一种电力场景下监控图像增量重传方法及装置制造方法及图纸

本发明专利技术提供一种电力场景下监控图像增量重传方法及装置，发送端对监控图像进行编码，生成语义特征矩阵；按照语义重要性对语义特征矩阵中的信息进行排序，将排序后的语义特征矩阵分割为多个语义特征向量；将语义重要性最高的语义特征向量发送至接收端并进行错误检测；当未通过错误检测时，根据信道条件，重新发送未通过错误检测的语义特征向量，或者将语义重要性次之的语义特征向量发送至接收端，再次进行错误检测；重复重传步骤，直至满足预设条件，整合接收端接收的语义特征向量并输入预设模型，以恢复监控图像

【技术实现步骤摘要】
一种电力场景下监控图像增量重传方法及装置


[0001]本专利技术涉及通信
，尤其涉及一种电力场景下监控图像增量重传方法及装置
。

技术介绍

[0002]电力系统是由发电
、
输电
、
变电
、
配电和用电等环节组成的电能生产和消费系统
。
为保障用户获得安全
、
经济
、
优质的电能，电力监控设施必须涉及到电力系统的各个环节
。
不同电力场景下的信道环节千差万别，对电力监控视频的传输也提出了更高的要求
。
[0003]在传统通信中，传统通信是指在高信噪比条件下进行的准确传输，其主要目标是保证信息的准确性和完整性
。
传统通信采用比特级错误检测标准，以确保接收到的信息与发送方的信息完全一致
。
但传统通信也存在一些缺点：首先，传统通信对于低信噪比条件下的传输效果较差
。
在信道质量不佳的情况下，传统通信往往无法有效地恢复出准确的信息，导致严重的传输错误
。
其次，传统通信对于错误信息的处理方式相对单一
。
如果某些信息未能通过错误检测，传统通信往往选择丢弃并要求重传，这意味着无法充分利用那些在语义层面上仍具有一定价值的错误信息
。

