CN110390784A - 一种基于深度学习的输电线路防外破监控系统 - Google Patents
一种基于深度学习的输电线路防外破监控系统 Download PDFInfo
- Publication number
- CN110390784A CN110390784A CN201910655085.XA CN201910655085A CN110390784A CN 110390784 A CN110390784 A CN 110390784A CN 201910655085 A CN201910655085 A CN 201910655085A CN 110390784 A CN110390784 A CN 110390784A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- electricity
- module
- deep learning
- 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
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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19654—Details concerning communication with a camera
- G08B13/19658—Telephone systems used to communicate with a camera, e.g. PSTN, GSM, POTS
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B27/00—Alarm systems in which the alarm condition is signalled from a central station to a plurality of substations
- G08B27/001—Signalling to an emergency team, e.g. firemen
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
- H04M1/72406—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by software upgrading or downloading
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
- H04N23/661—Transmitting camera control signals through networks, e.g. control via the Internet
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于深度学习的输电线路防外破监控系统,包括前端硬件设备、AI图像识别单元、后端服务器、APP端四大模块;前端硬件设备设置在输电线路的导线上,前端硬件设备、AI图像识别单元、APP端均与后端服务器建立远程数据对接,其中:前端硬件设备包括取电模块、摄像头模块、通讯模块和存储模块;AI图像识别单元用于图像推理识别模型和图像识别API接口服务;后端服务器用于接收前端硬件设备采集的图像信息,并通过接口API调用AI图像识别服务。APP端用于接收识别到的危险目标信息。本系统能够及时排除制止输电导线被破坏的发生,确保了输电线路安全稳定的运行,提高了巡检人员的工作效率,降低了企业成本。
Description
技术领域
本发明涉及电力系统监控技术领域,尤其涉及一种基于深度学习的输电线路防外破监控系统。
背景技术
全国各地输电线路众多,横跨大江南北、高山河流、城市道路,常常遭受外力干扰破坏,安全隐患重重,尤其是横跨城市道路、施工场地,随时有不同的破坏危险物,如:风筝、防尘膜等导线异物,梁吊、汽吊等施工机械。目前大部分线路段是采用传统人力巡检,或普通的摄像头在线监控,不仅无法及时监控排除隐患,而且成本高效率低,电网输电线路安全稳定的运行,对人们日常生产生活供电意义重大,一旦造成干扰破坏,导致断电停电,造成的经济损失不可估量。
发明内容
本发明所要解决的技术问题是如何及时排除制止输电导线被破坏的发生。
为解决上述技术问题,本发明所采取的技术方案是:一种基于深度学习的输电线路防外破监控系统,关键是:包括前端硬件设备、AI图像识别单元、后端服务器、APP端四大模块;前端硬件设备设置在输电线路的导线上,前端硬件设备、AI图像识别单元、APP端均与后端服务器建立远程数据对接,其中:
前端硬件设备包括取电模块、摄像头模块、通讯模块和存储模块;取电模块在导线上通过电磁感应取电原理给设备提供电源,设备程序会根据预设的定时间隔或者后端服务器网络下发的拍照指令来调用摄像头模块进行拍照,摄像头模块将当前场景进行多摄像头轮询拍摄的图像保存在设备的存储模块,再调用通讯模块与后端服务器建立连接,最后将图像分包处理后,信息以数据包的形式发送传输给后端服务器。
AI图像识别单元用于图像推理识别模型和图像识别API接口服务;
后端服务器用于接收前端硬件设备采集的图像信息,并通过接口API调用AI图像识别服务。
APP端用于接收识别到的危险目标信息。
进一步的技术方案在于,所述摄像头采集的图像通过无线SIM卡传输到后端服务器。
进一步的技术方案在于,所述AI图像识别单元采用深度学习目标检测算法模型进行推理识别。
进一步的技术方案在于,所述AI图像识别单元采用YOLO或SSD进行推理识别。
进一步的技术方案在于,所述摄像头模块设有定位装置,定位装置将定位信息发送至后端服务器。
进一步的技术方案在于,所述APP端设有人机交互界面。
采用上述技术方案所产生的有益效果在于:基于深度学习神经网络目标检测技术,应用于输电线路防外破监控系统中,识别的精准度非常高,适用于户外输电线路场景的多目标检测识别。系统采用目标检测算法模型做图像识别,移动手机APP端做报警提醒,以及稳定的智能硬件设备做图像数据采集。输电线路巡检工作人员能够随时随地通过手机获得输电线路现场附近危险目标靠近的情况,能够及时排除制止输电导线被破坏的发生,确保了输电线路安全稳定的运行,提高了巡检人员的工作效率,降低了企业成本。
附图说明
图1是分类器Darknet-53的网络结构图;
图2是Bounding Box位置图;
图3是YOLO v3与其它算法模型的性能对比图;
图4是本系统架构图;
图5是本系统工作流程图;
图6是本系统对现场目标类识别的结果图。
具体实施方式
下面结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
一种基于深度学习的输电线路防外破监控系统,关键是:包括前端硬件设备、AI图像识别单元、后端服务器、APP端四大模块;前端硬件设备设置在输电线路的导线上,前端硬件设备、AI图像识别单元、APP端均与后端服务器建立远程数据对接,其中:
前端硬件设备包括取电模块、摄像头模块、通讯模块和存储模块;取电模块在导线上通过电磁感应取电原理给设备提供电源,设备程序会根据预设的定时间隔或者后端服务器网络下发的拍照指令来调用摄像头模块进行拍照,摄像头模块将当前场景进行多摄像头轮询拍摄的图像保存在设备的存储模块,再调用通讯模块与后端服务器建立连接,最后将图像分包处理后,信息以数据包的形式发送传输给后端服务器。
AI图像识别单元用于图像推理识别模型和图像识别API接口服务;
后端服务器用于接收前端硬件设备采集的图像信息,并通过接口API调用AI图像识别服务。
APP端用于接收识别到的危险目标信息。
所述摄像头采集的图像通过无线SIM卡传输到后端服务器。
所述AI图像识别单元采用深度学习目标检测算法模型进行推理识别。
所述AI图像识别单元采用YOLO或SSD进行推理识别。
所述摄像头模块设有定位装置,定位装置将定位信息发送至后端服务器。
所述APP端设有人机交互界面。
基于深度学习神经网络目标检测技术,应用于输电线路防外破监控系统中,识别的精准度非常高,适用于户外输电线路场景的多目标检测识别。系统采用目标检测算法模型做图像识别,移动手机APP端做报警提醒,以及稳定的智能硬件设备做图像数据采集。输电线路巡检工作人员能够随时随地通过手机获得输电线路现场附近危险目标靠近的情况,能够及时排除制止输电导线被破坏的发生,确保了输电线路安全稳定的运行,提高了巡检人员的工作效率,降低了企业成本。
基于深度学习的目标检测技术,有使用two-stage将目标识别和定位分为两步完成的R-CNN、Fast R-CNN、Faster R-CNN,但识别速度慢,不能满足实时识别场景;而使用one-stage的SSD、YOLO,解决了识别速度慢的问题。目标检测算法YOLO(You Only LookOnce)和SSD一样只保留卷积层和做了softmax分类的平均池化层。YOLO v3采用更好的基础分类网络(如ResNet)和分类器Darknet-53(图1为网络结构),算法中把物体检测问题处理成回归问题。
利用多尺度特征进行对象检测,用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率,延续9种尺度的先验框,采用K-means聚类的方法获得先验框的尺寸,增加了一个下采样,两个上采样,给每种下采样尺度设定3种先验框,最终聚类出9种尺寸的先验框,为检测小物体方面取得重大突破,提高了准确率高。Bounding Box位置的回归网络预测有四个值:tx,ty,tw,th。YOLO网络最后输出是一个N×N的feature map,对应于N×N个cell。如果某个cell距离image的top left corner距离为(cx,cy),即坐标,那么cell内的bounding box的位置和形状参数为:bx=σ(tx)+cx;by=σ(ty)+cy;bw=pwetw;bh=pheth。
YOLOv3的速度非常快,性能相对其他算法对比如图3,比R-CNN快1000倍,比FastR-CNN快100倍,在cpu上是7秒一帧图像(开启OpenMP的情况下),在Titan X GPU上的速度是45fps(frames per second),加速版的YOLO v3差不多是150fps。YOLO v3基于图像的全局信息进行预测的,这一点和基于sliding window以及region proposal等检测算法不一样,与Fast R-CNN相比,YOLO v3在误检测(将背景检测为物体)方面的错误率能降低一半多。学到目标的generalizable-representations增强了泛化能力。
前端设备终端由多个摄像头拍摄各个方向视角的图像,一旦有危害目标进入监控范围被拍摄到,通过无线SIM卡传输到后端服务器,后端接受到图像信息后,通过接口API调用AI图像识别服务,由深度学习目标检测算法模型进行推理识别,再将识别到危险目标信息发送到手机APP端和设备终端,在手机APP端查看图片,不同危险目标会用不同颜色圈出提示,如图6。此时巡检人员能够实时获得报警提醒信息掌握现场情况,极大的提升监控效率。
以上仅是本发明的较佳实施例,任何人根据本发明的内容对本发明作出的些许的简单修改、变形及等同替换均落入本发明的保护范围。
Claims (6)
1.一种基于深度学习的输电线路防外破监控系统,其特征在于:包括前端硬件设备、AI图像识别单元、后端服务器、APP端四大模块;前端硬件设备设置在输电线路的导线上,前端硬件设备、AI图像识别单元、APP端均与后端服务器建立远程数据对接,其中:
前端硬件设备包括取电模块、摄像头模块、通讯模块和存储模块;取电模块在导线上通过电磁感应取电原理给设备提供电源,设备程序会根据预设的定时间隔或者后端服务器网络下发的拍照指令来调用摄像头模块进行拍照,摄像头模块将当前场景进行多摄像头轮询拍摄的图像保存在设备的存储模块,再调用通讯模块与后端服务器建立连接,最后将图像分包处理后,信息以数据包的形式发送传输给后端服务器;
AI图像识别单元用于图像推理识别模型和图像识别API接口服务;
后端服务器用于接收前端硬件设备采集的图像信息,并通过接口API调用AI图像识别服务;
APP端用于接收识别到的危险目标信息。
2.根据权利要求1所述的一种基于深度学习的输电线路防外破监控系统,其特征在于:所述摄像头采集的图像通过无线SIM卡传输到后端服务器。
3.根据权利要求1所述的一种基于深度学习的输电线路防外破监控系统,其特征在于:AI图像识别单元采用深度学习目标检测算法模型进行推理识别。
4.根据权利要求1所述的一种基于深度学习的输电线路防外破监控系统,其特征在于:AI图像识别单元采用YOLO或SSD进行推理识别。
5.根据权利要求1所述的一种基于深度学习的输电线路防外破监控系统,其特征在于:摄像头模块设有定位装置,定位装置将定位信息发送至后端服务器。
6.根据权利要求1所述的一种基于深度学习的输电线路防外破监控系统,其特征在于:APP端设有人机交互界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910655085.XA CN110390784A (zh) | 2019-07-19 | 2019-07-19 | 一种基于深度学习的输电线路防外破监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910655085.XA CN110390784A (zh) | 2019-07-19 | 2019-07-19 | 一种基于深度学习的输电线路防外破监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390784A true CN110390784A (zh) | 2019-10-29 |
Family
ID=68286798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910655085.XA Pending CN110390784A (zh) | 2019-07-19 | 2019-07-19 | 一种基于深度学习的输电线路防外破监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390784A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111343285A (zh) * | 2020-03-31 | 2020-06-26 | 深圳市特发信息股份有限公司 | 一种强化学习与图像智能识别的电力在线监测系统 |
CN111639526A (zh) * | 2020-04-22 | 2020-09-08 | 云南电网有限责任公司昭通供电局 | 一种基于深度学习的输电线路目标检测与监控方法 |
CN112363444A (zh) * | 2020-11-24 | 2021-02-12 | 广东电网有限责任公司湛江供电局 | 一种配电网智能安全警示装置 |
CN113486779A (zh) * | 2021-07-01 | 2021-10-08 | 国网北京市电力公司 | 输电线路全景智能巡检系统 |
-
2019
- 2019-07-19 CN CN201910655085.XA patent/CN110390784A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111343285A (zh) * | 2020-03-31 | 2020-06-26 | 深圳市特发信息股份有限公司 | 一种强化学习与图像智能识别的电力在线监测系统 |
CN111639526A (zh) * | 2020-04-22 | 2020-09-08 | 云南电网有限责任公司昭通供电局 | 一种基于深度学习的输电线路目标检测与监控方法 |
CN112363444A (zh) * | 2020-11-24 | 2021-02-12 | 广东电网有限责任公司湛江供电局 | 一种配电网智能安全警示装置 |
CN113486779A (zh) * | 2021-07-01 | 2021-10-08 | 国网北京市电力公司 | 输电线路全景智能巡检系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Detection algorithm of safety helmet wearing based on deep learning | |
CN110390784A (zh) | 一种基于深度学习的输电线路防外破监控系统 | |
CN109657575B (zh) | 室外施工人员智能视频跟踪算法 | |
CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
Li et al. | A deep learning approach for real-time rebar counting on the construction site based on YOLOv3 detector | |
Liu et al. | Insulator detection in aerial images based on faster regions with convolutional neural network | |
CN107105207A (zh) | 目标监控方法、目标监控装置及摄像机 | |
CN103093192B (zh) | 高压输电线舞动的识别方法 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
Zhao et al. | Detection and location of safety protective wear in power substation operation using wear-enhanced YOLOv3 algorithm | |
CN112560745A (zh) | 一种电力作业现场人员甄别方法及相关装置 | |
Nassu et al. | A computer vision system for monitoring disconnect switches in distribution substations | |
CN113505704B (zh) | 图像识别的人员安全侦测方法、系统、设备及存储介质 | |
CN113963373A (zh) | 一种基于视频图像动态检测与跟踪算法系统及方法 | |
CN113628172A (zh) | 一种人员手持武器智能检测算法及智慧城市安防系统 | |
CN101877135B (zh) | 一种基于背景重构的运动目标检测方法 | |
CN111010544B (zh) | 配电房监控方法、装置、计算机设备和存储介质 | |
CN110135224B (zh) | 一种监控视频的前景目标提取方法及系统、存储介质及终端 | |
CN112532927A (zh) | 一种施工现场智能安全管控系统 | |
CN115171006B (zh) | 基于深度学习的自动识别人员进入电力危险区的检测方法 | |
CN106650546A (zh) | 一种基于二维码的变电站开关柜设备对象自动识别方法 | |
CN112347830A (zh) | 一种工厂防疫管理方法以及防疫管理系统 | |
CN115250329B (zh) | 摄像头的控制方法、装置、计算机设备及存储介质 | |
Negri | Estimating the queue length at street intersections by using a movement feature space approach |
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 |