一種用於反竊電現場的機器學習系統的製作方法

2024-04-15 10:59:05 1

1.本發明屬於安防監控技術領域，具體涉及一種用於反竊電現場的機器學習系統。


背景技術：

2.在日常反竊電工作中存在幾個難點：
3.第一，預防竊電工作做的不夠，只靠人工查處手段效率低下效果不佳，不能從源頭上切斷竊電行為，關鍵是不能對竊電行為進行預判、預警，從預防著手加強反竊電工作；
4.第二，反竊電工作取證難，竊電查處過程中要查計量裝置和用電設施，經常出現的現象是用電檢查人員到達現場時，抓不到任何證據。同時由於電能具有無形性、使用過後無任何殘留物，加之竊電手法越來越隱蔽，甚至利用電能計量原理竊電，竊電時間通常無法準確查明，竊電量、竊電金額也難以準確認定，因此普遍存在取證難問題，即便發現竊電行為也很難拿出確鑿的證據；
5.第三，反竊電執行困難，個別人甚至暴力抗查，阻礙供電企業、電力管理部門開展用電檢查，威脅並報復工作人員的事件時有發生，存在涉黑涉暴行為，但執法人員人力不足，沒有專門的電力行政執法隊伍，因此反竊電行政執法難以真正到位。
6.針對以上三個難點，現有技術中出現了反竊電系統；
7.中國專利cn113777375a《一種反竊電系統》公開了一種反竊電系統，包括用戶側監測裝置、遠程監測中心和移動終端；用戶側監測裝置、移動終端均通過通訊模塊連接到遠程監測中心；該系統通過統計出非正常波動的數據，或超出閾值的數據，在顯示單元上進行異常數據預警提示；同時在用戶側監測裝置上加設視頻監測單元，實時監測計量表，作為用電戶對計量表的更改的證據。
8.中國專利cn113393103a《一種基於遺傳算法優化bp神經網絡的反竊電系統》公開了一種基於遺傳算法優化bp神經網絡的反竊電系統，其包括輸入向量的選擇、輸入輸出的歸一化、訓練樣本的設計、隱含層數的設計、隱節點數的設計和激活函數的選取，該系統通過建立基於遺傳神經網絡預測竊電行為的模型，並將其應用於電力用戶用電信息採集系統，通過數據分析技術實現對電網用戶行為的挖掘，從而解決電力公司對反竊電的實際需求，基於竊電的特點及反竊電的原理方法，將反竊電評價指標體系與bp神經網絡相結合構建了反竊電模型，並將其應用於竊電嫌疑係數的計算，反竊電評價指標體系具有很好的科學性及bp神經網絡對竊電嫌疑分析的可行性和有效性。
9.中國專利cn113111053a《一種基於大數據的線損診斷與反竊電系統、方法及模型》公開了一種基於大數據的線損診斷與反竊電系統、方法及模型，包括數據端子系統、線損診斷端子系統和反竊電端子系統；線損診斷端子系統包括基礎信息管理模塊、異常分析模塊、監測與分析模塊和工單管理模塊；該系統通過實時分析臺區線損異常成因，建立臺區線損異常預警機制，減少人工分析工作量，實現臺區線損高效治理。
10.然而，上述反竊電系統中，反竊電系統僅基於模塊功能實現反竊電的目的，雖然起到了代替人力監測巡檢等功能，但反竊電系統自身無自學習、自訓練以及自適應的能力，在
監測環境不斷變化過程中，反竊電系統不能根據獲得數據進行訓練，從而會導致自身優化效果差，降低識別的準確性。


技術實現要素：

11.為解決現有技術中存在的不足，本發明提供一種用於反竊電現場的機器學習系統，包括數據採集模塊、預警模塊以及中心伺服器。本發明採用3d圖像技術，數據採集模塊使用深度相機，深度相機通過深度傳感技術，增強了攝像機進行面部和目標識別的能力，利用深度相機生成的深度信息(點雲數據)構建物體三維結構，完成對三維場景的還原，通過深度相機和矢量計算技術，本系統有效解決了傳統監控系統只能進行平面圖像識別帶來的局限性，大幅提高物體識別準確性，大大減少了誤報、漏報，提高識別準確率。本發明中的反竊電系統採用人工智慧算法，模型具有自學習、自訓練以及自適應的能力，從而提高系統識別的精度，並且在不斷獲取數據的過程中，訓練模塊基於機器學習算法訓練數據採集模塊，從而提高系統的自優化的演進能力。
