CN112161173B - 一种电网布线参数检测装置及检测方法 - Google Patents

一种电网布线参数检测装置及检测方法 Download PDF

Info

Publication number
CN112161173B
CN112161173B CN202010943822.9A CN202010943822A CN112161173B CN 112161173 B CN112161173 B CN 112161173B CN 202010943822 A CN202010943822 A CN 202010943822A CN 112161173 B CN112161173 B CN 112161173B
Authority
CN
China
Prior art keywords
arm
connecting hole
platform
support
image
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.)
Active
Application number
CN202010943822.9A
Other languages
English (en)
Other versions
CN112161173A (zh
Inventor
苑旭楠
王昭雷
王会增
王昱
霍彦明
李争
孟荣
马宜军
靳楠
张韶光
张惠山
范辰旭
贺非
李卓阳
韩辰龙
赵杜
齐肖彬
邳浚哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Maintenance Branch of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010943822.9A priority Critical patent/CN112161173B/zh
Publication of CN112161173A publication Critical patent/CN112161173A/zh
Application granted granted Critical
Publication of CN112161173B publication Critical patent/CN112161173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M13/00—Other supports for positioning apparatus or articles; Means for steadying hand-held apparatus or articles
    • F16M13/02—Other supports for positioning apparatus or articles; Means for steadying hand-held apparatus or articles for supporting on, or attaching to, an object, e.g. tree, gate, window-frame, cycle
    • F16M13/022—Other supports for positioning apparatus or articles; Means for steadying hand-held apparatus or articles for supporting on, or attaching to, an object, e.g. tree, gate, window-frame, cycle repositionable
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/02—Heads
    • F16M11/04—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand
    • F16M11/06—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand allowing pivoting
    • F16M11/12—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand allowing pivoting in more than one direction
    • F16M11/121—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand allowing pivoting in more than one direction constituted of several dependent joints
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/02—Heads
    • F16M11/18—Heads with mechanism for moving the apparatus relatively to the stand
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/20—Undercarriages with or without wheels
    • F16M11/2007—Undercarriages with or without wheels comprising means allowing pivoting adjustment
    • F16M11/2035—Undercarriages with or without wheels comprising means allowing pivoting adjustment in more than one direction
    • F16M11/2042—Undercarriages with or without wheels comprising means allowing pivoting adjustment in more than one direction constituted of several dependent joints
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/20—Undercarriages with or without wheels
    • F16M11/24—Undercarriages with or without wheels changeable in height or length of legs, also for transport only, e.g. by means of tubes screwed into each other
    • F16M11/26—Undercarriages with or without wheels changeable in height or length of legs, also for transport only, e.g. by means of tubes screwed into each other by telescoping, with or without folding
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/20—Undercarriages with or without wheels
    • F16M11/24—Undercarriages with or without wheels changeable in height or length of legs, also for transport only, e.g. by means of tubes screwed into each other
    • F16M11/38—Undercarriages with or without wheels changeable in height or length of legs, also for transport only, e.g. by means of tubes screwed into each other by folding, e.g. pivoting or scissors tong mechanisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
    • G01R1/02—General constructional details
    • G01R1/04—Housings; Supporting members; Arrangements of terminals
    • G01R1/0408—Test fixtures or contact fields; Connectors or connecting adaptors; Test clips; Test sockets
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M2200/00—Details of stands or supports
    • F16M2200/08—Foot or support base

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种电网布线参数检测装置，其包括支撑臂，所述支撑臂的两端各设置一个支撑装置，所述支撑装置包括支撑杆以及支撑座，所述支撑杆包括外套杆以及设置在外套杆内的内杆，所述外套杆内壁设置有内螺纹，所述内杆的外壁设置有与内螺纹配合的外螺纹，所述外套杆的自由端与支撑座固定连接；所述支撑臂上转动连接有连接臂，所述连接臂的自由端设置有采集装置安装平台，所述采集装置安装平台上设置有图像采集装置。对装置传输过来的图像做去均值处理和归一化处理，利用CNN‑GBDT算法模块进行检测，操作简便，检测效率高。

