[发明专利]基于无监督学习的配电房设备异常监测方法与系统

权利要求书

1.基于无监督学习的配电房设备异常监测系统，其特征在于，包括：

样本收集模块：收集不同ROI区域内正常设备的不同时刻图像样本；

深度特征提取模块：对所述图像样本，使用训练模型训练的卷积神经网络结构提取深度特征向量，对不同所述ROI区域图像的深度特征向量进行裁剪；

混合高斯建模模块：根据裁剪后ROI区域图像的深度特征向量对每个像素位置的深度特征向量使用K个高斯分布进行混合高斯建模，获取深度特征的统计特性；使用深度特征域对相应的设备进行混合高斯建模；

图像异常判别模块：根据不同ROI区域的深度特征向量，选用与其对应设备的混合高斯模型，并相应的计算后验概率矩阵，输出异常热力图，根据预设的像素异常判别阈值ε_p，计算异常像素总数，并计算异常像素百分比r，根据预设的图像异常判别阈值ε_r，判别当前ROI区域图像是否异常。

2.根据权利要求1所述的基于无监督学习的配电房设备异常监测系统，其特征在于，所述训练模型为轻量级预训练模型，所述轻量级预训练模型为MobileNetV2、ResNet18或Xception。

3.根据权利要求1所述的基于无监督学习的配电房设备异常监测系统，其特征在于，所述深度特征向量包括提取卷积神经网络中间三层不同感受野尺寸的深度特征，并对三层输出特征进行级联，所述深度特征表示；记正常设备图像样本I_i输出通道特征表示为Γ_i,j是一个三维的张量，c^*、h^*、w^*分别表示输出通道特征的深度、高度及宽度，三层不同感受野的输出可表示为：

对三通道特征按深度维度进行级联，记样本I_i的级联特征：

Γ_i＝f(Γ_i,1,Γ_i,2,Γ_i,3)

级联操作算子f首先对Γ_i,2,Γ_i,3分别进行上采样，使得Γ_i,2,Γ_i,3的空间维度与Γ_i,1保持一致；对采样后的Γ_i,2,Γ_i,3及Γ_i,1按照深度维度进行合并，得到维度为(c¹+c²+c³)×h¹×w¹的深度特征；并对深度特征进行上采样。

4.根据权利要求3所述的基于无监督学习的配电房设备异常监测系统，其特征在于，所述深度特征向量记为x₁,x₂,…,x_N，每个特征向量的维度d为(c¹+c²+c³)，深度特征向量的混合高斯分布建模表示为

其中m表示混合高斯的个数，π_k表示不同混合高斯的权重系数，p_k(x)是均值为α_k，协方差矩阵为S_k的d维高斯分布的概率密度函数；给定参数m及样本深度特征向量x_i,i＝1,2,…,N，根据期望最大化算法可以计算出参数α_k，S_k与π_k；

所述像素位置(i,j)对应的混合高斯模型记为1≤j≤w，则混合高斯参数矩阵即