CN113537385B - 一种基于tx2设备的电力复合绝缘子憎水性分类方法 - Google Patents

一种基于tx2设备的电力复合绝缘子憎水性分类方法 Download PDF

Info

Publication number
CN113537385B
CN113537385B CN202110877578.5A CN202110877578A CN113537385B CN 113537385 B CN113537385 B CN 113537385B CN 202110877578 A CN202110877578 A CN 202110877578A CN 113537385 B CN113537385 B CN 113537385B
Authority
CN
China
Prior art keywords
model
image
data
composite insulator
training
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
CN202110877578.5A
Other languages
English (en)
Other versions
CN113537385A (zh
Inventor
刘亮
邓名高
张明
张海涛
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.)
Ultra High Voltage Branch Of State Grid Jibei Electric Power Co ltd
Original Assignee
Ultra High Voltage Branch Of State Grid Jibei 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 Ultra High Voltage Branch Of State Grid Jibei Electric Power Co ltd filed Critical Ultra High Voltage Branch Of State Grid Jibei Electric Power Co ltd
Priority to CN202110877578.5A priority Critical patent/CN113537385B/zh
Publication of CN113537385A publication Critical patent/CN113537385A/zh
Application granted granted Critical
Publication of CN113537385B publication Critical patent/CN113537385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

Landscapes

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

Abstract

本发明公开了一种基于TX2设备的电力复合绝缘子憎水性分类方法，包括图像采集，数据集存储，构建训练模型，数据增强，模型转换，数据传输，模型推理和模型移植等步骤。本发明提出了一种电力复合绝缘子憎水性分类方法，解决了实际场景中计算资源不能大规模部署的问题，实现了不同天气、不同地形条件下边缘侧的复合绝缘子憎水性图像实时分类。

