CN117541890A - 一种电网设备目标检测方法、***、设备及介质 - Google Patents
一种电网设备目标检测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN117541890A CN117541890A CN202311474479.8A CN202311474479A CN117541890A CN 117541890 A CN117541890 A CN 117541890A CN 202311474479 A CN202311474479 A CN 202311474479A CN 117541890 A CN117541890 A CN 117541890A
- Authority
- CN
- China
- Prior art keywords
- data
- power grid
- grid equipment
- training
- reconstruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000007547 defect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 34
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种电网设备目标检测方法、***、设备及介质，涉及人工智能领域；所述方法包括：获取电网设备数据；电网设备数据包括：地理信息和实时图像；对电网设备数据进行数据重建，得到电网设备重建数据；将电网设备重建数据输入至目标检测模型，输出检测结果；检测结果为正常或者存在缺陷；目标检测模型是基于YOLOv4网络构建的。本发明能够提高检测效率。
Description
技术领域
本发明涉及人工智能领域，特别是涉及一种电网设备目标检测方法、***、设备及介质。
背景技术
随着电力行业的快速发展，电网规模在稳定增长、电力设备种类也在不断扩充，这样给电网以及电力设备的巡检带来了新的挑战。
传统的巡检方式采用无人机拍照和人工查看的方式，这种方式采集的数据智能化程度低，并且检测准确度严重依赖人员经验，存在巡视不全面、质量不高、误检、漏检等问题。
随着物联网技术、人工智能技术、高速通信技术的不断成熟，并且相关技术方案在电网巡检业务也不断得到了应用，如通过无人机或者检测设备上采集的电网设备数据，传输到服务器端的图像检测***进行目标检测，经过算法分析得到电网设备是否存缺陷及安全隐患。但是这种实现方式存在检测效率低、延时高，对网络速度和服务端运算能力要求高等问题。
发明内容
本发明的目的是提供一种电网设备目标检测方法、***、设备及介质，能够提高检测效率。
为实现上述目的，本发明提供了如下方案：
一种电网设备目标检测方法，所述方法包括：
获取电网设备数据；所述电网设备数据包括：地理信息和实时图像；
对所述电网设备数据进行数据重建，得到电网设备重建数据；
将所述电网设备重建数据输入至目标检测模型，输出检测结果；所述检测结果为正常或者存在缺陷；所述目标检测模型是基于YOLOv4网络构建的。
可选地，对所述电网设备数据进行数据重建，得到电网设备重建数据，具体包括：
对所述电网设备数据进行数据聚合和解码清洗，得到电网设备整合数据；
对所述电网设备整合数据进行数据增强处理，得到电网设备增强数据；
对所述电网设备增强数据进行超分辨率重建，得到所述电网设备重建数据。
可选地，所述数据增强处理包括：随机擦除、伪彩色变换、填充多边形遮挡和数据拼接增强。
可选地，对所述电网设备增强数据进行超分辨率重建，得到所述电网设备重建数据，具体包括：
对所述电网设备增强数据进行卷积特征提取，得到特征数据；
对所述特征数据进行收缩和映射处理，得到映射数据；所述映射处理是基于非线性度进行的映射；
对所述映射数据进行扩张和反卷积操作，得到所述电网设备重建数据。
可选地，所述目标检测模型的确定方法，具体包括：
获取训练数据；所述训练数据包括：训练电网设备数据和对应的标签数据；所述标签数据为所述训练电网设备数据的检测结果；
按照所述标签数据，将所述训练电网设备数据进行划分，得到正常的训练电网设备数据和存在缺陷的训练电网设备数据；
确定样本集；所述样本集包括正样本和负样本；所述正样本是由正常的训练电网设备数据和对应的标签数据组成的；所述负样本是由存在缺陷的训练电网设备数据和对应的标签数据组成的；
对所述样本集进行数据重建，得到样本集重建数据；
将所述样本集重建数据划分为训练集和验证集；
构建YOLOv4网络；