12.本發明採用如下的技術方案。
13.一種用於反竊電現場的機器學習系統，包括數據採集模塊以及中心伺服器。
14.所述中心伺服器包括：
15.識別模塊，基於深度學習算法識別數據採集模塊圖像；
16.訓練模塊，基於機器學習算法訓練識別模型。
17.處理模塊，訓練模塊根據識別模塊識別圖像數據使識別模型自訓練，處理模塊存儲數據採集模塊訓練數據，並接收識別模塊識別圖像數據後通過顯示模塊顯示信息。
18.所述數據採集模塊包括深度相機，深度相機安裝於反竊電現場，深度相機通過5g網絡、有線網絡將現場的視頻信號傳輸到中心伺服器，中心伺服器對視頻內容進行識別，對異常情況進行告警，並抓圖、截取視頻片段進行保留。
19.所述機器學習算法識別過程為模型訓練的過程，機器學習模型包括監督學習、無監督學習和半監督學習，其中，監督學習通過訓練帶標籤的數據來建立一個預測模型；無監督學習根據樣本的屬性將其劃分為不同的組別和子集；半監督學習通過使用未標記數據生成偽標籤數據，並配合標記數據訓練分類器。
20.所述無監督學習包括基於密度的聚類、基於劃分的聚類、基於層次的聚類以及基於網格的聚類。
21.優選地，所述基於密度的聚類處理步驟為：
22.(1)對每個樣本點找到其ε-鄰域內的點，並找到其核心對象；
23.(2)找到核心對象的連通分量，忽略所有非核心對象點；
24.(3)選擇一個核心對象並根據ε-鄰域將非核心對象點分配到離它們最近的簇中。
25.所述深度學習算法包括卷積神經網絡。所述卷積神經網絡的處理邏輯為：
26.(1)輸入圖像通過和三個濾波器及一個可加偏置進行卷積，卷積後在c1層產生三個特徵映射圖；
27.(2)特徵映射圖中相鄰四個像素為一組再進行相加求平均值，再進行加權值、加偏置；
28.(3)通過激活函數得到三個特徵映射圖；
29.(4)特徵映射圖像素值柵格化，並連接成一維向量輸入到神經網絡中，完成輸出。
30.一種用於反竊電現場的機器學習系統，還包括預警模塊，所述預警模塊包括電網監測設備、警報器以及揚聲器，電網監測設備、警報器以及揚聲器均與中心伺服器通過交換機連接。
31.所述電網監測設備實時監測電網電流狀況，發生竊電狀況時，中心伺服器控制警報器發出警報，工作人員通過揚聲器進行現場喊話。
32.所述半監督學習通過svm作為模型進行計算，對所有無標籤樣本進行標記後再找到一個使得間隔最大化的超平面，計算公式為：
[0033][0034]
yj(ω
t
χi+b)≥1，j＝1,...,n
l
[0035][0036]
式中，是需要求得法向量w的2範數的平方乘以二分之一最小值，w是超平面的法向量，b為超平面的截距，x是輸入數據，t表示「轉置」，通常把行向量變為列向量，yj是有標籤的數據樣本，是無標籤數據，根據有標籤訓練推理得來。n
l
為帶標籤樣本的數量，nu為無標籤樣本的數量。
[0037]
本發明的有益效果在於，與現有技術相比，
[0038]
1、本發明的識別模塊基於深度學習算法識別數據採集模塊圖像，精準分析每一幀畫面，系統獲取單幀圖像，並將單幀圖像傳輸至訓練好的深度學習模型，從而提高系統識別的精度，並且在不斷獲取數據的過程中，訓練模塊基於機器學習算法訓練數據採集模塊，從而提高系統的自學習以及自適應的演進能力；
[0039]
2、本發明系統的數據採集模塊為深度相機，深度相機是系統的眼睛，通過該相機能檢測出拍攝空間的景深距離，通過深度相機獲取到圖像中每個點距離攝像頭的距離，在加上該點在2d圖像中的二維坐標，就能獲取圖像中每個點的三維空間坐標，以此還原物體的三維圖像，大幅提高物體識別準確性，大大減少了誤報、漏報，提高識別準確率；