Description

一种电网布线参数检测装置及检测方法
技术领域
本发明属于电力运行与维护技术领域，具体涉及一种电网布线参数检测装置及检测方法。
背景技术
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。
对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。
卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求
电力运维过程中，需要对电网布线参数进行检测，常规的方法是通过人工进行核验，效率低且错误率高。
发明内容
本发明的目的是提供一种操作简便，检测效率高的电网布线参数检测装置及检测方法。
本发明采用如下技术方案：
一种电网布线参数检测装置，其包括支撑臂，所述支撑臂的两端各设置一个支撑装置，所述支撑装置包括支撑杆以及支撑座，所述支撑杆包括外套杆以及设置在外套杆内的内杆，所述外套杆内壁设置有内螺纹，所述内杆的外壁设置有与内螺纹配合的外螺纹，所述外套杆的自由端与支撑座固定连接；其中一个支撑装置的内杆的自由端与支撑臂的一端固定连接，另一个支撑装置的内杆的自由端与支撑臂的另一端转动连接。
其中，所述支撑臂上转动连接有连接臂，所述连接臂的自由端设置有采集装置安装平台，所述采集装置安装平台上设置有图像采集装置。
其中，所述连接臂包括水平转动臂以及与其转动连接的高度调节臂，所述高度调节臂包括第一高度调节臂和第二高度调节臂，所述采集装置安装平台设置在第二高度调节臂的自由端。
其中，所述支撑臂、水平转动臂、第一高度调节臂和第二高度调节臂均为长方体型壳体。
其中，所述支撑臂的上端面上设置有第一连接孔，所述水平转动臂的底部设置有第二连接孔，所述水平转动臂的侧壁上设置有第三连接孔；所述第一高度调节臂的一侧侧壁的头端设置有第四连接孔，另一侧侧壁的尾端设置有第五连接孔，所述第二高度调节臂的一侧侧壁的头端设置有第六连接孔，另一侧侧壁的尾端设置有第七连接孔。
其中，所述支撑臂内设置有第一舵机，所述第一舵机的摆臂穿过第一连接孔后与第二连接孔固定连接。
其中，所述水平转动臂内设置有第二舵机，所述第二舵机的摆臂穿过第三连接孔后与第四连接孔固定连接。
其中，所述第一高度调节臂内设置有第三舵机，所述第三舵机的摆臂穿过第五连接孔后与第六连接孔固定连接。
其中，所述采集装置安装平台包括结构相同的第一平台与第二平台，所述第一平台与第二平台均分别包括立方体形的平台壳体、设置在平台壳体对应两侧面的转臂以及对应设置在另外两侧面的转臂孔。
其中，所述第二高度调节臂内设置有第四舵机，所述第四舵机的摆臂穿过第七连接孔后与第一平台的转臂固定连接。
其中，所述第一平台的平台壳体内设置有第五舵机，所述第五舵机的摆臂穿过第一平台的转臂孔后与第二平台的转臂固定连接。
一种电网布线参数检测方法，利用上述的电网布线参数检测装置进行图像采集，其包括如下步骤：
(一)参数图像的处理；
(A)识别传输图像的有用性；
(B)丢弃无用信息图像；
(C)对保留信息做去均值处理；
(D)对去均值图像做归一化处理并保存；
(二)对提取信息的加工处理；
(a)根据要求搭建电网布线的数据库；
(b)将数据库内容喂给优化的卷积神经网络；
(c)主动加噪训练神经网络提取特征信息；
(d)采用GBDT分类器对特征信息分类；
(e)继续迭代训练，完成CNN-GBDT算法模块的搭建；
(f)将经步骤(一)处理的图像输入CNN-GBDT模块，完成预设任务。
方法中，所述优化的卷积神经网络为采用卷积神经网络与高斯滤波-拉普拉斯算子相结合的模型结构。
方法中，所述优化的卷积神经网络包括输入层、卷积层、BN层、激励函数层、池化层、全连接层以及输出层。
