CN113378723A - 一种基于深度残差网络的输变电线路隐患自动安全识别*** - Google Patents
一种基于深度残差网络的输变电线路隐患自动安全识别*** Download PDFInfo
- Publication number
- CN113378723A CN113378723A CN202110659241.7A CN202110659241A CN113378723A CN 113378723 A CN113378723 A CN 113378723A CN 202110659241 A CN202110659241 A CN 202110659241A CN 113378723 A CN113378723 A CN 113378723A
- Authority
- CN
- China
- Prior art keywords
- module
- hidden danger
- power transmission
- picture
- sent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Storage Device Security (AREA)
Abstract
本发明涉及一种基于深度残差网络的输变电线路隐患自动安全识别***,包括输变电线路数据预处理模块、隐患标签生成模块、隐患特征提取模块、隐患分类器构建模块和MySQL数据库模块。输变电线路数据预处理模块负责图片灰度化处理,提取可用图片,同时保证数据传输安全性;隐患标签生成模块负责对图片文本信息进行聚类,生成隐患图片标签;隐患特征提取模块负责提取图片深度学习特征,为分类学习提供高层语义特征;隐患分类器构建模块负责选择最优分类器模型进行图片隐患识别;MySQL数据库模块负责模块化存储各地区输变电线路图片,采用主从镜像技术保障数据库高可靠性。本发明基于深度残差网络,为电力企业客户提供自动、安全的输变电线路隐患识别方法。
Description
技术领域
本发明涉及深度学习领域以及信息安全领域,特别是一种基于深度残差网络的输变电线路隐患自动安全识别***。
背景技术
输变电线路隐患巡视是保障输变电线路安全稳定运行的重要环节。随着近年来我国电网的迅速扩建,输变电定期的巡检工作量剧增,巡检人员紧缺等问题日益突出。在实际工作中,高压、特高压输电线路一般位于偏僻的平原或者山涧,复杂、危险的环境也给巡检人员带来极大的不便。随着各种现代各种通信技术和检测技术的迅速发展,许多新兴的线路检测方法也应运而生,运用紫外成像仪、红外成像技术、无人机法、巡检机器人可以代替人工实现线路巡检,实现电力线路隐患检测;通过在输变电线路杆塔中安装摄像头,使用智能算法分析视频图片也能实现隐患识别,例如基于双区域滤波和多尺度Retinex算法(MSR)图像融合的图像去雾算法、U-net语义分割网络算法、BP神经网络等算法都能对输电线路中典型的隐患进行有效识别。相比于传统的人工巡检,新的线路巡检方法很大程度解放了人力资源,促使电网朝着智能化管理方向发展。但是其工作效率低、成本高昂的特点使得这些方法难以推广;同时这些智能检测方法能对输变电线路本身进行隐患识别,但是难以识别输变电线路周围的环境隐患;另外,输变电线路图片数据在传输过程中也无法保证其安全性。目前我国正全面推进网络安全和信息化工作,为了响应国家号召并适应我国互联网的发展现状,需要结合深度残差网络、安全密钥分发和加解密算法,为电力企业客户提供一种自动、安全的输变电线路隐患识别方法。
发明内容
有鉴于此,本发明的目的是提供一种基于深度残差网络的输变电线路隐患自动安全识别***,基于输变电线路杆塔中安装摄像头或无人机巡视回传的图片数据进行隐患识别,代替人工巡检,提高了工作效率,并且无需使用费用高昂的紫外成像仪、红外成像仪等装置,减少电力企业输变电线路巡检成本,解决了输变电线路隐患自动识别工作效率低、成本高昂、难以推广、难以识别输变电线路周围的环境隐患、无法保证输变电数据传输安全性等问题。
本发明采用以下方案实现:一种基于深度残差网络的输变电线路隐患自动安全识别***,包括输变电线路数据预处理模块、隐患标签生成模块、隐患特征提取模块、隐患分类器构建模块和MySQL数据库模块;所述输变电线路数据预处理模块用于在每一次向MySQL数据库模块发送获取输变电线路图片的业务请求SQL指令时,生成会话密钥,在密钥分发过程中能够抵抗中间人攻击;采用AES算法解密MySQL数据库模块发送的服务响应结果,解析获取输变电线路图片;然后将输变电线路图片转化为灰度图,选择最优梯度函数,计算图片清晰度并确定阈值,最后筛选可用图片;所述隐患标签生成模块用于通过正则表达式提取图片标注文本的关键信息,然后通过语义相似度分析,对相似文本进行聚类,最后生成隐患图片标签;所述隐患特征提取模块用于提取隐患图片深度学习特征,为分类学习提供高层语义特征;所述隐患分类器构建模块用于将输变电线路数据库中的图片集划分为80%训练集和20%的测试集,基于准确率和F1值这两个分类器评价指标,选择最佳分类器在测试集上进行隐患图像识别;所述MySQL数据库模块用于模块化存储各地区输变电线路图片;在每一次接受输变电线路数据预处理模块发送的服务请求时,生成会话密钥,在密钥分发过程中能够抵抗中间人攻击;采用AES算法加密输变电线路隐患图片,以密文形式发送到输变电线路数据预处理模块,用以保证数据机密性;采用主从镜像方法提高数据库的读写效率,保障数据库的高可靠性。
进一步地,所述输变电线路数据预处理模块包括用户侧数据安全存取模块、灰度化算法选择模块、灰度化处理模块、梯度算法选择模块以及图片清晰度计算模块;所述用户侧数据安全存取模块,保存着当前实体向第三方权威机构申请公钥证书CertA和私钥SKA,并且定义了一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XA’XA<p,计算参数然后计算当前实体参数YA的签名接着将签名SigA和公钥证书CertA作为密钥协商参数,发送到MySQL数据库模块;同时用户侧数据安全存取模块接收MySQL数据库模块发送的密钥协商参数,即签名SigB和公钥证书CertB,使用公钥证书CertB中的公钥PKB,通过签名验证恢复算法计算其中B是密钥协商的对端实体,YB的产生方式与YA相同,即密钥协商双方的大素数p以及p的本原根a相同,用以验证数据来源的可靠性,再计算得到会话密钥;用户侧数据安全存取模块向MySQL数据库模块发送获取输变电线路图片的业务请求SQL指令,同时接收MySQL数据库模块发送的服务响应结果,使用会话密钥KA对密文数据进行AES解密,获取输变电线路图片,发送到灰度化算法选择模块、灰度化处理模块和隐患分类器构建模块;用户侧数据安全存取模块接收灰度化算法选择模块发送的均值算法参数,并转发到灰度化处理模块;
