CN113313032A - 一种输电线路外力破坏异常目标的检测算法及相关装置 - Google Patents
一种输电线路外力破坏异常目标的检测算法及相关装置 Download PDFInfo
- Publication number
- CN113313032A CN113313032A CN202110601741.5A CN202110601741A CN113313032A CN 113313032 A CN113313032 A CN 113313032A CN 202110601741 A CN202110601741 A CN 202110601741A CN 113313032 A CN113313032 A CN 113313032A
- Authority
- CN
- China
- Prior art keywords
- module
- neural network
- external force
- transmission line
- network model
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 52
- 230000006378 damage Effects 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007526 fusion splicing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
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)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种输电线路外力破坏异常目标的检测算法及相关装置,其中方法包括:基于注意力机制,构建轻量级神经网络模型,所述轻量级神经网络模型包括反残差模块和线性瓶颈模块;将预置电力线路环境图输入到所述轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像;对所有的所述特征图像进行特征融合得到融合特征图;将所述融合特征图输入到预置的检测器进行检测,得到异常结果。从而解决了现有技术识别准确率较低、检测速度慢的技术问题。
Description
技术领域
本申请涉及深度学习技术领域,尤其涉及一种输电线路外力破坏异常目标的检测算法及相关装置。
背景技术
保障架空线路安全运行是电网运维工作的重要组成部分,外力破坏是造成线路停运的重要原因之一,由于架空线路分布广泛,依靠人力巡检难度极大,因此采取架空输电线路在线监测系统来预防外力破坏十分必要。但目前基于机器视觉的架空线路在线监测系统的算法识别准确率、告警精确率、预警及时性仍不满足工程化应用要求。
因此,提供一种识别准确率高、检测速度快的输电线路外力破坏异常目标检测算法是本领域技术人员亟待解决的。
发明内容
本申请提供了一种输电线路外力破坏异常目标的检测算法及相关装置,用于解决现有技术识别准确率较低、检测速度慢的技术问题。
有鉴于此,本申请第一方面提供了一种输电线路外力破坏异常目标的检测算法,所述方法包括:
基于注意力机制,构建轻量级神经网络模型,所述轻量级神经网络模型包括反残差模块和线性瓶颈模块;
将预置电力线路环境图输入到所述轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像;
对所有的所述特征图像进行特征融合得到融合特征图;
将所述融合特征图输入到预置的检测器进行检测,得到异常结果。
可选地,所述基于注意力机制,构建轻量级神经网络模型,所述轻量级神经网络模型包括反残差模块和线性瓶颈模块,具体包括:
通过预置轻量级卷积模块与所述线性瓶颈模块相连得到初级卷积模块,所述预置轻量级卷积模块包括浅层卷积层和深层分离卷积层;
基于注意力机制对所述初级卷积模块进行权重调整,得到次级卷积模块;
在所述预置轻量级卷积模块的输入层和所述次级卷积模块的输出层之间加入所述反残差模块,得到所述轻量级神经网络模型。
可选地,所述深层分离卷积层的激活函数为预置线性函数。
可选地,所述基于注意力机制,根据反残差模块和线性瓶颈模块构建轻量级神经网络模型,之后还包括:
获取大量的电力线路环境图;
通过所述电力线路环境图对所述轻量级神经网络模型进行预训练。
可选地,所述轻量级神经网络模型的激活函数为h_swish函数。
本申请第二方面提供一种输电线路外力破坏异常目标的检测系统,所述系统包括:
构建模块,用于基于注意力机制,构建轻量级神经网络模型,所述轻量级神经网络模型包括反残差模块和线性瓶颈模块;
