CN111814742A - 基于深度学习的刀闸状态识别方法 - Google Patents
基于深度学习的刀闸状态识别方法 Download PDFInfo
- Publication number
- CN111814742A CN111814742A CN202010744472.3A CN202010744472A CN111814742A CN 111814742 A CN111814742 A CN 111814742A CN 202010744472 A CN202010744472 A CN 202010744472A CN 111814742 A CN111814742 A CN 111814742A
- Authority
- CN
- China
- Prior art keywords
- disconnecting link
- deep learning
- yolov4
- detection model
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000015654 memory Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 4
- 230000001629 suppression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于深度学习的刀闸状态识别方法。包括获取刀闸样本。对所述刀闸样本进行训练,获取YoloV4检测模型。获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类。上述方法,经过最终的模型训练,形成所述YoloV4检测模型。所述YoloV4检测模型有效的提取出刀闸的外观形状特征,对变电站刀闸的状态进行判断,大大提升了检测速度。
Description
技术领域
本申请涉及隔离开关检测技术领域,特别是涉及一种基于深度学习的刀闸状态识别方法。
背景技术
由于电网安全运行水平和服务质量的要求不断提高,智能变电站运行维护工作量日益增多,安全形势愈发严峻,必须通过提升电网自动化和智能化水平,提高劳动生产效率才能适应未来的发展需要。现有的变电站大多采用电动目标刀闸作为隔离器件。电动目标刀闸是带有电动操作机构的隔离开关,用于在没有负荷电流的情况下实现对线路的分合闸,起到电力系统电路隔离的重要作用。
目前,针对变电站目标刀闸的分合状态主要是通过人工进行查看,当目标刀闸状态异常时记录对应设备的状态。因此,目前亟需一种动态基于深度学习的刀闸状态识别方法以对目标刀闸状态进行识别。
发明内容
基于此,本申请提供一种基于深度学习的刀闸状态识别方法,以实现快速动态识别刀闸状态。
一种基于深度学习的刀闸状态识别方法,包括:
获取刀闸样本;
对所述刀闸样本进行训练,获取YoloV4检测模型;
获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类。
在其中一个实施例中,所述获取待检测图像数据的步骤包括:
获取视频流;
利用编码器对所述视频流进行编解码,获取解码后的视频数据;
对所述视频数据进行标注,形成YoloV4网络训练适用格式的标注文件;
对所述标注文件进行预处理,以将所述标注文件的尺寸调整为所述YoloV4网络训练适用的尺寸。
在其中一个实施例中,所述编码器为h264编码器或者h265编码器。
在其中一个实施例中,所述预处理的方式为对所述标注文件进行随机旋转平移。
在其中一个实施例中,所述对所述刀闸样本进行训练,获取YoloV4检测模型的步骤包括:
利用损失函数观察损失数值;
当所述损失数值落入预设的范围内时,更新所述YoloV4检测模型的权重。
在其中一个实施例中,所述获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类的步骤包括:
将所述待检测图像数据输入所述YoloV4检测模型的卷积神经网络,将所述待检测图像数据分割成S*S的网格,每个网格中生成一个检测框;
对所述检测框进行卷积层处理,获得所述目标刀闸的位置坐标、分类结果以及对应的置信度。
在其中一个实施例中,还包括:
利用非极大值抑制算法,去掉重叠面积大于阈值的检测框。
在其中一个实施例中,所述YoloV4检测模型的学习率为0.001,所述YoloV4检测模型的批次的值为64。
在其中一个实施例中,所述目标刀闸的类型包括单臂垂直伸缩目标刀闸、七式目标刀闸、四式目标刀闸中的一种或多种。
一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任一项所述的基于深度学习的刀闸状态识别方法的步骤。
上述基于深度学习的刀闸状态识别方法,包括获取刀闸样本。对所述刀闸样本进行训练,获取YoloV4检测模型。获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类。上述方法,经过最终的模型训练,形成所述YoloV4检测模型。所述YoloV4检测模型有效的提取出刀闸的外观形状特征,对变电站刀闸的状态进行判断,大大提升了检测速度。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的基于深度学习的刀闸状态识别方法的流程示意图;