所述的灰度化算法选择模块接收用户侧数据安全存取模块发送的输变电线路图片,分别使用单通道法、最大值法、加权平均值法和平均值法对图片进行灰度化处理,基于图片亮度和计算复杂度这两个评价指标,最终选择平均值法作为输变电线路图片处理的灰度化算法,并将平均值法算法参数发送到用户侧数据安全存取模块;所述的灰度化处理模块接收用户侧数据安全存取模块发送的输变电线路图片和平均值法算法参数,采用平均值法对图片进行灰度化处理,并将灰度图发送到图片清晰度计算模块;所述梯度算法选择模块接收图片清晰度计算模块发送的灰度图,同时,选择拉普拉斯算子为输变电线路图片清晰度计算的最优算法,并将拉普拉斯算子参数发送到图片清晰度计算模块;所述的图片清晰度计算模块接收灰度化处理模块发送的灰度图,转发到梯度算法选择模块;同时接收梯度算法选择模块发送的拉普拉斯算子参数,基于拉普拉斯算子量化灰度图清晰度,并确定算法阈值,剔除传输失败、模糊的图片,提取可用图片,将可用图片发送到隐患标签生成模块。。
进一步地,所述隐患标签生成模块包括隐患文本提取模块、隐患文本聚类模块以及隐患文本词云生成模块;所述隐患文本提取模块接收所述图片清晰度计算模块发送的可用图片,提取可用图片对应的文本信息,利用正则表达式提取文本关键信息,并将可用图片和文本关键信息发送到隐患文本聚类模块;所述隐患文本聚类模块接收隐患文本提取模块发送的可用图片和文本关键信息,对其中同义的文本关键信息做同义转换,得到隐患描述文本,并将隐患描述文本发送到隐患文本词云生成模块;同时隐患文本聚类模块将隐患描述文本作为图片的最终训练标签,然后接收隐患文本词云生成模块发送的词云生成结果,基于词云生成结果,将与隐患相关的标签合并为一类,与隐患无关的标签合并为一类,形成二分类问题,并将可用图片和二分类后的最终训练标签发送到隐患特征提取模块。
进一步地,所述隐患文本词云生成模块,接收隐患文本聚类模块发送的隐患描述文本,将所有隐患描述文本拼接成一个长字符串,每个隐患描述文本之间用空格分隔,使用python的wordcloud库生成词云,为隐患描述文本的聚类提供依据,并将词云生成结果发送到隐患文本聚类模块。
进一步地,所述隐患特征提取模块包括图片分辨率转换模块、残差网络分析模块以及残差网络预训练模块;
所述图片分辨率转换模块接收接收隐患文本聚类模块发送的可用图片和最终训练标签,使用python的PIL库将可用图片尺寸转为224*224像素,作为输入图片,并将输入图片和最终训练标签发送到残差网络分析模块;所述残差网络分析模块,接收图片分辨率转换模块发送的输入图片和最终训练标签,同时接收残差网络预训练模块)发送的权重值,作为残差网络的权重,然后将输入图片和最终训练标签输入到具有50层的残差网络中,截取倒数第二层的特征为深度学习特征并保存成hdf5文件,最终为每张图片输出2048个特征数据,最后将图片的深度学习特征发送到隐患分类器构建模块;所述残差网络预训练模块,预先通过120万张imagenet图片进行预训练,生成权重值发送到残差网络分析模块。
进一步地,所述隐患分类器构建模块包括数据集划分模块、分类器选择模块以及输变电线路隐患识别模块;
所述数据集划分模块接收用户侧数据安全存取模块发送的输变电线路图片,划分为80%训练集和20%的测试集,并发送到分类器选择模块和输变电线路隐患识别模块;所述分类器选择模块,接收数据集划分模块发送的训练集和残差网络分析模块发送的图片深度学习特征,将图片深度学习特征作为输入,基于准确率和F1值这两个分类器评价指标,确定最佳分类模型为支持向量机模型,并将支持向量机模型参数发送到输变电线路隐患识别模块;所述输变电线路隐患识别模块接收数据集划分模块发送的测试集和分类器选择模块发送的支持向量机模型参数,基于支持向量机模型,在测试集上进行输变电线路隐患图像识别。
进一步地,所述MySQL数据库模块包括数据库侧数据安全存取模块和MySQL数据存储模块;
所述数据库侧数据安全存取模块保存着当前实体向第三方权威机构申请公钥证书CertB和私钥SKB,并且定义了一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XB(XB<p),计算参数然后计算当前实体参数YB的签名接着将签名SigB和公钥证书CertB作为密钥协商参数,发送到用户侧数据安全存取模块;同时数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的密钥协商参数,即签名SigA和公钥证书CertA,使用公钥证书CertA中的公钥PKA,通过签名验证恢复算法计算其中A是密钥协商的对端实体,YA的产生方式与YB相同,即密钥协商双方的大素数p以及p的本原根a相同,用以验证数据来源的可靠性,再计算得到会话密钥,A、B实体计算得出的会话密钥相同,即KA=KB;数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的业务请求SQL指令,并转发到MySQL数据存储模块;同时数据库侧数据安全存取模块接收MySQL数据存储模块发送的服务响应结果,使用会话密钥KB对服务响应结果进行AES加密,发送到用户侧数据安全存取模块;所述MySQL数据存储模块分为主数据库和从数据库,主数据库按照模块化的方式分类存储各地区输变电线路图片;并且该模块采用MySQL主从镜像的方式,根据MySQL日志文件,将主数据库数据异步复制到从数据库,完成数据备份,用以保障数据库的高可靠性;所述MySQL数据存储模块接收数据库侧数据安全存取模块发送的业务请求SQL指令,如果是“写”指令,就访问主数据库;如果是“读”指令,就访问从数据库,将读写操作分离,用以减少主数据库的负载,提高读写效率,然后将得到的服务响应结果发送到数据库侧数据安全存取模块。
与现有技术相比,本发明具有以下有益效果:
本发明结合深度残差网络、安全密钥分发和加解密算法,为电力企业客户提供一种自动、安全的输变电线路隐患识别***,该***基于输变电线路杆塔中安装摄像头或无人机巡视回传的图片数据进行隐患识别,代替人工巡检,提高了工作效率,并且无需使用费用高昂的紫外成像仪、红外成像仪等装置,减少电力企业输变电线路巡检成本,可推广性强;使用拉普拉斯算子、深度残差网络等智能算法分析输变电线路数据,不仅能对输变电线路本身进行隐患识别,而且可以识别输变电线路周围的环境隐患;数据库模块化存储各地区输变电线路图片,采用MySQL主从镜像技术提高数据库的可靠性;数据库与电力企业***平台交互时,通过密钥分发、数字签名、AES加密算法等技术确保输变电线路数据的传输安全,可以抵抗中间人攻击。本发明的***实用便捷,整体安全性能好,可操作性强,具有良好的稳定性。
附图说明
图1为本发明实施例的***框图。
图2为本发明实施例的理结构图。
图3为本发明实施例的隐患识别流程图。