提取模块,用于将预置电力线路环境图输入到所述轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像;
融合模块,用于对所有的所述特征图像进行特征融合得到融合特征图;
检测模块,用于将所述融合特征图输入到预置的检测器进行检测,得到异常结果。
可选地,所述构建模块,具体用于:
通过预置轻量级卷积模块与所述线性瓶颈模块相连得到初级卷积模块,所述预置轻量级卷积模块包括浅层卷积层和深层分离卷积层;
基于注意力机制对所述初级卷积模块进行权重调整,得到次级卷积模块;
在所述预置轻量级卷积模块的输入层和所述次级卷积模块的输出层之间加入所述反残差模块,得到所述轻量级神经网络模型。
可选地,还包括:预训练模块;
所述预训练模块,用于获取大量的电力线路环境图;通过所述电力线路环境图对所述轻量级神经网络模型进行预训练。
本申请第三方面提供一种输电线路外力破坏异常目标的检测设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述第一方面所述的输电线路外力破坏异常目标的检测方法的步骤。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述第一方面所述的输电线路外力破坏异常目标的检测方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种输电线路外力破坏异常目标的检测方法,基于注意力机制,构建轻量级神经网络模型,所述轻量级神经网络模型包括反残差模块和线性瓶颈模块;将预置电力线路环境图输入到所述轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像;对所有的所述特征图像进行特征融合得到融合特征图;将所述融合特征图输入到预置的检测器进行检测,得到异常结果。
本申请的输电线路外力破坏异常目标的检测方法,为了改善深度可分离卷积忽略各个特征通道相关性的问题,提高网络的训练精度,本申请基于注意力机制,同时选用具有计算量少的轻量级神经网络模型;并且引入反残差模块,反残差模块可以防止随着网络深度增加而产生特征提取退化的现象,同时又使得深度可分离卷积操作在所期望的维度上进行;而基于注意力机制模块的线性瓶颈结构改善了网络精度;最后特征金字塔融合了浅层、深层之间的特征信息,增强了小目标检测的鲁棒性。从而构建了一种基于特征融合的识别准确率高且检测速率快的架空输电线路外力破坏图像前端识别算法,用于对输电线路环境进行异常检测,解决了现有技术识别准确率较低、检测速度慢的技术问题。
附图说明
图1为本申请实施例中提供的一种输电线路外力破坏异常目标的检测算法的实施例一的流程示意图;
图2为本申请实施例中提供的一种输电线路外力破坏异常目标的检测算法的实施例二的流程示意图;
图3为本申请实施例中提供的一种输电线路外力破坏异常目标的检测系统的实施例的结构图;
图4为本申请实施例中提供的一种引入反残差模块、线性瓶颈模块和SE模块结构的卷积操作过程示意图;
图5本申请实施例中构建的一种ISLM-SSD网络结构的结构图;
图6为本申请实施例中构建的一种基于特征金字塔融合的ILSM-SSD网络结构的结构图;
图7为本申请实施例中特征金字塔融合中进行上采样融合拼接的过程示意图;
图8为本申请仿真实施例中训练损失变化的示意图;
图9为本申请仿真实施例中对输电线路各类异常目标的检测精度示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。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。
请参阅图1,图1为本申请实施例中提供的一种输电线路外力破坏异常目标的检测算法的实施例一的流程示意图。
本申请实施例一提供的输电线路外力破坏异常目标的检测算法,包括:
步骤101、基于注意力机制,构建轻量级神经网络模型,轻量级神经网络模型包括反残差模块和线性瓶颈模块。
需要说明的是,本申请选取的神经网络模型为MobileNet;在MobileNet中引入反残差模块(Inverted Residuals),通过对输入升维后再进行深度可分离卷积操作,最后又降维到原输入图像的大小,减小了计算量。反残差模块可以防止随着网络深度增加而产生特征提取退化的现象,同时又使得深度可分离卷积操作在所期望的维度上进行。
另外采用线性瓶颈模块(linear bottlenecks),将深度可分离卷积操作中的最后一步1*1标准卷积中的非线性激活函数用线性函数(linear)替换。