方法中，步骤(f)中，电网布线参数检测装置传输过来的图像通过卷积神经网络提取信息并设置标签然后GBDT完成将标签信息和预设信息做对比，若和预设信息一致则控制电网布线参数检测装置进给，若不一致则反馈报错。
本发明的有益效果在于：本发明通过软硬件配合的方式完整的实现了电网布线参数的检测，其中硬件的机械设计部分结构清晰简捷可拆卸便携性能良好适用场景多样，算法上的主要采用CNN-GBDT相结合的结构，并且在卷积神经网络中将全局动态剪枝应用到了激励函数层提高运算速率，并且在卷积层和激励层之间加入BN层来优化卷积神经网络对初始值的依赖。
附图说明
图1为本发明装置的结构示意图。
图2为支撑臂的结构示意图。
图3为水平调节臂的结构示意图。
图4为第一高度调节臂的结构示意图。
图5为第二高度调节臂的结构示意图。
图6为第一平台的结构示意图。
图7为本发明的CNN-GBDT电网布线参数检测模型。
图8为哈希权重共享实例。
图9为本发明的CNN整体结构。
图10为本发明的BN层实施流程图。
图11为全局剪枝方法简单示意图。
图12为GBDT的电网布线参数检测树。
其中，1支撑臂、2支撑座、3外套杆、4内杆、5图像采集装置、6水平转动臂、7第一高度调节臂、8第二高度调节臂、9第一连接孔、10第二连接孔、11第三连接孔、12第四连接孔、13第五连接孔、14第六连接孔、15第七连接孔、16第一舵机、17第二舵机、18第三舵机、19平台壳体、20转臂、21转臂孔、22第四舵机、23第五舵机。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，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，都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请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申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述做出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。
实施例1
如图1～图6所示，一种电网布线参数检测装置，其包括支撑臂1，所述支撑臂的两端各设置一个支撑装置，所述支撑装置包括支撑杆以及支撑座2，所述支撑杆包括外套杆3以及设置在外套杆3内的内杆4，所述外套杆3内壁设置有内螺纹，所述内杆4的外壁设置有与内螺纹配合的外螺纹，所述外套杆3的自由端与支撑座2固定连接；其中一个支撑装置的内杆4的自由端与支撑臂1的端部固定连接，另一个支撑装置的内杆4的自由端与支撑臂1的端部转动连接。
所述支撑臂1上转动连接有连接臂，所述连接臂的自由端设置有采集装置安装平台，所述采集装置安装平台上设置有图像采集装置5。图像采集装置可以选用但不限于使用摄像头。
所述连接臂包括水平转动臂6以及与其转动连接的高度调节臂，所述高度调节臂包括第一高度调节臂7和第二高度调节臂8，所述采集装置安装平台设置在第二高度调节臂8的自由端。
所述支撑臂1、水平转动臂6、第一高度调节臂7和第二高度调节臂8均为长方体型壳体。
所述支撑臂1的上端面上设置有第一连接孔9，所述水平转动臂6的底部设置有第二连接孔10，所述水平转动臂6的侧壁上设置有第三连接孔11；所述第一高度调节臂7的一侧侧壁的头端设置有第四连接孔12，另一侧侧壁的尾端设置有第五连接孔13，所述第二高度调节臂8的一侧侧壁的头端设置有第六连接孔14，另一侧侧壁的尾端设置有第七连接孔15。
所述支撑臂1内设置有第一舵机16，所述第一舵机16的摆臂穿过第一连接孔9后与第二连接孔10固定连接。
所述水平转动臂6内设置有第二舵机17，所述第二舵机17的摆臂穿过第三连接孔11后与第四连接孔12固定连接。
所述第一高度调节臂7内设置有第三舵机18，所述第三舵机18的摆臂穿过第五连接孔13后与第六连接孔14固定连接。
所述采集装置安装平台包括结构相同的第一平台与第二平台，所述第一平台与第二平台均分别包括立方体形的平台壳体19、设置在平台壳体19对应两侧面的转臂20以及对应设置在另外两侧面的转臂孔21。
所述第二高度调节臂8内设置有第四舵机22，所述第四舵机22的摆臂穿过第七连接孔15后与第一平台的转臂固定连接。
所述第一平台的平台壳体19内设置有第五舵机23，所述第五舵机22的摆臂穿过第一平台的转臂孔后与第二平台的转臂固定连接。
使用时，利用支撑装置将支撑臂固定在布线箱内，通过内杆和外套杆的螺纹相对运动，将支撑座顶紧箱体侧壁。水平支撑臂可以在水平方向进行转动。通过第一高度调节臂和第二高度调节臂进行配合，可以实现在高度方向上的伸缩。第一平台和第二平台可以实现两个方向的运动，图像采集装置既可以固定在第一平台上，或固定在第二平台上，也可以在两个平台上各固定一个，从而方便采集各个位置的图像信息。
实施例2
一种电网布线参数检测方法，基于图象处理技术中改进卷积神经网络的图像分类检测模型，包括图像预处理部分、改进卷积神经网络提取特征、锐化图像特征、用于将特征融合的融合器以及分类器。所述的预处理部分主要是将实施例1中的电网布线参数检测装置传输过来的图像做去均值处理和归一化处理，所述卷积神经网络采用的全局动态剪枝并且激励层采用ELU作为激励函数并且激励也设置相应的权重信息，所述的锐化图像特征主要采用高斯-拉普拉斯算子实现降噪突出图像特征，所述的分类器采用GBDT作为分类器。
所述图像分类检测模块，通过卷积神经网络提取图像特征信息，用GBDT来实现图像的分类与检测，训练好网络之后，将机械结构传输过来的图像通过卷积神经网络提取信息并设置标签然后GBDT完成将标签信息和预设信息做对比，若和预设信息一致则控制机械装置进给若不一致则反馈给机械装置报错。
针对在图像分类方面的研究，本发明在基于卷积神经网络Convolutional NeuralNetworks，CNN的基础上，提出了一种全局动态剪枝的深度学习框架，采用决策树GradientBoosting Decision Tree，GBDT作为分类器进行分类，为此设计了一种新的分类检测模型。首先，该模型利用卷积神经网络提取样本的高层次特征信息，由于全局动态剪枝同时在激励层采用Exponential Linear Units，ELU作为激励函数并且附带权重信息，使神经网络泛化能力加强并且防止了过拟合的发生并且提高了系统的鲁棒性，其次，用高斯拉普阿斯算子锐化图像特征，提高了整个网络对噪声图像处理的能力，最后，将CNN几次的信息的高层特征融合后做标签，用GBDT做分类检测处理。与传统的CNN和CNN-SVM模型相比，本文所提出的CNN-GBDT的处理速度和抗噪能力有明显的提升。
图7为本发明方法的模型原理图，利用卷积神经网络来提取的高层次的图像特征上并行融合由高斯拉普拉斯算子完成对含有噪声的图形识别，形成了充分的特征信息用于GBDT决策树分类识别检测。
其包括如下步骤：
(一)参数图像的处理。
(A)识别传输图像的有用性；
(B)丢弃无用信息图像；
(C)对保留信息做去均值处理；
(D)对去均值图像做归一化处理并保存。
去均值的目的是让各个维度的数据全部中心化到坐标零点。归一化处理的目的是要将图片的幅度归一化到一个限定的范围，该步骤主要通过Max-Min作为基数进行处理，具体公式如下:
Figure GDA0003530716830000081
公式1中的Xnormalization代表x位置归一化后的输出，x代表该点原来的数值。Max和Min分别代表最大值和最小值。
(二)对提取信息的加工处理。
(a)根据要求搭建电网布线的数据库。
(b)将数据库内容喂给优化的卷积神经网络。
(c)主动加噪训练神经网络提取特征信息。
(d)采用GBDT分类器对特征信息分类。
(e)继续迭代训练，完成CNN-GBDT算法模块的搭建。
(f)将经步骤(一)处理的图像输入CNN-GBDT模块，完成预设任务。
下面进一步对本发明的方法进行具体描述。
1、卷积神经网络获取特征信息
卷积神经网络主要包含输入层，隐含层，隐层单元和输出层。
输入层(input layer)：该模块仅需要直接将图像输入到神经网络模型的输入层即可，对图形不需要进行额外的操作。保留图像的原始结构，可以记录图像均值，在做预测时训练集减掉该均值，输入的是彩色图像时，彩色图像的RGB三通道各自独立，也就是说一个彩色图像输入的是三维神经元。
隐含层：隐含层是整个卷积网络的核心，有卷积层Convolutional layer，激励层ELU layer和池化层pooling layer等几个部分。卷积层定义滑动窗口filter的大小，步长stride，深度depth。卷积层的主要目的是提取输入的图像特征，通过卷积运算对衣服输入图像的不同特征进行提取，刚开始的卷积层提取的可能仅仅是图像轮廓，颜色变化等浅层简单信息，随着更多的迭代次数和卷积层数的增加提取内容不断加深信息提取的复杂程度也不断加深甚至至今没有办法进行物理描述。卷积神经网络的卷积层有若干卷积单元，每个单元的参数是通过SGD随机梯度下降的反向传播方式得到最优参数。在卷积过程中，前一层的某几个神经元作为本层的输入，来提取特征信息，一旦局部提取完成找到最合适的权重和偏移项，由于神经网络参数共享机制的存在，特征之间的对应数据也被确定下来。本发明的随机权重共享机制是采用哈希共享技巧公式如下：
Figure GDA0003530716830000091
图8为哈希权重共享实例，其中，l代表层数，(i，j)代表坐标w是权重。例如第一层二行一列的权重对应值为3.2。
激励函数层主要目的是把卷积层的输入结果做非线性化的映射从而提取特征信息的过程，本专利采用的是传统的Relu的优化激励函数ELU,相比于Relu，ELU算法不仅有其收敛较快，求梯度简单有点，还有效防止了负数输入情况下网络较脆弱的问题，ELU的激励函数表达式如公式3。
Figure GDA0003530716830000092
假定输入的是一个单通道大小是M*N的图像。图像矩阵为X，特征提取器包括输入层、隐含层隐含单H1代表一个卷积层一个卷积层可能包含多个卷积面，每个卷积面又关联一个滑动窗口。卷积面的计算公式如下。
Figure GDA0003530716830000093
公式4中函数的表达式为公式3的激励函数表达式。h1,a代表构成卷积层的所有卷积面，w代表权重信息，b代表偏移项。
池化层的主要目的是为了压缩数据，下采样防止过拟合，同时对特征图像进行稀疏处理。池化层一般夹在连续的卷积层中间常用的池化方法有两种，最大池化法MAX-pooling和均值池化法Average-pooling，本发明采用最大值池化法，计算公式如下：
H2＝Maxdownγ×τ 公式5
上式过程中γ×τ代表下采样数据窗口的大小，Maxdown代表最值池化方法。
例如，对
Figure GDA0003530716830000101
用最大池化法处理，并且定义的γ×τ为2*2则采样的结果为
Figure GDA0003530716830000102
隐含单元：经过多次卷积与降采样操作，得到若干幅特征图，然后，将该层所有的特征图像变换为一列向量，该列向量即是从样本图像中提取出的特征向量。
输出层：输出层采用全连接的方式，每一个神经元与前一层的每一个神经元互相连接，连接所有的特征，输出层神经元个数与样本图像标签个数相同。
以上篇幅完整的描述了卷积神经网络的正向传播过程，而反向传播过程需要用到正向传播过程中计算出的权重w和偏移项b。通过损失函数对W和b求偏导数来实现向前传播。在这里给出泛式的损失函数用于衡量预测结果与真是标签的实际误差。
Figure GDA0003530716830000103
公式6中，W代表深层网络的权重，b代表每层神经网络的偏移项，x代表输入数据，y代表预测值(预测用到的均值信息是上述input layer所提内容不予以赘述)。a代表正确标签数量。
2、锐化图像特征
本申请采用高斯拉普拉斯滤波算子先对原始图像进行高斯滤波，然后用Laplacian算子进行卷积，这样做的目的就是有效的抑制噪声，对锐化效果没有太大的损失，把高斯滤波和laplacian算子结合起来，对高斯模块求二阶导数LOG算子，然后用LOG算子对原始图像进行滤波，就用一个步骤来完成高斯拉普拉斯滤波的两个步骤，公式如下
Figure GDA0003530716830000111
公式7中，h(t)就指代高斯模板G(x,y)。*代表卷积。对于二阶导数，公式也是成立的。这说明：对于高斯模板求二阶导数得到的LOG算子等价于，先对高斯模块滤波，再求了laplacian算子滤波。
Figure GDA0003530716830000112
Figure GDA0003530716830000113
最终获取的核是需要归一化的，若窗口全是同一数值，那么卷积结果应该还是这个值，因此卷积核内部需要乘归一化参数。因此方差需要根据自己的图像特征赋给相应的值。拉普拉斯算子会放大噪声，因此采用LOG算子，就是高斯拉普拉斯算子，先对图像进行高斯模糊，抑制噪声再求二阶导数，二阶导数为0的地方就是图像的边界。
3、改进的模型结构
为科学进行权重初始化，使运算结果能够顺利，并限定在指定范围所以在激励函数层级之前加入BN层(Batch normalization layer)。图9为加入BN层的标准卷积神经网络的整体结构。
BN层实施流程图如图10所示。具体实施为输入B＝{X1....M}，符合高斯分布，计器学习预先得到常值γ和β。随后步骤如下：
Figure GDA0003530716830000114
Figure GDA0003530716830000115
Figure GDA0003530716830000116
Figure GDA0003530716830000117
其中μB代表数据集均值，
Figure GDA0003530716830000121
代表数据集方差，
Figure GDA0003530716830000122
代表正态分布约束。通过加入BNlayer使的神经网络对初始值的依赖减少了。同时设置较高学习率进行学习。
为了提高神经网络的快速性，本发明基于全局式动态剪枝方法下提出将动态剪枝应用在激励函数层面，全局剪枝方法简单示意图如图11所示。通过在训练过程中，每次迭代都临时遮掩住一些不显著参数的filter来实现算法的优化。公式如下：
Figure GDA0003530716830000123
其中
Figure GDA0003530716830000124
代表一个二元值的掩模。
Figure GDA0003530716830000125
特征图的数据集，若一个filter的特征计器判定为显著的，则m的值定义为1，反之定义为0用来裁剪掉不显著的特征信息。⊙表示Khatri-Rao积算子。将这种思想同时应用在激励层的函数上将激励函数设定开启的条件权重值，将权重较低的不显著特征丢弃，不执行随机梯度下降的反向传递函数的运算。
将优化的卷积神经网络同GBDT进行连接，构建出完整的CNN-GBDT神经模型。GBDT的电网布线参数检测树如图12所示。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。

