风电场权限管理系统及其方法技术方案

本申请涉及风电场智能管理的领域，其具体地公开了一种风电场权限管理系统及其方法，其通过使用双重注意力机制的卷积神经网络模型来对待分配权限的用户的人脸图像、局部二值模式图和Canny边缘检测图融合的多通道图像进行特征提取，以分别关注图像中的特征内容和特征位置，在一定程度上相互补充，提升了网络的特征提取效果，并且在此过程中，还通过对比搜索空间同向化，以将从所述双重注意力机制的卷积神经网络模型得到的特征图的特征表示约束到各向同性且有区分度的表示空间，进而增强融合后的高维特征表达的特征分布连续性。这样，就能够对于用户分配的预定权限进行准确地判断。能够对于用户分配的预定权限进行准确地判断。能够对于用户分配的预定权限进行准确地判断。

【技术实现步骤摘要】
风电场权限管理系统及其方法


[0001]本专利技术涉及风电场智能管理的领域，且更为具体地，涉及一种风电场权限管理系统及其方法。

技术介绍

[0002]当前风电企业越来越重视数据化软件管理，例如，可通过软件来收集并存储风机系统在使用过程中所产生的数据，并对所存储的数据进行整理和分析。为了便于软件管理，通常会在风电管理软件上为不同的账号配置不同的权限，以避免数据误删之类的操作。
[0003]但是，由于账号与密码会泄露，因此，为了提高安全等级，期待一种权限管理系统，其能够在为相应用户配置权限时，对用户身份进行二次验证以提高系统的安全等级。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种风电场权限管理系统及其方法，其通过使用双重注意力机制的卷积神经网络模型来对待分配权限的用户的人脸图像、局部二值模式图和Canny边缘检测图融合的多通道图像进行特征提取，以分别关注图像中的特征内容和特征位置，在一定程度上相互补充，提升了网络的特征提取效果，并且在此过程中，还通过对比搜索空间同向化，以将从所述双重注意力机制的卷积神经网络模型得到的特征图的特征表示约束到各向同性且有区分度的表示空间，进而增强融合后的高维特征表达的特征分布连续性。这样，就能够对于用户分配的预定权限进行准确地判断。
[0005]根据本申请的一个方面，提供了一种风电场权限管理系统，其包括：
[0006]人脸图像采集模块，用于获取待分配权限的用户的人脸图像；
[0007]图像处理模块，用于对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图；
[0008]输入端扩展模块，用于将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像；
[0009]第一卷积编码模块，用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图；
[0010]第二卷积编码模块，用于将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图；
[0011]第一校正模块，用于基于所述第二特征图，对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图；
[0012]第二校正模块，用于基于所述第一特征图，对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图；
[0013]融合模块，用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图；
[0014]人脸识别模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签；以及
[0015]权限管理模块，用于基于所述分类结果，确定是否为所述用户分配预定权限。
[0016]在上述风电场权限管理系统中，所述第一卷积编码模块，进一步用于：所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述第一特征图。
[0017]在上述风电场权限管理系统中，所述第二卷积编码模块，进一步用于：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
[0018]在上述风电场权限管理系统中，所述第一校正模块，进一步用于：基于所述第二特征图，以如下公式对所述第一特征图中各个位置的特征值进行校正以得到所述校正后第一特征图；
[0019]其中，所述公式为：
[0020][0021]其中f
1i
和f
2j
分别是所述第一特征图和所述第二特征图的特征值，且ρ为控制超参数，且d(f
1i
,f
2j
)表示特征值之间的距离。
[0022]在上述风电场权限管理系统中，所述第二校正模块，进一步用于：基于所述第一特征图，以如下公式对所述第二特征图中各个位置的特征值进行校正以得到所述校正后第二特征图；
[0023]其中，所述公式为：
[0024][0025]其中f
1i
和f
2j
分别是所述第一特征图和所述第二特征图的特征值，且ρ为控制超参数，且d(f
1i
,f
2j
)表示特征值之间的距离。
[0026]在上述风电场权限管理系统中，所述融合模块，进一步用于：以如下公式融合所述校正后第一特征图和所述校正后第二特征图以得到所述分类特征图；
[0027]其中，所述公式为：
[0028]F
s
＝αF1+βF2[0029]其中，F
s
为所述分类特征图，F1为所述校正后第一特征图，F2为所述校正后第二特征图，“+”表示所述校正后第一特征图和所述校正后第二特征图相对应位置处的元素相加，α和β为用于控制所述分类特征图中所述校正后第一特征图和所述校正后第二特征图之间的平衡的加权参数。
[0030]在上述风电场权限管理系统中，所述人脸识别模块，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W
n
,B
n
):
…
:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至W
n
为各层全连接层的权重矩阵，B1至B
n
表示各层全连接层的偏置矩阵。
[0031]根据本申请的另一方面，一种风电场权限管理方法，其包括：
[0032]获取待分配权限的用户的人脸图像；
[0033]对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图；
[0034]将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电场权限管理系统，其特征在于，包括：人脸图像采集模块，用于获取待分配权限的用户的人脸图像；图像处理模块，用于对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局部二值模式图和Canny边缘检测图；输入端扩展模块，用于将所述人脸图像、所述局部二值模式图和所述Canny边缘检测图排列为多通道图像；第一卷积编码模块，用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图；第二卷积编码模块，用于将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图；第一校正模块，用于基于所述第二特征图，对所述第一特征图中各个位置的特征值进行校正以得到校正后第一特征图；第二校正模块，用于基于所述第一特征图，对所述第二特征图中各个位置的特征值进行校正以得到校正后第二特征图；融合模块，用于融合所述校正后第一特征图和所述校正后第二特征图以得到分类特征图；人脸识别模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待分配权限的用户的人脸图像所属的对象标签；以及权限管理模块，用于基于所述分类结果，确定是否为所述用户分配预定权限。2.根据权利要求1所述的风电场权限管理系统，其特征在于，所述第一卷积编码模块，进一步用于：所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述第一特征图。3.根据权利要求2所述的风电场权限管理系统，其特征在于，所述第二卷积编码模块，进一步用于：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道
维度的特征矩阵进行点乘以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。4.根据权利要求3所述的风电场权限管理系统，其特征在于，所述第一校正模块，进一步用于：基于所述第二特征图，以如下公式对所述第一特征图中各个位置的特征值进行校正以得到所述校正后第一特征图；其中，所述公式为：其中f
1i
和f
2j
分别是所述第一特征图和所述第二特征图的特征值，且ρ为控制超参数，且d(f
1i
，f
2j
)表示特征值之间的距离。5.根据权利要求4所述的风电场权限管理系统，其特征在于，所述第二校正模块，进一步用于：基于所述第一特征图，以如下公式对所述第二特征图中各个位置的特征值进行校正以得到所述校正后第二特征图；其中，所述公式为：其中f
1i
和f
2j
分别是所述第一特征图和所述第二特征图的特征值，且ρ为控制超参数，且d(...

【专利技术属性】
技术研发人员：单大勇，葛鎣，张建新，田柏全，安琪，蔡俊龙，李景伟，陈德彬，任玉廷，于波，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：