【技术实现步骤摘要】
本专利技术属于视频监控，具体涉及一种基于电力线载波与深度学习融合的电力监控系统及方法。
技术介绍
1、视频监控已广泛应用于生产、管理和检测等各个领域，当前市场上的监控产品主要划分为两类：模拟摄像机和ipc摄像机。模拟摄像机通过同轴电缆传输视频信号，但其缺点在于像素受限，通常为200w像素以下。而另一种是ipc(网络摄像机)，它通过有线或无线网络传输视频流。这两种市场产品的共同不足之处在于视频数据传输常借助光纤、宽带网络、双绞线等，从而在生产和安装过程中耗费大量人力和物力资源，同时传统的监控视频的图像分辨率有待提高，以提升对监测对象细节的识别度，在此基础上，提出了一种基于电力线载波与深度学习融合的电力监控系统及方法。
技术实现思路
1、本专利技术主要提供了一种基于电力线载波与深度学习融合的电力监控系统及方法，用以解决上述
技术介绍
中提出的技术问题。
2、本专利技术解决上述技术问题采用的技术方案为:
3、基于电力线载波与深度学习融合的电力监控系统，包括
4、视频数据采集模块，用于捕获视频图像数据以及视频音频数据；
5、电力线载波收发模块，用于接收视频数据采集模块发送的对应数据，并通过正交频分复用编码将数据调制到电力线上传输；
6、视频解码播放模块，用于接收并解析电力线传输的视频图像数据以及视频音频数据，经处理后的视频数据按照用户配置的输出协议发送到外部视频设备执行播放控制；
7、视频高清播放模块，经过视频渐对齐融合网
8、进一步的改进在于：电力线载波收发模块由电力线控制芯片和模拟前端构成，芯片物理层采用ofdm调制方式，通过将待发送的信息码元通过位换并减小速率，增加码元周期，以减弱多径干扰的影响。
9、进一步的改进在于：视频渐对齐融合网络模块包括特征提取模块、特征对齐模块和特征融合模块，特征提取模块利用卷积神经网络对输入视频帧进行有效特征提取，特征对齐、特征融合模块是指目标帧之前与之后的支持帧都是从视频序列最两端，逐帧向中间目标帧对齐和融合。
10、进一步的改进在于：视频渐对齐融合网络模块的具体步骤为：
11、低分辨率视频的目标帧表示为it，则视频帧序列表示为{it+k}，r∈[-l，+r]，l为目标帧前侧视频帧数量，r为目标帧后侧视频帧数量。首先通过卷积对it+k进行特征提取得到ft+k，特征序列{ft+k}渐对齐融合过程如下；
12、令使用对齐模块将对齐到前侧方向下一帧特征ft-l+1，然后使用融合模块将对齐后的与ft-l+1进行融合，把融合后特征继续对齐到前侧方向下一帧并融合，重复上述操作，直到ft-1，得到即目标帧前侧所有特征对齐融合结果，计算如下式所示：
13、
14、令使用对齐模块将对齐到后侧方向下一帧特征ft+r-1，然后使用融合模块将对齐后的与ft+r-1进行融合，把融合后特征继续对齐到后侧方向下一帧并融合，重复上述操作，直到ft+1，得到即目标帧后侧所有特征对齐融合结果，计算如下式所示：
15、
16、使用融合模块将上述得到的特征进行对齐和融合，得到所有输入序列对齐融合后的特征f't，计算如下式所示：
17、
18、式中，tsa3(·)表示输入特征图数量为3的融合模块。
19、进一步的改进在于：对齐模块使用目标帧和每个支持帧的特征，动态预测支持帧的形变偏移量，借助可形变卷积，将这些偏移量添加到支持帧的特征上，从而完成对齐操作。
20、进一步的改进在于：图像超分辨率重建网络模块具体步骤包括：
21、通过卷积操作将目标帧的通道数提升至中间特征通道数；
22、借助含有残差模块的特征选择网络进行非线性映射；
23、再次应用卷积操作以降低通道数；
24、利用亚像素卷积进行特征图尺寸的扩大，并将其与原图像的上采样结果相加，从而获得最终的超分辨率重建图像。
25、进一步的改进在于：所述残差模块在激活层之后，首先通过11卷积降低特征图的通道数量，接着利用33卷积进行特征提取和映射，最后使用1*1卷积进行通道数还原。
26、进一步的改进在于：还包括特征选择网络模块，该网络由不同深度的分支组成，每个分支由偶数个残差模块构成，随着层次的加深，分支网络的学习能力逐渐增强，根据输入信息的不同，调整不同尺度特征的比例，并将它们进行融合。
27、进一步的改进在于：所述特征融合模块具体步骤包括：
28、对于特征选择模块的各个分支特征ui，通过元素求和的方式获得融合结果u；
29、随后，利用全局平均池化来整合全局信息，生成信道统计信息s；
30、接下来，通过一个全连接层生成一个紧凑特征z，以便进行精确且自适应的特征选择；
31、用softmax来进行选择，将其与原分支特征ui进行元素级乘法，从而得到vi，最终，通过求和操作，获得融合后的特征v。
32、本专利技术还提供了一种基于电力线载波与深度学习融合的电力监控方法，包括以下步骤：
33、s1：视频数据采集模块捕获视频图像数据以及视频音频数据；
34、s2：电力线载波收发模块接收视频数据采集模块发送的对应数据，并通过正交频分复用编码将数据调制到电力线上传输；
35、s3：视频解码播放模块接收并解析电力线传输的视频图像数据以及视频音频数据，经处理后的视频数据按照用户配置的输出协议发送到外部视频设备执行播放控制；