图4为本发明实施例的输变电线路数据预处理模块结构图。
图5为本发明实施例的密钥协商原理图。
图6为本发明实施例的隐患标签生成模块模块结构图。
图7为本发明实施例的隐患特征提取模块结构图。
图8为本发明实施例的隐患分类器构建模块结构图。
图9为本发明实施例的MySQL数据库模块结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供一种基于深度残差网络的输变电线路隐患自动安全识别***,包括输变电线路数据预处理模块、隐患标签生成模块、隐患特征提取模块、隐患分类器构建模块和MySQL数据库模块;所述输变电线路数据预处理模块用于在每一次向MySQL数据库模块发送获取输变电线路图片的业务请求SQL指令时,生成会话密钥,在密钥分发过程中能够抵抗中间人攻击;采用AES算法解密MySQL数据库模块发送的服务响应结果(密文数据),解析获取输变电线路图片(明文数据);然后将输变电线路图片转化为灰度图,选择最优梯度函数,计算图片清晰度并确定阈值,最后筛选可用图片;所述隐患标签生成模块用于通过正则表达式提取图片标注文本的关键信息,然后通过语义相似度分析,对相似文本进行聚类,最后生成隐患图片标签;所述隐患特征提取模块用于提取隐患图片深度学习特征(50层残差网络),为分类学习提供高层语义特征;所述隐患分类器构建模块用于将输变电线路数据库中的图片集划分为80%训练集和20%的测试集,基于准确率和F1值这两个分类器评价指标,在训练集上分别使用逻辑回归、随机森林、自提升分类器和支持向量机进行分类器效果比较,选择最佳分类器在测试集上进行隐患图像识别;所述MySQL数据库模块是自主设计的模块化数据存储解决方案,用于模块化存储各地区输变电线路图片;在每一次接受输变电线路数据预处理模块发送的服务请求时,生成会话密钥,在密钥分发过程中能够抵抗中间人攻击;采用AES算法加密输变电线路隐患图片,以密文形式发送到输变电线路数据预处理模块,用以保证数据机密性;采用主从镜像方法提高数据库的读写效率,保障数据库的高可靠性。
在本实施例中,所述输变电线路数据预处理模块包括用户侧数据安全存取模块、灰度化算法选择模块、灰度化处理模块、梯度算法选择模块以及图片清晰度计算模块;所述用户侧数据安全存取模块,保存着当前实体向第三方权威机构申请公钥证书CertA和私钥SKA,并且定义了一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XA,XA<p,计算参数然后计算当前实体参数YA的签名接着将签名SigA和公钥证书CertA作为密钥协商参数,发送到MySQL数据库模块(数据库侧数据安全存取模块);同时用户侧数据安全存取模块接收MySQL数据库模块(数据库侧数据安全存取模块)发送的密钥协商参数,即签名SigB和公钥证书CertB,使用公钥证书CertB中的公钥PKB,通过签名验证恢复算法计算其中B是密钥协商的对端实体,YB的产生方式与YA相同,即密钥协商双方的大素数p以及p的本原根a相同,用以验证数据来源的可靠性,再计算得到会话密钥;用户侧数据安全存取模块向MySQL数据库模块(数据库侧数据安全存取模块)发送获取输变电线路图片的业务请求SQL指令,同时接收MySQL数据库模块(数据库侧数据安全存取模块)发送的服务响应结果(密文数据),使用会话密钥KA对密文数据进行AES解密,获取输变电线路图片(明文数据),发送到灰度化算法选择模块、灰度化处理模块和隐患分类器构建模块(数据集划分模块);用户侧数据安全存取模块接收灰度化算法选择模块发送的均值算法参数,并转发到灰度化处理模块;
所述的灰度化算法选择模块接收用户侧数据安全存取模块发送的输变电线路图片,分别使用单通道法、最大值法、加权平均值法和平均值法对图片进行灰度化处理,基于图片亮度和计算复杂度这两个评价指标,最终选择平均值法作为输变电线路图片处理的灰度化算法,并将平均值法算法参数发送到用户侧数据安全存取模块;所述的灰度化处理模块接收用户侧数据安全存取模块发送的输变电线路图片和平均值法算法参数,基于输变电线路图片色调较暗的特点,采用平均值法对图片进行灰度化处理,并将灰度图发送到图片清晰度计算模块;所述梯度算法选择模块接收图片清晰度计算模块发送的灰度图,运用拉普拉斯算子、SMD、Brenner梯度函数三种算法分别对灰度图进行边缘检测,提取轮廓特征,对比三种算法在筛选可用图片时的耗时、精确度和召回率,同时,选择拉普拉斯算子为输变电线路图片清晰度计算的最优算法,并将拉普拉斯算子参数发送到图片清晰度计算模块;所述的图片清晰度计算模块接收灰度化处理模块发送的灰度图,转发到梯度算法选择模块;同时接收梯度算法选择模块发送的拉普拉斯算子参数,基于拉普拉斯算子量化灰度图清晰度,并确定算法阈值,剔除传输失败、模糊的图片,提取可用图片,将可用图片发送到隐患标签生成模块。(隐患文本提取模块)。
在本实施例中,所述隐患标签生成模块包括隐患文本提取模块、隐患文本聚类模块以及隐患文本词云生成模块;所述隐患文本提取模块接收所述图片清晰度计算模块发送的可用图片,提取可用图片对应的文本信息,利用正则表达式提取文本关键信息,并将可用图片和文本关键信息发送到隐患文本聚类模块;所述隐患文本聚类模块接收隐患文本提取模块发送的可用图片和文本关键信息,对其中同义的文本关键信息做同义转换,得到隐患描述文本,并将隐患描述文本发送到隐患文本词云生成模块;同时隐患文本聚类模块将隐患描述文本作为图片的最终训练标签,然后接收隐患文本词云生成模块发送的词云生成结果,基于词云生成结果,将与隐患相关的标签合并为一类,与隐患无关的标签合并为一类,形成二分类问题,并将可用图片和二分类后的最终训练标签发送到隐患特征提取模块(图片分辨率转换模块)。
在本实施例中,所述隐患文本词云生成模块,接收隐患文本聚类模块发送的隐患描述文本,将所有隐患描述文本拼接成一个长字符串,每个隐患描述文本之间用空格分隔,使用python的wordcloud库生成词云,为隐患描述文本的聚类提供依据,并将词云生成结果发送到隐患文本聚类模块。
在本实施例中,所述隐患特征提取模块包括图片分辨率转换模块、残差网络分析模块以及残差网络预训练模块;
所述图片分辨率转换模块接收接收隐患文本聚类模块发送的可用图片和最终训练标签,使用python的PIL库将可用图片尺寸转为224*224像素,作为输入图片,并将输入图片和最终训练标签发送到残差网络分析模块;所述残差网络分析模块,接收图片分辨率转换模块发送的输入图片和最终训练标签,同时接收残差网络预训练模块)发送的权重值,作为残差网络的权重,然后将输入图片和最终训练标签输入到具有50层的残差网络中,截取倒数第二层的特征为深度学习特征并保存成hdf5文件(大数据存储文件),最终为每张图片输出2048个特征数据,最后将图片的深度学习特征发送到隐患分类器构建模块(分类器选择模块(4-2));所述残差网络预训练模块,预先通过120万张imagenet图片进行预训练,生成权重值发送到残差网络分析模块。
