[发明专利]基于度量学习与视觉感知的设备风险检测方法

权利要求书

1.基于度量学习与视觉感知的设备风险检测方法，其特征在于，该方法包括以下步骤：

将待测设备的第一图像及其风险监控指标输入对应的设备风险检测网络得到对应的风险预测结果；

所述设备风险检测网络的损失函数为交叉熵损失函数和关联总变差的均方差损失函数之和，所述关联总变差为实时关联总变差和标准关联总变差的差值；所述标准关联总变差是根据历史数据中同一时段采集的设备图像中多个设备的预测风险等级的概率的相似度；所述实时关联总变差是根据实时数据中同一时段采集的设备图像中多个设备的预测风险等级的概率的相似度；所述相似度是根据任意两个所述设备之间的预测风险等级的概率比值的加权求和，所述预测风险等级的概率是根据设备的预测风险等级、预测风险概率、风险波动指标和两个所述设备之间的风险等级的差异得到的；

其中，所述第一图像为：使用RGB监控相机采集待测设备的RGB图像，提取RGB图像中的待测设备的邻域图像；

其中，所述风险监控指标为：待检测设备周围部署的传感器的传感器数据；

其中，所述风险波动指标的获取方式为：获取所述设备的设备图像对应的风险等级序列，采用高斯背景建模获得所述风险等级序列对应的混合高斯分布以及混合高斯分布曲线，所述混合高斯分布曲线的横坐标为风险等级，纵坐标为风险概率；将多个所述混合高斯分布曲线求均值得到最终高斯分布曲线；由所述最终高斯分布曲线得到所述设备的风险波动指标；

其中，由所述最终高斯分布曲线得到所述设备的风险波动指标的过程为：所述风险波动指标计算公式为：

其中，B_i为第i个所述设备的所述风险波动指标；Simⁱ为第i个所述设备的高斯分布相似度；

其中，两个所述设备之间的风险等级的差异的获取方式为：计算任意两个所述设备对应的最终高斯分布曲线之间的距离值；将所述距离值作为两个所述设备之间的风险等级的差异；

其中，多个所述混合高斯分布曲线的获取过程为：

在数据采集时，每当采集时间长度为t时则得到一组数据段；在每组时间长度为t的数据段中，每经过时间t₀得到一组训练数据，每组数据段中包含多组训练数据，每个长度为t₀的训练数据都包含一组第一图像序列及其风险监控指标序列；(1)获取设备i的训练数据，对每个数据段t₁，t₂，...，t_n中每一个长度为t₀的训练数据，为每个训练数据人为的打上风险等级标签，即每个长度为t₀时间段内的设备图像序列及其风险监控指标序列都对应一个风险等级标签；将数据段t₁中多个长度为t₀的时间段对应的风险等级按照时间采集的先后顺序进行排列，得到数据段t₁对应的风险等级序列，记为D₁＝{d₁，d₂，d₃，...，d_m}；其中，m为数据段t₁包含的风险等级数量，即m＝t₁/t₀；

(2)采用混合高斯背景建模的方式，根据风险等级序列构建数据段对应的高斯分布，以及混合高斯分布曲线；

1)首先利用风险等级d₁得到初始混合高斯分布：

其中，为风险等级d₁的权重；为风险等级d₁对应的高斯分布；为风险等级d₁的数据标准差；x为当前对应的风险等级；为风险等级d₁的数据均值；

2)将风险等级d₂与风险等级d₁对应的高斯分布进行匹配；判断是否成立，若成立则说明风险等级d₂与高斯分布匹配成功，则利用风险等级d₂对匹配成功的高斯分布进行更新；更新的公式如下：

其中，为更新之后的风险等级d₁的数据均值；为更新之后的风险等级d₁的数据标准差；ρ为遗忘系数，即将风险等级d₂代入高斯分布得到的更新后的高斯分布的值，即

则由更新后的数据均值和数据标准差对高斯分布进行更新，即可得到更新之后的高斯分布此时的混合高斯分布为

3)若不成立则说明风险等级d₂与高斯分布匹配失败，则得到一个新的高斯分布

其中，为风险等级d₂的数据标准差；x为当前对应的风险等级；为风险等级d₂的数据均值；

4)对混合高斯分布中的多个高斯分布分配权重，以得到最终的混合高斯分布；

5)将风险等级d₃与混合高斯分布中的每一个高斯分布进行匹配；

重复遍历D₁中的所有数值，即d₁，d₂，d₃，...，d_m，得到最终数据段t₁对应的混合高斯分布f₁；

(3)重复按照(2)中的方法，获得每个数据段的混合高斯分布以及对应的混合高斯分布曲线。