图2为本申请另一个实施例提供的基于深度学习的刀闸状态识别方法的流程示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多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申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施的限制。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一获取模块称为第二获取模块,且类似地,可将第二获取模块称为第一获取模块。第一获取模块和第二获取模块两者都是获取模块,但其不是同一个获取模块。
需要说明的是,当元件被称为“设置于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参见图1,本申请提供一种基于深度学习的刀闸状态识别方法。所述基于深度学习的刀闸状态识别方法包括:
S10,获取刀闸样本。
步骤S10中,获取样本的方式不做具体限定。在一个可选的实施例中,可以利用移动机器人采集刀闸各个状态下的图像作为样本。所述各个状态下的图像主要包括不同角度、不同状态、不同形状和不同环境的刀闸图像,以保证训练的模型具有更强的适应性。
可以理解的是,所述刀闸样本的类型不做具体限定。在其中一个可选的实施例中,所述刀闸样本的类型包括单臂垂直伸缩目标刀闸、七式目标刀闸、四式目标刀闸中的一种或多种。
可以理解的是,所述刀闸样本的数量不做具体限定。所述刀闸样本的数量越多,生成的YoloV4检测模型的检测精度越高。在其中一个可选的实施例中,所述刀闸样本的数量为2000张。
S20,对所述刀闸样本进行训练,获取YoloV4检测模型。
步骤S20中,可以基于YoloV4算法对所述刀闸样本进行训练。所述YoloV4算法是通过搭建网络结构的方式来建模的,网络的构建是由一系列卷积层、池化层、全连接层等构成。为了提取更强的特征能力,采用主干网络选择CSPDarkNet53来进行特征提取。CSPDarkNet53总共了包含53个卷积层,通过一系列的卷积池化提取特征。
对所述刀闸样本进行训练前,需要对所述刀闸样本进行数据处理。具体的,可以对所述刀闸样本进行标注,形成YoloV4网络训练适用格式的标注文件。可选的,可以利用LabelImg软件进行数据标注。之后,对所述标注文件进行预处理,以将所述标注文件的尺寸调整为所述YoloV4网络训练适用的尺寸。所述标注文件的尺寸可以调整为416*416。在其中一个可选的实施例中,所述预处理的方式为对所述标注文件进行随机旋转平移。
在其中一个可选的实施例中,所述步骤S20包括:
利用损失函数观察损失数值。当所述损失数值落入预设的范围内时,更新所述YoloV4检测模型的权重。损失反映的是本次预测到的检测框之中物体的分类结果,以及检测框的位置与真实物体的类别和真实框的位置之间的差异,损失越小表示训练的越好,因此训练过程也是朝着损失值减小的方向进行的。具体的,为了提取更强的特征能力,采用主干网络CSPDarkNet53来进行特征提取,它总共了包含53个卷积层,通过一系列的卷积池化提取特征,后通过所述损失函数进行loss计算,再通过优化方法进行反向传播,从而回传梯度,更新权重。损失函数的设置,大大提升了YoloV4检测模型的性能。
S30,获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类。
步骤S30中,所述目标刀闸的类型不做具体限定。在其中一个可选的实施例中,所述目标刀闸的类型包括单臂垂直伸缩目标刀闸、七式目标刀闸、四式目标刀闸中的一种或多种。获取待检测图像数据的方式不做具体限定。在一个可选的实施例中,可以利用移动机器人采集视频流。对视频流进行数据处理后获得所述待检测图像数据。所述待检测图像数据可以是一帧图像。所述待检测图像数据还可以是图像数据序列。所述图像数据序列包括很多帧图像。当所述待检测图像数据是图像数据序列时,可以记录某一时间内,目标刀闸的状态信息。在其中一个可选的实施例中,所述YoloV4检测模型的学习率为0.001,所述YoloV4检测模型的批次的值为64。对上述数据集总共训练60个epoch,每20个epoch降低学习率为0.1倍,经过最终的模型训练,有效的提取出刀闸的外观形状特征,能够区分出每一种刀闸开合的信息。
在其中一个可选的实施例中,所述步骤S30包括:
将所述待检测图像数据输入所述YoloV4检测模型的卷积神经网络,将所述待检测图像数据分割成S*S的网格。每个网格中生成一个检测框。对所述检测框进行卷积层处理,获得所述目标刀闸的位置坐标、分类结果以及对应的置信度。当所述目标刀闸的类型包括单臂垂直伸缩目标刀闸、七式目标刀闸以及四式目标刀闸时,由于在训练的过程中每类刀闸的训练样本是由开和合组成,所以,在前向推理的过程中,输出的刀闸类别为每类刀闸的联个状态,共六种识别结果。这是一个端到端的过程,采用深度学习强大的特征提取能力,将刀闸的状态有效的检测识别出来。