在本实施例中,所述隐患分类器构建模块包括数据集划分模块、分类器选择模块以及输变电线路隐患识别模块;
所述数据集划分模块接收用户侧数据安全存取模块发送的输变电线路图片,划分为80%训练集和20%的测试集,并发送到分类器选择模块和输变电线路隐患识别模块;所述分类器选择模块,接收数据集划分模块发送的训练集和残差网络分析模块发送的图片深度学习特征,将图片深度学习特征作为输入,基于准确率和F1值这两个分类器评价指标,在训练集上分别使用逻辑回归、随机森林、自提升分类器和支持向量机进行分类器效果比较,并确定最佳分类模型为支持向量机模型,并将支持向量机模型参数发送到输变电线路隐患识别模块;所述输变电线路隐患识别模块接收数据集划分模块发送的测试集和分类器选择模块发送的支持向量机模型参数,基于支持向量机模型,在测试集上进行输变电线路隐患图像识别。
在本实施例中,所述MySQL数据库模块包括数据库侧数据安全存取模块和MySQL数据存储模块;
所述数据库侧数据安全存取模块保存着当前实体向第三方权威机构申请公钥证书CertB和私钥SKB,并且定义了一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XB(XB<p),计算参数然后计算当前实体参数YB的签名接着将签名SigB和公钥证书CertB作为密钥协商参数,发送到用户侧数据安全存取模块;同时数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的密钥协商参数,即签名SigA和公钥证书CertA,使用公钥证书CertA中的公钥PKA,通过签名验证恢复算法计算其中A是密钥协商的对端实体,YA的产生方式与YB相同,即密钥协商双方的大素数p以及p的本原根a相同,用以验证数据来源的可靠性,再计算得到会话密钥,A、B实体计算得出的会话密钥相同,即KA=KB;数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的业务请求SQL指令,并转发到MySQL数据存储模块;同时数据库侧数据安全存取模块接收MySQL数据存储模块发送的服务响应结果,使用会话密钥KB对服务响应结果进行AES加密,发送到用户侧数据安全存取模块;所述MySQL数据存储模块分为主数据库和从数据库,主数据库按照模块化的方式分类存储各地区输变电线路图片;并且该模块采用MySQL主从镜像的方式,根据MySQL日志文件,将主数据库数据异步复制到从数据库,完成数据备份,用以保障数据库的高可靠性;所述MySQL数据存储模块接收数据库侧数据安全存取模块发送的业务请求SQL指令,如果是“写”指令,就访问主数据库;如果是“读”指令,就访问从数据库,将读写操作分离,用以减少主数据库的负载,提高读写效率,然后将得到的服务响应结果发送到数据库侧数据安全存取模块。
如图1所示,本实施例提供一种基于深度残差网络的输变电线路隐患自动安全识别***,包括:输变电线路数据预处理模块、隐患标签生成模块、隐患特征提取模块、隐患分类器构建模块和MySQL数据库模块。输变电线路数据预处理模块与MySQL数据库模块,通过socket接口完成数据交互,并使用密钥分发、数字签名、AES加密算法等技术确保输变电线路数据的传输安全。输变电线路数据预处理模块与隐患标签生成模块,输变电线路数据预处理模块与隐患分类器构建模块,隐患标签生成模块与隐患特征提取模块,隐患特征提取模块与隐患分类器构建模块,均通过socket接口完成数据交互。
其中:输变电线路数据预处理模块负责图片灰度化处理,提取可用图片,同时保证数据传输安全性;隐患标签生成模块负责对图片文本信息进行聚类,生成隐患图片标签;隐患特征提取模块负责提取图片深度学习特征,为分类学习提供高层语义特征;隐患分类器构建模块负责选择最优分类器模型进行图片隐患识别;MySQL数据库模块负责模块化存储各地区输变电线路图片,采用主从镜像技术保障数据库高可靠性。
如图2所示,本实施例包括五大部分:输变电线路数据预处理模块、隐患标签生成模块、隐患特征提取模块、隐患分类器构建模块和MySQL数据库模块。所述的输变电线路数据预处理模块包括用户侧数据安全存取模块、灰度化算法选择模块、灰度化处理模块、梯度算法选择模块以及图片清晰度计算模块。所述的隐患标签生成模块包括隐患文本提取模块、隐患文本聚类模块以及隐患文本词云生成模块。所述的隐患特征提取模块包括图片分辨率转换模块、残差网络分析模块以及残差网络预训练模块。所述的隐患分类器构建模块包括数据集划分模块、分类器选择模块以及输变电线路隐患识别模块。所述的MySQL数据库模块包括数据库侧数据安全存取模块和MySQL数据存储模块。
本实施例的隐患识别流程如图3所示:
第一步,请求输变电线路数据。***启动,首先用户侧数据安全存取模块1-1与数据库侧数据安全存取模块进行密钥协商,生成会话密钥KA;然后用户侧数据安全存取模块向数据库侧数据安全存取模块发送获取输变电线路图片的业务请求SQL指令,并接收服务响应结果(密文数据),使用会话密钥KA对密文数据进行AES解密,获取输变电线路图片(明文数据),发送到灰度化算法选择模块。
第二步,预处理输变电线路数据。首先灰度化算法选择模块接收输变电线路图片,使用平均值法进行灰度化处理;然后由图片清晰度计算模块使用拉普拉斯算子,计算灰度图的图片清晰度,并筛选可用图片,将可用图片发送到隐患文本提取模块。
第三步,生成隐患标签。首先隐患文本提取模块2-1接收可用图片,提取可用图片对应的文本信息,利用正则表达式提取文本关键信息;然后隐患文本聚类模块,对其中同义的文本关键信息做同义转换,得到隐患描述文本,隐患描述文本作为图片的最终训练标签,进行二分类,将可用图片和最终训练标签发送到图片分辨率转换模块。
第四步,提取隐患特征。首先图片分辨率转换模块接收可用图片和最终训练标签,将可用图片尺寸转为224*224像素;然后残差网络分析模块将输入图片和最终训练标签输入到具有50层的残差网络中,为每张图片输出2048个深度学习特征,发送到分类器选择模块。
第五步,构建最优分类器识别隐患。首先分类器选择模块接收图片的深度学习特征作为输入,基于数据集划分模块划分的训练集,通过准确率和F1值这两个分类器评价指标,确定最佳分类模型为支持向量机模型;然后输变电线路隐患识别模块,基于数据集划分模块划分的测试集,在测试集上使用支持向量机模型进行输变电线路隐患图像识别。