将所述训练集输入至所述YOLOv4网络，以损失函数最小为目标，对所述YOLOv4网络的参数进行训练，得到训练好的YOLOv4网络；所述损失函数是由回归误差、置信度误差和分类误差的和确定的；所述参数包括：权重；所述分类误差是根据所述YOLOv4网络的输出与所述训练集对应的标签数据之间的差值确定的；
将所述验证集输入至训练好的YOLOv4网络，对所述参数进行调整，得到调整好的YOLOv4网络；
将调整好的YOLOv4网络确定为所述目标检测模型。
一种电网设备目标检测***，所述***包括：
数据获取模块，用于获取电网设备数据；所述电网设备数据包括：地理信息和实时图像；
数据重建模块，用于对所述电网设备数据进行数据重建，得到电网设备重建数据；
检测模块，用于将所述电网设备重建数据输入至目标检测模型，输出检测结果；所述检测结果为正常或者存在缺陷；所述目标检测模型是基于YOLOv4网络构建的。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的电网设备目标检测方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的电网设备目标检测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种电网设备目标检测方法、***、设备及介质，通过获取电网设备数据；对电网设备数据进行数据重建，得到电网设备重建数据；将电网设备重建数据输入至目标检测模型，输出检测结果；检测结果为正常或者存在缺陷；目标检测模型是基于YOLOv4网络构建的；本发明能够提高检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电网设备目标检测方法的流程图；
图2为本发明实施例提供的在实际应用中电网设备目标检测方法的总体流程图；
图3为本发明实施例提供的电网设备数据采集架构示意图；
图4为本发明实施例提供的电网设备图像处理流程图；
图5为本发明实施例提供的FSRCNN网络结构图；
图6为本发明实施例提供的训练及验证结果示意图；
图7为本发明实施例提供的模型裁剪示意图；
图8为本发明实施例提供的量化训练示意图；
图9为本发明实施例提供的YOLOv4 One-stage算法的网络结构图；
图10为本发明实施例提供的多尺度特征提取示意图；
图11为本发明实施例提供的在算法训练过程中，算法优化前损失下降曲线对比示意图；
图12为本发明实施例提供的算法训练过程中，算法优化后损失下降曲线对比示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
综合对现有技术中的情况分析，基于人工智能的边缘计算目标检测技术可以对电网设备检测技术存在的问题，进行优化及相应的技术解决方案。
本发明的目的是提供一种电网设备目标检测方法、***、设备及介质，能够提高检测效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明实施例提供了一种电网设备目标检测方法，该方法包括：
步骤100：获取电网设备数据。其中，电网设备数据包括：地理信息和实时图像。
步骤200：对电网设备数据进行数据重建，得到电网设备重建数据。
其中，对电网设备数据进行数据重建，得到电网设备重建数据，具体包括：
对电网设备数据进行数据聚合和解码清洗，得到电网设备整合数据；对电网设备整合数据进行数据增强处理，得到电网设备增强数据。
具体地，数据增强处理包括：随机擦除、伪彩色变换、填充多边形遮挡和数据拼接增强。
对电网设备增强数据进行超分辨率重建，得到电网设备重建数据。
其中，对电网设备增强数据进行超分辨率重建，得到电网设备重建数据，具体包括：
对电网设备增强数据进行卷积特征提取，得到特征数据；对特征数据进行收缩和映射处理，得到映射数据；映射处理是基于非线性度进行的映射。
对映射数据进行扩张和反卷积操作，得到电网设备重建数据。
步骤300：将电网设备重建数据输入至目标检测模型，输出检测结果。检测结果为正常或者存在缺陷；目标检测模型是基于YOLOv4网络构建的。
其中，目标检测模型的确定方法，具体包括：
获取训练数据；训练数据包括：训练电网设备数据和对应的标签数据；标签数据为所述训练电网设备数据的检测结果。
按照标签数据，将训练电网设备数据进行划分，得到正常的训练电网设备数据和存在缺陷的训练电网设备数据。
确定样本集；样本集包括正样本和负样本；正样本是由正常的训练电网设备数据和对应的标签数据组成的；负样本是由存在缺陷的训练电网设备数据和对应的标签数据组成的。
对样本集进行数据重建，得到样本集重建数据；将样本集重建数据划分为训练集和验证集。
构建YOLOv4网络；将训练集输入至YOLOv4网络，以损失函数最小为目标，对YOLOv4网络的参数进行训练，得到训练好的YOLOv4网络；损失函数是由回归误差、置信度误差和分类误差的和确定的；参数包括：权重；分类误差是根据YOLOv4网络的输出与训练集对应的标签数据之间的差值确定的。
