The human inspection process used in classical power theft detection is expensive and ineffective in obtaining tagged data. With the development of smart grids that store rich user electricity use data, machine learning-based methods for detecting power theft are emerging quickly. However, the question of how to increase power theft detection accuracy without depending on labeled data remains a challenging one to answer. Therefore, In order to detect power theft, this research suggests a strategy based on contrast predictive coding support vector data description(SVDD). To do this, it first uses contrast predictive coding to extract long-term pattern characteristics from user data that most accurately reflect the user's power consumption habits. And builds positive-negative sample pairs using gated recursive units for comparative learning. The SVDD classifier is then trained using the characteristics retrieved by contrast predictive coding to determine the center and radius of the related hypersphere. Finally, To determine who is stealing electricity, the relationship between the radius of the hypersphere and the distance between the center of the hypersphere and the electricity consumption data to be examined is employed. The algorithm is simulated using actual State Grid data, and the experimental findings demonstrate that, in comparison to the comparative approaches, the model presented in this study has a better classification performance and a reduced false alarm rate.

Ultra-high precision motion sensing leveraging computer vision (CV) is a key technology in many high-precision AR/VR applications such as precise industrial manufacture and image-guided surgery, yet conventional CV can be challenged by moiré-based sensing mechanism, thanks to moiré pattern's high sensitivity to six degrees of freedom (6-DoF) pose changes. Unfortunately, existing moiré-based solutions, in their infancy, cannot deal with complicated curvilinear moiré patterns caused by various perspective angles. In this paper, we propose a generalized moiré-based mechanism, MoiréVision, towards practical adoptions; it relies on high-frequency gratings as visual marker to help extract the fine-grained feature points for ultra-high precision motion sensing. As the foundation of general moiré-based sensing, we propose a formulation to characterize "uncontrolled" curvilinear moiré patterns in practical scenarios. To deal with the problem of moiré feature interference in practice, we propose a Gabor-based algorithm to separate overlapped curvilinear moiré patterns from two dimensions. Furthermore, to extract fine-grained feature points for high-precision motion sensing, we propose a bending function-based model and a resolution-enhanced strategy to reconstruct detailed texture of moiré markers and extract moiré feature points at sub-pixel level. Extensive experimental results show that MoiréVision greatly enhances the usability and generalizability of moiré-based sensing systems in real-world applications.

Detection and assessment of micro vibrations are crucial tasks in both industrial settings and daily life. However, vibration sensors attached to the target vibrator may introduce potential resonance, and wireless detection methods suffer from severe multipath interference. Fortunately, moiré-based sensing methods have gained recognition in recent years due to their ability to perceive micro motion changes. In this paper, we propose MoiréVib, a micro-vibration detection solution based on moiré patterns for dynamic and high-frequency environments. We attach a printed marker with periodic gratings to the surface of vibration devices to generate moiré patterns, which can amplify micro vibrations due to their low-frequency magnification effect. However, moiré pattern's changes caused by micro vibrations are often overwhelmed by random pixel-level noises, and the limited frame rate of the camera fails to capture high-frequency moiré features. To deal with these problems, we propose a spectrum-based method to refine and enhance the dynamic and micro moiré features. Additionally, we propose a dual-frame-rate-based fusion mechanism to realize high-frequency reconstruction of moiré features. Extensive experimental results show that MoiréVib can realize a median amplitude detection error of 4.37 μm and achieve frequency detection up to 300Hz with a frame rate range of 10~30 fps.