[0040]
3、本發明優選無監督學習算法作為訓練模塊的機器學習算法，不僅識別精度高，而且便於調試，預測精度高；
[0041]
4、本發明通過將卷積神經網絡作為識別模型的深度學習算法，使得輸入圖像和網絡的拓撲結構能很好的進行吻合；特徵提取和模式分類可以同時進行，並同時在網絡訓練中產生；權重共享可以減少網絡的訓練參數，使得神經網絡結構變得更加簡單，適應性更強；
[0042]
5、本發明通過設置預警模塊，實現對現場電網電流的監測預警，配合數據採集模塊實現現場雙重預警，並且在確定竊電狀況後，通過現場警報以及喊話威懾犯罪分子的不法行為。
附圖說明
[0043]
圖1為本發明一種用於反竊電現場的機器學習系統的結構示意圖；
[0044]
圖2為本發明實施例中卷積神經網絡的結構示意圖；
[0045]
圖3為本發明實施例中卷積神經網絡的均方誤差收斂曲線圖。
具體實施方式
[0046]
為使本發明的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明的技術方案進行清楚、完整地描述。本技術所描述的實施例僅僅是本發明一部分的實施例，而不是全部實施例。基於本發明精神，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其它實施例，都屬於本發明的保護範圍。
[0047]
一種用於反竊電現場的機器學習系統，如圖1所示，包括數據採集模塊、預警模塊以及中心伺服器。
[0048]
所述中心伺服器包括識別模塊、訓練模塊、處理模塊。
[0049]
所述識別模塊基於深度學習算法識別數據採集模塊圖像並生成識別模型。模型對單幀圖像的內容進行目標檢測，並通過對單幀圖像的內容進行分析，精準識別反竊電現場的違法行為，對涉黑、涉爆等行為精準預判。
[0050]
所述深度學習算法採用卷積神經網絡算法。本領域技術人員清楚，可以採用包括卷積神經網絡、池化網絡、特徵金字塔策略、yolo算法、ssd算法等深度學習算法，基於當前採集到的畫面數據進行監測分析。現有技術中的這些方法均能解決本發明中對應的技術問題並能取得基本的技術效果。而本發明實施例中的採用卷積神經網絡具體計算方式只不過屬於一種優選實施例，該實施例不應成為對本發明實施方案以及權利要求保護範圍的限制。
[0051]
如圖2所示，卷積神經網絡的處理邏輯為：
[0052]
(1)輸入圖像通過和三個濾波器及一個可加偏置進行卷積，卷積後在c1層產生三個特徵映射圖；
[0053]
(2)特徵映射圖中相鄰四個像素為一組再進行相加求平均值，再進行加權值、加偏置；
[0054]
(3)通過激活函數得到三個特徵映射圖；
[0055]
(4)特徵映射圖像素值柵格化，並連接成一維向量輸入到神經網絡中，完成輸出。
[0056]
輸入圖像通過和三個濾波器及一個可加偏置進行卷積，卷積後在c1層產生三個特徵映射圖，然後特徵映射圖中相鄰四個像素為一組再進行相加求平均值，再進行加權值、加偏置，通過一個激活函數(sigmoid函數)得到三個s2層的特徵映射圖，這些映射圖再經過相應濾波得到c3層，該層再和s2一樣產生s4，最終，這些像素值被柵格化，並連接成一個一維向量輸入到傳統的神經網絡中，得到輸出。
[0057]
卷積神經網絡為一種優選的但非限制性的實施方式，卷積核大小為3*3，數量為10個，控制不同的隱含層數量，即卷積層和採樣層的層數，使系統深度l取值為5、7、9、11、13及15；
[0058]
卷積神經網絡實驗模型的系統誤識別率在試驗中的結果如下表所示：
[0059][0060][0061]
由上表可知，在l＝9時即卷積層為三層時最佳，隨後增加卷積層的深度並不能帶來好的效果，系統性能反而嚴重下降。
[0062]
如圖3所示，在均方誤差收斂速度曲線圖中，橫軸是迭代序號，縱軸是系統均方誤差。增加樣本的特徵數，可以提高系統性能，但是提高的幅度比較緩慢，在固定網絡其他參數的情況下，增加網絡深度l也可以使系統性能得到顯著提高，但是在l＝15時數據失常，因此，適度加深網絡層次可以獲得比較好的性能。
[0063]
所述訓練模塊，基於機器學習算法訓練識別模型，使識別模型具有自學習、自訓練、自提高、自適應的演進能力，數據採集模塊獲得的數據越多，準確性會越高，識別過程也是模型訓練的過程，也是模型自學習、自訓練過程，系統通過實際輸入的數據不斷自身優化。
[0064]
所述機器學習算法識別過程也是模型訓練的過程，也是模型自學習、自訓練過程，系統通過實際輸入的數據不斷自身優化，機器學習模型分成四種，分別是監督學習、無監督學習和半監督學習。
[0065]
監督學習算法指的是通過訓練帶標籤的數據來建立一個預測模型，在竊電檢測中，監督學習的模型屬於分類方法，分類方法包括向量機(svm)模型以及神經網絡(ann)模型；
[0066]
向量機(svm)模型首先通過核函數將原始數據樣本映射到更高維的空間中，其次構造一個在每個樣本類別中對最近的數據樣本具有最大間距的分隔超平面來進行分類，具體公式如下：
[0067][0068]
s.t.yi(ω
t
)φ(χi+b)≥1-ei[0069][0070]
式中，χi表示第i個數據樣本，yi表示對應的標籤；ω表示超平面的法向量，確定超
平面的方向；c表示懲罰因子；ei用于衡量約束衝突；φ(
·
)表示核函數；b用於確定超平面相對於原點到法向量的偏移量，以上概念可以轉化為以下的凸二次規劃問題。
[0071]
神經網絡(ann)模型根據其具體的結構有多種類型，包括誤差反向傳播神經網絡，極限學習機和卷積神經網絡等，傳統網絡中其中最為簡單的模型為多層感知機。
[0072]
所述監督學習算法還包括回歸分析，通過擬合因變量和自變量的關係進而對因變量未來的變化趨勢進行預測，在竊電檢測中，回歸分析常用於短期負荷預測，通過預測負荷曲線和實際負荷曲線之間的偏差判定用戶用電情況是否異常，假設負荷預測足夠準確，當用戶的行為嚴重偏離預測值時，或用戶實際負荷曲線反覆出現異常時，則可能是竊電者。
[0073]
無監督學習算法根據樣本的相似屬性將其劃分為不同的組別和子集，無監督學習方法包括基於密度的聚類、基於劃分的聚類、基於層次的聚類和基於網格的聚類等；
[0074]
基於密度的聚類：首先需要定義兩個參數，ε為樣本點的鄰域半徑和形成密集域所需的最小點數minpts；
[0075]
首先，對每個樣本點找到其ε-鄰域內的點，並找到其核心對象，即對該ε-鄰域內的點，若該點包含至少minpts個樣本，則視為核心對象；
[0076]
其次，找到核心對象的連通分量，忽略所有非核心對象點；
[0077]
最後，從當前核心對象集合中選擇一個核心對象並根據ε-鄰域將非核心對象點分配到離它們最近的簇中，其它的點則是視為噪聲。
[0078]
基於劃分的聚類：根據樣本點的特性和數據相似性劃分為不同的類別，通常基於點與點之間的距離進行衡量，即同一類別的樣本點儘可能進，而不同類別間的樣本點儘可能遠，具體公式如下：
[0079][0080]ci
＝argjmin||x
i-μj||2(1)
[0081][0082]
上式中，ci表示數據點xi所屬的類別；其中，式(2)對每個類別中心ci均重複計算，具體處理邏輯為：首先隨機選取k個樣本點作為初始聚類中心μk，重複執行式(1)和式(2)直至達到終止條件。
[0083]
