夏利玲，顧建華

(鹽城工業(yè)職業(yè)技術(shù)學(xué)院 信息與安全學(xué)院，江蘇 鹽城 224005)

0 引言

伴隨著我國電力設(shè)備的不斷建設(shè)以及輸電線路的不斷延伸，傳統(tǒng)電力巡檢工作模式一方面因為嚴(yán)重依賴人力方式解決，人工成本較高，另一方面由于受限于如地形、天氣、人員經(jīng)驗等多種因素影響，想要在全天候條件下完成對電力巡檢數(shù)據(jù)信息安全性的排查工作，存在一定安全風(fēng)險，這導(dǎo)致傳統(tǒng)電力巡檢方式已無法滿足我國電力發(fā)展現(xiàn)狀。因此數(shù)據(jù)信息采集設(shè)備被廣泛應(yīng)用于電力巡檢任務(wù)中。日常電力巡檢工作的主要內(nèi)容包括：對電力線路進(jìn)行異物檢測[1]，避免出現(xiàn)因為異物遮擋而造成安全隱患事件。對重要電力設(shè)備的潛在安全風(fēng)險進(jìn)行評估，必要時為電力設(shè)備進(jìn)行維護(hù)與搶修提供依據(jù)。對電力設(shè)備缺陷進(jìn)行日常排查，做到早發(fā)現(xiàn)早解決。雖然通過智能采集設(shè)備可以獲取到相關(guān)電力設(shè)備的數(shù)據(jù)信息，例如利用無人機[2]進(jìn)行電力巡視，利用電子監(jiān)控設(shè)備對電力設(shè)施的安全狀況進(jìn)行實時監(jiān)控等，且這類方式具有全天候工作、跨越地形限制、節(jié)約人力成本等優(yōu)點，但依舊需要經(jīng)驗豐富的人力對采集到的數(shù)據(jù)信息的安全性進(jìn)行主觀分析，存在漏檢和錯檢的風(fēng)險。針對上述問題，如何對數(shù)據(jù)信息的安全性進(jìn)行有效識別[3]并提高識別效率，是目前研究人員要重點解決的問題。圖像數(shù)據(jù)具有蘊含信息量豐富、可跨距離、傳輸速率快等優(yōu)點，因此圖像數(shù)據(jù)成為人類獲取數(shù)據(jù)信息的主要載體[4]。目前關(guān)于電力巡檢數(shù)據(jù)安全性識別檢查方法主要針對三種電力巡檢數(shù)據(jù)類型：可見光照條件下采集到的數(shù)據(jù)類型、紅外[5]和紫外光照條件下[6]采集到的數(shù)據(jù)數(shù)據(jù)類型，并對這三種數(shù)據(jù)類型開展智能信息安全性檢測。本文主要針對在自然可見光條件下采集到的電力巡檢圖像數(shù)據(jù)，同時結(jié)合深度學(xué)習(xí)技術(shù)訓(xùn)練網(wǎng)絡(luò)模型，實現(xiàn)對數(shù)據(jù)信息的安全性進(jìn)行有效識別，具有識別效率高、高準(zhǔn)確率和可靠性強等優(yōu)點。