同时本申请选取的注意力机制模块为SE模块,SE模块是一种基于压缩和激励的轻量级注意力机制模块独立于网络结构,用于改善深度可分离卷积忽略各个特征通道相关性的问题,因此将其引入线性瓶颈结构中的深度可分离卷积后,其结构如图4所示。通过学习特征通道的重要性,增大有效的特征通道的权重,减小无效或作用小的特征通道的权重,提高了网络的训练精度。线性瓶颈结构中的倒残差过程没有池化操作,特征细粒度提取能力受到影响,所以本方法又在线性瓶颈结构中添加池化和1*1的标准卷积,降低特征提取损失率。
随着深度卷积网络的网络层数的持续增加,非线性激活函数的成本也会减少,因此本申请在网络中使用h_swish函数替代部分Relu函数,能够在保持与使用Relu函数的32个过滤器所得精度一样的情况下,降低一半数量的过滤器,因此使用h_swish函数减少了3ms的计算时间以及1×107的乘加计算量。
综上,将具有20层网络层的MobileNet改进成ISL-MobileNet网络以替代原始MobileNet-SSD的主干网络。在原始MobileNet的20层特征提取网络中,仅保留前17层网络,这其中有15层中的标准卷积被深度可分离卷积替换,并且加入Bneck结构与SE模块,Bneck结构即为反残差模块与线性瓶颈的结合。同时移除了原始20层网络中最后两层1*1大小的卷积层和平均池化层。最后,在ISL-MobileNet末端额外增加了一些标准卷积层,进一步提高深层特征的采集。SSD网络选取六种不同尺寸的特征图,生成相应的先验框后送进同一检测网络中,最后通过非极大值抑制获取边框回归与分类得分最高值,并将其作为结果输出。经过改进,最终形成的ISLM-SSD网络结构(即本申请构建的轻量级神经网络模型)如图5所示。具体的网络参数大小如表1所示。
表1 ILSM-SSD网络参数
步骤102、将预置电力线路环境图输入到轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像。
步骤103、对所有的特征图像进行特征融合得到融合特征图。
对于步骤102、步骤103,需要说明的是,由于架空输电线路外力破坏监测设备安装位置高,所需监测范围广,因此在画面中目标所占面积较小,而且输电线路场景复杂,具有较多干扰物,识别难度增加。特征融合可以将不同尺寸特征图进行结合,不同特征之间相互映射和补充,使模型学习到更丰富的特征信息。
本算法首先将预置电力线路环境图输入到轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像;然后采用拼接法(concat)的方式自底向上进行特征金字塔融合(Feature Pyramid Network,FPN),从而提高识别准确率。基于上述思路,基于特征金字塔融合的ILSM-SSD网络结构如图6所示。
特征金字塔融合中进行上采样融合拼接的过程如图7所示,将深层特征进行放大,通过两倍上采样得到与上一层同样尺寸的特征图,上一层特征做调整后再与深层特征进行拼接。
步骤104、将融合特征图输入到预置的检测器进行检测,得到异常结果。
最后将融合特征图输入到预置的检测器进行检测;获得输电线路外力破坏异常目标。需要说明的是,预置的检测器可以选用SVM等,在此不做限定,
基于特征融合的ILSM-SSD的架空输电线路外力破坏图像前端识别算法,所使用的深度可分离卷积大幅度减少计算量、提升检测速度,其次引入SE模块的线性瓶颈结构改善了网络精度,最后特征金字塔融合了浅层、深层之间的特征信息,增强了小目标检测的鲁棒性。
本申请的输电线路外力破坏异常目标的检测方法,为了改善深度可分离卷积忽略各个特征通道相关性的问题,提高网络的训练精度,本申请基于注意力机制,同时选用具有计算量少的轻量级神经网络模型;并且引入反残差模块,反残差模块可以防止随着网络深度增加而产生特征提取退化的现象,同时又使得深度可分离卷积操作在所期望的维度上进行;而基于注意力机制模块的线性瓶颈结构改善了网络精度;最后特征金字塔融合了浅层、深层之间的特征信息,增强了小目标检测的鲁棒性。从而构建了一种基于特征融合的识别准确率高且检测速率快的架空输电线路外力破坏图像前端识别算法,用于对输电线路环境进行异常检测,解决了现有技术识别准确率较低、检测速度慢的技术问题。
以上为本申请实施例提供的一种输电线路外力破坏异常目标的检测算法的实施例一,以下为本申请实施例提供的一种输电线路外力破坏异常目标的检测算法的实施例二。
请参阅图2,图2为本申请实施例中提供的一种输电线路外力破坏异常目标的检测算法的实施例二的流程示意图。
本申请实施例二提供的输电线路外力破坏异常目标的检测算法,包括:
步骤201、通过预置轻量级卷积模块与线性瓶颈模块相连得到初级卷积模块,预置轻量级卷积模块包括浅层卷积层和深层分离卷积层。
步骤202、基于注意力机制对初级卷积模块进行权重调整,得到次级卷积模块。
步骤203、在预置轻量级卷积模块的输入层和次级卷积模块的输出层之间加入反残差模块,得到轻量级神经网络模型。
步骤201、202、203卷积过程,具体的请参阅图4,图4为上述步骤引入反残差模块、线性瓶颈模块和SE模块(注意力机制模块)结构的卷积操作过程。
步骤204、获取大量的电力线路环境图;通过电力线路环境图对轻量级神经网络模型进行预训练。
可以理解的是,首先获取大量的电力线路环境图,即训练样本,然后通过这些训练样本对上述步骤构建的轻量级神经网络模型进行预训练,直到损失值逐渐趋于稳定,模型训练达到最优结果,此时训练完成。具体的训练可见下面仿真实施例的描述。
步骤205、将预置电力线路环境图输入到轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像。
步骤206、对所有的特征图像进行特征融合得到融合特征图。
步骤205、步骤206与实施例一的步骤102、步骤103描述相同,请参见步骤102、步骤103描述,在此不再赘述。
步骤207、将融合特征图输入到预置的检测器进行检测,得到异常结果。
步骤207与实施例一的步骤104描述相同请参见步骤104的描述,在此不再赘述。
以下是仿真实施例。
1、2.1仿真条件
2.1.1模拟训练
为验证上述方法的有效性,对所提的基于特征融合的ILSM-SSD的架空输电线路外力破坏前端识别模型进行训练和测试,实验在操作系统为Ubuntu、CPU为2.40GHz IntelXeon E5以及GPU为Nvidia GTX 1080的计算机上进行,具体训练平台配置如下表2所示。
表2实验训练平台
根据前文所提方法,对原始的MobileNet-SSD深度学习模型进行修改,使用所提的ILS-MobileNet代替主干网络,并引入特征金字塔融合结构,将取得的新模型在所构建的样本库中进行训练。首先使用SSD内置参数进行方法调整,将批尺寸(batch size)为8,轮次(epochs)最大设为5000,动量(momentum)设为0.9,学习率(learning rate)初始值为0.00025,学习率最终值为0.00021,权值衰减(weight decay)为5e-4,IoU阈值设为0.7。通过模型训练,所得损失函数变化如图8所示。
从训练损失曲线可以看出,网络训练过程中,在前25000轮次中模型总损失函数值迅速下降,当迭代轮次从50000次增加到150000次时,损失下降速度有所减弱,并且迭代轮次大于150000次后,损失值逐渐趋于稳定,模型训练达到最优结果,此时训练完成。
通过训练后的模型部署到前端嵌入式平台中,本申请前端嵌入式平台使用的是ARM7系列处理器,植入成功后进行推理测试。
2.1.2评价指标
在基于深度学习的目标检测中,通常使用召回率与识别精确率计算平均精度,召回率及识别精确率计算公式如下所示。
式中:TP代表正确(True)识别的正样本(Positive),FP代表错误(Fault)识别的正样本,FN为错误识别的负样本(Negative)。
平均精度(AP)表示的是精准率(Precision)和召回率(Recall)曲线覆盖坐标轴的面积大小,平均精度均值(mean Average Precision,mAP)是不同类别检测所得AP值的平均值,可以用来判断模型的性能优劣,常作为评价指标。
2.2仿真结果及分析
选取样本库中10%数量的样本进行测试,分别进行原始MobileNet-SSD模型与本申请所提基于特征融合的ILSM-SSD模型的识别速度测试,如表2所示。
表2模型检测速度
可见,本方法提出的ILS-MobileNet替代原始的MobileNet网络后,因为引入倒残差和SE模块后,模型检测速度有所提高,平均检测时间为265ms,相当于一秒内可以识别3.8帧图像,即检测速度提升了1.5倍。模型检测速度因为前端嵌入式硬件平台的限制,速度略低于常规检测速度,但是通过使用本申请所提的深度学习算法模型,能够满足基于前端识别的架空线路外力破坏图像监测的实际需求。
为了对比分析模型改进前后的识别准确率,通过设置IoU的值为0.5时,统计原始MobileNet-SSD与本申请所提基于特征融合的ILSM-SSD进行输电线路外力破坏图像识别的mAP值,结果分别如图9所示。
由图9可知,针对五种输电线路外力破坏识别中,本申请所提方法对挖掘机类别的检测精度最高,AP值可达到0.96。改进模型后检测精度有不同程度的提升,mAP值从0.73提高至0.85,能够实现精确识别和定位输电线路外力破坏异常目标。因为本申请所提算法中采用了Bneck结构的MobileNet网络,可以提取到更深的图像特征,并且在目标检测中引入特征金字塔来融合不同尺寸的特征图,进一步为深层网络提供了更丰富的细节信息,因此有效提高了识别精度和检测速度。作为轻量模型的ILSM-SSD网络,该性能表现基本满足基于前端识别的输电线路外力破坏监测需求,模型检测的部分结果如图8所示。
综合而言,本算法因为模型体积小,可用于前端嵌入式硬件平台,实现架空线路外力破坏的前端识别,因此可以有效改善监测系统中的时延问题,减少前后端通信数据量。另一方面,改进后的ILS-MobileNet网络,不但提高了检测速度,还能保持检测精度没有牺牲,对于高实时性要求的输电线路外力破坏监测,其速度满足需求。通过特征金字塔融合,使浅层网络的细节信息与深层网络的细节信息互相补充,增强了网络特征提取能力,因此本算法对复杂场景下的输电线路外力破坏识别准确率具有一定程度的提升,有助于输电线路的安全运行。
以上为本申请实施例提供的一种输电线路外力破坏异常目标的检测算法的实施例二,以下为本申请实施例提供的一种输电线路外力破坏异常目标的检测系统的实施例。
请参阅图3,图2为本申请实施例中提供的一种输电线路外力破坏异常目标的检测系统的实施例的结构图。
本申请实施例一提供的输电线路外力破坏异常目标的检测系统,包括:
构建模块301,用于基于注意力机制,构建轻量级神经网络模型,轻量级神经网络模型包括反残差模块和线性瓶颈模块。
提取模块302,用于将预置电力线路环境图输入到轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像。
融合模块303,用于对所有的特征图像进行特征融合得到融合特征图。
检测模块304,用于将融合特征图输入到预置的检测器进行检测,得到异常结果。
本申请的输电线路外力破坏异常目标的检测系统,为了改善深度可分离卷积忽略各个特征通道相关性的问题,提高网络的训练精度,本申请基于注意力机制,同时选用具有计算量少的轻量级神经网络模型;并且引入反残差模块,反残差模块可以防止随着网络深度增加而产生特征提取退化的现象,同时又使得深度可分离卷积操作在所期望的维度上进行;而基于注意力机制模块的线性瓶颈结构改善了网络精度;最后特征金字塔融合了浅层、深层之间的特征信息,增强了小目标检测的鲁棒性。从而构建了一种基于特征融合的识别准确率高且检测速率快的架空输电线路外力破坏图像前端识别算法,用于对输电线路环境进行异常检测,解决了现有技术识别准确率较低、检测速度慢的技术问题。
进一步地,本申请还提供了一种输电线路外力破坏异常目标的检测设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述方法实施例所述的输电线路外力破坏异常目标的检测方法。
进一步地,本申请还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述方法实施例所述的输电线路外力破坏异常目标的检测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种输电线路外力破坏异常目标的检测算法,其特征在于,包括:
基于注意力机制,构建轻量级神经网络模型,所述轻量级神经网络模型包括反残差模块和线性瓶颈模块;
将预置电力线路环境图输入到所述轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像;
对所有的所述特征图像进行特征融合得到融合特征图;
将所述融合特征图输入到预置的检测器进行检测,得到异常结果。
2.根据权利要求1所述的输电线路外力破坏异常目标的检测算法,其特征在于,所述基于注意力机制,构建轻量级神经网络模型,所述轻量级神经网络模型包括反残差模块和线性瓶颈模块,具体包括:
通过预置轻量级卷积模块与所述线性瓶颈模块相连得到初级卷积模块,所述预置轻量级卷积模块包括浅层卷积层和深层分离卷积层;
基于注意力机制对所述初级卷积模块进行权重调整,得到次级卷积模块;
在所述预置轻量级卷积模块的输入层和所述次级卷积模块的输出层之间加入所述反残差模块,得到所述轻量级神经网络模型。
3.根据权利要求2所述的输电线路外力破坏异常目标的检测算法,其特征在于,所述深层分离卷积层的激活函数为预置线性函数。
4.根据权利要求1所述的输电线路外力破坏异常目标的检测算法,其特征在于,所述基于注意力机制,根据反残差模块和线性瓶颈模块构建轻量级神经网络模型,之后还包括:
获取大量的电力线路环境图;
通过所述电力线路环境图对所述轻量级神经网络模型进行预训练。
5.根据权利要求1所述的输电线路外力破坏异常目标的检测算法,其特征在于,所述轻量级神经网络模型的激活函数为h_swish函数。
6.一种输电线路外力破坏异常目标的检测系统,其特征在于,包括:
构建模块,用于基于注意力机制,构建轻量级神经网络模型,所述轻量级神经网络模型包括反残差模块和线性瓶颈模块;
提取模块,用于将预置电力线路环境图输入到所述轻量级神经网络模型中进行金字塔特征提取,得到不同网络层级的特征图像;
融合模块,用于对所有的所述特征图像进行特征融合得到融合特征图;
检测模块,用于将所述融合特征图输入到预置的检测器进行检测,得到异常结果。
7.根据权利要求6所述的输电线路外力破坏异常目标的检测系统,其特征在于,所述构建模块,具体用于:
通过预置轻量级卷积模块与所述线性瓶颈模块相连得到初级卷积模块,所述预置轻量级卷积模块包括浅层卷积层和深层分离卷积层;
基于注意力机制对所述初级卷积模块进行权重调整,得到次级卷积模块;
在所述预置轻量级卷积模块的输入层和所述次级卷积模块的输出层之间加入所述反残差模块,得到所述轻量级神经网络模型。
8.根据权利要求6所述的输电线路外力破坏异常目标的检测系统,其特征在于,还包括:预训练模块;
所述预训练模块,用于获取大量的电力线路环境图;通过所述电力线路环境图对所述轻量级神经网络模型进行预训练。
9.一种输电线路外力破坏异常目标的检测设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的输电线路外力破坏异常目标的检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-5任一项所述的输电线路外力破坏异常目标的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601741.5A CN113313032A (zh) | 2021-05-31 | 2021-05-31 | 一种输电线路外力破坏异常目标的检测算法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601741.5A CN113313032A (zh) | 2021-05-31 | 2021-05-31 | 一种输电线路外力破坏异常目标的检测算法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313032A true CN113313032A (zh) | 2021-08-27 |
Family
ID=77376529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110601741.5A Pending CN113313032A (zh) | 2021-05-31 | 2021-05-31 | 一种输电线路外力破坏异常目标的检测算法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313032A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842363A (zh) * | 2022-07-04 | 2022-08-02 | 南方电网科学研究院有限责任公司 | 一种数字孪生台区关键电力设备的识别方法及系统 |
CN117237363A (zh) * | 2023-11-16 | 2023-12-15 | 国网山东省电力公司曲阜市供电公司 | 一种输电线路外破源识别方法、系统、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270347A (zh) * | 2020-10-20 | 2021-01-26 | 西安工程大学 | 一种基于改进ssd的医疗废弃物分类检测方法 |
CN112528971A (zh) * | 2021-02-07 | 2021-03-19 | 北京智芯微电子科技有限公司 | 基于深度学习的输电线路异常目标检测方法及系统 |
CN112597941A (zh) * | 2020-12-29 | 2021-04-02 | 北京邮电大学 | 一种人脸识别方法、装置及电子设备 |
CN112836659A (zh) * | 2021-02-08 | 2021-05-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 输电线路智能巡检机器人缺陷识别系统及识别方法 |
CN112861847A (zh) * | 2019-11-27 | 2021-05-28 | 上海智臻智能网络科技股份有限公司 | 一种ocr图像识别装置 |
-
2021
- 2021-05-31 CN CN202110601741.5A patent/CN113313032A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861847A (zh) * | 2019-11-27 | 2021-05-28 | 上海智臻智能网络科技股份有限公司 | 一种ocr图像识别装置 |
CN112270347A (zh) * | 2020-10-20 | 2021-01-26 | 西安工程大学 | 一种基于改进ssd的医疗废弃物分类检测方法 |