本实施例中,上述基于深度学习的刀闸状态识别方法,包括获取刀闸样本。对所述刀闸样本进行训练,获取YoloV4检测模型。获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类。上述方法,经过最终的模型训练,形成所述YoloV4检测模型。所述YoloV4检测模型有效的提取出刀闸的外观形状特征,对变电站刀闸的状态进行判断,大大提升了检测速度。
请参见图2,在其中一个实施例中,所述获取待检测图像数据的步骤包括:
S310,获取视频流。
步骤S310中,获取所述视频流的方式不做具体限定。在一个可选的实施例中,可以利用移动机器人采集视频流。从所述移动机器人的摄像头中获取所述视频流。
S320,利用编码器对所述视频流进行编解码,获取解码后的视频数据。
步骤S320中,可以采用h265/h264编码器对视频进行编解码,获取到解码后的视频数据。所述视频数据包括图像的宽、高、通道数以及帧率(如25)等参数。
S330,对所述视频数据进行标注,形成YoloV4网络训练适用格式的标注文件。步骤S330中,可以利用LabelImg软件进行数据标注。
S340,对所述标注文件进行预处理,以将所述标注文件的尺寸调整为所述YoloV4网络训练适用的尺寸。
步骤S340中,所述标注文件的尺寸可以调整为416*416。在其中一个可选的实施例中,所述预处理的方式为对所述标注文件进行随机旋转平移。
在其中一个实施例中,所述基于深度学习的刀闸状态识别方法还包括:
利用非极大值抑制算法,去掉重叠面积大于阈值的检测框。在检测过程中,得到多个检测框及其置信度得分。利用非极大值抑制算法去除重合率大的冗余候选框,得到最具代表性的结果,以加快目标检测的效率。
本申请一个实施例中提供一种计算机设备。所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任一项所述的基于深度学习的刀闸状态识别方法的步骤。
存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的基于深度学习的刀闸状态识别方法对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现基于深度学习的刀闸状态识别方法。
处理器通过运行存储在存储器中的软件程序、指令以及模块,可以实现获取刀闸样本。对所述刀闸样本进行训练,获取YoloV4检测模型。获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类的步骤。
获取样本的方式不做具体限定。在一个可选的实施例中,可以利用移动机器人采集刀闸各个状态下的图像作为样本。所述各个状态下的图像主要包括不同角度、不同状态、不同形状和不同环境的刀闸图像,以保证训练的模型具有更强的适应性。
可以理解的是,所述刀闸样本的类型不做具体限定。在其中一个可选的实施例中,所述刀闸样本的类型包括单臂垂直伸缩目标刀闸、七式目标刀闸、四式目标刀闸中的一种或多种。
可以理解的是,所述刀闸样本的数量不做具体限定。所述刀闸样本的数量越多,生成的YoloV4检测模型的检测精度越高。在其中一个可选的实施例中,所述刀闸样本的数量为2000张。
可以基于YoloV4算法对所述刀闸样本进行训练。所述YoloV4算法是通过搭建网络结构的方式来建模的,网络的构建是由一系列卷积层、池化层、全连接层等构成。为了提取更强的特征能力,采用主干网络选择CSPDarkNet53来进行特征提取。CSPDarkNet53总共了包含53个卷积层,通过一系列的卷积池化提取特征。
对所述刀闸样本进行训练前,需要对所述刀闸样本进行数据处理。具体的,可以对所述刀闸样本进行标注,形成YoloV4网络训练适用格式的标注文件。可选的,可以利用LabelImg软件进行数据标注。之后,对所述标注文件进行预处理,以将所述标注文件的尺寸调整为所述YoloV4网络训练适用的尺寸。所述标注文件的尺寸可以调整为416*416。在其中一个可选的实施例中,所述预处理的方式为对所述标注文件进行随机旋转平移。
在其中一个可选的实施例中,处理器通过运行存储在存储器中的软件程序、指令以及模块,还可以实现利用损失函数观察损失数值。当所述损失数值落入预设的范围内时,更新所述YoloV4检测模型的权重的步骤。损失反映的是本次预测到的检测框之中物体的分类结果,以及检测框的位置与真实物体的类别和真实框的位置之间的差异,损失越小表示训练的越好,因此训练过程也是朝着损失值减小的方向进行的。具体的,为了提取更强的特征能力,采用主干网络CSPDarkNet53来进行特征提取,它总共了包含53个卷积层,通过一系列的卷积池化提取特征,后通过所述损失函数进行loss计算,再通过优化方法进行反向传播,从而回传梯度,更新权重。损失函数的设置,大大提升了yolov4检测模型的性能。