将验证集输入至训练好的YOLOv4网络，对参数进行调整，得到调整好的YOLOv4网络。
将调整好的YOLOv4网络确定为目标检测模型。
具体地，在实际应用中，可以通过对实时采集的电网设备图像数据进行数据加强等预处理，利用改进后的人工智能算法实现对电网设备的目标检测、缺陷预警等智能巡检技术。
基于人工智能算法的电网设备检测方法，可以实现边缘端和服务端协同的电网设备智能监控。该解决方案可借助高清摄像机、FPV等设备实现电网设备的在线监测。边缘端设备集成人工智能模块，实时拍照并进行检测，将异常结果回传到服务端，服务端使用回传数据进行数据加强、深度学习，建立模型。***可以定时更新边缘端装置的模型，增强异常检测能力，更加准确的进行电网设备的智能巡检。总体流程如图2所示。
其具体步骤如下：
步骤1：电网设备数据采集。
此步骤是通过对电网设备数据进行实时采集、检测及异常数据回传到后台服务器端，实现对算法模型的不断迭代和优化。如图3所示，电网设备数据采集架构包括：智能感知层、数据通信层和数据整合层。
具体的介绍如下：
关于智能感知层：该层实现对电网设备数据的实时采集，其中包含设备的智能运维RFID、GIS地理信息、高清图像等数据，通过全景数据集成，将集成后的数据实时回传上报。
数据通信层：该层实现电网设备数据的传输、通信及共享，通过多网关联合通信，包含4/5G，LPWAN无线网络，骨干传输网等，保障了数据的安全性和完整性。
数据整合层：该层通过对智能感知层回传的电网设备数据进行聚合，包括根据设备ID进行数据的横向聚合和纵向聚合、通过图像识别、射频识别等技术对设备图像进行解码后得到相关数据、清洗、入库等处理过程，实现对电网设备数据的整合及归档。
步骤2：电网设备数据预处理。
此步骤是对电网设备检测数据进行预处理，实现对电网设备原始数据的特征提取、数据加强。电网设备在实际应用中，具有设备种类繁多、应用环境复杂等特点，给设备检测与识别带来一定的难点，包括图像对比度低、信噪比低、特殊气象、遮挡物、设备种类复杂等因素。因此，对电网设备图像数据采用Mosaic数据增强、FSRCNN网络实现超分辨率重建等数据增强方法。图4为电网设备图像处理流程，具体如下：
1)电网设备数据增强。
数据增强方法主要包括随机擦除、伪彩色变换、填充多边形遮挡和Mosaic方法等。其中Mosaic数据增强算法是将四张图像随机裁剪后，拼接成一张图像作为训练样本，Mosaic算法提高了训练的Batch Size，进而降低了模型训练的时长。
其中随机擦除是指在电网设备图像中随机选择一个矩形区域，并在该区域中将像素替换为随机数。电网设备图像在随机擦除的过程更好地模拟了受到拍摄角度影响而导致电网设备遮挡的情况。
随机擦除算法如下：
对于图片I，擦除概率设置为P，保持不变的概率1-P。
擦除的矩形区域定义为Ie，像素是随机值，初始图像的大小为宽与高的乘积，即W×H，随机初始化除区域为Se，se/re设置在sI和sh之间，擦除区域的高宽比re设置在r1和r2之间。
Ie的siz设置为P＝(xe,ye)伪随机初始化的一个点在I中。
如果xe+We≤W并且ye+He≤H，那么Ie为(xe,ye,xe+We,ye+He)，否则重复上述过程，直到选择到合适的I。
参数说明：sI、sh分别是随机矩形面积的上下阈值；r1、r2分别是矩形长宽比re的上下阈值；Se是矩形面积，re为矩形长宽比。
(2)电网设备数据超分辨率重建。
采用FSRCNN算法对电网设备数据超分辨率重建，提高图像的分辨率。图5为FSRCNN网络结构。
总体结构分为输入层、特征提取层、收缩层、映射层、扩张层、反卷积层、输出层。
输入层：根据公式O{(f1 2n1+n1f2 2n2+n2f3 2n3+...)Sinput}可以得出Sinput输入图像分辨率越大，模型训练的复杂度成线性上升。
特征提取层：采用1×d×(5×5)的卷积层提取。
收缩层：采用d×s×(1×1)卷积层去减少通道数，来减少模型复杂度，其中s＜＜d。
映射层：采用s×s×(3×3)卷积层去增加模型非线性度来实现LR→SR的映射。
扩张层：该层和收缩层是对称的，采用s×d×(1×1)卷积层去增加重建的表现力。
反卷积层：使用反卷积操作，实现图像的采样，输出高分辨率的图像。为了保持网络的对称结构，使用9×9的卷积核，则使用s×1×(9×9)。
输出层：输出HR图像。
其中，f1为第一层核的尺寸；n1为第一层核的数量；f2为第二层核的尺寸；n2为第三层核的数量；f3为第三层核的尺寸；n3为第三层核的数量；d为核通道；s为卷积步长。
步骤3：目标检测算法模型优化。
采用基于改进的YOLOv4 One-stage目标检测算法，实现对电网设备图像数据的检测。