CN112597941A (zh) * | 2020-12-29 | 2021-04-02 | 北京邮电大学 | 一种人脸识别方法、装置及电子设备 |
CN112528971A (zh) * | 2021-02-07 | 2021-03-19 | 北京智芯微电子科技有限公司 | 基于深度学习的输电线路异常目标检测方法及系统 |
CN112836659A (zh) * | 2021-02-08 | 2021-05-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 输电线路智能巡检机器人缺陷识别系统及识别方法 |
Non-Patent Citations (1)
Title |
---|
肖体刚;蔡乐才;汤科元;高祥;张超洋;: "改进SSD的安全帽佩戴检测方法", 四川轻化工大学学报(自然科学版), no. 04, 20 August 2020 (2020-08-20), pages 71 - 72 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842363A (zh) * | 2022-07-04 | 2022-08-02 | 南方电网科学研究院有限责任公司 | 一种数字孪生台区关键电力设备的识别方法及系统 |
CN117237363A (zh) * | 2023-11-16 | 2023-12-15 | 国网山东省电力公司曲阜市供电公司 | 一种输电线路外破源识别方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108737406B (zh) | 一种异常流量数据的检测方法及系统 | |
CN110674772B (zh) | 电力作业现场智能安全管控辅助系统及方法 | |
CN110633745B (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
CN107104978A (zh) | 一种基于深度学习的网络风险预警方法 | |
CN113313032A (zh) | 一种输电线路外力破坏异常目标的检测算法及相关装置 | |
CN108052946A (zh) | 一种基于卷积神经网络的高压机柜开关自动识别方法 | |
WO2013105164A1 (ja) | 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム | |
CN108268893B (zh) | 一种基于机器学习的化工园区预警方法及装置 | |
CN105354198A (zh) | 一种数据处理方法及装置 | |
CN111416790B (zh) | 基于用户行为的网络异常访问智能识别方法、装置、存储介质及计算机设备 | |
CN110472268A (zh) | 一种桥梁监测数据模态识别方法及装置 | |
CN112200263B (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN115761409A (zh) | 一种基于深度学习的火情检测方法、装置、设备和介质 | |
CN110134777A (zh) | 问题去重方法、装置、电子设备和计算机可读存储介质 | |
CN115619778A (zh) | 一种电力设备缺陷识别方法、系统、可读存储介质及设备 | |
CN114440858B (zh) | 移动机器人定位丢失检测方法、系统、设备及存储介质 | |
CN115859127A (zh) | 一种设备监督方法、系统、设备及计算机可读存储介质 | |
CN115423995A (zh) | 一种轻量化幕墙裂纹目标检测方法及系统、安全预警系统 | |
CN114998576A (zh) | 一种输电线路开口销缺失检测方法、装置、设备和介质 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN116032726A (zh) | 故障根因定位模型训练方法、装置、设备及可读存储介质 | |
Ferreira et al. | Intelligent Industrial IoT system for detection of short-circuit failure in windings of wind turbines | |
CN113970680A (zh) | 一种电弧检测方法及装置 | |
CN109583590A (zh) | 数据处理方法及数据处理装置 | |
CN117172559B (zh) | 一种用于物联网数据的风险识别预警方法、系统及存储介质 |
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 |