电力视觉场景下的对抗攻击检测方法、系统、设备及介质与流程
本发明涉及对抗攻击防御,特别是涉及一种电力视觉场景下的对抗攻击检测方法、系统、设备及介质。
背景技术:
1、随着人工智能在电力系统态势感知、输电通道可视化巡检、配网缺陷智能识别等关键场景的深度落地,基于深度学习的图像识别系统已成为电网安全运行的重要决策依据。然而,该类模型对输入扰动的极度敏感,使其在实际部署中极易受到对抗攻击的威胁,比如,攻击者仅需在巡检无人机拍摄的可见光或红外图像中注入毫米级、肉眼不可察觉的扰动,即可诱导模型将绝缘子破损误判为正常,或将导线异物识别为背景,进而触发误报或漏报,危及电网安全稳定运行。
2、现有电力场景下的对抗攻击检测研究主要集中在两方面:其一,利用对抗噪声的高频能量提升特点,基于图像空域或频域统计特征的门控进行检测判断;其二,将模型输出的置信度或梯度敏感度的阈值监控作为对抗攻击告警依据。然而,电力运行场景复杂,真实采集图像也会伴随雨雾、沙尘、光照抖动等自然退化现象,这些自然噪声在频域分布、能量幅度乃至局部视觉上均与对抗扰动高度重叠,导致现有对抗攻击检测泛化性差,根本无法可靠地区分对抗样本与干净样本,更难以排除自然噪声的干扰,若将检测阈值放宽来降低误报,则真实对抗攻击又极易漏网,难以摆脱“高误报-高漏报”两难困境。因此,亟需提供一种能够适用于存在自然噪声电力视觉场景下的对抗攻击精准高效识别方法。
技术实现思路
1、本发明的目的是提供一种电力视觉场景下的对抗攻击检测方法,通过充分捕捉图像频域信息和图像目标检测概率分布信息,并基于实时对抗攻击发生率对图像结构信息和行为感知信息进行跨域融合分析的对抗攻击协同检测机制,实现在不依赖任何攻击先验的情况下,聚焦对抗攻击图像与非对抗攻击图像在视觉表现与决策意图上的本质差异,有效提升对抗攻击识别的高效性、精准性和泛化性。
2、为了实现上述目的,有必要针对上述技术问题,提供一种电力视觉场景下的对抗攻击检测方法、系统、设备及介质。
3、第一方面,本发明实施例提供了一种电力视觉场景下的对抗攻击检测方法,所述方法包括:
4、实时获取目标电力视觉场景图像,并对所述目标电力视觉场景图像进行预处理,得到待检测图像;
5、基于离散小波变换技术获取所述待检测图像对应的高频差异特征向量,并将所述高频差异特征向量输入预先构建的对抗攻击检测模型进行对抗攻击识别,得到第一对抗攻击识别结果;所述对抗攻击检测模型基于对比学习策略训练得到;
6、基于预设目标检测模型获取所述待检测图像的目标检测结果,根据所述目标检测结果,获取对应的异常判别统计特征,并根据所述异常判别统计特征,基于预设分类器得到第二对抗攻击识别结果;
7、根据获取的当前对抗攻击发生率,对所述第一对抗攻击识别结果和所述第二对抗攻击识别结果进行融合分析,得到对抗攻击识别结果。
8、进一步地,所述基于离散小波变换技术获取所述待检测图像对应的高频差异特征向量的步骤包括:
9、将所述待检测图像进行灰度化,得到对应的待检测灰度图;
10、对所述待检测灰度图进行离散小波分解,得到对应的高频小波系数集;
11、根据预测图像尺寸,将所述高频小波系数集中的各个高频小波系数进行拼接,得到所述高频差异特征向量。
12、进一步地,所述对抗攻击检测模型的构建,包括:
13、获取训练样本数据集,所述训练样本数据集包括正常图像样本、自然噪声干扰图像样本以及对抗攻击图像样本;
14、基于所述离散小波变换技术,获取所述训练样本数据集的高频差异特征向量集;
15、以所述高频差异特征向量集中正常图像样本和自然噪声干扰图像样本对应的高频差异特征向量作为正样本,以所述高频差异特征向量集中对抗攻击图像样本对应的高频差异特征向量作为负样本,基于预设损失函数对预设网络模型进行训练,得到所述对抗攻击检测模型;所述预设损失函数由对比损失函数和交叉熵损失函数加权构成。
16、进一步地,所述目标检测结果包括各个检测框的分类概率向量;所述异常判别统计特征包括熵特征、散度特征和分类偏差特征;
17、所述根据所述目标检测结果,获取对应的异常判别统计特征的步骤包括:
18、根据各个所述检测框的分类概率向量计算香农熵,生成香农熵列表,并根据所述香农熵列表,获取对应的熵特征;所述熵特征包括最大熵、最小熵和平均熵;
19、根据各个所述检测框的分类概率向量和对应的基线分类概率向量计算kl散度,生成散度列表,并根据所述散度列表,获取对应的散度特征;所述基线分类概率向量基于所述预设目标检测模型对预设参考正常图像样本进行目标检测得到;所述散度特征包括最大kl散度、最小kl散度和平均kl散度;
20、分别对各个所述检测框的分类概率向量中的分类概率值进行降序排序,获取排序后的分类概率向量中前两个分类概率值的差值,生成分类偏差序列,并根据所述分类偏差序列,获取分类偏差特征;所述分类偏差特征包括最大分类偏差、最小分类偏差和平均分类偏差。
21、进一步地,所述当前对抗攻击发生率的获取步骤包括:
22、根据预设滑动时间窗口,统计当前窗口内的总检测图像数目和对抗攻击图像数目;
23、根据所述对抗攻击图像数目和所述总检测图像数目,计算得到所述当前对抗攻击发生率。
24、进一步地,所述根据获取的当前对抗攻击发生率,对所述第一对抗攻击识别结果和所述第二对抗攻击识别结果进行融合分析,得到对抗攻击识别结果的步骤包括:
25、判断所述当前对抗攻击发生率是否大于预设发生率阈值;
26、若是,则当所述第一对抗攻击识别结果和所述第二对抗攻击识别结果中任一结果判定为存在对抗攻击时,将所述对抗攻击识别结果设为存在对抗攻击;
27、若否,则对所述第一对抗攻击识别结果和所述第二对抗攻击识别结果进行加权融合,并根据得到的融合结果,生成所述对抗攻击识别结果。
28、进一步地,所述对所述第一对抗攻击识别结果和所述第二对抗攻击识别结果进行加权融合,并根据得到的融合结果,生成所述对抗攻击识别结果的步骤包括:
29、分别根据所述第一对抗攻击识别结果和所述第二对抗攻击识别结果中的对抗攻击分类概率,生成对应的融合权重;
30、根据所述第一对抗攻击识别结果和所述第二对抗攻击识别结果对应的融合权重,对所述第一对抗攻击识别结果和所述第二对抗攻击识别结果进行加权融合,得到所述融合结果;
31、判断所述融合结果中的融合对抗攻击分类概率是否大于预设概率阈值,若是,则将所述对抗攻击识别结果设为存在对抗攻击,反之,则将所述对抗攻击识别结果设为不存在对抗攻击。
32、第二方面,本发明实施例提供了一种电力视觉场景下的对抗攻击检测系统,所述系统包括:
33、图像获取模块,用于实时获取目标电力视觉场景图像,并对所述目标电力视觉场景图像进行预处理,得到待检测图像;
34、第一检测模块,用于基于离散小波变换技术获取所述待检测图像对应的高频差异特征向量,并将所述高频差异特征向量输入预先构建的对抗攻击检测模型进行对抗攻击识别,得到第一对抗攻击识别结果;所述对抗攻击检测模型基于对比学习策略训练得到;
35、第二检测模块,用于基于预设目标检测模型获取所述待检测图像的目标检测结果,根据所述目标检测结果,获取对应的异常判别统计特征,并根据所述异常判别统计特征,基于预设分类器得到第二对抗攻击识别结果;
36、结果生成模块,用于根据获取的当前对抗攻击发生率,对所述第一对抗攻击识别结果和所述第二对抗攻击识别结果进行融合分析,得到对抗攻击识别结果。
37、第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
38、第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
39、本发明提供了一种电力视觉场景下的对抗攻击检测方法、系统、设备和介质,通过所述方法实现了实时获取目标电力视觉场景图像,对目标电力视觉场景图像进行预处理得到待检测图像后,基于离散小波变换技术获取待检测图像对应的高频差异特征向量,将高频差异特征向量输入基于对比学习策略训练构建的对抗攻击检测模型进行对抗攻击识别,得到第一对抗攻击识别结果,并基于预设目标检测模型获取待检测图像的目标检测结果,根据目标检测结果获取对应的异常判别统计特征,并根据异常判别统计特征基于预设分类器得到第二对抗攻击识别结果后,根据获取的当前对抗攻击发生率,对第一对抗攻击识别结果和第二对抗攻击识别结果进行融合分析,得到对抗攻击识别结果的技术方案。与现有技术相比,该电力视觉场景下的对抗攻击检测方法,通过充分捕捉图像频域信息和图像目标检测概率分布信息,并基于实时对抗攻击发生率对图像结构信息和行为感知信息进行跨域融合分析的对抗攻击协同检测机制,实现结构域与行为域的双层联合协同判别,可在不依赖任何攻击先验的情况下,聚焦对抗攻击图像与非对抗攻击图像在视觉表现与决策意图上的本质差异,有效提升对抗攻击识别的高效性、精准性和泛化性,增强对抗攻击检测的实用性与通用性,也为人工智能安全防护体系的广泛应用提供了坚实的技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com