36、s4：视频高清播放模块将经过视频渐对齐融合网络模块处理后的视频目标帧送入图像超分辨率重建网络模块中进行超分辨率重建操作，实现视频高清播放。
37、与现有技术相比，本专利技术的有益效果是：
38、本专利技术充分利用电力线作为传输介质，实现了视频数据的短距离传输，该系统在经济方面带来了诸多优势，如降低布线成本和人力施工成本等，在实际效果方面，成功地解决了家庭监控系统布线难题和无线信号弱的问题。通过将设计的视频超分辨率重建模型应用于电力视频监控中，有效地提升了监控视频的分辨率和视觉效果，实验结果表明，这一方案在各个领域均具备可行性，例如停车场、工厂、仓库、家庭以及银行等，总体而言，本方案具备广阔的市场应用前景；
39、本专利技术采用卷积神经网络对输入视频帧进行特征提取，通过按照时间顺序将输入视频帧序列的支持帧从序列两端对齐到目标帧，结合时间与空间自注意力机制将支持帧特征逐帧融合到目标帧上，接着，引入多尺度特征学习机制，利用多分支特征选择重建网络对经过特征融合的目标帧进行超分辨率重建，在公共数据集和电力视频数据集上对该方法进行了训练，并经过测试验证，测试结果显示，所提出的方法在峰值信噪比和结构相似性指标均值方面分别达到了27.08和0.819，有效地提高了电力监本文档来自技高网...
【技术保护点】
1.基于电力线载波与深度学习融合的电力监控系统，其特征在于，包括
2.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，电力线载波收发模块由电力线控制芯片和模拟前端构成，芯片物理层采用OFDM调制方式，通过将待发送的信息码元通过位换并减小速率，增加码元周期，以减弱多径干扰的影响。
3.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，视频渐对齐融合网络模块包括特征提取模块、特征对齐模块和特征融合模块，特征提取模块利用卷积神经网络对输入视频帧进行有效特征提取，特征对齐、特征融合模块是指目标帧之前与之后的支持帧都是从视频序列最两端，逐帧向中间目标帧对齐和融合。
4.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，视频渐对齐融合网络模块的具体步骤为：
5.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，对齐模块使用目标帧和每个支持帧的特征，动态预测支持帧的形变偏移量，借助可形变卷积，将这些偏移量添加到支持帧的特征上，从而完成对齐操作
6.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，图像超分辨率重建网络模块具体步骤包括：
7.根据权利要求6所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，所述残差模块在激活层之后，首先通过11卷积降低特征图的通道数量，接着利用33卷积进行特征提取和映射，最后使用1*1卷积进行通道数还原。
8.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，还包括特征选择网络模块，该网络由不同深度的分支组成，每个分支由偶数个残差模块构成，随着层次的加深，分支网络的学习能力逐渐增强，根据输入信息的不同，调整不同尺度特征的比例，并将它们进行融合。
9.根据权利要求8所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，所述特征融合模块具体步骤包括：
10.基于电力线载波与深度学习融合的电力监控方法，其特征在于，包括以下步骤：
...【技术特征摘要】
1.基于电力线载波与深度学习融合的电力监控系统，其特征在于，包括
2.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，电力线载波收发模块由电力线控制芯片和模拟前端构成，芯片物理层采用ofdm调制方式，通过将待发送的信息码元通过位换并减小速率，增加码元周期，以减弱多径干扰的影响。
3.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，视频渐对齐融合网络模块包括特征提取模块、特征对齐模块和特征融合模块，特征提取模块利用卷积神经网络对输入视频帧进行有效特征提取，特征对齐、特征融合模块是指目标帧之前与之后的支持帧都是从视频序列最两端，逐帧向中间目标帧对齐和融合。
4.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，视频渐对齐融合网络模块的具体步骤为：
5.根据权利要求1所述的基于电力线载波与深度学习融合的电力监控系统，其特征在于，对齐模块使用目标帧和每个支持帧的特征，动态预测支持帧的形变偏移量...
【专利技术属性】
技术研发人员：周冕，刘敏杰，周柄兆，席梓航，卯水龙，刘志豪，
申请(专利权)人：京甲云信息技术南京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。