CN113705001B - 输电线路故障检测方法、系统及嵌入式设备 - Google Patents
输电线路故障检测方法、系统及嵌入式设备 Download PDFInfo
- Publication number
- CN113705001B CN113705001B CN202110997315.8A CN202110997315A CN113705001B CN 113705001 B CN113705001 B CN 113705001B CN 202110997315 A CN202110997315 A CN 202110997315A CN 113705001 B CN113705001 B CN 113705001B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- transmission line
- yolov
- fault
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 120
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 238000013139 quantization Methods 0.000 claims abstract description 41
- 238000004088 simulation Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 42
- 238000013138 pruning Methods 0.000 claims description 35
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013434 data augmentation Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 6
- 239000012212 insulator Substances 0.000 claims description 6
- 238000010008 shearing Methods 0.000 claims description 6
- 230000036319 strand breaking Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009966 trimming Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种输电线路故障检测方法、系统及嵌入式设备,采集待测输电线路的电力图像;将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型;本发明将基于Caffe格式的YOLOv4网络模型作为量化模型,对待测输电线路的电力图像进行识别;将深度学习应用于输电线路图像的故障识别,实现对输电线路故障的快速高效检测;将量化模型作为预设的输电线路故障检测模型移植在具有便携性和低功耗的嵌入式设备中,为实际应用中的输电线路故障检测、智能巡线等提供了更好的技术支撑。
Description
技术领域
本发明属于输电线路智能监测技术领域,特别涉及一种输电线路故障检测方法、系统及嵌入式设备。
背景技术
随着经济的发展和城市化进程的加快,现代社会对电力的使用需求不断增长;输电线路是电力系统的关键组成部分之一,因长期暴露在恶劣环境中,线路难免发生稳定性故障,直接影响着电力系统的安全运行。因此,对输电线路的日常检查维护面临巨大挑战。
对于输电线路的管理,由于其点多线长面广的特殊性,曾长期依赖人工观测的方式巡检电力线路并对已发生故障和存在故障隐患的输电设备进行更换;传统人力巡检主要依靠巡检人员携带相关设备进行故障检测,其效率低且成本高,无法对大量数据进行保质保量检测,存在未能及时发现故障的风险;另外,巡检人员也面临着严峻的交通问题和较大的安全隐患;目前,直升机搭载设备巡检相对人工巡检效率有所提升,但是高昂的成本却让众多电网望而却步。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种输电线路故障检测方法、系统及嵌入式设备,以解决现有的输电线路故障检测方法检测效率低,存在未能及时发现故障的风险的技术问题。
为达到上述目的,本发明采用的技术方案为:
本发明提供了一种输电线路故障检测方法,包括以下步骤:
采集待测输电线路的电力图像;
将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;
其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型。