YOLOv4 One-stage采用改进的特征提取网络MobileNetV3优化了网络层数多、占用空间大等问题，减少了检测模型的参数量，提高电网设备图像特征提取的速度。MobileNetV3网络主要包括输入Input，卷积操作Operator，膨胀系数Exp Size，输出Output，注意力机制SE，激活函数NL和卷积步长s。
YOLOv4 One-stage采用改进的损失函数优化了电网设备图像数据正、负样本不平衡，损失函数梯度的更新方向。
正负样本数据确立：为了提升算法的整体检测能力，从电网获取真实的电网设备和设备缺陷相关图像数据，制定缺陷和设备分类规范，经过样本去重、筛选、元数据、关联标签四个步骤，完成电网设备和设备缺陷2大类41小类约100万张样本数据的整理。
正常运行的电网设备数据作为正样本，存在缺陷的电网设备相关图像数据做为负样本。
总损失函数计算公式：L＝Lobj+Lconf+Lclass。
Lobj预测框回归误差；Lconf置信度误差；Lclass分类误差。
其中，预测框回归误差采用CIoU损失计算方式，置信度误差和分类误差采用交叉熵损失形式，具体公式为：
s2表示输入图像被划分的网格数；B表示预测框个数；Iij obj和Iij noobj表示预测框是否包含目标，取值为0或者1；λnoobj表示交并比的误差权重；为预测框中心点和真实框中心点之间的欧氏距离；m为预测框和真实框的最小包围框的对角线距离；α为权重参数；υ表示用于度量长宽比相似性的参数；F和/>分别为预测框和真实框的置信度；P和/>分别为预测框和真实框的类别概率；b、ω、h、bgt、ωgt、hgt分别表示预测框的中心坐标、预测框的宽度、预测框的高度值、真实框的中心坐标、真实框的宽度和真实框的高度值。
针对电网设备图像类别不平衡问题，将分类交叉熵损失函数替换为Focal loss函数，通过减小易分类样本的权重，模型在训练时更专注于难分类的样本，从而达到增强模型泛化能力的目的。Focal loss函数的公式为：
LF＝-β(1-y′)γlogy′。
y′表示预测值；β和γ为调制参数，其中β用于平衡样本比例，γ用于调节样本对损失函数的权重，取值范围为(0，1)。因此，改进后的总损失函数为：
L′＝Lobj+Lconf+LFO。
通过对损失函数的优化，使算法模型收敛速度更快，收敛后的损失值更低。LFO为接近损失度。
电网设备缺陷检测模型构建。
基于深度学***台，导入完成标注的正负样本数据集，并对训练任务进行设置。在算法上使用优化后的YOLOv4 One-stage，结合业务场景和边缘端特点，后端网络选择Mobilenetv3作为预训练模型。训练迭代500次，学***翻转、随机多尺度训练、随机亮度、随机对比度、随机饱和度、随机色调等图像增方式。在训练过程中通过VisualDL查看训练进度，可以获知在训练集上，损失函数loss为0.1376，在验证集上，验证集bbox mAP为91.8731，获得了较好的训练结果。图6为训练及验证结果。
步骤4：目标检测算法模型压缩。
Paddle Slim模型裁剪技术：如图7所示，通过剪掉单个卷积不同比例的通道数，分析测试数据的精度损失，得出卷积层任务的敏感度，按照敏感度信息绘制折线图，并选择适合的剪裁率，科学使用这些接口，计算其敏感度。
PadPaddle Slim量化训练：如图8所示，选择对权重开展量化存储，以此降低模型的大小，同时对整个计算过程开展量化计算，从而控制模型大小。量化存储能把模型大小降低至之前的1/4，在P4GPU上基于TensorRT能提高其加速度。
PadPaddle Lite端侧推理引擎：通过把基于飞桨的模型压缩库Paddle Slim及端侧推理引擎Paddle Lite，把小型化后的模型部署在无源无线移动设备，科学处理分析输电线路的图像数据，从而实现基于边缘计算的电网设备智能巡检。
步骤5：目标检测算法弹性部署。
自动部署：将压缩优化后模型通过容器部署方式实现自动部署到边缘计算集群环境。
动态资源调整：采用Kubernetes容器编排等技术实现弹性计算资源分配机制，可以及时扩展或者缩小容器规模，最大化利用技术资源。
步骤6：电网设备目标检测。
图9为YOLOv4 One-stage算法的网络结构，总体架构包括Mobilenetv3，颈部网络，头部网络。其中Mobilenetv3是用于特征提取网络；颈部网络的SPP模块用于对Mobilenetv3最后一个特征层输出的特征图进行不同尺度的最大池化操作，对生成的特征图与原特征图进行聚合输出，以提取不同感受下的特征信息；头部网络通过对特征层进行不同尺度的采样操作，得到三种不同尺度的特征图，分别对应大尺度、中尺度、小尺度三种电网设备目标特征，在特征图的每个网格单元上预测三个边界框，每个边界框均包含置信度、类别分数和位置信息。