Description

一种基于TX2设备的电力复合绝缘子憎水性分类方法
技术领域
本发明涉及一种基于TX2设备的电力复合绝缘子憎水性分类方法，属于图像分类和机器视觉领域。
背景技术
复合绝缘子凭借其重量轻、强度高、不易破碎、耐污性能好等显著优点被广泛地应用于电力系统中。
但由于复合绝缘子所处环境的影响，长时间使用，多半会造成绝缘子憎水性等级的变化。若不及时检测检修，复合绝缘子憎水性等级的下降将会导致耐污闪能力降低，进一步会影响电力系统运行稳定性。
目前，在绝缘子憎水性检测领域，已经开展了大量研究。但是总体过程较为繁琐、识别效率较低。
因此，有必要设计一种基于TX2设备的电力复合绝缘子憎水性分类方法。
发明内容
本发明所要解决的技术问题是提供一种基于TX2设备的电力复合绝缘子憎水性分类方法。
发明的技术解决方案如下：
一种基于TX2设备的电力复合绝缘子憎水性分类方法，包括以下步骤：
步骤一，首先由图像采集装置(1)采集数据；
步骤二，数据集存储；
步骤三，构建训练模型；
步骤四，数据增强，数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成；
步骤五，模型转换，首先将model.pth转换为model.onnx，再将model.onnx转换为model.trt；
步骤六，数据传输，数据传输链路使用MQTT作为通信协议，由图像采集装置(1)向TX2端侧推理设备(4)传输图像数据；
步骤七，模型推理，是训练RepVGG模型完成后，对模型做等价转换，实现方式为：
y＝x+g(x)+f(x)转换为y＝h(x)，
其中，x其表示每层的输入，f(x)表示3×3卷积，
g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。
步骤八，模型移植，模型移植为TRT量化后的模型，实现方法为：
xQ＝clamp(0，Nlevels-1，xint)
其中，xint表示浮点型值x映射为整型值，x表示输入的浮点型变量，Δ表示量化的步长，z表示零点，xQ表示量化后的定点值，Nlevels＝256，clamp用于限定量化取值范围。
步骤2所述的数据集存储，是将图像大小为640×640、图像通道为RGB的绝缘子带水珠的图片，按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度，来标记划分憎水性等级，按照4∶1比例划分训练集和测试集，并存放于不同文件夹下。
步骤3中的模型训练时，将RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个RepVGG Block，具体实现方式为：
y＝x+g(x)+f(x)转换为y＝h(x)，
其中，x其表示每层的输入，f(x)表示3×3卷积，
g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。
方法对应的系统由图像采集装置、数据传输链路、训练服务器、TX2端侧推理设备、显示模块组成；
所述图像采集装置用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像；所述训练服务器用于数据增强、数据集存储、训练RepVGG分类模型、模型转换；所述数据传输链路用于向TX2端侧推理设备传输图像数据；所述TX2端侧推理设备用于模型移植和数据推理；所述显示模块用于对接收到的分类结果进行显示。
所述数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成。
所述数据集存储，是将图像大小为640×640，图像通道为RGB的绝缘子带水珠的图片，按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度，来标记划分憎水性等级，按照4∶1比例划分训练集和测试集，并存放于不同文件夹下。
所述数据传输链路使用MQTT作为通信协议。
所述模型转换技术路线为：首先将model.pth转换为model.onnx，再将model.onnx转换为model.trt。
所述训练RepVGG分类模型，在进行模型在训练时，为RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个RepVGGBlock；实现方式为：
所述模型推理，是训练RepVGG模型完成后，对模型做等价转换，实现方式为：y＝x+g(x)+f(x)转换为y＝h(x)，其中，
x表示每层的输入，f(x)表示3×3卷积；
g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。
所述模型移植为TRT量化后的模型，实现方法为：
xQ＝clamp(0，Nlevels-1，xint)
其中，xint表示浮点型值x映射为整型值，x表示输入的浮点型变量，Δ表示量化的步长，z表示零点，xQ表示量化后的定点值，Nlevels＝256，clamp用于限定量化取值范围。
有益效果：
本发明的基于TX2设备的电力复合绝缘子憎水性分类方法，对应的是一种基于RepVGG和TX2端侧设备的复合绝缘子憎水性分类系统，与现有的技术相比，具有以下有益效果：
首先，提出了一套复合绝缘子憎水性图像智能分类方法，实现了不同天气、不同地形条件下的复合绝缘子憎水性图像自动分类；其次，利用模型量化技术，有效地减小了模型的尺寸和使用内存，推高推理速度；此外，基于TensorRT加速推理技术和Tx2边缘设备，能够解决实际场景中，计算资源不能大规模部署的问题，实现了边缘侧的复合绝缘子憎水性图像实时分类。
附图说明
图1为本发明整体结构示意图；
图2为绝缘子憎水性图像；
图3为RepVGG Block结构图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明：
实施例1：如图1-3，基于分类网路的电力复合绝缘子憎水性分类系统，由图像采集装置、数据传输链路、训练服务器、TX2端侧推理设备、显示模块组成。图像采集装置1用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像；所述训练服务器3用于数据增强、数据集存储、训练RepVGG分类模型、模型转换；所述数据传输链路2用于向TX2端侧推理设备(4)传输图像数据；所述TX2端侧推理设备4用于模型移植和数据推理；所述显示模块(5)用于对接收到的分类结果进行显示。
