【技術實現步驟摘要】
本專利技術涉及異常檢測，具體涉及一種基于正負樣本融合的端到端異常檢測方法、系統及介質。
技術介紹
1、隨著深度學習技術的發展，異常檢測在各個領域中的應用越來越廣泛，尤其在變電站巡檢的異常檢測中；目前在變電站巡檢過程中，正樣本異常檢測和負樣本異常檢測在變電站巡檢異常檢測中通常采用不同的技術路線；正樣本異常檢測通常采用對比學習路線，其檢出率高，但誤報較多，且檢出異常無類別劃分；而負樣本異常檢測則采用目標檢測路線，其誤報少，檢出異常有類別，但檢出率低；這種差異導致兩種算法獨立運行完成后，再進行正負樣本融合，將難以真正實現提高召回，降低誤報。
2、目前，在變電站巡檢過程中正負樣本融合的常見方案有兩種；第一種是在正樣本異常檢測和負樣本異常檢測都執行完后，在兩種方法的輸出結果上進行有限的合并過濾；這種方法可以有效降低誤報，但異常召回無法保證。第二種方案是利用正樣本的輸出作為負樣本的先驗知識，將正負樣本融合分為兩個階段進行；然而，由于正樣本異常檢測輸出誤報較多，以較多誤報的結果作為負樣本檢測的先驗知識，會對負樣本的檢測精度產生較大影響。
3、由上所述，目前在變電站巡檢過程中，正負樣本融合的方法沒有充分利用正樣本異常檢測和負樣本異常檢測的優點，只是在兩種異常檢測的表層進行融合，沒有在兩種異常檢測算法更深層次上進行融合。這導致很難既降低異常檢測的誤報，又保持對異常的高召回。
技術實現思路
1、本專利技術所要解決的技術問題是：當前變電站巡檢過程中異常檢測正負樣本融合不充分的問題
2、本專利技術通過下述技術方案實現：
3、本方案提供一種基于正負樣本融合的端到端異常檢測方法，包括：
4、構建基于正負樣本融合的端到端異常檢測網絡；
5、構建生成異常數據集、真實異常數據集和真實異常圖文描述對，對應構建出訓練集a、訓練集b和訓練集c；所述訓練集a和訓練集b均包括測試圖集和底圖集；
6、分別以訓練集a、訓練集b和訓練集c分階段訓練所述端到端異常檢測網絡；
7、基于已訓練好的端到端異常檢測網絡進行異常檢測。
8、本方案工作原理：當前變電站巡檢過程中異常檢測正負樣本融合不充分的問題，導致檢測精度低；本專利技術目的在于提供一種基于正負樣本融合的端到端異常檢測方法、系統及介質，在傳統充檢測技術基礎上進行方法上的改進，充分利用了正負樣本的優勢，提高異常檢測的準確率和召回率；通過構建生成異常數據集、真實異常數據集和真實異常圖文描述對，對應構建出訓練集a、訓練集b和訓練集c，以訓練集a、訓練集b和訓練集c分階段訓練所述端到端異常檢測網絡；確保端到端異常檢測網絡能夠有效學習到異常的特征，并減少誤報。
9、進一步優化方案為，所述構建基于正負樣本融合的端到端異常檢測網絡；包括方法：
10、以對比語言-圖像預訓練模型(clip模型)中的text?encoder分支作為異常提示文本編碼網絡，并以改進型yolov8網絡作為正負樣本融合網絡；
11、配置包括預測類別特征向量、預測異常位置框以及異常置信度的檢測頭；
12、基于類別特征向量和異常提示文本編碼網絡輸出的文本特征向量進行對比，根據余弦距離最大值確定異常類別。
13、進一步優化方案為，所述改進型yolov8網絡包括a分支、b分支和特征融合網絡；
14、所述a分支基于傳統yolov8網絡對一張測試圖進行特征提取；所述b分支基于3d卷積和2d卷積對多張底圖進行特征提取；
15、所述特征融合網絡用于融合a分支提取的特征和b分支提取的特征。
16、進一步優化方案為，所述構建生成異常數據集、真實異常數據集和真實異常圖文描述對，對應構建出訓練集a、訓練集b和訓練集c；包括方法：
17、選擇同一點位不同時刻的n張圖片，生成需要檢測的異常圖和不需要檢測的異常圖，由需要檢測的異常圖和不需要檢測的異常圖構建生成異常數據集，作為訓練集a；
18、選擇有真實異常的圖片作為測試圖，沒有異常的圖片作為底圖，生成真實異常數據集，作為訓練集b；
19、從有真實異常的圖片中將異常部分截取出來，用文字進行異常描述，基于截取出來的異常部分和異常描述生成真實異常圖文描述對，作為訓練集c。
20、進一步優化方案為，所述分別以訓練集a、訓練集b和訓練集c分階段訓練所述端到端異常檢測網絡；包括方法：
21、以訓練集a訓練端到端異常檢測網絡的正負樣本融合網絡部分，并進行框預測和異常置信度預測；
22、以訓練集c訓練端到端異常檢測網絡的異常提示文本編碼網絡部分；
23、以訓練集b訓練整個端到端異常檢測網絡，并進行框預測、異常置信度預測和類別特征向量預測。