當(dāng)前圖像數(shù)據(jù)信息識別方法可以分為兩類，第一類是傳統(tǒng)基于目標(biāo)物識別的方法，此類方法多數(shù)是基于待選區(qū)域特征提取的目標(biāo)安全性識別方法，如文獻(xiàn)[7]采用滑動窗口在待識別圖像上對區(qū)域特征進(jìn)行滑動提取。文獻(xiàn)[8]是較早將紅外圖像數(shù)據(jù)應(yīng)用于電力線路相關(guān)信息安全性檢查的方法，主要思想是使用自適應(yīng)方法，利用自然可見光照條件下原始電力設(shè)備圖像與其紅外光照條件下的圖像進(jìn)行背景校對，以增強紅外圖像數(shù)據(jù)信息質(zhì)量，實現(xiàn)對電力線路相關(guān)信息的安全檢測。針對文獻(xiàn)[8]方法存在對高噪聲抑制效果不佳，容易產(chǎn)生電力線路相關(guān)信息安全識別度低的問題，文獻(xiàn)[9]將彩色圖像融合技術(shù)應(yīng)用于紅外圖像高噪聲抑制問題，有助于提升輸出圖的視覺效果，經(jīng)實驗驗證增強后的輸出圖可有效提升電力線路數(shù)據(jù)信息安全性識別準(zhǔn)確度。傳統(tǒng)圖像數(shù)據(jù)信息安全性識別方法雖然一定程度上可以實現(xiàn)對電力巡檢數(shù)據(jù)信息的安全性識別，但受制于計算機硬件性能上限，以及數(shù)據(jù)量有限等問題，識別結(jié)果存在魯棒性差，抗噪聲能力弱等缺點。第二類是基于深度學(xué)習(xí)技術(shù)特征提取的數(shù)據(jù)信息安全性識別方法，如SIFT(scale invarint frature transform)因為其在目標(biāo)識別過程中可對目標(biāo)進(jìn)行濾波，并且在關(guān)鍵節(jié)點的提取和創(chuàng)建上具有獨特優(yōu)勢，被眾多識別模型應(yīng)用，文獻(xiàn)[10]首次將SIFT應(yīng)用于電力塔側(cè)傾檢測問題上，并取得不錯的效果，其主要思想是通過SIFT計算電力塔的關(guān)鍵節(jié)點，最后經(jīng)過計算匹配度完成對電力塔側(cè)傾問題的檢測。文獻(xiàn)[11]是較早利用R-CNN(region-convolutional neural networks)進(jìn)行目標(biāo)識別的方法，主要思路是對待識別圖像通過分類，組成多個待判別區(qū)域構(gòu)成的層次組，最后進(jìn)行分類識別。隨著卷積神經(jīng)網(wǎng)絡(luò)模型(CNN, convolutional neural network)結(jié)構(gòu)的不斷改進(jìn)，誕生了許多改進(jìn)方法，文獻(xiàn)[12]創(chuàng)新性的將數(shù)據(jù)信息安全性的識別過程分兩個階段，第一階段主要對數(shù)據(jù)信息中含有待識別目標(biāo)的區(qū)域進(jìn)行識別，第二階段對區(qū)域內(nèi)的目標(biāo)通過類別標(biāo)簽匹配完成對數(shù)據(jù)信息安全性的識別。雖然基于深度學(xué)習(xí)技術(shù)特征提取的數(shù)據(jù)信息安全性識別方法在精準(zhǔn)度方面取得較大進(jìn)步，但因為電力巡檢相關(guān)圖像數(shù)據(jù)存在特殊性，用于識別網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集缺少多元性，導(dǎo)致多數(shù)情況下只能對有限的數(shù)據(jù)類型特征進(jìn)行提取，無法做到對整體數(shù)據(jù)類型的特征進(jìn)行表達(dá)。

針對目前電力巡檢采集到的圖像數(shù)據(jù)缺乏統(tǒng)一性的問題，本文提出一種基于生成對抗網(wǎng)絡(luò)[13]和密集連接網(wǎng)絡(luò)的數(shù)據(jù)信息安全識別方法，解決電力巡檢任務(wù)采集數(shù)據(jù)困難，以及傳統(tǒng)CNN識別方法存在梯度爆炸等問題。

1 數(shù)據(jù)信息處理和安全性識別方法

1.1 生成對抗網(wǎng)絡(luò)

生成對抗網(wǎng)絡(luò)(GAN, generative adversarial nets)[14]是由生成器G(generator)網(wǎng)絡(luò)和判別器D(discriminator)網(wǎng)絡(luò)二者相互競爭組成，GAN組成結(jié)構(gòu)如圖1所示。以生成圖像為例，首先，隨機噪聲z輸入G網(wǎng)絡(luò)，輸出偽造圖像G(z)；其次，從預(yù)先準(zhǔn)備好的數(shù)據(jù)集中抽取真實圖像x，同時與G(z)作為輸入一起傳入D網(wǎng)絡(luò)，由D網(wǎng)絡(luò)負(fù)責(zé)鑒定輸入圖像是真實圖像還是偽造圖像，在此期間，G網(wǎng)絡(luò)一直在不斷提高生成能力，D網(wǎng)絡(luò)一直在不斷提高判別能力，G網(wǎng)絡(luò)與D網(wǎng)絡(luò)二者間不斷相互競爭；最終，當(dāng)D網(wǎng)絡(luò)無法對偽造圖像G(z)的真?zhèn)巫龀稣_判斷時，說明此時的G網(wǎng)絡(luò)與D網(wǎng)絡(luò)相互之間保持在一種動態(tài)平衡的狀態(tài)，此時G網(wǎng)絡(luò)的生成效果最佳。