输变电线路数据预处理模块如图4所示,负责在每一次向MySQL数据库模块发送获取输变电线路图片的业务请求SQL指令时,生成会话密钥,在密钥分发过程中可以抵抗中间人攻击;采用AES算法解密MySQL数据库模块发送的服务响应结果(密文数据),解析获取输变电线路图片(明文数据);然后将输变电线路图片转化为灰度图,选择最优梯度函数,计算图片清晰度并确定阈值,最后筛选可用图片。所述的输变电线路数据预处理模块包括用户侧数据安全存取模块1-1、灰度化算法选择模块、灰度化处理模块、梯度算法选择模块以及图片清晰度计算模块。所述的用户侧数据安全存取模块,保存着当前实体向第三方权威机构申请公钥证书CertA和私钥SKA,并且定义了一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XA(XA<p),计算参数然后计算当前实体参数YA的签名接着将签名SigA和公钥证书CertA作为密钥协商参数,发送到数据库侧数据安全存取模块;同时用户侧数据安全存取模块接收数据库侧数据安全存取模块发送的密钥协商参数,即签名SigB和公钥证书CertB,使用公钥证书CertB中的公钥PKB,通过签名验证恢复算法计算其中B是密钥协商的对端实体,YB的产生方式与YA相同,即密钥协商双方的大素数p以及p的本原根a相同,从而验证数据来源的可靠性,再计算得到会话密钥;用户侧数据安全存取模块1-1向数据库侧数据安全存取模块发送获取输变电线路图片的业务请求SQL指令,同时接收数据库侧数据安全存取模块发送的服务响应结果(密文数据),使用会话密钥KA对密文数据进行AES解密,获取输变电线路图片(明文数据),发送到灰度化算法选择模块、灰度化处理模块和数据集划分模块;用户侧数据安全存取模块接收灰度化算法选择模块发送的平均值法算法参数,并转发到灰度化处理模块;所述的灰度化算法选择模块,接收用户侧数据安全存取模块发送的输变电线路图片,分别使用单通道法、最大值法、加权平均值法和平均值法对图片进行灰度化处理,基于图片亮度和计算复杂度这两个评价指标,选择平均值法作为输变电线路图片处理的灰度化算法,并将平均值法算法参数发送到用户侧数据安全存取模块;所述的灰度化处理模块接收用户侧数据安全存取模块发送的输变电线路图片和平均值法算法参数,基于输变电线路图片色调较暗的特点,采用平均值法对图片进行灰度化处理,并将灰度图发送到图片清晰度计算模块;所述的梯度算法选择模块接收图片清晰度计算模块发送的灰度图,运用拉普拉斯算子、SMD、Brenner梯度函数三种算法分别对灰度图进行边缘检测,提取轮廓特征,对比三种算法在筛选可用图片时的耗时、精确度和召回率,选择拉普拉斯算子为输变电线路图片清晰度计算的最优算法,并将拉普拉斯算子参数发送到图片清晰度计算模块;所述的图片清晰度计算模块接收灰度化处理模块发送的灰度图,转发到梯度算法选择模块;同时接收梯度算法选择模块发送的拉普拉斯算子参数,基于拉普拉斯算子量化灰度图清晰度,并确定算法阈值,剔除传输失败、模糊的图片,提取可用图片,将可用图片发送到隐患文本提取模块。
***的密钥协商原理如图5所示:
第一步,用户侧数据安全存取模块作为实体A,获取一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XA(XA<p),通过这三个初始化参数计算然后通过参数YA和实体A的私钥SKA,计算当前实体参数YA的签名并将签名和实体A的公钥证书CertA发送到数据库侧数据安全存取模块;
第二步,数据库侧数据安全存取模块作为实体B,获取一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XB(XB<p),通过这三个初始化参数计算然后通过参数YB和实体B的私钥SKB,计算当前实体参数YB的签名并将签名和实体B的公钥证书CertB发送到用户侧数据安全存取模块;
第三步,用户侧数据安全存取模块接收数据库侧数据安全存取模块发送的密钥协商参数(签名SigB和公钥证书CertB),使用公钥证书CertB中的公钥PKB,通过签名验证恢复算法计算从而验证数据来源的可靠性,再计算得到会话密钥;
第四步,数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的密钥协商参数(签名SigA和公钥证书CertA),使用公钥证书CertA中的公钥PKA,通过签名验证恢复算法计算从而验证数据来源的可靠性,再计算得到会话密钥。
隐患标签生成模块如图6所示,负责通过正则表达式提取图片标注文本的关键信息,然后通过语义相似度分析,对相似文本进行聚类,最后生成隐患图片标签。所述的隐患标签生成模块包括隐患文本提取模块、隐患文本聚类模块以及隐患文本词云生成模块。所述的隐患文本提取模块,接收图片清晰度计算模块1-5发送的可用图片,提取可用图片对应的文本信息,利用正则表达式提取文本关键信息,并将可用图片和文本关键信息发送到隐患文本聚类模块2-2;所述的隐患文本聚类模块,接收隐患文本提取模块发送的可用图片和文本关键信息,对其中同义的文本关键信息做同义转换,得到隐患描述文本,并将隐患描述文本发送到隐患文本词云生成模块;同时隐患文本聚类模块将隐患描述文本作为图片的最终训练标签,然后接收隐患文本词云生成模块发送的词云生成结果,基于词云生成结果,将与隐患相关的标签合并为一类,与隐患无关的标签合并为一类,形成二分类问题,并将可用图片和二分类后的最终训练标签发送到图片分辨率转换模块;所述的隐患文本词云生成模块,接收隐患文本聚类模块发送的隐患描述文本,将所有隐患描述文本拼接成一个长字符串,每个隐患描述文本之间用空格分隔,使用python的wordcloud库生成词云,为隐患描述文本的聚类提供依据,并将词云生成结果发送到隐患文本聚类模块。
隐患特征提取模块如图7所示,负责提取隐患图片深度学习特征(50层残差网络),为分类学习提供高层语义特征。所述的隐患特征提取模块3包括图片分辨率转换模块、残差网络分析模块以及残差网络预训练模块3-3。所述的图片分辨率转换模块接收接收隐患文本聚类模块发送的可用图片和最终训练标签,使用python的PIL库将可用图片尺寸转为224*224像素,作为输入图片,并将输入图片和最终训练标签发送到残差网络分析模块;所述的残差网络分析模块,接收图片分辨率转换模块发送的输入图片和最终训练标签,同时接收残差网络预训练模块发送的权重值,作为残差网络的权重,然后将输入图片和最终训练标签输入到具有50层的残差网络中,截取倒数第二层的特征为深度学习特征并保存成hdf5文件(大数据存储文件),最终为每张图片输出2048个特征数据,最后将图片的深度学习特征发送到分类器选择模块;所述的残差网络预训练模块,预先通过120万张imagenet图片进行预训练,生成权重值发送到残差网络分析模块。
