CN117649741A - 基于深度学习的变电站周围高危动物实时监测***及方法 - Google Patents
基于深度学习的变电站周围高危动物实时监测***及方法 Download PDFInfo
- Publication number
- CN117649741A CN117649741A CN202311362117.XA CN202311362117A CN117649741A CN 117649741 A CN117649741 A CN 117649741A CN 202311362117 A CN202311362117 A CN 202311362117A CN 117649741 A CN117649741 A CN 117649741A
- Authority
- CN
- China
- Prior art keywords
- transformer substation
- data
- module
- risk
- monitoring
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 99
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims description 20
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 14
- 238000013526 transfer learning Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 235000019879 cocoa butter substitute Nutrition 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的变电站周围高危动物实时监测***,结合计算机视觉和改进YOLOV8高危动物检测模型的实时处理技术,准确地检测和识别变电站附近出现的高危动物并报警,保障变电站的正常运行和安全,提高工作人员的工作效率;基于深度学习的变电站周围高危动物实时监测***,包括图像采集模块、控制模块、监控报警模块、数据存储模块和用户界面,所述控制模块分别数据连接有图像采集模块、监控报警模块以及存储模块;所述图像采集模块用于获取变电站周围的图像信息,并将图像信息传输至控制模块,通过控制模块对监测信息分析处理,得到数据信息,将数据信息分别传输至监控报警模块、存储模块。
Description
技术领域
本发明涉及变电站监测技术领域,具体涉及基于深度学习的变电站周围高危动物实时监测***。
背景技术
电力供应是维持城市运转的重要基石,而变电站作为电力***的核心组成部分,扮演着转换和分配电能的关键角色。然而,变电站的高电压设备对附近环境产生危险,因此变电站的周围通常是高危区域。这种情况下,高危动物,如小动物、鸟类等,不幸地可能误闯入变电站的危险区域,引发设备故障、停电,甚至导致动物死亡,这些动物还可能会造成变电设备短路、火灾等意外事故,从而影响电力供应的稳定性和安全性。因此,建立一个实时监测***以控制和预防这些高危动物可能带来的危险是非常必要的。
为了解决这一问题,我们提出了基于深度学习的变电站周围高危动物实时监测***,该***旨在通过结合计算机视觉和实时处理技术,准确地检测和识别变电站附近出现的高危动物,并在其进入危险区域时及时报警。该***可以及时发现并报告变电站周围高危动物的活动情况,从而帮助工作人员及时采取措施,保障变电站的正常运行和安全。此外,该***还可以提高工作人员的工作效率,减少人力物力的浪费,降低变电站管理成本。
发明内容
本发明旨在针对现有技术的技术缺陷,提供基于深度学习的变电站周围高危动物实时监测***,结合计算机视觉和改进YOLOV8高危动物检测模型的实时处理技术,准确地检测和识别变电站附近出现的高危动物并报警,保障变电站的正常运行和安全,提高工作人员的工作效率。
本发明提供如下技术方案:基于深度学习的变电站周围高危动物实时监测***,包括图像采集模块、控制模块、监控报警模块、数据存储模块和用户界面,所述控制模块分别数据连接有图像采集模块、监控报警模块以及存储模块;
所述图像采集模块用于获取变电站周围的图像信息,并将图像信息传输至控制模块,通过控制模块对监测信息分析处理,得到数据信息,将数据信息分别传输至监控报警模块、存储模块;
所述存储模块存储所述数据信息,用于用户界面数据监控;
其中控制模块包括图像预处理模块、嵌入的训练模型算法单元和改进YOLOV8高危动物检测模型,所述控制模块安装于嵌入式计算设备。
优选的,还包含WEB端和移动端,当***检测到目标模型后触发监控报警模块,并将报警信号传输到所述WEB端和移动端。
优选的,所述监控报警模块包括多组声光报警装置,每个声光报警装置安装在变电站周边并覆盖关键区域,所述关键区域包含高压设备的安全距离边界区域;
