一种基于目标识别算法识别窃电嫌疑用户的方法及系统

摘要

本发明公开了一种基于目标识别算法识别窃电嫌疑用户的方法及系统，其中方法包括：获取用户的不同类型的用电历史场景目标图像的初始样本集，对初始样本集进行预处理，并将处理后的初始样本集划分为训练样本集和测试样本集；通过使用预先构建的深度学习识别模型对训练样本集进行训练，获取经过训练的最终深度学习识别模型；基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，获取窃电嫌疑用户。

说明书

技术领域

本发明涉及反窃电识别及取证技术领域，更具体地，涉及一种基于目标识别算法识别窃电嫌疑用户的方法及系统。

背景技术

窃电行为不仅会对供电企业的经济利润造成重大流失，扰乱了正常的供电秩序，另外窃电用户的违规、不法操作会破坏供电设备，造成人员伤亡，给安全用电带来了严重威胁。由于电能是无形资产，窃电现场查证取证难度大，传统窃电现场查处存在劳动强度大，对窃电隐患实时检测取证效率低的问题。一方面要研究确定现场窃电取证方法，对窃电现场进行网络集中监控、实时报警、录制、保存、传送视频数据。另一方面要利用取证图像及视频进行窃电识别及证据标记。现有技术针对反窃电现场查处过程中存在工作效率低、取证成功率低等问题。

因此，需要一种技术，以基于目标识别算法对窃电嫌疑用户进行识别。

发明内容

本发明技术方案提供一种基于目标识别算法识别窃电嫌疑用户的方法及系统，以解决如何基于目标识别算法对窃电嫌疑用户进行识别的问题。

为了解决上述问题，本发明提供了一种基于目标识别算法识别窃电嫌疑用户的方法，方法包括：

获取用户的不同类型的用电历史场景目标图像的初始样本集，对初始样本集进行预处理，并将处理后的初始样本集划分为训练样本集和测试样本集；

通过使用预先构建的深度学习识别模型对训练样本集进行训练，获取经过训练的最终深度学习识别模型；

基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，获取窃电嫌疑用户。

优选地，获取不同类型窃电场景目标图像的初始样本集，对初始样本集进行预处理，还包括：

对不同类型用电历史场景图片数据定义标签以及进行数据标注，基于定义标签和数据标注确定用户的特征数据；数据标注包括目标类别和目标边框。

优选地，获取不同类型窃电场景目标图像的初始样本集，对初始样本集进行处理，还包括：

基于convertor.py脚本将用户的每条用电历史场景目标图像的数据转化为Darknet格式的文件，以获取处理后的用户历用电场景图片处理数据。

优选地，还包括：对Darknet格式的文件进行预处理，包括：统一调整分辨率；

对用户用电场景图片进行调整，包括：色彩调整、翻转、旋转，通过Mosaic将调整后的多张图片进行拼接。

优选地，还包括：构建基于YOLOv4算法的深度学习识别模型；

基于用户的特征数据对深度学习识别模型进行训练，生成用于对用户窃电行为进行识别的异常用电精度表，并记录训练次数；

基于异常用电精度表计算出的精度结果对用户是否存在窃电行为进行判断，获取判断结果；

当判断结果满足精度要求时或训练次数达到预设训练次数阈值时，将深度学习识别模型作为最终深度学习模型。

优选地，基于用户的特征数据对深度学习识别模型进行训练，包括：

S1，基于训练集的特征数据，设置深度学习识别模型的参数，对度学习识别模型进行训练；记录训练次数；

S2，通过CSPDarknet53网络提取训练集的窃电隐患目标特征，获取训练集的特征向量；

S3，运用Neck模块将特征向量进行高低层次特征融合，生成3个不同尺寸的特征图，进行训练集的多尺度预测，获取预测结果；

S4，将预测结果中的预测目标边框和特征数据中实际目标边框、目标类别通过损失函数计算，获取损失值；

S5，当损失值不符合损失值阈值要求时，重复步骤S1-S4，直至损失值符合损失值阈值要求或训练次数达到预设训练次数阈值时，将深度学习识别模型作为最终深度学习模型。

优选地，YOLOv4算法通过SPP网络模块对多种类型的特征数据进行识别；

YOLOv4算法利用CSP网络与Darknet-53残差网络，提取不同类型用电历史场景图片深层次的特征数据。

优选地，YOLOv4算法的网络结构包括主干网络、Neck模块；

主干网络包括CSPDarknet53结构形式，将CSPNet网络结构应用于Darknet-53中残差模块；

Darknet-53残差网络一系列的1×1和3×3卷积以及不同大小的残差模块组成[12,13]；

CSPDarknet53在卷积层之后采用Mish激励函数；

Neck模块包括SPP网络和PANet网络；SPP网络采用1×1、5×5、9×9、13×13最大池化层分别对上层的特征图进行处理；PANet采用高低层特征融合方法实现3个不同大小的特征图Y1、Y2、Y3输出，用于不同大小的目标识别。

优选地，基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，包括：

将测试样本集作为最终深度学习识别模型的输入；

通过最终深度学习识别模型的前向传播获取测试样本集中用电历史场景目标图像的目标预测边框；

基于目标预测边框和实际目标边框，计算IOU重合度；

基于IOU重合度进行非最大值抑制去除IOU重合度小于阈值的目标预测边框。

优选地，还包括：获取用户的实时用电场景目标图像，基于最终深度学习识别模型对实时用电场景目标图像进行用户窃电行为识别，获取窃电嫌疑用户。

优选地，用户窃电行为，包括：改接表内电路、更换表内元器件、异常用电接线。

基于本发明的另一方面，本发明提供一种基于目标识别算法识别窃电嫌疑用户的系统，系统包括：

初始单元，用于获取用户的不同类型的用电历史场景目标图像的初始样本集，对初始样本集进行预处理，并将处理后的初始样本集划分为训练样本集和测试样本集；

训练单元，用于使用预先构建的深度学习识别模型对训练样本集进行训练，获取经过训练的最终深度学习识别模型；

识别单元，用于基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，获取窃电嫌疑用户。

本发明技术方案提供一种基于目标识别算法识别窃电嫌疑用户的方法及系统，其中方法包括：获取用户的不同类型的用电历史场景目标图像的初始样本集，对初始样本集进行预处理，并将处理后的初始样本集划分为训练样本集和测试样本集；通过使用预先构建的深度学习识别模型对训练样本集进行训练，获取经过训练的最终深度学习识别模型；基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，获取窃电嫌疑用户。本发明基于目标识别算法的窃电隐患实时检测算法，通过窃电隐患监检测深度学习模型确定窃电的嫌疑用户，能够为现场检查人员提供有效数据依据，提高效率，极大减少一线员工的工作量，大幅降低运营成本，能够为电力企业挽回巨大的经济损失。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明优选实施方式的一种基于目标识别算法识别窃电嫌疑用户的方法流程图；

图2为根据本发明优选实施方式的YOLOv4网络结构示意图；

图3为根据本发明优选实施方式的窃电嫌疑目标检测流程图；

图4为根据本发明优选实施方式的一种基于目标识别算法识别窃电嫌疑用户的系统结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明优选实施方式的一种基于目标识别算法识别窃电嫌疑用户的方法流程图。为解决反窃电现场查处过程中工作效率低、取证成功率低等问题，本发明提出基于YOLOv4的窃电场景识别算法。该算法采用改进K-means算法对图片样本集目标的大小进行聚类分析，筛选出符合检测目标特征的锚框，之后利用CSP与Darknet-53残差网络相结合，能够提取图片深层次网络特征数据，同时减小计算量，并采用SPP算法对特征图进行处理增加感受野，提取更高层次的语义特征。本发明最后将实际的窃电场景监控图片作为测试样本集，验证该算法的性能。

如图1所示，本发明提供一种基于目标识别算法识别窃电嫌疑用户的方法，方法包括：

步骤101：获取用户的不同类型的用电历史场景目标图像的初始样本集，对初始样本集进行预处理，并将处理后的初始样本集划分为训练样本集和测试样本集。

优选地，获取不同类型窃电场景目标图像的初始样本集，对初始样本集进行预处理，还包括：

对不同类型用电历史场景图片数据定义标签以及进行数据标注，基于定义标签和数据标注确定用户的特征数据；数据标注包括目标类别和目标边框。

优选地，获取不同类型窃电场景目标图像的初始样本集，对初始样本集进行处理，还包括：

基于convertor.py脚本将用户的每条用电历史场景目标图像的数据转化为Darknet格式的文件，以获取处理后的用户历用电场景图片处理数据。

优选地，还包括：对Darknet格式的文件进行预处理，包括：统一调整分辨率；

对用户用电场景图片进行调整，包括：色彩调整、翻转、旋转，通过Mosaic将调整后的多张图片进行拼接。

本发明采集用户用电历史场景图片数据，并对用户用电历史场景图片数据进行人工处理，以获取用户用电场景图片人工处理数据；其中，用户用电场景图片数据包括：异常用电接线图片数据和正常用电接线图片数据。

本发明基于不同类型的窃电场景图片数据首先人工定义标签并做数据标注，根据标签和数据标注确定用户的特征数据。本发明中不同类型的窃电场景，包括：改接表内电路、更换表内元器件、异常用电接线等。本发明对用户用电历史场景图片数据中的每条用户历史场景图片数据进行人工处理，以获取用户用电场景图片处理数据，包括：

基于convertor.py脚本将用户用电历史数据中的每条用户历史数据转化为Darknet(YOLO)格式的文件，以获取用户用电场景图片处理数据。

本发明基于YOLOv4算法的窃电隐患目标识别，包括：YOLOv4的窃电隐患目标图片样本集，即：Darknet(YOLO)格式的文件进行预处理：包括统一调整分辨率大小，对样本图片进行色彩调整、翻转、旋转，用于减少样本背景对目标识别的影响。

步骤102：通过使用预先构建的深度学习识别模型对训练样本集进行训练，获取经过训练的最终深度学习识别模型。

优选地，还包括：构建基于YOLOv4算法的深度学习识别模型；

基于用户的特征数据对深度学习识别模型进行训练，生成用于对用户窃电行为进行识别的异常用电精度表，并记录训练次数；

基于异常用电精度表计算出的精度结果对用户是否存在窃电行为进行判断，获取判断结果；

当判断结果满足精度要求时或训练次数达到预设训练次数阈值时，将深度学习识别模型作为最终深度学习模型。

优选地，基于用户的特征数据对深度学习识别模型进行训练，包括：

S1，基于训练集的特征数据，设置深度学习识别模型的参数，对度学习识别模型进行训练；记录训练次数；

S2，通过CSPDarknet53网络提取训练集的窃电隐患目标特征，获取训练集的特征向量；

S3，运用Neck模块将特征向量进行高低层次特征融合，生成3个不同尺寸的特征图，进行训练集的多尺度预测，获取预测结果；

S4，将预测结果中的预测目标边框和特征数据中实际目标边框、目标类别通过损失函数计算，获取损失值；

S5，当损失值不符合损失值阈值要求时，重复步骤S1-S4，直至损失值符合损失值阈值要求或训练次数达到预设训练次数阈值时，将深度学习识别模型作为最终深度学习模型。

优选地，YOLOv4算法通过SPP网络模块对多种类型的特征数据进行识别；

YOLOv4算法利用CSP网络与Darknet-53残差网络，提取不同类型用电历史场景图片深层次的特征数据。

优选地，YOLOv4算法的网络结构包括主干网络、Neck模块；

主干网络包括CSPDarknet53结构形式，将CSPNet网络结构应用于Darknet-53中残差模块；

Darknet-53残差网络一系列的1×1和3×3卷积以及不同大小的残差模块组成[12,13]；

CSPDarknet53在卷积层之后采用Mish激励函数；

Neck模块包括SPP网络和PANet网络；SPP网络采用1×1、5×5、9×9、13×13最大池化层分别对上层的特征图进行处理；PANet采用高低层特征融合方法实现3个不同大小的特征图Y1、Y2、Y3输出，用于不同大小的目标识别。

本发明预先构建基于YOLOv4算法的窃电实时检测的深度学习模型，并利用用户的特征数据进行模型训练和优化，使模型通过YOLOv4算法进行训练，之后生成异常用电精度表，根据所计算出的精度结果对用户是否存在窃电行为进行判别，以确定最终的窃电隐患实时检测的深度学习模型。本发明利用最终的窃电隐患实时检测的深度学习模型对用户的用电场景图片数据进行判断，以对用户的窃电行为进行实时监控。

本发明中的YOLOv4算法利用用户的特征数据进行模型训练，使模型正确学习用户特征数据，包括：

YOLOv4算法增加SPP网络模块；增大感受野，提取更高层次的语义特征，能够适应不同尺寸和背景特征的目标识别。从而提高窃电隐患实时检测的深度学习模型的精确度。

本发明的YOLOv4算法利用CSP与Darknet-53残差网络相结合，能够提取图片深层次网络特征数据，同时减小计算量。从而提高窃电隐患实时检测的深度学习模型的时效性。

本发明的YOLOv4算法采用Mosaic样本增强方法，将随机翻转、旋转等预处理后的4张图片拼接起来用于模型训练，减少模型对样本背景的依赖。从而优化窃电隐患实时检测的深度学习模型。

步骤103：基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，获取窃电嫌疑用户。

优选地，基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，包括：

将测试样本集作为最终深度学习识别模型的输入；

通过最终深度学习识别模型的前向传播获取测试样本集中用电历史场景目标图像的目标预测边框；

基于目标预测边框和实际目标边框，计算IOU重合度；

基于IOU重合度进行非最大值抑制去除IOU重合度小于阈值的目标预测边框。

优选地，还包括：获取用户的实时用电场景目标图像，基于最终深度学习识别模型对实时用电场景目标图像进行用户窃电行为识别，获取窃电嫌疑用户。

优选地，用户窃电行为，包括：改接表内电路、更换表内元器件、异常用电接线。

本发明输出模型文件，用于利用最终的窃电隐患监检测深度学习模型确定用户的窃电嫌疑度，并将窃电嫌疑度和用户的用户信息进行关联输出。

本发明基于YOLOv4的窃电隐患实时检测算法，通过窃电隐患监检测深度学习模型确定窃电的嫌疑用户，能够为现场检查人员提供有效数据依据，提高效率，极大减少一线员工的工作量，大幅降低运营成本，能够为电力企业挽回巨大的经济损失。

图2为根据本发明实施方式的YOLOv4网络结构图。YOLOv4网络结构主要包括主干网络、Neck模块，网络结构如图2所示。

其中Darknet-53残差网络结构包括一系列的1×1和3×3卷积以及不同大小的残差模块组成[12,13]。

主干网络采用CSPDarknet53结构形式，将CSPNet网络结构应用于Darknet-53中残差模块，使上层的特征图一个分支进行残差运算，同时另外一个分支和经过残差运算后的特征图相结合。

此外，CSPDarknet53在卷积层之后采用Mish激励函数，代替YOLOv3中的LeakyReLU函数，提高非线性映射能力。

Neck模块包括SPP网络结构和PANet网络结构。其中，SPP网络结构采用1×1、5×5、9×9、13×13最大池化层分别对上层特征图进行处理；PANet采用高低层特征融合方法实现3个不同大小的特征图Y1、Y2、Y3输出,用于不同大小的目标识别。

将一张图片划分为S×S网格，假如被识别的目标中心位置落在某个网格内，则该网格用于该目标的识别。

图3为根据本发明实施方式的窃电隐患目标检测流程图，本发明实施方式提供的窃电隐患实时检测方法，通过基于YOLOv4算法的窃电隐患实时检测的深度学习模型确定窃电的嫌疑用户，能够为现场检查人员提供有效数据依据，提高效率，极大减少一线员工的工作量，大幅降低运营成本，能够为电力企业挽回巨大的经济损失。

基于YOLOv4的窃电隐患目标检测流程图如图3所示，包括3个阶段，分别为:对图片样本集进行预处理、模型训练及待检测目标图片的测试。

检测步骤如下:

一、对样本集进行预处理

收集窃电隐患图片样本集，对图片样本名称进行统一编号，之后将图片分辨率统一调整为608×608；

采用样本增强的方法对样本图片进行色彩调整、翻转、旋转等处理；

运用标注工具对样本集进行目标类别和边框的标注；

按照PASCALVOC数据集的格式整理样本集及标注文件，并生成训练集和测试集。

二、对模型进行训练

根据本项目的样本集数据，修改配置文件中的学习率、批次数等相关参数；

运用CSPDarknet53网络提取输入样本图片的窃电隐患目标特征；

运用Neck模块将特征向量进行高低层次特征融合，生成3个不同尺寸的特征图,用于目标多尺度预测；

将预测结果和标注文件中实际目标边框、类别代入损失函数计算公式，得到损失值；

利用神经网络反向传播方法自动调整网络结构参数，重复步骤b)～d)，直到模型满足精度要求或达到训练次数，生成模型文件。

三、对模型进行测试

a.输入窃电隐患图片测试样本集；

b.利用网络前向传播得到目标的边框和类别；

c.根据目标预测边框、实际边框计算IOU重合度；

d.根据步骤c)得到的IOU值和类别概率得到置信度；

e.设置IOU阈值筛选到IOU值较小的预测框，对剩余的预测框采用最大值抑制算法得到最终的预测结果。

图4为根据本发明优选实施方式的一种基于目标识别算法识别窃电嫌疑用户的系统结构图。如图4所示，本发明提供一种基于目标识别算法识别窃电嫌疑用户的系统，系统包括：

初始单元401，用于获取用户的不同类型的用电历史场景目标图像的初始样本集，对初始样本集进行预处理，并将处理后的初始样本集划分为训练样本集和测试样本集。

优选地，获取不同类型窃电场景目标图像的初始样本集，对初始样本集进行预处理，还包括：

对不同类型用电历史场景图片数据定义标签以及进行数据标注，基于定义标签和数据标注确定用户的特征数据；数据标注包括目标类别和目标边框。

优选地，获取不同类型窃电场景目标图像的初始样本集，对初始样本集进行处理，还包括：

基于convertor.py脚本将用户的每条用电历史场景目标图像的数据转化为Darknet格式的文件，以获取处理后的用户历用电场景图片处理数据。

优选地，还包括：对Darknet格式的文件进行预处理，包括：统一调整分辨率；

对用户用电场景图片进行调整，包括：色彩调整、翻转、旋转，通过Mosaic将调整后的多张图片进行拼接。

训练单元402，用于使用预先构建的深度学习识别模型对训练样本集进行训练，获取经过训练的最终深度学习识别模型。

优选地，还包括：构建基于YOLOv4算法的深度学习识别模型；

基于用户的特征数据对深度学习识别模型进行训练，生成用于对用户窃电行为进行识别的异常用电精度表，并记录训练次数；

基于异常用电精度表计算出的精度结果对用户是否存在窃电行为进行判断，获取判断结果；

当判断结果满足精度要求时或训练次数达到预设训练次数阈值时，将深度学习识别模型作为最终深度学习模型。

优选地，基于用户的特征数据对深度学习识别模型进行训练，包括：

S1，基于训练集的特征数据，设置深度学习识别模型的参数，对度学习识别模型进行训练；记录训练次数；

S2，通过CSPDarknet53网络提取训练集的窃电隐患目标特征，获取训练集的特征向量；

S3，运用Neck模块将特征向量进行高低层次特征融合，生成3个不同尺寸的特征图，进行训练集的多尺度预测，获取预测结果；

S4，将预测结果中的预测目标边框和特征数据中实际目标边框、目标类别通过损失函数计算，获取损失值；

S5，当损失值不符合损失值阈值要求时，重复步骤S1-S4，直至损失值符合损失值阈值要求或训练次数达到预设训练次数阈值时，将深度学习识别模型作为最终深度学习模型。

优选地，YOLOv4算法通过SPP网络模块对多种类型的特征数据进行识别；

YOLOv4算法利用CSP网络与Darknet-53残差网络，提取不同类型用电历史场景图片深层次的特征数据。

优选地，YOLOv4算法的网络结构包括主干网络、Neck模块；

主干网络包括CSPDarknet53结构形式，将CSPNet网络结构应用于Darknet-53中残差模块；

Darknet-53残差网络一系列的1×1和3×3卷积以及不同大小的残差模块组成[12,13]；

CSPDarknet53在卷积层之后采用Mish激励函数；

Neck模块包括SPP网络和PANet网络；SPP网络采用1×1、5×5、9×9、13×13最大池化层分别对上层的特征图进行处理；PANet采用高低层特征融合方法实现3个不同大小的特征图Y1、Y2、Y3输出，用于不同大小的目标识别。

识别单元403，用于基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，获取窃电嫌疑用户。

优选地，基于最终深度学习识别模型对测试样本集进行用户窃电行为识别，包括：

将测试样本集作为最终深度学习识别模型的输入；

通过最终深度学习识别模型的前向传播获取测试样本集中用电历史场景目标图像的目标预测边框；

基于目标预测边框和实际目标边框，计算IOU重合度；

基于IOU重合度进行非最大值抑制去除IOU重合度小于阈值的目标预测边框。

优选地，还包括：获取用户的实时用电场景目标图像，基于最终深度学习识别模型对实时用电场景目标图像进行用户窃电行为识别，获取窃电嫌疑用户。

优选地，用户窃电行为，包括：改接表内电路、更换表内元器件、异常用电接线。

本发明优选实施方式的一种基于目标识别算法识别窃电嫌疑用户的系统400与本发明优选实施方式的一种基于目标识别算法识别窃电嫌疑用户的方法100相对应，在此不再进行赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个//该[装置、组件等]”都被开放地解释为装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。