在本发明实施例中，整套基于RepVGG和TX2端侧设备的复合绝缘子憎水性分类系统(即基于分类网路的电力复合绝缘子憎水性分类系统)，对应的工作流程如下，即基于TX2设备的电力复合绝缘子憎水性分类方法如下：
步骤一，首先由图像采集装置(1)采集数据，复合绝缘子憎水性图像如图2所示，。
步骤二，数据集存储，是将图像大小为640×640，图像通道为RGB的绝缘子带水珠的图片，按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度，来标记划分憎水性等级，按照4∶1比例划分训练集和测试集，并存放于不同文件夹下。
步骤三，构建训练模型，在进行模型在训练时，为RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个RepVGG Block，结构如图3所示，具体实现方式为：
y＝x+g(x)+f(x)转换为y＝h(x)，
其中，x其表示每层的输入，f(x)表示3×3卷积，
g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。
步骤四，数据增强，数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成。
步骤五，模型转换，所述模型转换技术路线为：首先将model.pth转换为model.onnx，再将model.onnx转换为model.trt。
步骤六，数据传输，数据传输链路使用MQTT作为通信协议，由图像采集装置(1)向TX2端侧推理设备(4)传输图像数据。
步骤七，模型推理，是训练RepVGG模型完成后，对模型做等价转换，实现方式为：
y＝x+g(x)+f(x)转换为y＝h(x)，
其中，x其表示每层的输入，f(x)表示3×3卷积，
g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。
步骤八，模型移植，模型移植为TRT量化后的模型，实现方法为：
xQ＝clamp(0，Nlevels-1，xint)
其中，xint表示浮点型值x映射为整型值，x表示输入的浮点型变量，Δ表示量化的步长，z表示零点，xQ表示量化后的定点值，Nlevels＝256，clamp用于限定量化取值范围。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于TX2设备的电力复合绝缘子憎水性分类方法，其特征在于，
步骤一，首先由图像采集装置(1)采集数据；
步骤二，数据集存储；
步骤三，构建训练模型；
步骤四，数据增强，数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成；
步骤五，模型转换，首先将model.pth转换为model.onnx，再将model.onnx转换为model.trt；
步骤六，数据传输，数据传输链路使用MQTT作为通信协议，由图像采集装置(1)向TX2端侧推理设备(4)传输图像数据；
步骤七，模型推理，是训练RepVGG模型完成后，对模型做等价转换，实现方式为：
y＝x+g(x)+f(x)转换为y＝h(x)，
其中，x其表示每层的输入，f(x)表示3×3卷积，
g(x)是一个1×1的卷积，h(x)恒等映射分支的输出；
步骤八，模型移植，模型移植为TRT量化后的模型，实现方法为：
xQ＝clamp(0,Nlevels-1,xint)
a,x≤a
clamp(a,b,x)＝x,a≤x≤b
b,x≥b
其中，xint表示浮点型值x映射为整型值，x表示输入的浮点型变量，Δ表示量化的步长，
z表示零点，xQ表示量化后的定点值，Nlevels＝256，clamp用于限定量化取值范围；
步骤2所述的数据集存储，是将图像大小为640×640、图像通道为RGB的绝缘子带水珠的图片，按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度，来标记划分憎水性等级，按照4：1比例划分训练集和测试集，并存放于不同文件夹下；
采用基于分类网路的电力复合绝缘子憎水性分类系统执行该方法，基于分类网路的电力复合绝缘子憎水性分类系统由图像采集装置、数据传输链路、训练服务器、TX2端侧推理设备、显示模块组成：所述图像采集装置用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像；所述训练服务器用于数据增强、数据集存储、训练RepVGG分类模型、模型转换；所述数据传输链路用于向TX2端侧推理设备传输图像数据；所述TX2端侧推理设备用于模型移植和数据推理；所述显示模块用于对接收到的分类结果进行显示；
所述数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成。
2.根据权利要求1所述的基于TX2设备的电力复合绝缘子憎水性分类方法，其特征在于，步骤3中的模型训练时，将RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个RepVGG Block，具体实现方式为：
y＝x+g(x)+f(x)转换为y＝h(x)，
其中，x其表示每层的输入，f(x)表示3×3卷积，
g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。
CN202110877578.5A 2021-08-01 2021-08-01 一种基于tx2设备的电力复合绝缘子憎水性分类方法 Active CN113537385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110877578.5A CN113537385B (zh) 2021-08-01 2021-08-01 一种基于tx2设备的电力复合绝缘子憎水性分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110877578.5A CN113537385B (zh) 2021-08-01 2021-08-01 一种基于tx2设备的电力复合绝缘子憎水性分类方法

