反卷积网络；
从在线视频流中采样得到多个长度相同的RGB片段，随机取历史RGB片段中一半数量的片段对新采样的RGB片段做等量替换，随后从每个片段中随机采集一帧，组成采样帧组；
将采样帧组作为训练数据集输入构建的网络模型中，首先通过共享权重的单个2D卷积网络得到二维特征图，通过堆叠多个视频帧的二维特征图得到对应的时空特征体，随后3D卷积网络对所述时空特征体进行处理提取时空特征，将时空特征输入3D反卷积网络及2D反卷积网络对输入数据进行重构，最后通过损失函数计算得到重构误差；
将得到的重构误差通过反向传播算法更新网络模型参数，鼓励参数对正常数据输入得到更小的重构误差，得到训练好的网络模型作为在线视频异常行为检测模型。
2.根据权利要求1所述的在线视频异常行为检测模型训练方法，其特征在于，所述损失函数表示为欧几里得损失Lrec：
其中，是第i个输入batch的大小为N的输入采样帧组，j是大小为N的采样帧组中的一帧，是通过重构得到的重构输出。
3.根据权利要求1所述的在线视频异常行为检测模型训练方法，其特征在于，在线视频的行为包括：电网作业行为。
4.一种在线视频异常检测方法，其特征在于，包括：
自t时刻起累积输入的在线视频数据为包含N帧的视频片段SN，在视频帧采样初始阶段，对前N帧进行密集采样生成视频片段SN，当后续采集的视频帧数达到N帧后，将生成新的标准长度视频片段随机取其中一半数量的视频帧，对SN中等量的视频帧进行均匀替换，得到当前时刻更新后的SN，同时将权利要求1-3任一所述的在线视频异常行为检测模型的采样帧数也设置为N帧；
将在线视频片段SN输入权利要求1-3任一所述的在线视频异常行为检测模型得到相应的重构误差，判断当前时刻输入视频流是否异常，如果重构误差小于预设阈值，则无异常发生，否则输入视频流发生异常。
5.根据权利要求4所述的在线视频异常检测方法，其特征在于，当输入视频流发生异常时发出告警信号，然后继续执行在线视频异常行为检测任务。
6.一种在线视频异常行为检测模型训练系统，其特征在于，包括：
网络模型构建模块，用于构建2...
【专利技术属性】
技术研发人员：杜泽旭，张国梁，吴鹏，赵婷，孔庆宇，
申请(专利权)人：全球能源互联网研究院有限公司，国网山东省电力公司枣庄供电公司，国家电网有限公司，
类型：发明
国别省市：北京;11
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。