基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法

本发明涉及图像处理，尤其是涉及一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法。

背景技术：

1、电力设备铭牌图像因金属材质反光、拍摄环境干扰等因素，常存在高噪声、低对比度问题，且篡改区域多为细小文本或图标，与真实背景差异微小。传统图像篡改检测方法依赖自然场景的显著边缘或纹理特征，难以区分铭牌图像中的真实噪声与篡改痕迹，导致误检和漏检率居高不下。

2、现有技术(如残差网络、双流检测模型)虽在自然图像中表现良好，但未针对铭牌场景优化：小目标检测能力不足，对jpeg压缩、模糊攻击鲁棒性差，且单一像素级监督易受噪声干扰。

技术实现思路

1、本发明的目的就是为了提高电力设备铭牌图像篡改的检测精度与泛化能力而提供的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，方法包括以下步骤：

4、s1、获取待检测的电力设备铭牌图像作为训练数据；

5、s2、训练数据输入电力设备铭牌图像篡改检测网络的边缘特征分支和噪声敏感分支，边缘特征分支和噪声敏感分支的输出输入到电力设备铭牌图像篡改检测网络的双注意力融合模块；

6、s3、双注意力融合模块对边缘特征分支和噪声敏感分支的输出进行通道注意力和空间注意力加权融合，生成融合特征；

7、s4、融合特征输入电力设备铭牌图像篡改检测网络的多尺度监督解码器，输出篡改区域定位结果，基于损失函数和训练电力设备铭牌图像篡改检测网络，得到电力设备铭牌图像篡改检测模型，损失函数包括像素级分割损失、边缘级检测损失和图像级真实性损失；

8、s5、电力设备铭牌图像篡改检测模型基于实际的电力设备铭牌图像输出实际篡改检测结果。

9、进一步地，训练数据输入电力设备铭牌图像篡改检测网络的边缘特征分支后，在边缘特征分支中执行以下步骤：

10、s21、对训练数据进行sobel算子预处理，生成初始边缘响应图；

11、s22、通过多层空洞卷积网络对初始边缘响应图进行特征增强，得到增强后的边缘特征；

12、s23、将增强后的边缘特征与训练数据输入u-net编码器后输出的深层语义特征逐级融合，得到边缘特征。

13、进一步地，多层空洞卷积网络包括三层膨胀率和通道不同的空洞卷积。

14、进一步地，训练数据输入电力设备铭牌图像篡改检测网络的噪声敏感分支后，在噪声敏感分支中执行以下步骤：

15、s24、使用bayarconv层对训练数据提取高频噪声特征；

16、s25、高频噪声特征输入改进的resnet-50网络，输出噪声敏感特征图。

17、进一步地，改进的resnet-50网络包括自适应池化层和resnet-50网络的四阶段卷积块。

18、进一步地，高频噪声特征输入改进的resnet-50网络后，通过resnet-50网络的四阶段卷积块进行多级编码，编码得到的特征输入自适应池化层进行归一化，得到噪声敏感特征图。

19、进一步地，双注意力融合模块对边缘特征分支和噪声敏感分支的输出进行通道注意力和空间注意力加权融合，生成融合特征的具体步骤为：

20、s31、对边缘特征分支输出的边缘特征进行通道注意力加权，生成通道增强特征；

21、s32、对噪声敏感分支输出的噪声敏感特征图进行空间注意力加权，生成空间增强特征；

22、s33、将通道增强特征与空间增强特征按元素相加，并通过1×1卷积降维生成融合特征。

23、进一步地，损失函数为：

24、loss＝α·lossdice+β·lossibe+(1-α-β)·lossbce

25、其中，lossbce表示图像级真实性损失，lossdice表示像素级分割损失，lossibe表示边缘级检测损失；

26、像素级分割损失为：

27、

28、其中，x为输入图像，w和h分别表示图像的宽度和高度，g(xi)是模型预测的第i个像素是否被篡改的概率，其取值范围是0到1，yi∈{0,1}是一个二进制标签，指示是否篡改第i个像素。

29、进一步地，边缘级检测损失为在1/4分辨率下计算篡改边缘的dice损失。

30、进一步地，图像级真实性损失为：

31、lossbce(x)＝-(y·logg(x)+(1-y)·log(1-g(x)))

32、其中y＝1表示篡改图像，y＝0表示真实图像。

33、与现有技术相比，本发明具有以下有益效果：

34、本发明通过边缘特征与噪声敏感双视图特征融合，结合通道与空间双注意力机制实现篡改痕迹的跨域关联，有效解决了传统方法中噪声干扰下特征混淆及小目标漏检问题；利用多层级监督约束(像素级、边缘级、图像级)强化局部细节与全局语义的一致性，并通过动态噪声注入与jpeg压缩模拟增强模型对复杂攻击的鲁棒性，显著提升了检测精度与泛化能力。此外，该方法支持端到端高效推理，可扩展应用于电力设备铭牌、工业标识及其他高噪声场景的图像真伪鉴别。。

1.一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，方法包括以下步骤：

2.根据权利要求1所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，训练数据输入电力设备铭牌图像篡改检测网络的边缘特征分支后，在边缘特征分支中执行以下步骤：

3.根据权利要求2所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，多层空洞卷积网络包括三层膨胀率和通道不同的空洞卷积。

4.根据权利要求1所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，训练数据输入电力设备铭牌图像篡改检测网络的噪声敏感分支后，在噪声敏感分支中执行以下步骤：

5.根据权利要求4所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，改进的resnet-50网络包括自适应池化层和resnet-50网络的四阶段卷积块。

6.根据权利要求5所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，高频噪声特征输入改进的resnet-50网络后，通过resnet-50网络的四阶段卷积块进行多级编码，编码得到的特征输入自适应池化层进行归一化，得到噪声敏感特征图。

7.根据权利要求5所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，双注意力融合模块对边缘特征分支和噪声敏感分支的输出进行通道注意力和空间注意力加权融合，生成融合特征的具体步骤为：

8.根据权利要求1所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，损失函数为：

9.根据权利要求1所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，边缘级检测损失为在1/4分辨率下计算篡改边缘的dice损失。

10.根据权利要求1所述的一种基于多视图与多尺度监督的电力设备铭牌图像篡改检测方法，其特征在于，图像级真实性损失为：