进一步的,能够部署在嵌入式设备上的量化模型的构建过程,具体如下:
采集真实场景下输电线路的电力图像,筛选,得到真实故障图像,并构建得到真实图像数据集;
对真实图像数据集中的真实故障图像进行仿真、标签标注,得到仿真标签图像,并构建得到故障仿真数据集;
利用真实图像数据集中的真实故障图像,对故障仿真数据集中的仿真标签图像进行数据增广,得到模型训练样本集,并将训练样本随机划分为训练集及测试集;
利用训练集,对YOLOv4网络模型进行训练,得到训练后的YOLOv4网络模型;
利用剪枝策略,对训练后的YOLOv4网络模型进行剪枝改进,得到剪枝后的YOLOv4网络模型;
对剪枝后的YOLOv4网络模型进行微调,以使模型收敛至最佳,得到微调后的YOLOv4网络模型;
将微调后的YOLOv4网络模型进行格式转化,得到Caffe格式的YOLOv4网络模型,并对Caffe格式的YOLOv4网络模型进行量化,得到量化模型,并将量化模型部署在嵌入式设备中,得到所述的部署在嵌入式设备的量化模型;其中,量化过程,采用测试集对量化模型进行校准。
进一步的,采集真实场景下输电线路的电力图像,筛选,得到真实图像数据集的过程,具体如下:
采用在输电线路塔架的预设位置,固定安装摄像头对真实场景下的输电线路的电力图像进行采集,并对采集的电力图像进行筛选,得到真实故障图像,并构建得到真实图像数据集。
进一步的,对真实图像数据集中的真实故障图像进行仿真、标签标注,得到仿真标签图像,并构建得到故障仿真数据集的过程,具体如下:
利用图像仿真软件,对真实图像数据集中的真实故障图像进行仿真,得到故障仿真图像;
采用LableImg工具,对故障仿真图像的目标区域进行标签标注,得到仿真标签图像;根据仿真标签图像,构建得到故障仿真数据集;
其中,目标区域为故障仿真图像中的绝缘子缺损区域、异物短路区域、导线散股区域或导线断股区域。
进一步的,故障仿真数据集中的仿真标签图像存储为*.xml文件;每个*.xml文件包括仿真标签图像的数据名称、目标区域的类别、目标区域的位置坐标及目标区域的长宽尺寸。
进一步的,利用真实图像数据集中的真实故障图像,对故障仿真数据集中的仿真标签图像进行数据增广,得到模型训练样本集的过程,具体如下:
将真实图像数据集中的真实故障图像与故障仿真数据集中的仿真标签图像,进行旋转、裁剪、拼接及亮度变换操作,得到模型训练样本集。
进一步的,利用剪枝策略,对训练后的YOLOv4网络模型进行剪枝改进,得到改进后的YOLOv4网络模型的过程,具体如下:
在训练后的YOLOv4网络模型上,使用L1正则化进行稀疏化训练;
利用BN层中的缩放因子,衡量不同通道对训练后的YOLOv4网络模型的贡献程度,将低于预设阈值的缩放因子所在的通道剪枝,保留大于等于预设阈值的通道;
在CSPDarkNet-53特征提取网络,采用基于残差组掩码并集的通道剪枝算法,对残差块中的卷积层进行剪枝;
基于保留最大值后排序的剪层算法,使用每个残差块最后一层卷积层作为评价层,先分别对每组残差块进行由大到小的缩放因子排序,保留缩放因子最大的残差块,然后对于剩余的残差块进行由小到大的排序,删除最小的N个残差块,剪层即完成,得到改进后的YOLOv4网络模型;其中,N为剪层数量。
进一步的,对剪枝后的YOLOv4网络模型进行微调,以使模型收敛至最佳,得到微调后的YOLOv4网络模型的过程,具体如下:
对剪枝后的YOLOv4网络模型的网络参数进行调整,根据设置不同的网络参数以使模型收敛至最佳,即得到所述微调后的YOLOv4网络模型;其中,剪枝后的YOLOv4网络模型的网络参数包括步长和/或学习率;
对Caffe格式的YOLOv4网络模型进行量化,得到量化模型的过程中,采用NNIE_mapper工具对Caffe格式的YOLOv4网络模型进行量化,得到量化模型。
本发明还提供了一种输电线路故障检测系统,包括采集模块及检测模块;
采集模块,用于采集待测输电线路的电力图像;
检测模块,用于将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;
其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型。
本发明还提供了一种嵌入式设备,所述嵌入式设备包括存储器以及与所述存储器相连的处理;处理器用于存储计算机程序,处理器用于运行所述存储器中存储的计算机程序,以执行所述的输电线路故障检测方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明提供了一种输电线路故障检测方法,采用基于Caffe格式的YOLOv4网络模型作为量化模型,对待测输电线路的电力图像进行识别;将深度学习应用于输电线路图像的故障识别,为可能的安全隐患及时提供预警,实现对输电线路故障的快速高效检测;将量化模型作为预设的输电线路故障检测模型移植在具有便携性和低功耗的的嵌入式设备中,为实际应用中的输电线路故障检测、智能巡线等实用技术提供了更好的技术支撑。
进一步的,采用基于残差组掩码并集的通道剪枝算法进行剪枝,能够实现将残差块中的卷积层剪枝;采用基于保留最大值后排序的剪层算法,有效减小了模型的参数量和计算量。
附图说明
图1为实施例中预设的输电线路故障模型的构建过程流程图;
图2为实施例中真实图像数据集中的部分真实故障图像示意图;
图3为实施例中故障仿真数据集中的部分仿真标签图像示意图;
图4为实施例中的故障检测结果图a;
图5为实施例中的故障检测结果图b。
具体实施方式
为了使本发明所解决的技术问题,技术方案及有益效果更加清楚明白,以下具体实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种输电线路故障检测方法,包括以下步骤:
步骤1、采集待测输电线路的电力图像;其中,待测输电线路的电力图像采用设置在输电线路塔架预设固定位置的摄像头采集得到。
步骤2、将采集的待测输电线路的电力图像作为预设的输电线路的故障检测模型的输入,输出得到待测输电线路的故障检测结果;其中,预设输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型。
其中,步骤2中,能够部署在嵌入式设备上的量化模型的构建过程,具体如下:
S1、采集真实场景下输电线路的电力图像,筛选,得到真实故障图像,并构建得到真实图像数据集;
具体的,采用在输电线路塔架的预设位置,固定安装摄像头,利用摄像头对真实场景下的输电线路的电力图像进行采集;并对采集的真实场景下的输电线路的电力图像进行筛选,从采集的电力图像中筛选出有故障的图像,得到真实故障图像;并根据真实故障图像,构建得到真实图像数据集。
S2、对真实图像数据集中的真实故障图像进行仿真、标签标注,得到仿真标签图像,并构建得到故障仿真数据集;
具体如下:
利用图像仿真软件,对真实图像数据集中的真实故障图像进行仿真,得到故障仿真图像;其中,图像仿真软件采用3D Max或Photoshop。
采用LableImg工具,对故障仿真图像的目标区域进行标签标注,得到仿真标签图像;根据仿真标签图像,构建得到故障仿真数据集;
其中,目标区域为故障仿真图像中的绝缘子缺损区域、异物短路区域、导线散股区域或导线断股区域;故障仿真数据集中仿真标签图像的GT信息存储在*.xml文件中;即故障仿真数据集中的仿真标签图像存储为*.xml文件;每个*.xml文件包括仿真标签图像的数据名称、目标区域的类别、目标区域的位置坐标及目标区域的长宽尺寸。
S3、利用真实图像数据集中的真实故障图像,对故障仿真数据集中的仿真标签图像进行数据增广,得到模型训练样本集,并将模型训练样本集随机划分为训练集及测试集。
本发明中,数据增广的具体操作为:将真实图像数据集中的真实故障图像与故障仿真数据集中的仿真标签图像,进行旋转、裁剪、拼接及亮度变换操作,得到模型训练样本集。
S4、构建YOLOv4网络模型,利用训练集,对YOLOv4网络模型进行训练,得到训练后的YOLOv4网络模型。
S5、利用剪枝策略,对训练后的YOLOv4网络模型进行剪枝改进,得到改进后的YOLOv4网络模型;具体过程如下:
在训练后的YOLOv4网络模型上,使用L1正则化进行稀疏化训练;
利用BN层中的缩放因子,即γ系数,衡量不同通道对网络模型的贡献程度,将低于预设阈值的缩放因子所在的通道剪枝,保留大于等于预设阈值的通道;
对于CSPDarkNet-53特征提取网络,采用基于残差组掩码并集的通道剪枝算法,残差块中的卷积层进行剪枝;
基于保留最大值后排序的剪层算法,使用每个残差块最后一层卷积层作为评价层,先分别对每组残差块进行由大到小的缩放因子排序,保留缩放因子最大的残差块,然后对于剩余的残差块进行由小到大的排序,删除最小的N个残差块,剪层即完成,得到改进后的YOLOv4网络模型;其中,N为剪层数量。
S6、对剪枝后的YOLOv4网络模型进行微调,以使模型的精度回升,至模型收敛至最佳,得到微调后的YOLOv4网络模型;
S7、将微调后的YOLOv4网络模型进行格式转化,得到Caffe格式的YOLOv4网络模型;并采用NNIE_mapper工具,对Caffe格式的YOLOv4网络模型进行量化,得到量化模型,并将量化模型部署在嵌入式设备中,得到所述的部署在嵌入式设备的量化模型;其中,量化过程,采用测试集对量化模型进行校准。
本发明还提供了一种输电线路故障检测系统,包括采集模块及检测模块;采集模块,用于采集待测输电线路的电力图像;检测模块,用于将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型。