Claims (2)

1.一种电网布线参数检测方法，其特征在于，利用电网布线参数检测装置进行图像采集，其包括如下步骤：
（一）参数图像的处理；
（A）识别传输图像的有用性；
（B）丢弃无用信息图像；
（C）对保留信息做去均值处理；
（D）对去均值图像做归一化处理并保存；
（二）对提取信息的加工处理；
（a）根据要求搭建电网布线的数据库；
（b）将数据库内容喂给优化的卷积神经网络；
（c）主动加噪训练神经网络提取特征信息；
（d）采用GBDT分类器对特征信息分类；
（e）继续迭代训练，完成CNN-GBDT算法模块的搭建；
（f）将经步骤（一）处理的图像输入CNN-GBDT模块，完成预设任务；
所述优化的卷积神经网络为采用卷积神经网络与高斯滤波-拉普拉斯算子相结合的模型结构；
所述优化的卷积神经网络包括输入层、卷积层、BN层、激励函数层、池化层、全连接层以及输出层；
所述电网布线参数检测装置包括支撑臂（1），所述支撑臂的两端各设置一个支撑装置，所述支撑装置包括支撑杆以及支撑座（2），所述支撑杆包括外套杆（3）以及设置在外套杆（3）内的内杆（4），所述外套杆（3）内壁设置有内螺纹，所述内杆（4）的外壁设置有与内螺纹配合的外螺纹，所述外套杆（3）的自由端与支撑座（2）固定连接；其中一个支撑装置的内杆（4）的自由端与支撑臂（1）的一端固定连接，另一个支撑装置的内杆（4）的自由端与支撑臂（1）的另一端转动连接；
所述支撑臂（1）上转动连接有连接臂，所述连接臂的自由端设置有采集装置安装平台，所述采集装置安装平台上设置有图像采集装置（5）；
所述连接臂包括水平转动臂（6）以及与其转动连接的高度调节臂，所述高度调节臂包括第一高度调节臂（7）和第二高度调节臂（8），所述采集装置安装平台设置在第二高度调节臂（8）的自由端；
所述支撑臂（1）、水平转动臂（6）、第一高度调节臂（7）和第二高度调节臂（8）均为长方体型壳体；
所述支撑臂（1）的上端面上设置有第一连接孔（9），所述水平转动臂（6）的底部设置有第二连接孔（10），所述水平转动臂（6）的侧壁上设置有第三连接孔（11）；所述第一高度调节臂（7）的一侧侧壁的头端设置有第四连接孔（12），另一侧侧壁的尾端设置有第五连接孔（13），所述第二高度调节臂（8）的一侧侧壁的头端设置有第六连接孔（14），另一侧侧壁的尾端设置有第七连接孔（15）；
所述支撑臂（1）内设置有第一舵机（16），所述第一舵机（16）的摆臂穿过第一连接孔（9）后与第二连接孔（10）固定连接；
所述水平转动臂（6）内设置有第二舵机（17），所述第二舵机（17）的摆臂穿过第三连接孔（11）后与第四连接孔（12）固定连接；
所述第一高度调节臂（7）内设置有第三舵机（18），所述第三舵机（18）的摆臂穿过第五连接孔（13）后与第六连接孔（14）固定连接；
所述采集装置安装平台包括结构相同的第一平台与第二平台，所述第一平台与第二平台均分别包括立方体形的平台壳体（19）、设置在平台壳体（19）对应两侧面的转臂（20）以及对应设置在另外两侧面的转臂孔（21）；
所述第二高度调节臂（8）内设置有第四舵机（22），所述第四舵机（22）的摆臂穿过第七连接孔（15）后与第一平台的转臂固定连接；
所述第一平台的平台壳体（19）内设置有第五舵机（23），所述第五舵机（22）的摆臂穿过第一平台的转臂孔后与第二平台的转臂固定连接。
2.根据权利要求1所述的一种电网布线参数检测方法，其特征在于，步骤（f）中，电网布线参数检测装置传输过来的图像通过卷积神经网络提取信息并设置标签然后GBDT完成将标签信息和预设信息做对比，若和预设信息一致则控制电网布线参数检测装置进给，若不一致则反馈报错。
CN202010943822.9A 2020-09-10 2020-09-10 一种电网布线参数检测装置及检测方法 Active CN112161173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010943822.9A CN112161173B (zh) 2020-09-10 2020-09-10 一种电网布线参数检测装置及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010943822.9A CN112161173B (zh) 2020-09-10 2020-09-10 一种电网布线参数检测装置及检测方法