技术实现思路

[0004]鉴于此，本专利技术实施例提供了一种电力场景下监控图像增量重传方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷，解决传统通信在低信噪比条件下传输效果差，无法有效恢复出准确的信息，以及对于错误信息直接丢弃或重传，无法利用错误信息中有效部分的问题
。
[0005]一方面，本专利技术提供了一种电力场景下监控图像增量重传方法，其特征在于，所述方法在发送端执行，包括以下步骤：
[0006]对监控图像进行语义编码，生成语义特征矩阵；
[0007]按照预设的语义重要性判断方法对所述语义特征矩阵中的信息进行排序，并将排序后的语义特征矩阵分割为多个语义特征向量；
[0008]将语义重要性最高的语义特征向量发送至接收端，进行错误检测；
[0009]当未通过错误检测时，将语义重要性次之的语义特征向量发送至接收端，并进行错误检测；
[0010]重复上述重传步骤，直至满足预设条件后，整合所述接收端接收的语义特征向量，得到整合矩阵，将所述整合矩阵输入预设神经网络模型，以恢复所述监控图像
。
[0011]在本专利技术的一些实施例中，对监控图像进行语义编码之前，还包括：
[0012]对所述监控图像进行数据预处理，所述数据预处理包括去噪
、
缩放
、
裁剪处理；
[0013]将预处理后的监控图像输入预训练得到的深度学习模型，提取相应的特征表示，以根据所述特征表示进行语义编码
。
[0014]在本专利技术的一些实施例中，按照预设的语义重要性判断方法对所述语义特征矩阵
中的信息进行排序，还包括：
[0015]对所述语义特征矩阵中的每一元素计算其信息熵；将计算得到的每个特征的信息熵从高至低进行排序；
[0016]所述信息熵的计算式为：
[0017]H
＝
‑
∑p(x)*log2p(x))
；
[0018]其中，
H
表示所述信息熵；
p(x)
表示特征取某个值的概率分布
。
[0019]在本专利技术的一些实施例中，将语义重要性最高的语义特征向量发送至接收端，进行循环冗余校验，包括以下步骤：
[0020]所述接收端接收语义重要性最高的语义特征向量后，将数据和校验原始值分离；
[0021]对所述数据进行所述循环冗余校验运算，得到校验计算值；
[0022]比较所述校验原始值和所述校验计算值是否一致；若一致，则通过错误检测，若不一致，则未通过错误检测
。
[0023]在本专利技术的一些实施例中，当未通过错误检测时，所述接收端向所述发送端发送重传请求之后，还包括：
[0024]检测信道条件并计算信噪比；
[0025]当所述信噪比小于预设值时，将未通过错误检测的语义特征向量重新发送至所述接收端；当所述信噪比大于所述预设值时，将语义重要性次之的语义特征向量发送至所述接收端
。
[0026]在本专利技术的一些实施例中，重复上述重传步骤，直至满足预设条件，还包括：所述预设条件为通过错误检测
、
所述语义特征向量已全部发送或已达到预设的最大重传次数
。
[0027]在本专利技术的一些实施例中，当所述预设条件为语义特征向量已全部发送时，还包括：
[0028]按照预设的语义重要性判断方法对所述语义特征矩阵中的信息进行排序，并按照预设比例将排序后的语义特征矩阵平均分割为多个语义特征向量；
[0029]按照语义重要性从高至低的顺序，依次将各语义特征向量发送至接收端，并进行错误检测；
[0030]直至所述语义特征向量全部发送，将所有语义特征向量结合得到的语义特征信息输入预设神经网络模型，以恢复所述监控图像
。
[0031]在本专利技术的一些实施例中，当所述预设条件为已达到预设的最大重传次数时，还包括：
[0032]预先设置最大重传次数；
[0033]按照预设的语义重要性判断方法对所述语义特征矩阵中的信息进行排序，并将排序后的语义特征矩阵分割为多个语义特征向量；
[0034]按照语义重要性从高至低的顺序，依次将各语义特征向量发送至接收端，并进行错误检测；
[0035]直至发送次数达到所述最大重传次数，将发送的语义特征向量结合得到的语义特征信息输入预设神经网络模型，以恢复所述监控图像
。
[0036]另一方面，一种电力场景下监控图像增量重传装置，其特征在于，包括：
[0037]输入装置，用于向处理器输入待处理的监控图像；
[0038]处理器，包括发送端和接收端，用于执行如上文中提及的任意一项所述方法的步骤，实现监控图像增量重传，以得到恢复后的监控图像；
[0039]输出设备，用于输出恢复后的监控图像
。
[0040]另一方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中提及的任意一项所述方法的步骤
。
[0041]本专利技术的有益效果至少是：
[0042]本专利技术提供一种电力场景下监控图像增量重传方法及装置，包括：发送端对监控图像进行语义编码，生成语义特征矩阵；按照语义重要性对语义特征矩阵中的信息进行排序，将排序后的语义特征矩阵分割为多个语义特征向量；将语义重要性最高的语义特征向量发送至接收端，进行错误检测；当未通过错误检测时，根据信道条件，重新发送未通过错误检测的语义特征向量，或者将语义重要性次之的语义特征向量发送至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电力场景下监控图像增量重传方法，其特征在于，所述方法在发送端执行，包括以下步骤：对监控图像进行语义编码，生成语义特征矩阵；按照预设的语义重要性判断方法对所述语义特征矩阵中的信息进行排序，并将排序后的语义特征矩阵分割为多个语义特征向量；将语义重要性最高的语义特征向量发送至接收端，进行错误检测；当未通过错误检测时，将语义重要性次之的语义特征向量发送至接收端，并进行错误检测；重复上述重传步骤，直至满足预设条件后，整合所述接收端接收的语义特征向量，得到整合矩阵，将所述整合矩阵输入预设神经网络模型，以恢复所述监控图像
。2.
根据权利要求1所述的电力场景下监控图像增量重传方法，其特征在于，对监控图像进行语义编码之前，还包括：对所述监控图像进行数据预处理，所述数据预处理包括去噪
、
缩放
、
裁剪处理；将预处理后的监控图像输入预训练得到的深度学习模型，提取相应的特征表示，以根据所述特征表示进行语义编码
。3.
根据权利要求1所述的电力场景下监控图像增量重传方法，其特征在于，按照预设的语义重要性判断方法对所述语义特征矩阵中的信息进行排序，还包括：对所述语义特征矩阵中的每一元素计算其信息熵；将计算得到的每个特征的信息熵从高至低进行排序；所述信息熵的计算式为：
H
＝
‑
∑p(x)*log2(p(x))
；其中，
H
表示所述信息熵；
p(x)
表示特征取某个值的概率分布
。4.
根据权利要求1所述的电力场景下监控图像增量重传方法，其特征在于，将语义重要性最高的语义特征向量发送至接收端，进行循环冗余校验，包括以下步骤：所述接收端接收语义重要性最高的语义特征向量后，将数据和校验原始值分离；对所述数据进行所述循环冗余校验运算，得到校验计算值；比较所述校验原始值和所述校验计算值是否一致；若一致，则通过错误检测，若不一致，则未通过错误检测
。5.
根据权利要求1所述的电力场景下监控图像增量重传方法，其特征在于，当未通过错误检测时，所述接收端向所...

【专利技术属性】
技术研发人员：董辰，邓天烨，鲍智成，张静涵，刘庚，刘颖，陈立博，
申请(专利权)人：北京智芯微电子科技有限公司国网思极紫光青岛微电子科技有限公司，
类型：发明
国别省市：