圖1 生成對抗網(wǎng)絡(luò)原理圖

最后給出GAN的目標(biāo)函數(shù)：

Ex～PG[log(1-D(x))]

(1)

其中:V為 D網(wǎng)絡(luò)和G網(wǎng)絡(luò)的最終優(yōu)化目標(biāo)；E為數(shù)學(xué)期望；x～Pdata表示數(shù)據(jù)來源于真實數(shù)據(jù)；G(z)為生成的偽造數(shù)據(jù)；D(x)和D(G(z))為D網(wǎng)絡(luò)分別對真實數(shù)據(jù)和生成數(shù)據(jù)進(jìn)行判別的結(jié)果。

1.2 條件生成對抗網(wǎng)絡(luò)

由于傳統(tǒng)GAN中生成器網(wǎng)絡(luò)過于自由導(dǎo)致無法有效控制生成內(nèi)容，造成生成效果欠佳。條件生成對抗網(wǎng)絡(luò)(CGAN, condition generative adversarial nets)[15]對傳統(tǒng)GAN加入了約束條件，起到了監(jiān)督作用，一定程度上控制了生成器的輸出，CGAN的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 CGAN的網(wǎng)絡(luò)結(jié)構(gòu)圖

CGAN的目標(biāo)函數(shù)表達(dá)式如下：

Εz～P(z)[log(1-D(G(z,y)))]

(2)

其中:x代表真實的圖像數(shù)據(jù)；y代表約束條件；z代表隨機噪聲，目標(biāo)函數(shù)的作用是要最小化生成器D網(wǎng)絡(luò)的生成結(jié)果與真實結(jié)果之間的分布距離。

1.3 密集連接網(wǎng)絡(luò)

基于CNN的深度學(xué)習(xí)模型雖然在圖像處理方面取得不錯的成果，但也存在發(fā)展瓶頸，最突出的問題就是在訓(xùn)練過程中，深度學(xué)習(xí)模型的準(zhǔn)確率會隨著網(wǎng)絡(luò)層數(shù)的復(fù)雜化而降低，這類現(xiàn)象被稱之為“梯度彌散”現(xiàn)象，隨著對生成對抗網(wǎng)絡(luò)研究的不斷加深，梯度彌散現(xiàn)象是一個急需解決的問題，雖然出現(xiàn)了WGAN(wasserstein GAN)，其優(yōu)勢是采用Wasserstein距離替代原始的JS散度衡量辦法，實現(xiàn)對生成數(shù)據(jù)分布與真實數(shù)據(jù)分布之間距離差異更加平滑的刻畫，可有效解決梯度彌散現(xiàn)象，但由于WGAN的先決條件是要滿足Lipschitz約束條件，并對參數(shù)取值范圍使用Weight Clipping截斷操作，導(dǎo)致網(wǎng)絡(luò)對分布在邊界處的權(quán)值處理效果不佳，造成WGAN網(wǎng)絡(luò)梯度學(xué)習(xí)速度較慢，影響網(wǎng)絡(luò)收斂速度。針對WGAN中存在的不足，而后出現(xiàn)了(WGAN-GP)，使用梯度懲罰項代替原始WGAN中的Weight Clipping截斷操作，實現(xiàn)解決梯度彌散現(xiàn)象的同時有助于網(wǎng)絡(luò)平穩(wěn)訓(xùn)練，但因為缺乏對梯度懲罰項的泛化，導(dǎo)致WGAN-GP對數(shù)據(jù)分布之間距離差異刻畫的多樣性欠佳。針對上述問題，殘差網(wǎng)絡(luò)(ResNet, residual neural network)[16]因此誕生，其特點在于建立前一層與后一層間的快速連接，實現(xiàn)提升訓(xùn)練過程中梯度反向傳播的速度。密集連接網(wǎng)絡(luò)(DenseNet, dense connection net)[17]的構(gòu)建思想類似于ResNet，它們二者的結(jié)構(gòu)區(qū)別如圖3所示。