隐患分类器构建模块如图8所示,负责将输变电线路数据库中的图片集划分为80%训练集和20%的测试集,基于准确率和F1值这两个分类器评价指标,在训练集上分别使用逻辑回归、随机森林、自提升分类器和支持向量机进行分类器效果比较,选择最佳分类器在测试集上进行隐患图像识别。所述的隐患分类器构建模块4包括数据集划分模块、分类器选择模块以及输变电线路隐患识别模块4-3。所述的数据集划分模块接收用户侧数据安全存取模块发送的输变电线路图片,划分为80%训练集和20%的测试集,并发送到分类器选择模块和输变电线路隐患识别模块;所述的分类器选择模块,接收数据集划分模块发送的训练集和残差网络分析模块发送的图片深度学习特征,将图片深度学习特征作为输入,基于准确率和F1值这两个分类器评价指标,在训练集上分别使用逻辑回归、随机森林、自提升分类器和支持向量机进行分类器效果比较,并确定最佳分类模型为支持向量机模型,并将支持向量机模型参数发送到输变电线路隐患识别模块;所述的输变电线路隐患识别模块接收数据集划分模块发送的测试集和分类器选择模块发送的支持向量机模型参数,基于支持向量机模型,在测试集上进行输变电线路隐患图像识别。
MySQL数据库模块如图9所示,是自主设计的模块化数据存储解决方案,负责模块化存储各地区输变电线路图片;在每一次接受输变电线路数据预处理模块1发送的服务请求时,生成会话密钥,在密钥分发过程中可以抵抗中间人攻击;采用AES算法加密输变电线路隐患图片,以密文形式发送到输变电线路数据预处理模块,保证数据机密性;采用主从镜像技术提高数据库的读写效率,保障数据库的高可靠性。所述的MySQL数据库模块5包括数据库侧数据安全存取模块和MySQL数据存储模块。所述的数据库侧数据安全存取模块保存着当前实体向第三方权威机构申请公钥证书CertB和私钥SKB,并且定义了一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XB(XB<p),计算参数然后计算当前实体参数YB的签名接着将签名SigB和公钥证书CertB作为密钥协商参数,发送到用户侧数据安全存取模块;同时数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的密钥协商参数,即签名SigA和公钥证书CertA,使用公钥证书CertA中的公钥PKA,通过签名验证恢复算法计算其中A是密钥协商的对端实体,YA的产生方式与YB相同,即密钥协商双方的大素数p以及p的本原根a相同,从而验证数据来源的可靠性,再计算得到会话密钥,A、B实体计算得出的会话密钥相同,即KA=KB;数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的业务请求SQL指令,并转发到MySQL数据存储模块;同时数据库侧数据安全存取模块接收MySQL数据存储模块发送的服务响应结果,使用会话密钥KB对服务响应结果进行AES加密,发送到用户侧数据安全存取模块;所述的MySQL数据存储模块分为主数据库和从数据库,主数据库按照模块化的方式分类存储各地区输变电线路图片;并且该模块采用MySQL主从镜像的方式,根据MySQL日志文件,将主数据库数据异步复制到从数据库,完成数据备份,保障了数据库的高可靠性;另外,所述的MySQL数据存储模块接收数据库侧数据安全存取模块发送的业务请求SQL指令,如果是“写”指令,就访问主数据库;如果是“读”指令,就访问从数据库,将读写操作分离,从而减少主数据库的负载,提高读写效率,然后将得到的服务响应结果发送到数据库侧数据安全存取模块。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于深度残差网络的输变电线路隐患自动安全识别***,其特征在于:包括输变电线路数据预处理模块、隐患标签生成模块、隐患特征提取模块、隐患分类器构建模块和MySQL数据库模块;所述输变电线路数据预处理模块用于在每一次向MySQL数据库模块发送获取输变电线路图片的业务请求SQL指令时,生成会话密钥,在密钥分发过程中能够抵抗中间人攻击;采用AES算法解密MySQL数据库模块发送的服务响应结果,解析获取输变电线路图片;然后将输变电线路图片转化为灰度图,选择最优梯度函数,计算图片清晰度并确定阈值,最后筛选可用图片;所述隐患标签生成模块用于通过正则表达式提取图片标注文本的关键信息,然后通过语义相似度分析,对相似文本进行聚类,最后生成隐患图片标签;所述隐患特征提取模块用于提取隐患图片深度学习特征,为分类学习提供高层语义特征;所述隐患分类器构建模块用于将输变电线路数据库中的图片集划分为80%训练集和20%的测试集,基于准确率和F1值这两个分类器评价指标,选择最佳分类器在测试集上进行隐患图像识别;所述MySQL数据库模块用于模块化存储各地区输变电线路图片;在每一次接受输变电线路数据预处理模块发送的服务请求时,生成会话密钥,在密钥分发过程中能够抵抗中间人攻击;采用AES算法加密输变电线路隐患图片,以密文形式发送到输变电线路数据预处理模块,用以保证数据机密性;采用主从镜像方法提高数据库的读写效率,保障数据库的高可靠性。
2.根据权利要求1所述的一种基于深度残差网络的输变电线路隐患自动安全识别***,其特征在于:所述输变电线路数据预处理模块包括用户侧数据安全存取模块、灰度化算法选择模块、灰度化处理模块、梯度算法选择模块以及图片清晰度计算模块;所述用户侧数据安全存取模块,保存着当前实体向第三方权威机构申请公钥证书CertA和私钥SKA,并且定义了一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XA,XA<p,计算参数然后计算当前实体参数YA的签名接着将签名SigA和公钥证书CertA作为密钥协商参数,发送到MySQL数据库模块;同时用户侧数据安全存取模块接收MySQL数据库模块发送的密钥协商参数,即签名SigB和公钥证书CertB,使用公钥证书CertB中的公钥PKB,通过签名验证恢复算法计算其中B是密钥协商的对端实体,YB的产生方式与YA相同,即密钥协商双方的大素数p以及p的本原根a相同,用以验证数据来源的可靠性,再计算得到会话密钥;用户侧数据安全存取模块向MySQL数据库模块发送获取输变电线路图片的业务请求SQL指令,同时接收MySQL数据库模块发送的服务响应结果,使用会话密钥KA对密文数据进行AES解密,获取输变电线路图片,发送到灰度化算法选择模块、灰度化处理模块和隐患分类器构建模块;用户侧数据安全存取模块接收灰度化算法选择模块发送的均值算法参数,并转发到灰度化处理模块;
所述的灰度化算法选择模块接收用户侧数据安全存取模块发送的输变电线路图片,分别使用单通道法、最大值法、加权平均值法和平均值法对图片进行灰度化处理,基于图片亮度和计算复杂度这两个评价指标,最终选择平均值法作为输变电线路图片处理的灰度化算法,并将平均值法算法参数发送到用户侧数据安全存取模块;所述的灰度化处理模块接收用户侧数据安全存取模块发送的输变电线路图片和平均值法算法参数,采用平均值法对图片进行灰度化处理,并将灰度图发送到图片清晰度计算模块;所述梯度算法选择模块接收图片清晰度计算模块发送的灰度图,同时,选择拉普拉斯算子为输变电线路图片清晰度计算的最优算法,并将拉普拉斯算子参数发送到图片清晰度计算模块;所述的图片清晰度计算模块接收灰度化处理模块发送的灰度图,转发到梯度算法选择模块;同时接收梯度算法选择模块发送的拉普拉斯算子参数,基于拉普拉斯算子量化灰度图清晰度,并确定算法阈值,剔除传输失败、模糊的图片,提取可用图片,将可用图片发送到隐患标签生成模块。