所述目标刀闸的类型不做具体限定。在其中一个可选的实施例中,所述目标刀闸的类型包括单臂垂直伸缩目标刀闸、七式目标刀闸、四式目标刀闸中的一种或多种。获取待检测图像数据的方式不做具体限定。在一个可选的实施例中,可以利用移动机器人采集视频流。对视频流进行数据处理后获得所述待检测图像数据。所述待检测图像数据可以是一帧图像。所述待检测图像数据还可以是图像数据序列。所述图像数据序列包括很多帧图像。当所述待检测图像数据是图像数据序列时,可以记录某一时间内,目标刀闸的状态信息。在其中一个可选的实施例中,所述YoloV4检测模型的学习率为0.001,所述YoloV4检测模型的批次的值为64。对上述数据集总共训练60个epoch,每20个epoch降低学习率为0.1倍,经过最终的模型训练,有效的提取出刀闸的外观形状特征,能够区分出每一种刀闸开合的信息。
在其中一个可选的实施例中,处理器通过运行存储在存储器中的软件程序、指令以及模块,还可以实现将所述待检测图像数据输入所述YoloV4检测模型的卷积神经网络,将所述待检测图像数据分割成S*S的网格。每个网格中生成一个检测框。对所述检测框进行卷积层处理,获得所述目标刀闸的位置坐标、分类结果以及对应的置信度的步骤。当所述目标刀闸的类型包括单臂垂直伸缩目标刀闸、七式目标刀闸以及四式目标刀闸时,由于在训练的过程中每类刀闸的训练样本是由开和合组成,所以,在前向推理的过程中,输出的刀闸类别为每类刀闸的联个状态,共六种识别结果。这是一个端到端的过程,采用深度学习强大的特征提取能力,将刀闸的状态有效的检测识别出来。
处理器通过运行存储在存储器中的软件程序、指令以及模块,还可以实现获取视频流。利用编码器对所述视频流进行编解码,获取解码后的视频数据。对所述视频数据进行标注,形成YoloV4网络训练适用格式的标注文件。对所述标注文件进行预处理,以将所述标注文件的尺寸调整为所述YoloV4网络训练适用的尺寸的步骤。
获取所述视频流的方式不做具体限定。在一个可选的实施例中,可以利用移动机器人采集视频流。从所述移动机器人的摄像头中获取所述视频流。可以采用h265/h264编码器对视频进行编解码,获取到解码后的视频数据。所述视频数据包括图像的宽、高、通道数以及帧率(如25)等参数。可以利用LabelImg软件进行数据标注。所述标注文件的尺寸可以调整为416*416。在其中一个可选的实施例中,所述预处理的方式为对所述标注文件进行随机旋转平移。
在其中一个实施例中,处理器通过运行存储在存储器中的软件程序、指令以及模块,还可以实现利用非极大值抑制算法,去掉重叠面积大于阈值的检测框的步骤。
在检测过程中,得到多个检测框及其置信度得分。利用非极大值抑制算法去除重合率大的冗余候选框,得到最具代表性的结果,以加快目标检测的效率。
存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序。存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述计算机设备,包括获取刀闸样本。对所述刀闸样本进行训练,获取YoloV4检测模型。获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类。上述方法,经过最终的模型训练,形成所述YoloV4检测模型。所述YoloV4检测模型有效的提取出刀闸的外观形状特征,对变电站刀闸的状态进行判断,大大提升了检测速度。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于深度学习的刀闸状态识别方法,其特征在于,包括:
获取刀闸样本;
对所述刀闸样本进行训练,获取YoloV4检测模型;
获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类。
2.根据权利要求1所述的基于深度学习的刀闸状态识别方法,其特征在于,所述获取待检测图像数据的步骤包括:
获取视频流;
利用编码器对所述视频流进行编解码,获取解码后的视频数据;
对所述视频数据进行标注,形成YoloV4网络训练适用格式的标注文件;
对所述标注文件进行预处理,以将所述标注文件的尺寸调整为所述YoloV4网络训练适用的尺寸。
3.根据权利要求2所述的基于深度学习的刀闸状态识别方法,其特征在于,所述编码器为h264编码器或者h265编码器。
4.根据权利要求2所述的基于深度学习的刀闸状态识别方法,其特征在于,所述预处理的方式为对所述标注文件进行随机旋转平移。
5.根据权利要求4所述的基于深度学习的刀闸状态识别方法,其特征在于,所述对所述刀闸样本进行训练,获取YoloV4检测模型的步骤包括:
利用损失函数观察损失数值;
当所述损失数值落入预设的范围内时,更新所述YoloV4检测模型的权重。
6.根据权利要求5所述的基于深度学习的刀闸状态识别方法,其特征在于,所述获取待检测图像数据,利用所述YoloV4检测模型,对目标刀闸的位置进行定位,并对目标刀闸进行分类的步骤包括:
将所述待检测图像数据输入所述YoloV4检测模型的卷积神经网络,将所述待检测图像数据分割成S*S的网格,每个网格中生成一个检测框;
对所述检测框进行卷积层处理,获得所述目标刀闸的位置坐标、分类结果以及对应的置信度。
7.根据权利要求6所述的基于深度学习的刀闸状态识别方法,其特征在于,还包括:
利用非极大值抑制算法,去掉重叠面积大于阈值的检测框。
8.根据权利要求1所述的基于深度学习的刀闸状态识别方法,其特征在于,所述YoloV4检测模型的学习率为0.001,所述YoloV4检测模型的批次的值为64。
9.根据权利要求1所述的基于深度学习的刀闸状态识别方法,其特征在于,所述目标刀闸的类型包括单臂垂直伸缩目标刀闸、七式目标刀闸、四式目标刀闸中的一种或多种。
10.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的基于深度学习的刀闸状态识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744472.3A CN111814742A (zh) | 2020-07-29 | 2020-07-29 | 基于深度学习的刀闸状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744472.3A CN111814742A (zh) | 2020-07-29 | 2020-07-29 | 基于深度学习的刀闸状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814742A true CN111814742A (zh) | 2020-10-23 |
Family
ID=72862825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010744472.3A Pending CN111814742A (zh) | 2020-07-29 | 2020-07-29 | 基于深度学习的刀闸状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814742A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329870A (zh) * | 2020-11-11 | 2021-02-05 | 国网山东省电力公司威海供电公司 | 一种基于yolo3算法的变电站压板状态的识别方法 |
CN112364734A (zh) * | 2020-10-30 | 2021-02-12 | 福州大学 | 基于yolov4和CenterNet的异常着装检测方法 |
CN112990131A (zh) * | 2021-04-27 | 2021-06-18 | 广东科凯达智能机器人有限公司 | 获取电压转换开关工作档位的方法、装置、设备及介质 |
CN113076683A (zh) * | 2020-12-08 | 2021-07-06 | 国网辽宁省电力有限公司锦州供电公司 | 用于变电站行为监测的卷积神经网络模型的建模方法 |
CN113221688A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种刀闸状态识别方法、装置和存储介质 |
CN113569736A (zh) * | 2021-07-28 | 2021-10-29 | 南方电网数字电网研究院有限公司 | 刀闸状态识别方法、装置、计算机设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测系统及状态检测方法 |
CN108010025A (zh) * | 2017-12-14 | 2018-05-08 | 浙江大学 | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 |
CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
CN110059556A (zh) * | 2019-03-14 | 2019-07-26 | 天津大学 | 一种基于深度学习的变电站开关分合状态检测方法 |
CN110533090A (zh) * | 2019-08-21 | 2019-12-03 | 国网江苏省电力有限公司电力科学研究院 | 开关刀闸状态检测方法及装置 |
CN110717409A (zh) * | 2019-09-21 | 2020-01-21 | 南京鑫和汇通电子科技有限公司 | 一种对开式刀闸状态的实时精确检测方法 |
CN110728171A (zh) * | 2019-08-19 | 2020-01-24 | 广东电网有限责任公司 | 一种刀闸状态精细化检测识别方法 |
CN110766604A (zh) * | 2019-09-04 | 2020-02-07 | 国网浙江省电力有限公司湖州供电公司 | 一种双柱水平旋转式隔离开关图像数据的扩充方法 |
CN110826577A (zh) * | 2019-11-06 | 2020-02-21 | 国网新疆电力有限公司电力科学研究院 | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 |
CN110942443A (zh) * | 2019-09-21 | 2020-03-31 | 南京鑫和汇通电子科技有限公司 | 一种对开式刀闸状态的实时检测方法 |
CN111046943A (zh) * | 2019-12-09 | 2020-04-21 | 国网智能科技股份有限公司 | 变电站隔离刀闸状态自动识别方法及系统 |
CN111337789A (zh) * | 2019-10-23 | 2020-06-26 | 西安科技大学 | 一种高压输电线路中故障电气元件检测方法及检测系统 |
-
2020
- 2020-07-29 CN CN202010744472.3A patent/CN111814742A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测系统及状态检测方法 |
CN108010025A (zh) * | 2017-12-14 | 2018-05-08 | 浙江大学 | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 |
CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
CN110059556A (zh) * | 2019-03-14 | 2019-07-26 | 天津大学 | 一种基于深度学习的变电站开关分合状态检测方法 |
CN110728171A (zh) * | 2019-08-19 | 2020-01-24 | 广东电网有限责任公司 | 一种刀闸状态精细化检测识别方法 |
CN110533090A (zh) * | 2019-08-21 | 2019-12-03 | 国网江苏省电力有限公司电力科学研究院 | 开关刀闸状态检测方法及装置 |
CN110766604A (zh) * | 2019-09-04 | 2020-02-07 | 国网浙江省电力有限公司湖州供电公司 | 一种双柱水平旋转式隔离开关图像数据的扩充方法 |
CN110717409A (zh) * | 2019-09-21 | 2020-01-21 | 南京鑫和汇通电子科技有限公司 | 一种对开式刀闸状态的实时精确检测方法 |
CN110942443A (zh) * | 2019-09-21 | 2020-03-31 | 南京鑫和汇通电子科技有限公司 | 一种对开式刀闸状态的实时检测方法 |
CN111337789A (zh) * | 2019-10-23 | 2020-06-26 | 西安科技大学 | 一种高压输电线路中故障电气元件检测方法及检测系统 |
CN110826577A (zh) * | 2019-11-06 | 2020-02-21 | 国网新疆电力有限公司电力科学研究院 | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 |
CN111046943A (zh) * | 2019-12-09 | 2020-04-21 | 国网智能科技股份有限公司 | 变电站隔离刀闸状态自动识别方法及系统 |
Non-Patent Citations (5)
Title |
---|
ALEXEY BOCHKOVSKIY 等: "YOLOv4: Optimal Speed and Accuracy of Object Detection", 《ARXIV》, pages 1 - 17 * |
OSEPH REDMON 等: "You Only Look Once:Unified, Real-Time Object Detection", 《ARXIV》, pages 1 - 10 * |
冷从林: "基于机器视觉的变电站压板开 关状态识别系统研究", 《中国优秀硕士论文全文数据库工程科技II辑》, no. 2020, pages 042 - 495 * |
刘梓权 等: "隔离开关图像数据扩充方法及其在自动状态识别中的应用", 《高压电技术》, vol. 46, no. 2, pages 441 - 447 * |
张骥 等: "基于改进深度学习的刀闸状态识别方法研究", 《电测与仪表》, vol. 55, no. 5, pages 8 - 13 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364734A (zh) * | 2020-10-30 | 2021-02-12 | 福州大学 | 基于yolov4和CenterNet的异常着装检测方法 |
CN112329870A (zh) * | 2020-11-11 | 2021-02-05 | 国网山东省电力公司威海供电公司 | 一种基于yolo3算法的变电站压板状态的识别方法 |
CN113076683A (zh) * | 2020-12-08 | 2021-07-06 | 国网辽宁省电力有限公司锦州供电公司 | 用于变电站行为监测的卷积神经网络模型的建模方法 |
CN113076683B (zh) * | 2020-12-08 | 2023-08-08 | 国网辽宁省电力有限公司锦州供电公司 | 用于变电站行为监测的卷积神经网络模型的建模方法 |