圖3 殘差網(wǎng)絡(luò)與稠密連接網(wǎng)絡(luò)

DenseNet與ResNet的區(qū)別在于，A層輸出和B層輸出并不是作加法，知識對層與層之間做通道維度上的連接，如圖3(b)所示，A層的輸出直接和B層后面所有層進(jìn)行連接，其優(yōu)勢在于特征重用以及方便梯度傳遞，可以有效緩解梯度消失。DenseNet由多個稠密連接模塊(Densely Connected Block)[18]組成，由于采用這種密集連接不需要進(jìn)行卷積操作，如圖4所示，所以產(chǎn)生的參數(shù)較少，可以讓DenseNet在參數(shù)、樣本和計算成本更少的任務(wù)中獲得比ResNet更具有優(yōu)勢的性能。

圖4 DenseNet連接示意圖

假設(shè)傳統(tǒng)CNN中一共有N層，那么一共會產(chǎn)生N個連接，而在DenseNet中，N層網(wǎng)絡(luò)結(jié)構(gòu)一共會產(chǎn)生N(N+1)/2個連接，以圖4為例，是一個四層結(jié)構(gòu)的DenseNet Block,其中x1,x2,x3,x4表示每一層輸出的特征圖；H1,H2,H3,H4表示每一層的非線性變換。具體過程從x0輸入卷積層開始，依次通過H1卷積層后得到輸出x1，接著合并x0,x1，結(jié)果作為輸入傳入第二層，輸入H2卷積層得到x2，再將x2與x0,x1通道維度合并作為第三層的輸入，如此循環(huán)反復(fù)，直到最后第四層輸出的特征結(jié)果包含前面所有層的特征輸出。由于DenseNet采用稠密連接方式，每一層都直接與輸入的特征信息和損失函數(shù)連接，使特征信息和梯度值在網(wǎng)絡(luò)訓(xùn)練過程中可以更加高效地傳遞。

2 本文方法模型

本文方法模型一共包含兩部分功能模塊：

1)基于條件生成對抗網(wǎng)絡(luò)的數(shù)據(jù)擴充模塊，該功能模塊負(fù)責(zé)在有限規(guī)模的數(shù)據(jù)集條件下通過對網(wǎng)絡(luò)的不斷訓(xùn)練，得到具有較好生成效果的生成器網(wǎng)絡(luò)模型，實現(xiàn)生成擁有較高圖像質(zhì)量的電力巡檢數(shù)據(jù)，完成對現(xiàn)有電力巡檢圖像數(shù)據(jù)集的擴充。有效改善實際情況下電力巡檢數(shù)據(jù)存在采集困難的缺點，同時擴充后的數(shù)據(jù)集為下一步提升深度學(xué)習(xí)網(wǎng)絡(luò)對電力巡檢數(shù)據(jù)信息安全性識別精準(zhǔn)度提供了可靠的數(shù)據(jù)基礎(chǔ)。具體實現(xiàn)步驟為：首先，將隨機噪聲z作為輸入傳入條件生成對抗網(wǎng)絡(luò)，其中生成器G網(wǎng)絡(luò)在約束條件即預(yù)先準(zhǔn)備好的電力巡檢圖像數(shù)據(jù)的引導(dǎo)下生成逼真的電力巡檢圖像數(shù)據(jù)；然后，將生成圖像作為輸入傳入判別器D網(wǎng)絡(luò)，并在約束條件的輔助下進(jìn)行真?zhèn)闻袆e，利用損失函數(shù)反向優(yōu)化生成器D網(wǎng)絡(luò)與判別器G網(wǎng)絡(luò)的權(quán)重參數(shù)；最后，當(dāng)損失值更新停滯不前時，得到具有較好生成效果的生成器G網(wǎng)絡(luò)，并利用其生成能力，生成逼真的電力巡檢圖像數(shù)據(jù)來彌補現(xiàn)有數(shù)據(jù)集規(guī)模有限與類型單一的缺點。