3.根据权利要求2所述的一种基于深度残差网络的输变电线路隐患自动安全识别***,其特征在于:所述隐患标签生成模块包括隐患文本提取模块、隐患文本聚类模块以及隐患文本词云生成模块;所述隐患文本提取模块接收所述图片清晰度计算模块发送的可用图片,提取可用图片对应的文本信息,利用正则表达式提取文本关键信息,并将可用图片和文本关键信息发送到隐患文本聚类模块;所述隐患文本聚类模块接收隐患文本提取模块发送的可用图片和文本关键信息,对其中同义的文本关键信息做同义转换,得到隐患描述文本,并将隐患描述文本发送到隐患文本词云生成模块;同时隐患文本聚类模块将隐患描述文本作为图片的最终训练标签,然后接收隐患文本词云生成模块发送的词云生成结果,基于词云生成结果,将与隐患相关的标签合并为一类,与隐患无关的标签合并为一类,形成二分类问题,并将可用图片和二分类后的最终训练标签发送到隐患特征提取模块。
4.根据权利要求3所述的一种基于深度残差网络的输变电线路隐患自动安全识别***,其特征在于:所述隐患文本词云生成模块,接收隐患文本聚类模块发送的隐患描述文本,将所有隐患描述文本拼接成一个长字符串,每个隐患描述文本之间用空格分隔,使用python的wordcloud库生成词云,为隐患描述文本的聚类提供依据,并将词云生成结果发送到隐患文本聚类模块。
5.根据权利要求3所述的一种基于深度残差网络的输变电线路隐患自动安全识别***,其特征在于:所述隐患特征提取模块包括图片分辨率转换模块、残差网络分析模块以及残差网络预训练模块;
所述图片分辨率转换模块接收接收隐患文本聚类模块发送的可用图片和最终训练标签,使用python的PIL库将可用图片尺寸转为224*224像素,作为输入图片,并将输入图片和最终训练标签发送到残差网络分析模块;所述残差网络分析模块,接收图片分辨率转换模块发送的输入图片和最终训练标签,同时接收残差网络预训练模块)发送的权重值,作为残差网络的权重,然后将输入图片和最终训练标签输入到具有50层的残差网络中,截取倒数第二层的特征为深度学习特征并保存成hdf5文件,最终为每张图片输出2048个特征数据,最后将图片的深度学习特征发送到隐患分类器构建模块;所述残差网络预训练模块,预先通过120万张imagenet图片进行预训练,生成权重值发送到残差网络分析模块。
6.根据权利要求5所述的一种基于深度残差网络的输变电线路隐患自动安全识别***,其特征在于:所述隐患分类器构建模块包括数据集划分模块、分类器选择模块以及输变电线路隐患识别模块;
所述数据集划分模块接收用户侧数据安全存取模块发送的输变电线路图片,划分为80%训练集和20%的测试集,并发送到分类器选择模块和输变电线路隐患识别模块;所述分类器选择模块,接收数据集划分模块发送的训练集和残差网络分析模块发送的图片深度学习特征,将图片深度学习特征作为输入,基于准确率和F1值这两个分类器评价指标,确定最佳分类模型为支持向量机模型,并将支持向量机模型参数发送到输变电线路隐患识别模块;所述输变电线路隐患识别模块接收数据集划分模块发送的测试集和分类器选择模块发送的支持向量机模型参数,基于支持向量机模型,在测试集上进行输变电线路隐患图像识别。
7.根据权利要求5所述的一种基于深度残差网络的输变电线路隐患自动安全识别***,其特征在于:所述MySQL数据库模块包括数据库侧数据安全存取模块和MySQL数据存储模块;
所述数据库侧数据安全存取模块保存着当前实体向第三方权威机构申请公钥证书CertB和私钥SKB,并且定义了一个大素数p以及p的本原根a,然后随机选择一个私有的随机数XB(XB<p),计算参数然后计算当前实体参数YB的签名接着将签名SigB和公钥证书CertB作为密钥协商参数,发送到用户侧数据安全存取模块;同时数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的密钥协商参数,即签名SigA和公钥证书CertA,使用公钥证书CertA中的公钥PKA,通过签名验证恢复算法计算其中A是密钥协商的对端实体,YA的产生方式与YB相同,即密钥协商双方的大素数p以及p的本原根a相同,用以验证数据来源的可靠性,再计算得到会话密钥,A、B实体计算得出的会话密钥相同,即KA=KB;数据库侧数据安全存取模块接收用户侧数据安全存取模块发送的业务请求SQL指令,并转发到MySQL数据存储模块;同时数据库侧数据安全存取模块接收MySQL数据存储模块发送的服务响应结果,使用会话密钥KB对服务响应结果进行AES加密,发送到用户侧数据安全存取模块;所述MySQL数据存储模块分为主数据库和从数据库,主数据库按照模块化的方式分类存储各地区输变电线路图片;并且该模块采用MySQL主从镜像的方式,根据MySQL日志文件,将主数据库数据异步复制到从数据库,完成数据备份,用以保障数据库的高可靠性;所述MySQL数据存储模块接收数据库侧数据安全存取模块发送的业务请求SQL指令,如果是“写”指令,就访问主数据库;如果是“读”指令,就访问从数据库,将读写操作分离,用以减少主数据库的负载,提高读写效率,然后将得到的服务响应结果发送到数据库侧数据安全存取模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659241.7A CN113378723B (zh) | 2021-06-13 | 2021-06-13 | 一种基于深度残差网络的输变电线路隐患自动安全识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659241.7A CN113378723B (zh) | 2021-06-13 | 2021-06-13 | 一种基于深度残差网络的输变电线路隐患自动安全识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378723A true CN113378723A (zh) | 2021-09-10 |
CN113378723B CN113378723B (zh) | 2023-08-01 |
Family
ID=77574273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659241.7A Active CN113378723B (zh) | 2021-06-13 | 2021-06-13 | 一种基于深度残差网络的输变电线路隐患自动安全识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378723B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065885A (zh) * | 2021-10-29 | 2022-02-18 | 中海油天津化工研究设计院有限公司 | 一种基于防爆rfid标签的防爆电气设备检验整改可追溯*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109525570A (zh) * | 2018-11-06 | 2019-03-26 | 东南大学 | 一种面向集团客户的数据分层安全访问控制方法 |
CN109711437A (zh) * | 2018-12-06 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于yolo网络模型的变压器部件识别方法 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
CN112380945A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电通道环境隐患的识别方法和*** |
-
2021
- 2021-06-13 CN CN202110659241.7A patent/CN113378723B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109525570A (zh) * | 2018-11-06 | 2019-03-26 | 东南大学 | 一种面向集团客户的数据分层安全访问控制方法 |
CN109711437A (zh) * | 2018-12-06 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于yolo网络模型的变压器部件识别方法 |
CN112380945A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电通道环境隐患的识别方法和*** |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
Non-Patent Citations (1)
Title |
---|
孙旭日;李延真;彭博;李晓悦;周超群;: "基于生成对抗网络和深度残差神经网络的变电站异物检测", 电网与清洁能源, no. 09 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065885A (zh) * | 2021-10-29 | 2022-02-18 | 中海油天津化工研究设计院有限公司 | 一种基于防爆rfid标签的防爆电气设备检验整改可追溯*** |
Also Published As
Publication number | Publication date |
---|---|
CN113378723B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109587372B (zh) | 一种基于生成对抗网络的不可见图像隐写术 | |
WO2021073417A1 (zh) | 表情生成方法、装置、设备及存储介质 | |
WO2021208601A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN105450411A (zh) | 利用卡片特征进行身份验证的方法、装置及*** | |
US20220004928A1 (en) | Method and apparatus for incrementally training model | |
CN110135437A (zh) | 用于车辆的定损方法、装置、电子设备和计算机存储介质 | |
US11501470B2 (en) | Geometric encoding of data | |
CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
CN111339897B (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
CN110598019A (zh) | 重复图像识别方法及装置 | |
KR102402170B1 (ko) | 이미지 분석을 이용한 메타버스 생성 장치 및 방법 | |
CN104734852A (zh) | 一种身份认证方法及装置 | |
CN111274946B (zh) | 一种人脸识别方法和***及设备 | |
KR20230132350A (ko) | 연합 감지 모델 트레이닝, 연합 감지 방법, 장치, 설비 및 매체 | |
CN113378723B (zh) | 一种基于深度残差网络的输变电线路隐患自动安全识别*** | |
CN114842524A (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
CN111126155A (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN114120413A (zh) | 模型训练方法、图像合成方法、装置、设备及程序产品 | |
CN112651319B (zh) | 一种视频检测方法、装置、电子设备及存储介质 | |
Winter et al. | Demystifying face-recognition with locally interpretable boosted features (libf) | |
CN111159411B (zh) | 一种融合知识图谱的文本立场分析方法、***及存储介质 | |
CN115661904A (zh) | 数据标注和域适应模型训练方法、装置、设备及介质 | |
Weng et al. | Image inpainting technique based on smart terminal: A case study in CPS ancient image data | |
CN114882582A (zh) | 基于联邦学习模式的步态识别模型训练方法与*** | |
CN116010520B (zh) | 基于区块链的保密数据存储方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |