何为非侵入式负荷监测-目标检测

1 前言

        上一篇忘记说明一点：组合优化和隐马尔可夫模型我归为一类，但是没有写关于隐马尔可夫模型的内容，这是因为近几年已经很少见到这样的文献了，所以我研究的不多，就不献丑了。本篇是主要是讨论，暂为看到有文献发表。关于如何把非侵入式负荷监测建模为目标检测任务。

2 何为目标检测

        目标检测任务=分类+定位[1]

        如图所示，目标检测是先定位图片中的动物，再将动物分类为猫或者狗。如果在非侵入式负荷监测中定位就等于是事件检测、分类就等于是负荷辨识，这不就是目标检测吗？

        目标检测发展历程：在利用深度学习做物体检测之前，传统算法对于目标检测通常分为3个阶段：区域选取、特征提取和体征分类[2]。这么一看，是不是更像非侵入式负荷识别了。

        目标检测领域比较典型的一个模型是YOLO模型，现在好像都有YOLOv5[3]。关于目标检测以及YOLO的原理，见参考的文章。这里先不赘述，之后如果有空，把实现的流程写出来。

        以上将非侵入式负荷监测和目标检测联系起来了，那么究竟应该如何得到数据集，训练和测试网络呢？

3 非侵入式负荷检测

        参考目标检测的数据集：图片，这里的图片不仅仅是一张图，还有目标对象的位置信息和类别。因此，我们也需要构造出来一个数据集。我们有的数据只有总负荷数据和分表数据（目标电器），如何建立这个数据集呢？

        我们可以通过分表数据知道目标电器在总负荷数据中的位置,如下图所示。

        我们解决了位置信息。然后，找到总负荷数据中目标电器所在的区域，通过窗口滑动得到若干个窗口数据，这个就是作为图片。最后再将类别信息统一起来。 每个绿色窗口的数据，除了时间序列数据以外，还需要标注目标电器所在的位置，还有大小（高度）。

         到这里数据集处理就结束了。然后就是把数据集放到YOLO模型中，训练和测试了。

        结果大致如下：

         红色区域就是模型检测出来目标电器运行的地方，现在准确率还有待进步提高。

4 有感

        非侵入式负荷监测一直被定义为分类任务或者回归任务，天下苦其久矣。希望能看到新的模型加入NILM这个大家庭，欢迎大家讨论。（别的领域拿了模型，改成分类和回归任务不算哈）

        

 

[1]目标检测概述-VOC COCO数据集 IOU AP NMS_Rui@的博客-CSDN博客_目标检测

[2]目标检测（Object Detection）_Alex_996的博客-CSDN博客_目标检测

[3]通俗易懂的YOLO系列（从V1到V5）模型解读！ - 百度文库