2)基于DenseNet的電力巡檢數(shù)據(jù)信息安全識別模塊，該功能模塊負(fù)責(zé)對電力巡檢數(shù)據(jù)集中的目標(biāo)物進(jìn)行特征提取，引導(dǎo)網(wǎng)絡(luò)訓(xùn)練不斷收斂，完成對數(shù)據(jù)信息中目標(biāo)物的檢測，實現(xiàn)對電力巡檢數(shù)據(jù)信息安全性的識別。具體實現(xiàn)步驟為：首先，將擴充后的數(shù)據(jù)集作為輸入，并劃分為待識別集與目標(biāo)集，其中目標(biāo)集中的標(biāo)簽已被預(yù)先處理好，待識別集中的標(biāo)簽是需要被分類識別的；然后，利用DenseNet的稠密連接方式對待識別圖像數(shù)據(jù)特征進(jìn)行提取學(xué)習(xí)，快速定位出待識別數(shù)據(jù)信息中包含待識別物所在的區(qū)域，緊接著計算其與目標(biāo)集中提取到的特征信息之間距離分布差異，并利用池化層分類器對目標(biāo)進(jìn)行分類識別，對待識別物的位置和類別進(jìn)行精細(xì)化判別；最后，根據(jù)類別情況給出識別標(biāo)志，輔助工作人員對數(shù)據(jù)信息的安全性進(jìn)行識別[19]。其中DenseNet映射公式為式(3)，DenseNet特征提取公式為式(4)。本文對電力巡檢數(shù)據(jù)信息安全性的識別方法流程如圖5所示。

圖5 本文識別方法流程圖

XL=HL([X0,X1,...,XL-1])

(3)

F=f+t×L

(4)

其中:XL表示第L層特征通道數(shù)的輸出；[]表示對第0層到第L-1層的所有特征輸出進(jìn)行通道維度的合并；HL()表示對第L層使用卷積操作+批歸一化+Relu的非線性變化。F表示經(jīng)過一層密集連接后的的通道數(shù)；f表示經(jīng)過一層密集連接前的的通道數(shù)；t表示通道增長率；N表示層數(shù)。

3 實驗分析

3.1 實驗數(shù)據(jù)集

由于電力巡檢圖像數(shù)據(jù)涉及國家安全相關(guān)信息，一般很難對外公開，因此本文利用現(xiàn)有公開的電力巡檢圖像數(shù)據(jù)通過輸入本文提出的CGAN來生成樣本數(shù)據(jù)，實現(xiàn)對數(shù)據(jù)集規(guī)模的擴充，同時增加樣本數(shù)據(jù)集的多樣性。

3.2 實驗環(huán)境及設(shè)備

本次仿真實驗的條件生成對抗網(wǎng)絡(luò)在訓(xùn)練期間學(xué)習(xí)率為固定參數(shù)0.000 2，迭代次數(shù)為600次，batch-size為64，Adam參數(shù)設(shè)置為：一階矩估計的動量參數(shù)的指數(shù)衰減率b1=0.5, 二階矩估計的動量參數(shù)的指數(shù)衰減率b2=0.999，另外依據(jù)深度學(xué)習(xí)衰減策略，當(dāng)網(wǎng)絡(luò)訓(xùn)練過程中遇到損失值無法更新迭代時，需將模型網(wǎng)絡(luò)學(xué)習(xí)率下調(diào)至原學(xué)習(xí)率的一半，同時結(jié)合普歸一化和梯度懲罰對判別器進(jìn)行收斂控制，確保網(wǎng)絡(luò)模型的穩(wěn)定訓(xùn)練，本次仿真實驗在訓(xùn)練到第56輪和第112輪時，對網(wǎng)絡(luò)模型學(xué)習(xí)率進(jìn)行下調(diào)，調(diào)整到原始學(xué)習(xí)率的十分之一，實驗環(huán)境參數(shù)如表1所示。

表1 本章實驗環(huán)境配置

3.3 評價指標(biāo)

圖像數(shù)據(jù)信息識別評價標(biāo)準(zhǔn)通常使用平均檢測精度(mAP)[20]，mAP的計算包括兩項：精準(zhǔn)度(Precision)計算和召回率(Recall)計算，二者的數(shù)學(xué)表達(dá)式為式(5)、式(6)，Precision和Recall的調(diào)和平均數(shù)使用F1-Score，其數(shù)學(xué)表達(dá)式為式(7)：

(5)

(6)

(7)

其中:TP表示圖像數(shù)據(jù)信息被識別網(wǎng)絡(luò)正確識別出非安全性異物的樣本數(shù)量，F(xiàn)P表示圖像數(shù)據(jù)信息被識別網(wǎng)絡(luò)錯誤識別出非安全性異物的樣本數(shù)量，F(xiàn)N表示圖像數(shù)據(jù)信息中存在的異物未被識別網(wǎng)絡(luò)正確識別出的樣本數(shù)量。

3.4 實驗結(jié)果與分析

仿真實驗最后采用準(zhǔn)備好的驗證數(shù)據(jù)集對方法模型的精準(zhǔn)度進(jìn)行檢驗，驗證本文方法對圖像數(shù)據(jù)信息中存在的異物具有較高的識別正確度。識別結(jié)果展示如圖6所示，需要說明的是測試集中共有樣本180張，其中將非安全性異物類別進(jìn)一步劃分為重視類和警惕類，重視類主要包含一些非生命的環(huán)境障礙物，如樹葉、絕緣子、車輛等。警惕類主要包含一些需要及時處置的障礙物，包括人物、塑料袋、鳥類等。當(dāng)數(shù)據(jù)信息中包含警惕類非安全性異物時，需要方法模型能夠快速進(jìn)行識別并給出警惕報警，利于巡檢人員第一時間進(jìn)行確認(rèn)和排查。

圖6 數(shù)據(jù)信息安全性識別檢測結(jié)果

如圖6(a)所示，本文方法準(zhǔn)確識別出圖像數(shù)據(jù)信息中包含警惕類異物，并且給出了所屬類別為人物的概率值為0.875，說明該圖像數(shù)據(jù)信息的安全性需要得到警惕。圖6(b)是本文法規(guī)范準(zhǔn)確識別出圖像數(shù)據(jù)信息中的絕緣子，并給出所屬類的概率值為0.891，方便電力巡檢人員快速對圖像數(shù)據(jù)信息安全性進(jìn)行判斷，并對其安全工作運行狀態(tài)進(jìn)行評估。

本文經(jīng)過多次仿真實驗測試，最終得出在學(xué)習(xí)率固定為0.000 2，并且識別方法模型訓(xùn)練到第23000輪時，本文方法的識別精準(zhǔn)度最佳，對重視類和警惕類非安全性異物的識別結(jié)果如表2所示。從表2可以看出本文方法對大部分異物的識別正確度較高。尤其是對警惕類別中的車輛、人物、鳥類、塑料袋具有較高的識別正確度，特別是針對人物和車輛的識別指標(biāo)Recall值得分表現(xiàn)優(yōu)秀，可以證明本文方法對數(shù)據(jù)信息的安全性識別覆蓋率較高，不易產(chǎn)生漏檢和錯檢的現(xiàn)象。警惕性異物中鳥類事件因為具有很強的隨機性和不確定性，對其及時進(jìn)行安全性檢測一直是電力巡檢過程中的難點和重點，從表2結(jié)果中可以看出本文方法對鳥類的正確識別率處于次優(yōu)位置，說明本文方法可以對警惕類別中的鳥類做到有效檢測。但是對塑料袋異物和樹葉的識別度表現(xiàn)欠佳，這一定程度上是因為塑料袋形狀的過于多變且形狀不規(guī)則，對其正確識別結(jié)果造成一定影響，而樹葉作為異物識別目標(biāo)，由于目標(biāo)體積較小導(dǎo)致不易識別。本文針對塑料袋與樹葉這兩類異物存在不易識別且識別正確度不高的問題，采取高斯濾波法對圖像進(jìn)行預(yù)處理，高斯濾波法主要是對圖像邊緣區(qū)域的高頻噪聲進(jìn)行過濾，可以對內(nèi)容信息進(jìn)行增強處理，有助于增強方法模型的泛化能力，仿真實驗結(jié)果表明本文方法對先經(jīng)過高斯濾波法處理后得到結(jié)果圖，再對其進(jìn)行數(shù)據(jù)信息安全性識別，最終結(jié)果的AP得分與Recall得分相比較無高斯濾波法處理的結(jié)果均有較明顯的提升，對比結(jié)果如表2所示。