Publications (2)

Publication Number Publication Date
CN112161173A CN112161173A (zh) 2021-01-01
CN112161173B true CN112161173B (zh) 2022-05-13

Family

ID=73858533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010943822.9A Active CN112161173B (zh) 2020-09-10 2020-09-10 一种电网布线参数检测装置及检测方法

Country Status (1)

Country Link
CN (1) CN112161173B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115107022B (zh) * 2022-06-16 2024-04-19 华中科技大学 一种基于gbdt算法的工业机器人位置误差补偿方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109398688A (zh) * 2018-11-16 2019-03-01 湖南大学 一种旋翼飞行双机械臂目标定位抓取系统及方法
CN109934871A (zh) * 2019-02-18 2019-06-25 武汉大学 一种面向高危环境的智能无人机抓取目标的系统和方法
CN210118620U (zh) * 2019-05-20 2020-02-28 宁波海云康智能科技有限公司 一种健康监测装置的摄像头调整机构
CN111184508A (zh) * 2020-01-19 2020-05-22 武汉大学 一种基于联合神经网络的心电信号检测装置及分析方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103857942B (zh) * 2011-09-29 2016-12-14 Ntn株式会社 连杆动作装置
TWI591276B (zh) * 2015-12-15 2017-07-11 國立臺北科技大學 位移機構
FR3056869B1 (fr) * 2016-09-29 2019-07-05 Revinax Dispositif de prise de vue subjective
CN108629413B (zh) * 2017-03-15 2020-06-16 创新先进技术有限公司 神经网络模型训练、交易行为风险识别方法及装置
CN107038478B (zh) * 2017-04-20 2023-10-27 百度在线网络技术（北京）有限公司 路况预测方法及装置、计算机设备与可读介质
CN108108677A (zh) * 2017-12-12 2018-06-01 重庆邮电大学 一种基于改进的cnn人脸表情识别方法
CN108406784A (zh) * 2018-01-24 2018-08-17 陕西科技大学 一种排爆机器人机械手臂机构及控制系统及方法
CN108552917A (zh) * 2018-03-18 2018-09-21 卢仲柱 一种免打孔可扩展置物杆
CN109263271B (zh) * 2018-08-15 2020-06-12 同济大学 一种基于大数据的印刷设备检测分析方法
CN109227555A (zh) * 2018-09-18 2019-01-18 浙江工业大学 一种用于Quoridor对弈的智能机器人
CN109826818B (zh) * 2019-02-26 2021-06-25 北京工业大学 一种矿用风机的故障诊断方法
CN110135296A (zh) * 2019-04-30 2019-08-16 上海交通大学 基于卷积神经网络的机场跑道fod检测方法
CN210414521U (zh) * 2019-08-13 2020-04-28 深圳市亚博智能科技有限公司 一种可升降的三自由度摄像头履带机器人
AU2020100702A4 (en) * 2020-05-05 2020-06-11 Chen, Xu Mr A Method of Prediction of Coupon Usage based on Xgboost

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109398688A (zh) * 2018-11-16 2019-03-01 湖南大学 一种旋翼飞行双机械臂目标定位抓取系统及方法
CN109934871A (zh) * 2019-02-18 2019-06-25 武汉大学 一种面向高危环境的智能无人机抓取目标的系统和方法
CN210118620U (zh) * 2019-05-20 2020-02-28 宁波海云康智能科技有限公司 一种健康监测装置的摄像头调整机构
CN111184508A (zh) * 2020-01-19 2020-05-22 武汉大学 一种基于联合神经网络的心电信号检测装置及分析方法

Also Published As

Publication number Publication date
CN112161173A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
Zhou et al. Semantic-supervised infrared and visible image fusion via a dual-discriminator generative adversarial network
Cheng et al. Pest identification via deep residual learning in complex background
Budiharto et al. Fast object detection for quadcopter drone using deep learning
CN106650813B (zh) 一种基于深度残差网络和lstm的图像理解方法
CN110232341B (zh) 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
WO2021227366A1 (zh) 一种多个小目标的自动准确检测方法
CN109308483B (zh) 基于卷积神经网络的双源图像特征提取及融合识别方法
CN110309856A (zh) 图像分类方法、神经网络的训练方法及装置
Baccouche et al. Spatio-Temporal Convolutional Sparse Auto-Encoder for Sequence Classification.
CN111091045A (zh) 一种基于时空注意力机制的手语识别方法
CN108470320A (zh) 一种基于cnn的图像风格化方法及系统
Tiwari et al. Image classification using deep neural network
CN107145893A (zh) 一种基于卷积深度网络的图像识别算法及系统
CN111652247A (zh) 一种基于深度卷积神经网络的双翅目昆虫识别方法
CN112307995A (zh) 一种基于特征解耦学习的半监督行人重识别方法
CN105956570B (zh) 基于唇部特征和深度学习的笑脸识别方法
CN113392937B (zh) 一种3d点云数据分类方法及其相关装置
CN108182475A (zh) 一种基于自动编码机-超限学习机的多维度数据特征识别方法
CN116645287B (zh) 一种基于扩散模型的图像去模糊方法
CN112161173B (zh) 一种电网布线参数检测装置及检测方法
Ramesh Babu et al. A novel framework design for semantic based image retrieval as a cyber forensic tool
CN108764233B (zh) 一种基于连续卷积激活的场景字符识别方法
CN115937567B (zh) 一种基于小波散射网络和ViT的图像分类方法
Bansal et al. Dynamic texture using deep learning
Li et al. Criminal investigation image classification based on spatial cnn features and elm

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
GR01 Patent grant
GR01 Patent grant