半監督學習算法通過使用大量的未標記數據生成偽標籤數據，同時配合少量帶真正標記地數據訓練分類器，半監督學習算法包括自訓練、協同訓練和半監督svm等，通過svm作為模型進行計算，對所有無標籤樣本進行標記後再找到一個使得間隔最大化的超平面，具體公式如下：
[0084][0085]
yj(ω
t
χi+b)≥1，j＝1,...,n
l
[0086][0087]
式中，是需要求得法向量w的2範數的平方乘以二分之一最小值，w是超平面的法向量，b為超平面的截距，x是輸入數據，t表示「轉置」，通常把行向量變為列向量，yj是有標籤的數據樣本，是無標籤數據，根據有標籤訓練推理得來，n
l
為帶標籤樣本的數
量，nu為無標籤樣本的數量。
[0088]
綜上所述，監督學習通常需要很長時間的調試，反覆對參數和模型框架進行選擇，由於實際生活中竊電用戶的數量要遠小於正常用戶的數量，這就導致數據集會出現數據不平衡甚至缺乏竊電樣本的問題，特別是在一些新安裝電能表的區域，工作人員無法掌握用戶的歷史數據，因此需要長時間的收集這些用戶的數據併到現場檢查標記，其次現有的分類模型多是針對單個用戶的數據進行訓練，泛化能力不足，在某個數據集中表現良好的模型可能在其它數據集中就得不到理想的結果；
[0089]
半監督學習所依據的理論基礎在於標記數據和未標記數據在分布上的連續性和一致性，因此機器學習可以利用這一點特定進行有效的結構化學習，增強模型的表徵能力，但半監督學習在竊電檢測領域的應用還較少，在部分情況下半監督學習算法對標籤的錯誤預測往往會導致最終結果變差；
[0090]
因此，本實施例中，優選但非限制性的實施方式，以無監督學習算法作為訓練模塊的機器學習算法，不僅識別精度高，而且便於調試，預測精度高。
[0091]
所述處理模塊，訓練模塊根據識別模塊識別圖像數據使識別模型自訓練，處理模塊存儲識別模型訓練數據，並接收識別模塊識別圖像數據後通過顯示模塊顯示信息，同時判斷現場可能出現竊電的情況時，自動拍照並截取視頻片段，保存到中心伺服器。
[0092]
所述數據採集模塊包括深度相機，深度相機安裝於反竊電現場，深度相機通過4(5)g網絡、有線網絡將現場的視頻信號傳輸到中心伺服器，中心伺服器對視頻內容進行識別，對異常情況進行告警，並抓圖、截取視頻片段進行保留。
[0093]
深度相機是系統的眼睛，通過該相機能檢測出拍攝空間的景深距離，通過深度相機獲取到圖像中每個點距離攝像頭的距離，在加上該點在2d圖像中的二維坐標，就能獲取圖像中每個點的三維空間坐標，以此還原物體的三維圖像，而且深度相機通過深度傳感技術，增強了攝像機進行面部和目標識別的能力，利用深度相機生成的深度信息(點雲數據)構建物體三維結構，完成對三維場景的還原，大幅提高物體識別準確性，大大減少了誤報、漏報，提高識別準確率。
[0094]
所述預警模塊包括電網監測設備、警報器以及揚聲器，電網監測設備、警報器以及揚聲器均與中心伺服器通過交換機連接，其中，電網監測設備實時監測電網電流狀況，當電網電流運行狀況變化幅度較大時，向中心伺服器反饋預警，中心伺服器預警後，及時通過數據採集模塊監控現場，若發生竊電現象，中心伺服器控制警報器發出警報，並且工作人員可直接由中心伺服器向揚聲器發送信息，從而通過揚聲器進行現場喊話，以解決反竊電工作中預防難的問題，當現場可能出現竊電的情況時，會在系統發出預警信息，同時在反竊電現場進行自動喊話，以威懾犯罪分子的不法行為。
[0095]
最後應當說明的是，以上實施例僅用以說明本發明的技術方案而非對其限制，儘管參照上述實施例對本發明進行了詳細的說明，所屬領域的普通技術人員應當理解：依然可以對本發明的具體實施方式進行修改或者等同替換，而未脫離本發明精神和範圍的任何修改或者等同替換，其均應涵蓋在本發明的權利要求保護範圍之內。