Publications (2)

Publication Number Publication Date
CN113537385A CN113537385A (zh) 2021-10-22
CN113537385B true CN113537385B (zh) 2023-12-05

Family

ID=78121780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110877578.5A Active CN113537385B (zh) 2021-08-01 2021-08-01 一种基于tx2设备的电力复合绝缘子憎水性分类方法

Country Status (1)

Country Link
CN (1) CN113537385B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113963238A (zh) * 2021-12-22 2022-01-21 深圳佑驾创新科技有限公司 多任务感知识别模型的构建方法以及多任务感知识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101142162B1 (ko) * 2010-08-27 2012-07-11 한국전력공사 송전용 폴리머 애자의 발수성 측정 장치
WO2020047469A2 (en) * 2018-08-30 2020-03-05 Saudi Arabian Oil Company Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation
CN111368702A (zh) * 2020-02-28 2020-07-03 西安工程大学 基于YOLOv3网络的复合绝缘子憎水性等级识别方法
CN111667473A (zh) * 2020-06-08 2020-09-15 国网新疆电力有限公司乌鲁木齐供电公司 基于改进Canny算法的绝缘子憎水性等级判断方法
CN111855500A (zh) * 2020-07-30 2020-10-30 华北电力大学（保定） 一种基于深度学习的复合绝缘子老化程度智能检测方法
CN112098409A (zh) * 2020-09-17 2020-12-18 国网河南省电力公司濮阳供电公司 一种输电线路复合绝缘子憎水性带电测试方法
WO2021051520A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 图像识别、训练识别模型的方法、相关设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9384560B2 (en) * 2014-10-27 2016-07-05 King Fahd University Of Petroleum And Minerals Contamination level estimation method for high voltage insulators
US10579897B2 (en) * 2017-10-02 2020-03-03 Xnor.ai Inc. Image based object detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101142162B1 (ko) * 2010-08-27 2012-07-11 한국전력공사 송전용 폴리머 애자의 발수성 측정 장치
WO2020047469A2 (en) * 2018-08-30 2020-03-05 Saudi Arabian Oil Company Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation
WO2021051520A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 图像识别、训练识别模型的方法、相关设备及存储介质
CN111368702A (zh) * 2020-02-28 2020-07-03 西安工程大学 基于YOLOv3网络的复合绝缘子憎水性等级识别方法
CN111667473A (zh) * 2020-06-08 2020-09-15 国网新疆电力有限公司乌鲁木齐供电公司 基于改进Canny算法的绝缘子憎水性等级判断方法
CN111855500A (zh) * 2020-07-30 2020-10-30 华北电力大学（保定） 一种基于深度学习的复合绝缘子老化程度智能检测方法
CN112098409A (zh) * 2020-09-17 2020-12-18 国网河南省电力公司濮阳供电公司 一种输电线路复合绝缘子憎水性带电测试方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Hydrophobicity classification of composite insulators based on convolutional neural networks;Kokalis, CCA;《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》;第91卷;全文 *
Qingbin Wang ; Yaxin Huang.The Study of the Improved Multilayer Perceptron Algorithm on Hydrophobicity Detection Research of Composite Insulator Bushing.《 2016 8th International Conference on Intelligent Human-Machine Systems and Cybernetics》.2016,全文. *
基于Faster R-CNN的复合绝缘子憎水性分析研究;张德钦;刘晓伟;刘源;江振钰;夏鹏;;智慧电力(04);全文 *
基于深度卷积神经网络的绝缘子憎水性图像识别方法;潘龙;张烜;郝斐;赵敬龙;丁也;《电工技术》(第13期);全文 *

Also Published As

Publication number Publication date
CN113537385A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN107342962B (zh) 基于卷积神经网络的深度学习智能星座图分析方法
CN109376589B (zh) 基于卷积核筛选ssd网络的rov形变小目标识别方法
CN107979554A (zh) 基于多尺度卷积神经网络的无线电信号调制识别方法
CN109064396A (zh) 一种基于深度成分学习网络的单幅图像超分辨率重建方法
CN113537385B (zh) 一种基于tx2设备的电力复合绝缘子憎水性分类方法
CN111414954B (zh) 一种岩石图像检索方法及其系统
CN112867010B (zh) 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统
CN112419333A (zh) 一种遥感影像自适应特征选择分割方法及系统
CN112488931A (zh) 一种卫星遥感影像中输电线路的超分辨率增强方法及系统
CN116612395A (zh) 基于卫星热红外数据的云参数反演方法、介质及电子设备
CN111586151B (zh) 基于区块链的智慧城市数据共享系统及方法
CN116189021B (zh) 多分支互交叉注意力增强的无人机多光谱目标检测方法
CN113554113A (zh) 一种基于分类网路的电力复合绝缘子憎水性分类系统
CN116452900A (zh) 一种基于轻量级神经网络的目标检测方法
CN116503418A (zh) 一种复杂场景下的作物三维目标检测方法
CN116225070A (zh) 一种基于无人机自动巡护的环境监测方法及系统
CN112465736B (zh) 一种用于港口船舶监控的红外视频图像增强方法
CN112734673B (zh) 一种基于多表达式融合的低照度图像增强方法及系统
CN112580598B (zh) 一种基于多通道Diffpool的无线电信号分类方法
CN101977318B (zh) Dct量化的并行装置及其方法
Zhang et al. A method to create training dataset for dehazing with cyclegan
CN111461401B (zh) 一种基于海上环境的报位方法
CN116977826B (zh) 一种边缘端计算架构下的可重构神经网络目标检测方法
Feng et al. Research on Transmission Line Image Defogging Method with Improved Dehazenet Algorithm.
CN113313220A (zh) 一种用于射频干扰的标记方法、系统和存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231109

Address after: 102488 No. 3 Jinguang Road, Liangxiang Industrial Development Zone, Fangshan District, Beijing

Applicant after: Ultra high voltage branch of State Grid Jibei Electric Power Co.,Ltd.

Address before: 410000 2502, building E5, Jiaxiang Huating, guanshaling Road, Yuelu District, Changsha City, Hunan Province

Applicant before: Cheng Wenyun

GR01 Patent grant
GR01 Patent grant