表2 數(shù)據(jù)信息安全識別結(jié)果

為進(jìn)一步驗證本文方法采用CGAN生成圖像數(shù)據(jù)以擴充現(xiàn)有數(shù)據(jù)集，實現(xiàn)提高數(shù)據(jù)信息安全識別目標(biāo)正確率的有效性，本次實驗分別使用數(shù)據(jù)擴充前和數(shù)據(jù)擴充后的數(shù)據(jù)集，同時進(jìn)行15000輪訓(xùn)練后得到的測試結(jié)果對比如表3所示。其中原始數(shù)據(jù)集擴充前，共包含180張真實圖像數(shù)據(jù)，經(jīng)擴充后新增360張由CGAN生成的電力巡檢圖像數(shù)據(jù)用以擴充原始數(shù)據(jù)集規(guī)模，實驗使用40張圖像數(shù)據(jù)分別對模型進(jìn)行測試，從表3中結(jié)果可明顯看出，使用CGAN生成數(shù)據(jù)得到擴充后的數(shù)據(jù)集，對方法模型進(jìn)行訓(xùn)練后，其評價指標(biāo)的Precision值，Recall值，F(xiàn)1-score值得分情況均有明顯幅度的提升，提升率分別為22.1%，13.8%，21.8%。證明本文使用CGAN對有限數(shù)據(jù)集進(jìn)行擴充，從而提高方法模型對數(shù)據(jù)信息安全識別準(zhǔn)確度的方法具有較好的實施效果。

表3 數(shù)據(jù)集擴充識別結(jié)果

電力巡檢數(shù)據(jù)信息安全性檢測方法之所以因其為我國電力設(shè)施承擔(dān)相關(guān)安全事故檢測與預(yù)警工作，所以電力巡檢數(shù)據(jù)信息安全性檢測方法模型需具有高可靠性與穩(wěn)定性。目前在深度學(xué)習(xí)領(lǐng)域借助統(tǒng)計學(xué)思想提出，在極端情況下模型對邊界值也能保持平滑、可靠的性質(zhì)，被稱之為魯棒性。進(jìn)一步如果一個網(wǎng)絡(luò)模型的魯棒性越好，意味著該模型具有三大優(yōu)點：具有高精準(zhǔn)度和多數(shù)有效性；在模型遇到較小偏差值時，模型整體性能只受到較小影響；在模型遇到較大偏差值時，模型整體性能并不會出現(xiàn)“災(zāi)難性”的結(jié)果；圖7是本文方法模型在測試集上關(guān)于Recall, Precision的得分分布情況，從中可以看出本文法模型對于大部電力巡檢圖像數(shù)據(jù)信息的安全性識別得分較高，且得分分布情況趨近于正態(tài)分布，表明本文方法模型具有較強的魯棒性，證明本文方法模型具有較高的可靠性與穩(wěn)定性。

圖7 本文方法在擴充數(shù)據(jù)集上的Recall和Precision得分分布情況

4 結(jié)束語

針對電力巡檢任務(wù)采集到的數(shù)據(jù)，需要進(jìn)行信息安全識別的問題，本文提出一種基于CGAN和DenseNet的數(shù)據(jù)信息安全識別方法。首先，本文使用CGAN，在現(xiàn)有數(shù)據(jù)的規(guī)?；A(chǔ)上生成逼真的數(shù)據(jù)集，解決電力巡檢任務(wù)采集數(shù)據(jù)較為困難的缺點；然后，利用DenseNet搭建識別網(wǎng)絡(luò)，對數(shù)據(jù)信息的安全性進(jìn)行識別，判斷出異物類別，相比傳統(tǒng)人工巡檢方式，不僅可以提升工作效率，還可以節(jié)約資源；最后，通過對仿真實驗，證明本文方法對數(shù)據(jù)信息的安全性具有較好的識別效果。