24、進一步優化方案為，預測框損失為lciou+?dfl，其中：
25、；
26、；
27、其中， iou為標定框與檢測框的交并比， b和 b gt分別為檢測框與標定框的中心點， p 2（*，#）為點*與點#之間歐式距離的平方， c為檢測框與標定框閉合區域的對角線距離， ν為測量檢測框與標定框相對比例一致性， a為權重系數； s i 、s i+1為網絡輸出的預測值、臨近預測值， y、y i 、y i+1為標簽的實際值、標簽積分值、臨近標簽積分值；lciou表示第一預測框損失；dfl（）表示第二預測框損失；
28、在異常置信度預測過程中，異常置信度損失為：
29、；
30、其中yi為樣本標簽，pi為預測概率；n為檢測框總數；i為第i個檢測框； l i為第i個檢測框的異常置信度損失。
31、進一步優化方案為，在以訓練集b訓練端到端異常檢測網絡的異常提示文本編碼網絡過程中，損失函數為：
32、
33、其中a、b為圖像特征向量、文本特征向量；n為特征向量長度；θ為兩向量夾角；i為第i個特征的編號；ai為第i個圖像特征；bi為第i個文本特征。
34、進一步優化方案為，所述以訓本文檔來自技高網...
【技術保護點】
1.一種基于正負樣本融合的端到端異常檢測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述構建基于正負樣本融合的端到端異常檢測網絡；包括方法：
3.根據權利要求2所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述改進型yolov8網絡包括A分支、B分支和特征融合網絡；
4.根據權利要求1所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述構建生成異常數據集、真實異常數據集和真實異常圖文描述對，對應構建出訓練集A、訓練集B和訓練集C；包括方法：
5.根據權利要求3所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述分別以訓練集A、訓練集B和訓練集C分階段訓練所述端到端異常檢測網絡；包括方法：
6.根據權利要求5所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，在框預測過程中，預測框損失為LCIou?+?DFL，其中：
7.根據權利要求5所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，在以訓練集B
8.根據權利要求5所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述以訓練集C訓練端到端異常檢測網絡的異常提示文本編碼網絡部分，包括方法：
9.一種基于正負樣本融合的端到端異常檢測系統，其特征在于，用于實現權利要求1-8任意一項所述的一種基于正負樣本融合的端到端異常檢測方法，所述系統包括：
10.一種計算機可讀介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行可實現如權利要求1-8中任意一項所述的一種基于正負樣本融合的端到端異常檢測方法。
...【技術特征摘要】
1.一種基于正負樣本融合的端到端異常檢測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述構建基于正負樣本融合的端到端異常檢測網絡；包括方法：
3.根據權利要求2所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述改進型yolov8網絡包括a分支、b分支和特征融合網絡；
4.根據權利要求1所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述構建生成異常數據集、真實異常數據集和真實異常圖文描述對，對應構建出訓練集a、訓練集b和訓練集c；包括方法：
5.根據權利要求3所述的一種基于正負樣本融合的端到端異常檢測方法，其特征在于，所述分別以訓練集a、訓練集b和訓練集c分階段訓練所述端到端異常檢測網絡；包括方法：
6.根據權利要求5所述...
【專利技術屬性】
技術研發人員：滕予非，張凌浩，鄺俊威，向思嶼，劉洪利，李旭旭，李林，李亞強，劉昶，毛楊，周明宏，杜佩珂，
申請(專利權)人：國網四川省電力公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。