多尺度特征提取：由于电网设备实物图像视角不同，导致大小不一，因此，单列卷积每层使用固定大小的卷积核，难以应对电网设备尺度变化的问题。针对此问题，采用3个不同大小的卷积核从输入的电网设备图像中学习与尺度相关的特征，实现多尺度信息的有效获取，采用的多尺度卷积模块结构，采用3个并列的3×3、5×5、7×7卷积核能够有效聚合设备图像的多尺度信息，如图10所示。
实验效果分析：实验数据选取通过采集回传方式并存储到电网设备数据库中的8类常见设备数据，包括绝缘子、塔基、导线、均压环、防振锤、防雷设施、防鸟设施、标识牌，合计8000张设备图像。
算法训练过程采用随机梯度下降法来求最优解，batch_size设置为30，动量设置为0.9，网络初始训练学习率为1×10-3，迭代次数为12000。如图11-图12为算法训练过程中，算法优化前后损失下降曲线对比。
优化后的曲线迭代到6000次左右时，损失曲线逐渐趋于平稳，最终收敛在0.1左右，说明所提算法的训练结果较为理想。表1为模型算法对不同电网设备的检测实验结果对照表。
表1模型算法对不同电网设备的检测实验结果对照表
实验结果表明：YOLOv4 One-stage模型算法对8类电网设备的识别精度均高于93％，具备比较好的目标检测效果；平均识别精度为96.36％，优于传统对比方法；检测速度为67frame/s，能够快速实现目标的检测。
实施例2
本发明实施例提供了一种电网设备目标检测***，该***包括：数据获取模块、数据重建模块和检测模块。
数据获取模块，用于获取电网设备数据；电网设备数据包括：地理信息和实时图像。
数据重建模块，用于对电网设备数据进行数据重建，得到电网设备重建数据。
检测模块，用于将电网设备重建数据输入至目标检测模型，输出检测结果；检测结果为正常或者存在缺陷；目标检测模型是基于YOLOv4网络构建的。
实施例3
本发明提供了一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1中的电网设备目标检测方法。
作为一种可选地实施方式，本发明还提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现实施例1中的电网设备目标检测方法。
本发明的有益之处：
1.对电网设备原始采用数据加强算法进行预处理，解决图像数据分辨率低、敏感度低、正负样本不均衡等问题，以此提高目标检测算法的检测精度和检测速度。
2.对目标检测算法的网络机构和损失函数进行改进，提高了算法模型的特征提取速度和收敛速度。
3.对目标检测模型采用模型压缩算法进行量化处理，解决数据回传服务端检测周期长，降低网络延迟，以此提高检测效率。
4.对目标检测模型采用弹性计算方法，实现计算资源的高效利用，以此提高计算效率及节省计算成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种电网设备目标检测方法，其特征在于，所述方法包括：
获取电网设备数据；所述电网设备数据包括：地理信息和实时图像；
对所述电网设备数据进行数据重建，得到电网设备重建数据；
将所述电网设备重建数据输入至目标检测模型，输出检测结果；所述检测结果为正常或者存在缺陷；所述目标检测模型是基于YOLOv4网络构建的。
2.根据权利要求1所述的电网设备目标检测方法，其特征在于，对所述电网设备数据进行数据重建，得到电网设备重建数据，具体包括：
对所述电网设备数据进行数据聚合和解码清洗，得到电网设备整合数据；
对所述电网设备整合数据进行数据增强处理，得到电网设备增强数据；
对所述电网设备增强数据进行超分辨率重建，得到所述电网设备重建数据。
3.根据权利要求2所述的电网设备目标检测方法，其特征在于，所述数据增强处理包括：随机擦除、伪彩色变换、填充多边形遮挡和数据拼接增强。
4.根据权利要求2所述的电网设备目标检测方法，其特征在于，对所述电网设备增强数据进行超分辨率重建，得到所述电网设备重建数据，具体包括：
对所述电网设备增强数据进行卷积特征提取，得到特征数据；
对所述特征数据进行收缩和映射处理，得到映射数据；所述映射处理是基于非线性度进行的映射；
对所述映射数据进行扩张和反卷积操作，得到所述电网设备重建数据。
5.根据权利要求1所述的电网设备目标检测方法，其特征在于，所述目标检测模型的确定方法，具体包括：
获取训练数据；所述训练数据包括：训练电网设备数据和对应的标签数据；所述标签数据为所述训练电网设备数据的检测结果；
按照所述标签数据，将所述训练电网设备数据进行划分，得到正常的训练电网设备数据和存在缺陷的训练电网设备数据；
确定样本集；所述样本集包括正样本和负样本；所述正样本是由正常的训练电网设备数据和对应的标签数据组成的；所述负样本是由存在缺陷的训练电网设备数据和对应的标签数据组成的；
对所述样本集进行数据重建，得到样本集重建数据；
将所述样本集重建数据划分为训练集和验证集；
构建YOLOv4网络；
将所述训练集输入至所述YOLOv4网络，以损失函数最小为目标，对所述YOLOv4网络的参数进行训练，得到训练好的YOLOv4网络；所述损失函数是由回归误差、置信度误差和分类误差的和确定的；所述参数包括：权重；所述分类误差是根据所述YOLOv4网络的输出与所述训练集对应的标签数据之间的差值确定的；
将所述验证集输入至训练好的YOLOv4网络，对所述参数进行调整，得到调整好的YOLOv4网络；
将调整好的YOLOv4网络确定为所述目标检测模型。
6.一种电网设备目标检测***，其特征在于，所述***包括：
数据获取模块，用于获取电网设备数据；所述电网设备数据包括：地理信息和实时图像；
数据重建模块，用于对所述电网设备数据进行数据重建，得到电网设备重建数据；
检测模块，用于将所述电网设备重建数据输入至目标检测模型，输出检测结果；所述检测结果为正常或者存在缺陷；所述目标检测模型是基于YOLOv4网络构建的。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至5中任意一项所述的电网设备目标检测方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的电网设备目标检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311474479.8A CN117541890A (zh) | 2023-11-08 | 2023-11-08 | 一种电网设备目标检测方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311474479.8A CN117541890A (zh) | 2023-11-08 | 2023-11-08 | 一种电网设备目标检测方法、***、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117541890A true CN117541890A (zh) | 2024-02-09 |
Family
ID=89792976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311474479.8A Pending CN117541890A (zh) | 2023-11-08 | 2023-11-08 | 一种电网设备目标检测方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541890A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533004A (zh) * | 2019-09-07 | 2019-12-03 | 哈尔滨理工大学 | 一种基于深度学习的复杂场景人脸识别*** |
| CN112380952A (zh) * | 2020-11-10 | 2021-02-19 | 广西大学 | 基于人工智能的电力设备红外图像实时检测及识别方法 |
| CN112699967A (zh) * | 2021-01-18 | 2021-04-23 | 武汉大学 | 一种基于改进深度神经网络的远距离机场目标检测方法 |
| CN113469953A (zh) * | 2021-06-10 | 2021-10-01 | 南昌大学 | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 |
| CN115410087A (zh) * | 2022-08-30 | 2022-11-29 | 南京航空航天大学 | 一种基于改进YOLOv4的输电线路异物检测方法 |
-
2023
- 2023-11-08 CN CN202311474479.8A patent/CN117541890A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533004A (zh) * | 2019-09-07 | 2019-12-03 | 哈尔滨理工大学 | 一种基于深度学习的复杂场景人脸识别*** |
| CN112380952A (zh) * | 2020-11-10 | 2021-02-19 | 广西大学 | 基于人工智能的电力设备红外图像实时检测及识别方法 |
| CN112699967A (zh) * | 2021-01-18 | 2021-04-23 | 武汉大学 | 一种基于改进深度神经网络的远距离机场目标检测方法 |
| CN113469953A (zh) * | 2021-06-10 | 2021-10-01 | 南昌大学 | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 |
| CN115410087A (zh) * | 2022-08-30 | 2022-11-29 | 南京航空航天大学 | 一种基于改进YOLOv4的输电线路异物检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| JUNPENG WU等: ""An infrared image detection of power equipment based on super-resolution reconstruction and YOLOv4"", 《THE JOURNAL OF ENGINEERING》, 31 December 2022 (2022-12-31), pages 1008 - 1013 * |
| 胡吉祥: ""基于物联网技术的电力设备数据实时采集***"", 《能源与环保》, vol. 44, no. 6, 30 June 2022 (2022-06-30), pages 232 - 233 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829399B (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
| CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN108629772B (zh) | 图像处理方法及装置、计算机设备和计算机存储介质 | |
| CN110826684A (zh) | 卷积神经网络的压缩方法、装置、电子设备和介质 | |
| CN112581443A (zh) | 一种风力发电机叶片表面损伤轻量化识别方法 | |
| CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
| CN113420651B (zh) | 深度卷积神经网络的轻量化方法、***及目标检测方法 | |
| CN113888514A (zh) | 导地线缺陷检测方法、装置、边缘计算设备和存储介质 | |
| CN111160096A (zh) | 禽蛋异常的识别方法、装置及***、存储介质、电子装置 | |
| CN113537244A (zh) | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 | |
| CN114972885B (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
| CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
| CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及*** | |
| CN113239869A (zh) | 基于关键帧序列和行为信息的两阶段行为识别方法及*** | |
| CN114973032A (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
| CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和*** | |
| CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
| CN111860465A (zh) | 基于超像素的遥感图像提取方法、装置、设备及存储介质 | |
| CN116580285B (zh) | 铁路绝缘子夜间目标识别检测方法 | |
| CN115292538A (zh) | 一种基于深度学习的地图线要素提取方法 | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN111339950B (zh) | 一种遥感图像目标检测方法 | |
| CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
| CN116580324A (zh) | 一种基于YOLOv5的无人机对地目标检测方法 | |
| CN110163081A (zh) | 基于ssd的实时区域入侵检测方法、***及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |