(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211041177.7 (22)申请日 2022.08.29 (71)申请人 华能国际电力开发 公司吉林通 榆风 电分公司 地址 137299 吉林省白城市通 榆县团结乡 和同发畜牧场境内(通榆县开通镇兴 华北街1684 号) 申请人 北京华能新锐控制技 术有限公司 (72)发明人 单大勇　葛鎣　张建新　田柏全　 安琪　蔡俊龙　李景伟　陈德彬　 任玉廷　于波　 (74)专利代理 机构 北京华锐创新知识产权代理 有限公司 1 1925 专利代理师 安丽艳(51)Int.Cl. G06V 40/16(2022.01) G06V 10/82(2022.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 风电场权限管理系统及其方法 (57)摘要 本申请涉及风电场智能管 理的领域， 其具体 地公开了一种风电场权限管 理系统及其方法， 其 通过使用双重注意力机制的卷积神经网络模型 来对待分配权限的用户的人脸图像、 局部二值模 式图和Canny边缘检测图融合的多 通道图像进行 特征提取， 以分别关注图像中的特征内容和特征 位置， 在一定程度上相互补充， 提升了网络的特 征提取效果， 并且在此过程中， 还通过对比搜索 空间同向化， 以将从所述双重注 意力机制的卷积 神经网络模型得到的特征图的特征表示约束到 各向同性且有区分度的表示空间， 进而增强融合 后的高维特征表达的特征分布连续性。 这样， 就 能够对于用户分配的预定 权限进行准确地判断。 权利要求书3页 说明书13页 附图3页 CN 115424323 A 2022.12.02 CN 115424323 A 1.一种风电场权限管理系统， 其特 征在于， 包括： 人脸图像采集模块， 用于获取待分配权限的用户的人脸图像； 图像处理模块， 用于对所述待分配权限的用户的人脸图像进行局部二值化处理和 Canny边缘检测以得到局部二 值模式图和Can ny边缘检测图； 输入端扩展模块， 用于将所述人脸图像、 所述局部二值模式图和所述Canny边缘检测图 排列为多通道图像； 第一卷积编码模块， 用于将所述多通道图像通过使用空间注意力 机制的第 一卷积神经 网络模型以得到第一特 征图； 第二卷积编码模块， 用于将所述多通道图像通过使用通道注意力 机制的第 二卷积神经 网络模型以得到第二特 征图； 第一校正模块， 用于基于所述第二特征图， 对所述第一特征图中各个位置的特征值进 行校正以得到校正后第一特 征图； 第二校正模块， 用于基于所述第一特征图， 对所述第二特征图中各个位置的特征值进 行校正以得到校正后第二特 征图； 融合模块， 用于 融合所述校正后第 一特征图和所述校正后第 二特征图以得到分类特征 图； 人脸识别模块， 用于将所述分类特征图通过分类器以得到分类结果， 所述分类结果用 于表示待分配权限的用户的人脸图像所属的对象标签； 以及 权限管理模块， 用于基于所述分类结果， 确定是否为所述用户分配预定 权限。 2.根据权利要求1所述的风电场权限管理系统， 其特征在于， 所述第一卷积编码模块， 进一步用于： 所述第一卷积神经网络模型的各层 在层的正向传递中对输入数据进行： 对所述输入数据进行基于二维卷积核的卷积处 理以生成卷积特 征图； 对所述卷积特 征图进行池化处 理以生成池化特 征图； 对所述池化特 征图进行激活 处理以生成激活特 征图； 对所述激活特 征图进行沿通道维度的全局平均池化以获得空间特 征矩阵； 对所述空间特 征矩阵进行 卷积处理和激活 处理以生成权 重向量； 以及 以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加 权以获得生成特 征图； 其中， 所述第 一卷积神经网络模型的最后一层输出的所述生成特征图为所述第 一特征 图。 3.根据权利要求2所述的风电场权限管理系统， 其特征在于， 所述第二卷积编码模块， 进一步用于： 所述第二卷积神经网络模型的各层 在层的正向传递中对输入数据进行： 对所述输入数据进行基于二维卷积核的卷积处 理以生成卷积特 征图； 对所述卷积特 征图进行池化处 理以生成池化特 征图； 对所述池化特 征图进行激活 处理以生成激活特 征图； 计算所述激活特 征图的沿通道维度的各个特 征矩阵的全局均值以获得通道特 征向量； 计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的 特征值的加权和的比值以获得通道加权特 征向量； 以及 以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道权　利　要　求　书 1/3 页 2 CN 115424323 A 2维度的特 征矩阵进行点乘以获得生成特 征图； 其中， 所述第 二卷积神经网络模型的最后一层输出的所述生成特征图为所述第 二特征 图。 4.根据权利要求3所述的风电场权限管理系统， 其特征在于， 所述第一校正模块， 进一 步用于： 基于所述第二特征图， 以如下公式对所述第一特征图中各个位置的特征值进行校 正以得到所述校正后第一特 征图； 其中， 所述公式为： 其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值， 且ρ 为控制超参数， 且 d(f1i， f2j)表示特征值之间的距离 。 5.根据权利要求4所述的风电场权限管理系统， 其特征在于， 所述第二校正模块， 进一 步用于： 基于所述第一特征图， 以如下公式对所述第二特征图中各个位置的特征值进行校 正以得到所述校正后第二特 征图； 其中， 所述公式为： 其中f1i和f2j分别是所述第一特征图和所述第二特征图的特征值， 且ρ 为控制超参数， 且 d(f1i， f2j)表示特征值之间的距离 。 6.根据权利要求5所述的风电场权限管理系统， 其特征在于， 所述融合模块， 进一步用 于： 以如下公式融合所述校正后第一特征图和所述校正后第二特征图 以得到所述分类特征 图； 其中， 所述公式为： Fs＝α F1+β F2 其中， Fs为所述分类特征图， F1为所述校正后第一特征图， F2为所述校正后第二特征图， “+”表示所述校正后第一特征图和所述校正后第二特征图相对应位置处的元素相加， α和β 为用于控制所述分类特征图中所述校正后第一特征图和所述校正后第二特征图之间的平 衡的加权参数。 7.根据权利要求6所述的风电场权限管理系统， 其特征在于， 所述人脸识别模块， 进一 步用于： 所述分类器以如下公式对所述分类特征图进 行处理以生成分类结果， 其中， 所述 公 式为： softmax{(Wn， Bn)： ...： (W1， B1)|Project(F)}， 其中Project(F)表示将所述分类特征 图投影为向量， W1至Wn为各层全连接层的权 重矩阵， B1至Bn表示各层全连接层的偏置矩阵。 8.一种风电场权限管理方法， 其特 征在于， 包括： 获取待分配权限的用户的人脸图像； 对所述待分配权限的用户的人脸图像进行局部二值化处理和Canny边缘检测以得到局 部二值模式图和Can ny边缘检测图； 将所述人脸图像、 所述局部二 值模式图和所述Can ny边缘检测图排列为多通道图像； 将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特权　利　要　求　书 2/3 页 3 CN 115424323 A 3