所述图像采集模块包括图像采集装置,所述图像采集装置为多组摄像头构成的摄像头网络,每个所述摄像头安装在变电站周边并覆盖关键区域,所述关键区域包含高压设备的安全距离边界区域。
基于深度学习的变电站周围高危动物实时监测方法,包括以下步骤:
S1、图像采集模块采集图像数据传输到控制模块;
S2、嵌入式计算机设备安装有控制模块,控制模块通过嵌入的训练模型算法单元搭建变电站周围高危动物图像样本库;图像预处理模块对输入变电站周围的图像信息进行处理达到YOLOV8要求的固定大小图像,再输出到改进YOLOV8高危动物检测模型,最终输出检测出的动物的位置信息;
S3、如果改进YOLOV8高危动物检测模型输出位置信息,则触发监控报警模块,声光报警装置会开启驱赶动物,同时将报警信号传输到Web端和移动端;
S4、检测到的数据存储在数据存储模块中,在Web端和/或移动端应用中查看摄像头画面、接收警报信息,以及查询历史数据。
优选的,改进YOLOV8高危动物检测模型包括特征提取网络、特征融合网络和头部预测网络。
优选的,改进YOLOV8高危动物检测模型的特征提取网络采用CSPDarknet,由CSP结构和SPPF模块组成;CSP将输入分成两个分支,一个分支进行基础的CBS模块卷积操作,另一个分支使用多个CBS或CBS与残差结构的组合。
优选的,改进YOLOV8高危动物检测模型的特征融合网络部分采用的是路径聚合网络,路径聚合网络在进行特征图上采样融合的同时进行下采样融合。
优选的,改进YOLOV8高危动物检测模型的头部预测网络包括三个不同尺度的输出层,每个输出层由三个卷积层组成,并且每个输出层分别负责预测不同尺度的目标;输出层最终输出预测结果,该结果的维度是H×W×(3×(4+1+N))。
优选的,所述嵌入的训练模型算法单元采用半监督学习和迁移学习。
优选的,所述半监督学习和迁移学习包括以下步骤:
S100、通过变电站内的监控摄像头、无人机或人工巡视等方式收集大量的图像和视频数据,包括变电站附近的动物和环境;
S200、使用预训练的改进YOLOV8高危动物检测模型来标识变电站附近的动物,对未标注的数据进行推理,并设置一个置信度阈值,然后根据阈值对预测框的置信度筛选,找出高置信度的预测结果,将其作为伪标签;
S300、使用已有的标注数据和生成的伪标签数据来训练一个初始的目标检测模型;
S400、选择一个合适的源域训练模型,源域包括人类和不同动物的大型数据集,与变电站附近可能出现的动物具有高度的相似性;
S500、使用目标领域的数据对模型进行微调,使用较小的学习率,以利用目标领域数据的特征并避免过拟合或通过数据增强技术如随机缩放、翻转、旋转等来扩充训练集;
S600、对训练后的模型进行评估,使用均值平均精度评估其性能;
S700、定期更新模型,适应新数据和环境变化。
与现有技术相比,本发明的有益效果是:
在以上技术方案中,基于深度学习的变电站周围高危动物实时监测***,包括图像采集模块、控制模块、监控报警模块、数据存储模块和用户界面,所述控制模块分别数据连接有图像采集模块、监控报警模块以及存储模块;
所述图像采集模块用于获取变电站周围的图像信息,并将图像信息传输至控制模块,通过控制模块对监测信息分析处理,得到数据信息,将数据信息分别传输至监控报警模块、存储模块,所述存储模块存储所述数据信息,用于用户界面数据监控,其中控制模块包括图像预处理模块、模型训练模块和改进YOLOV8高危动物检测模型,所述控制模块安装于嵌入式计算设备。
本发明公开了基于深度学习的变电站周围高危动物实时监测***,整个***由图像采集模块、控制模块、监控报警模块、数据存储模块和用户界面构成,图像采集模块获取变电站周围的图像信息,并将图像信息传输至控制模块,控制模块中图像预处理模块对输入图像固定大小;通过嵌入的训练模型算法单元搭建变电站周围高危动物图像样本库,输入图像信息通过改进YOLOV8高危动物检测模型进行目标检测,得到数据信息,将数据信息分别传输至监控报警模块、存储模块,存储模块对数据信息进行存储,用于用户界面数据监控,用户可以实时监控***状态、查看警报信息和检测结果;该***结合计算机视觉和改进YOLOV8高危动物检测模型的实时处理技术,准确地检测和识别变电站附近出现的高危动物并报警,保障变电站的正常运行和安全,提高工作人员的工作效率。
附图说明
图1为本发明的一种具体实施方式的流程图;
图2为改进YOLOV8高危动物检测模型的特征提取网络结构图;
图3为用户界面安全状态图;
图4为用户界面警告状态图;
图5为用户界面危险状态图。
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,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。
如图1~5所示,其示出了本发明的具体实施方式:如图1~5所示,本发明公开的基于深度学习的变电站周围高危动物实时监测***,包括图像采集模块、控制模块、监控报警模块、数据存储模块和用户界面,所述控制模块分别数据连接有图像采集模块、监控报警模块以及存储模块;
所述图像采集模块用于获取变电站周围的图像信息,并将图像信息传输至控制模块,通过控制模块对监测信息分析处理,得到数据信息,将数据信息分别传输至监控报警模块、存储模块;
所述存储模块存储所述数据信息,用于用户界面数据监控;
其中控制模块包括图像预处理模块、嵌入的训练模型算法单元和改进YOLOV8高危动物检测模型,所述控制模块安装于嵌入式计算设备。
优选的,如图1所示,还包含WEB端和移动端,当***检测到目标模型后触发监控报警模块,并将报警信号传输到所述WEB端和移动端。通过改进YOLOV8高危动物检测模型进行目标检测,当检测***到目标高危动物时如误闯入变电站的危险区域的小动物、鸟类等等,会触发报警机制,第一时间通知工作人员,并在Web端和移动端可随时查看,提高工作人员的工作效率。
优选的,所述监控报警模块包括多组声光报警装置,每个声光报警装置安装在变电站周边并覆盖关键区域,所述关键区域包含高压设备的安全距离边界区域;声光报警装置安装在变电站周边覆盖关键区域,实现对变电站全方位的声光报警,可以通过声音对动物进行驱赶,夜晚时,可以通过光对动物进行驱赶。
所述图像采集模块包括图像采集装置,所述图像采集装置为多组摄像头构成的摄像头网络,每个所述摄像头安装在变电站周边并覆盖关键区域,所述关键区域包含高压设备的安全距离边界区域。摄像头安装在变电站周边覆盖关键区域,实现对变电站全方位的视频监控,将覆盖数据传输至数据模块进行目标检测,摄像头应采用高清摄像头,提供清晰的图像特征,提高监控效果。
基于深度学习的变电站周围高危动物实时监测方法,包括以下步骤:
S1、图像采集模块采集图像数据传输到控制模块;
S2、嵌入式计算机设备安装有控制模块,控制模块通过嵌入的训练模型算法单元搭建变电站周围高危动物图像样本库;图像预处理模块对输入变电站周围的图像信息进行处理达到YOLOV8要求的固定大小图像,再输出到改进YOLOV8高危动物检测模型,最终输出检测出的动物的位置信息;
S3、如果改进YOLOV8高危动物检测模型输出位置信息,则触发监控报警模块,声光报警装置会开启驱赶动物,同时将报警信号传输到Web端和移动端;
S4、检测到的数据存储在数据存储模块中,在Web端和/或移动端应用中查看摄像头画面、接收警报信息,以及查询历史数据。
其中,输入图像预处理模块,YOLOV8的输入为固定大小的图像,需要对图像进行预处理以适应模型输入要求,预处理包括缩放、填充和数据增强等操作。
优选的,改进YOLOV8高危动物检测模型包括特征提取网络、特征融合网络和头部预测网络。
优选的,改进YOLOV8高危动物检测模型的特征提取网络采用CSPDarknet,由CSP结构和SPPF模块组成;CSP将输入分成两个分支,一个分支进行基础的CBS模块卷积操作,另一个分支使用多个CBS或CBS与残差结构的组合。YOLOV8由CSP(Cross Stage Partial)结构和SPPF(Spatial Pyramid Pooling-Fast)模块组成,其中,CSP结构能够在保持较低计算复杂度的同时提高了检测的准确率,CSP结构通过将输入特征图分成两个部分,分别经过不同的卷积层,然后再将它们拼接在一起,从而增加了网络的感受野,提高了检测的准确率;SPPF模块通过三个串联的池化操作融合多尺度感受野信息,SPPF模块将输入特征图分成多个不同尺度的子图,然后对每个子图进行池化操作,得到不同尺度的特征图。最后,SPPF模块将这些特征图拼接在一起,从而得到一个具有多尺度感受野信息的特征图,从而提高网络对不同尺度目标的检测能力。
优选的,改进YOLOV8高危动物检测模型的特征融合网络部分采用的是路径聚合网络,路径聚合网络在进行特征图上采样融合的同时进行下采样融合。上采样融合的同时,还会进行下采样融合,从而丰富语义信息,有利于多尺度目标检测。
优选的,改进YOLOV8高危动物检测模型的头部预测网络包括三个不同尺度的输出层,每个输出层由三个卷积层组成,并且每个输出层分别负责预测不同尺度的目标;输出层最终输出预测结果,该结果的维度是H×W×(3×(4+1+N))。YOLOV8的检测头部分采用了类似于YOLOV3的结构,包括三个不同尺度的输出层,每个输出层由三个卷积层组成,并且每个输出层分别负责预测不同尺度的目标。输出层最终输出预测结果,该结果的维度是H×W×(3×(4+1+N))。其中,H和W分别代表输入检测头的特征图的长和宽,4代表预测结果中边界框的四个坐标,1代表着预测到该结果的置信度,N代表数据集包含的类别总数。最后,3代表检测头在每个网格中最多能检测到3个目标。这种结构可以同时预测多个目标,具有较高的效率和准确率,适用该***对实时目标的检测;同时,由于采用了多尺度的输出层结构,可以适应不同尺寸的目标,提高了检测的鲁棒性。
优选的,所述嵌入的训练模型算法单元采用半监督学习和迁移学习。标注大量数据用于深度学习模型的训练是耗时且昂贵的,我们通过半监督学习和迁移学习是解决数据标注困难问题的方法。传统的监督学习需要大量标记好的数据才能训练模型,而半监督学习和迁移学习可以利用未标记的数据或其他领域的数据来辅助训练,从而提高数据利用率;半监督学习利用少量标注数据和大量未标注数据来训练模型,从而降低了标注成本。迁移学习则允许在一个任务上训练的模型部分知识迁移到另一个相关任务上,减少了在新任务上的标注需求。大大减少了目前传统训练模型的人工标注,数据利用率高,提高了工作人员的工作效率。
优选的,所述半监督学习和迁移学习包括以下步骤:
S100、数据收集和准备:收集大量的图像和视频数据,包括变电站附近的动物和环境。这一阶段可以通过变电站内的监控摄像头、无人机或人工巡视等方式进行数据采集。在数据收集过程中,要注意保证数据的多样性和代表性。通过考虑不同时间、天气、光照条件、季节等因素,收集到更加全面的数据。按照实际应用场景的需求,可以额外收集一些背景干扰较大、光照复杂或动物姿态变化较大的数据,以提高模型的鲁棒性。
S200、生成伪标签(Semi-Supervised Learning):使用预训练的目标检测模型YOLOV8来标识变电站附近的动物。通过在大规模数据集上进行预训练,如COCO、ImageNet等,以提高YOLOV8的检测精度,并极大提高模型训练的收敛速度。对未标注的数据进行推理,并设置一个置信度阈值,然后根据阈值对预测框的置信度筛选,找出高置信度的预测结果,将其作为伪标签。为了提高伪标签的准确性,可以结合人工审核,对置信度较低的预测结果进行确认或调整,从而减少错误的伪标签。
S300、初始模型训练(Supervised Learning):使用已有的标注数据和生成的伪标签数据来训练一个初始的目标检测模型。在模型训练过程中,可以采用常见的优化算法如随机梯度下降(SGD)或自适应优化算法如Adam,通过最小化损失函数来调整模型权重,使其能够更好地预测动物的位置和类别。
S400、迁移学习(Transfer Learning):选择一个合适的源域(Domain)来训练模型。源域应该是包括人类和不同动物的大型数据集,与变电站附近可能出现的动物具有高度的相似性,这能有效提高变电站附近动物监测***的准确性。使用源域的权重初始化初始模型参数,可以通过加载预训练模型的部分或全部权重来实现。通过迁移学习,模型将继承源域的特征和知识,能够更快、更有效地学习和适应目标领域的数据。
S500、模型微调(Fine-Tuning):使用目标领域的数据对模型进行微调,以进一步提高模型在变电站附近动物监测任务上的性能。在微调过程中,可以使用较小的学习率,以利用目标领域数据的特征并避免过拟合。还可以通过数据增强技术如随机缩放、翻转、旋转等来扩充训练集,提高模型的泛化能力和鲁棒性。
S600、模型评估和部署:对训练后的模型进行评估,使用标准评估指标如均值平均精度(mAP)来评估其性能。在评估过程中,可以使用交叉验证等技术来评估模型在不同环境下的鲁棒性。部署模型到变电站附近的监测***中,实现实时的动物检测功能。可以使用专用硬件如嵌入式设备或GPU服务器进行加速。
S700、模型更新和持续监测:定期更新模型,以适应新的数据和环境变化。随着时间的推移,动物行为和外观可能发生变化,模型需要及时更新以保持准确性。使用***中的反馈数据来改进模型的性能。可以将监测***收集到的实际动物数据与模型预测结果进行对比分析,进一步改进模型的准确性和鲁棒性。同时,也需要考虑到动物保护和隐私保护的问题,在模型更新和持续监测过程中,要遵循相关的法律法规和伦理准则,确保合规性。半监督学习和迁移学习都是复杂的任务,需要仔细调整参数和监控性能。此外,确保数据采集和数据预处理是关键,因为质量高的数据将直接影响模型的性能。同时,在监测***中,还需要考虑隐私和伦理问题,以确保合规性。
上面结合附图对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化,这些变化涉及本领域技术人员所熟知的相关技术,这些都落入本发明专利的保护范围。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (10)
1.基于深度学习的变电站周围高危动物实时监测***,其特征在于,包括图像采集模块、控制模块、监控报警模块、数据存储模块和用户界面,所述控制模块分别数据连接有图像采集模块、监控报警模块以及存储模块;
所述图像采集模块用于获取变电站周围的图像信息,并将图像信息传输至控制模块,通过控制模块对监测信息分析处理,得到数据信息,将数据信息分别传输至监控报警模块、存储模块;
所述存储模块存储所述数据信息,用于用户界面数据监控;
其中控制模块包括图像预处理模块、嵌入的训练模型算法单元和改进YOLOV8高危动物检测模型,所述控制模块安装于嵌入式计算设备。
2.根据权利要求1所述的基于深度学习的变电站周围高危动物实时监测***,其特征在于,还包含WEB端和移动端,当***检测到目标模型后触发监控报警模块,并将报警信号传输到所述WEB端和移动端。
3.根据权利要求2所述的基于深度学习的变电站周围高危动物实时监测***,其特征在于,所述监控报警模块包括多组声光报警装置,每个声光报警装置安装在变电站周边并覆盖关键区域,所述关键区域包含高压设备的安全距离边界区域;
所述图像采集模块包括图像采集装置,所述图像采集装置为多组摄像头构成的摄像头网络,每个所述摄像头安装在变电站周边并覆盖关键区域,所述关键区域包含高压设备的安全距离边界区域。
4.基于深度学习的变电站周围高危动物实时监测方法,应用如权利要求1-3任一项所述的基于深度学习的变电站周围高危动物实时监测***,其特征在于,包括以下步骤:
S1、图像采集模块采集图像数据传输到控制模块;
S2、嵌入式计算机设备安装有控制模块,控制模块通过嵌入的训练模型算法单元搭建变电站周围高危动物图像样本库;图像预处理模块对输入变电站周围的图像信息进行处理达到YOLOV8要求的固定大小图像,再输出到改进YOLOV8高危动物检测模型,最终输出检测出的动物的位置信息;
S3、如果改进YOLOV8高危动物检测模型输出位置信息,则触发监控报警模块,声光报警装置会开启驱赶动物,同时将报警信号传输到Web端和移动端;
S4、检测到的数据存储在数据存储模块中,在Web端和/或移动端应用中查看摄像头画面、接收警报信息,以及查询历史数据。
5.根据权利要求4所述的基于深度学习的变电站周围高危动物实时监测方法,其特征在于,改进YOLOV8高危动物检测模型包括特征提取网络、特征融合网络和头部预测网络。
6.根据权利要求5所述的基于深度学习的变电站周围高危动物实时监测方法,其特征在于,改进YOLOV8高危动物检测模型的特征提取网络采用CSPDarknet,由CSP结构和SPPF模块组成;CSP将输入分成两个分支,一个分支进行基础的CBS模块卷积操作,另一个分支使用多个CBS或CBS与残差结构的组合。
7.根据权利要求5所述的基于深度学习的变电站周围高危动物实时监测方法,其特征在于,改进YOLOV8高危动物检测模型的特征融合网络部分采用的是路径聚合网络,路径聚合网络在进行特征图上采样融合的同时进行下采样融合。
8.根据权利要求5所述的基于深度学习的变电站周围高危动物实时监测方法,其特征在于,改进YOLOV8高危动物检测模型的头部预测网络包括三个不同尺度的输出层,每个输出层由三个卷积层组成,并且每个输出层分别负责预测不同尺度的目标;输出层最终输出预测结果,该结果的维度是H×W×(3×(4+1+N))。
9.根据权利要求5所述的基于深度学习的变电站周围高危动物实时监测方法,其特征在于,所述嵌入的训练模型算法单元采用半监督学习和迁移学习。
10.根据权利要求9所述的基于深度学习的变电站周围高危动物实时监测方法,其特征在于,所述半监督学习和迁移学习包括以下步骤:
S100、通过变电站内的监控摄像头、无人机或人工巡视等方式收集大量的图像和视频数据,包括变电站附近的动物和环境;
S200、使用预训练的改进YOLOV8高危动物检测模型来标识变电站附近的动物,对未标注的数据进行推理,并设置一个置信度阈值,然后根据阈值对预测框的置信度筛选,找出高置信度的预测结果,将其作为伪标签;
S300、使用已有的标注数据和生成的伪标签数据来训练一个初始的目标检测模型;
S400、选择一个合适的源域训练模型,源域包括人类和不同动物的大型数据集,与变电站附近可能出现的动物具有高度的相似性;
S500、使用目标领域的数据对模型进行微调,使用较小的学习率,以利
用目标领域数据的特征并避免过拟合或通过数据增强技术如随机缩放、翻转、旋转等来扩充训练集;
S600、对训练后的模型进行评估,使用均值平均精度评估其性能;
S700、定期更新模型,适应新数据和环境变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362117.XA CN117649741A (zh) | 2023-10-19 | 2023-10-19 | 基于深度学习的变电站周围高危动物实时监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362117.XA CN117649741A (zh) | 2023-10-19 | 2023-10-19 | 基于深度学习的变电站周围高危动物实时监测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117649741A true CN117649741A (zh) | 2024-03-05 |
Family
ID=90042203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311362117.XA Pending CN117649741A (zh) | 2023-10-19 | 2023-10-19 | 基于深度学习的变电站周围高危动物实时监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649741A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118154173A (zh) * | 2024-05-10 | 2024-06-07 | 南京龟兔赛跑软件研究院有限公司 | 一种分布式云端数据分析装置、方法和计算机设备 |
-
2023
- 2023-10-19 CN CN202311362117.XA patent/CN117649741A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118154173A (zh) * | 2024-05-10 | 2024-06-07 | 南京龟兔赛跑软件研究院有限公司 | 一种分布式云端数据分析装置、方法和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hosseini et al. | Intelligent damage classification and estimation in power distribution poles using unmanned aerial vehicles and convolutional neural networks | |
KR101995107B1 (ko) | 딥 러닝을 이용한 인공지능 기반 영상 감시 방법 및 시스템 | |
CN111339905B (zh) | 基于深度学习及多视角的cim井盖状态视觉检测*** | |
Zormpas et al. | Power transmission lines inspection using properly equipped unmanned aerial vehicle (UAV) | |
EP3537875B1 (en) | System and method for detecting flying animals | |
CN117649741A (zh) | 基于深度学习的变电站周围高危动物实时监测***及方法 | |
CN112330915B (zh) | 无人机森林防火预警方法、***、电子设备和存储介质 | |
CN112951000A (zh) | 大型车辆盲区双向预警*** | |
CN111539325A (zh) | 基于深度学习的森林火灾探测方法 | |
CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
Zhang et al. | Transmission line abnormal target detection based on machine learning yolo v3 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测*** | |
CN111753780A (zh) | 变电站违章检测***及违章检测方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN114842643B (zh) | 视频车辆检测模型在线更新方法、装置及雷视融合*** | |
CN115761537A (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
CN115082813A (zh) | 检测方法、无人机、检测***及介质 | |
Katsamenis et al. | Real time road defect monitoring from UAV visual data sources | |
KR102556447B1 (ko) | 패턴 분석을 통한 상황 판단 시스템 | |
Raj et al. | Wild Animals Intrusion Detection for Safe Commuting in Forest Corridors using AI Techniques | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示*** | |
CN115457411A (zh) | 航油管线无人化巡视方法、装置和航油安全运维*** | |
CN118164196B (zh) | 一种基于机器视觉的输煤皮带健康状态监测方法及*** | |
Remmelzwaal | An AI-based early fire detection system utilizing HD cameras and real-time image analysis |
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 |