CN112990131A (zh) * | 2021-04-27 | 2021-06-18 | 广东科凯达智能机器人有限公司 | 获取电压转换开关工作档位的方法、装置、设备及介质 |
CN113221688A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种刀闸状态识别方法、装置和存储介质 |
CN113221688B (zh) * | 2021-04-28 | 2024-03-19 | 南京南瑞继保电气有限公司 | 一种刀闸状态识别方法、装置和存储介质 |
CN113569736A (zh) * | 2021-07-28 | 2021-10-29 | 南方电网数字电网研究院有限公司 | 刀闸状态识别方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814742A (zh) | 基于深度学习的刀闸状态识别方法 | |
Reddy et al. | Condition monitoring of 11 kV distribution system insulators incorporating complex imagery using combined DOST-SVM approach | |
CN110826476A (zh) | 识别目标物体的图像检测方法、装置、电子设备和存储介质 | |
CN112199993A (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN101833673A (zh) | 电力开关柜开关状态图像识别系统 | |
CN111507975B (zh) | 一种牵引变电所户外绝缘子异常检测方法 | |
CN110570392A (zh) | 变电站设备开关状态检测方法、装置、系统、设备及介质 | |
CN113792578A (zh) | 用于变电站异常的检测方法、设备及系统 | |
CN112634254A (zh) | 绝缘子缺陷检测方法及相关装置 | |
CN115661337A (zh) | 一种基于双目视觉的变电站作业人员三维重建的方法 | |
CN112801974A (zh) | 一种嵌入式继电保护压板投退状态识别方法及装置 | |
Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
CN112614094B (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
CN116912774A (zh) | 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质 | |
CN116205905A (zh) | 基于移动端的配电网施工安全及质量图像检测方法及系统 | |
CN116012363A (zh) | 一种变电站刀闸开合识别方法、装置、设备及存储介质 | |
CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 | |
CN111814734B (zh) | 识别刀闸状态的方法 | |
Singh et al. | Critical Electrical Infrastructure Segmentation in Arctic Conditions | |
CN114821042A (zh) | 一种联合局部特征和全局特征的r-fcn刀闸检测方法 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN117934451B (zh) | 应用于光伏电站的无人机巡检方法及系统 | |
CN113724247B (zh) | 一种基于图像判别技术的变电站智能巡检方法 | |
CN117173385B (zh) | 一种变电站的检测方法、装置、介质及设备 | |
Gao et al. | Power transmission line anomaly detection scheme based on CNN-transformer model |
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 | ||
CB02 | Change of applicant information |
Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Address before: 511458 Room 1301, Chengtou Building, 106 Fengze East Road, Nansha District, Guangzhou City, Guangdong Province (self-compiled 1301-12159) Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
CB02 | Change of applicant information |