本发明还提供了一种嵌入式设备,所述嵌入式设备包括存储器以及与所述存储器相连的处理;处理器用于存储计算机程序,处理器用于运行所述存储器中存储的计算机程序,以执行所述的输电线路故障检测方法的步骤。
所述存储器中存储的计算机程序,例如:采集待测输电线路的电力图像;将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型。
或者,所述存储器中存储的计算机程序时实现上述输电线路故障检测系统中各模块的功能,例如:采集模块,用于采集待测输电线路的电力图像;检测模块,用于将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述雷达信号增强设备中的执行过程。例如,所述计算机程序可以被分割成采集模块及检测模块,各模块具体功能如下:采集模块,用于采集待测输电线路的电力图像;检测模块,用于将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型。
所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述雷达信号增强设备的控制中心,利用各种接口和线路连接整个雷达信号增强设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述雷达信号增强设备的各种功能。
所述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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)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,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例
如附图1所示,本实施例提供了一种输电线路故障检测方法,包括以下步骤:
步骤1、采集故障图像,故障图像仿真
在输电线路塔架的预设固定位置,安装摄像头,利用摄像头采集真实场景下输电线路的电力图像;并对采集的电力图像进行筛选,得到真实故障图像;并根据真实故障图像,构建得到真实图像数据集,如附图2所示;
利用图像仿真软件,对真实图像数据集中的真实故障图像进行仿真,得到故障仿真图像;其中,利用图像仿真软件进行仿真过程,对真实故障图像中,输电线路上的悬挂异物、绝缘子缺损、导线散股或导线断股的故障图像进行仿真;优选的,图像仿真软件采用3DMax或Photoshop。
采用LableImg工具,对故障仿真图像的目标区域进行标签标注,得到仿真标签图像;根据仿真标签图像,构建得到故障仿真数据集;其中,目标区域为故障仿真图像中的绝缘子缺损区域、异物短路区域、导线散股区域或导线断股区域。
如附图3所示,本实施例中,将故障仿真数据集中仿真标签图像的GT信息存储在*.xml文件中,每个*.xml文件包括仿真标签图像的数据名称、目标区域的类别、目标区域的位置坐标及目标区域的长宽尺寸;最终标注好的故障仿真数据集中共包含1320张仿真标签图像;仿真标签图像的分辨率为1200×900。
步骤2、数据增广
利用真实图像数据集中的真实故障图像,对故障仿真数据集中的仿真标签图像进行数据增广,得到模型训练样本集的过程,具体如下:
将真实图像数据集中的真实故障图像与故障仿真数据集中的仿真标签图像,进行旋转、裁剪、拼接及亮度变换操作,得到模型训练样本集;并将模型训练样本集随机划分为训练集及测试集;本实施例中,对训练样本集进行随机划分时,随机选取80%的样本图像用作训练集与验证集,其中,训练集与验证集占比为9:1;剩下的20%的样本图像用作测试集。
步骤3、YOLOv4网络模型训练
构建YOLOv4网络模型,利用训练集,对YOLOv4网络模型进行训练,得到训练后的YOLOv4网络模型。
步骤4、模型剪枝
利用剪枝策略,对训练后的YOLOv4网络模型进行剪枝改进,得到改进后的YOLOv4网络模型;具体过程如下:
在训练后的YOLOv4网络模型上,使用L1正则化进行稀疏化训练;
利用BN层中的缩放因子,即γ系数,衡量不同通道对网络模型的贡献程度,将低于预设阈值的缩放因子所在的通道剪枝,保留大于等于预设阈值的通道;
对于CSPDarkNet-53特征提取网络,残差块跨层连接,对应通道间有pixel-add操作;为了能将残差块中的卷积层剪枝;采用基于残差组掩码并集的通道剪枝算法,残差块中的卷积层进行剪枝;
为了进一步减小模型参数量和计算量,采用基于保留最大值后排序的剪层算法,使用每个残差块最后一层卷积层作为评价层,先分别对每组残差块进行由大到小的缩放因子排序,保留缩放因子最大的残差块,然后对于剩余的残差块进行由小到大的排序,删除最小的N个残差块,剪层即完成,得到改进后的YOLOv4网络模型;其中,N为剪层数量。
对剪枝后的YOLOv4网络模型进行微调,以使模型的精度回升,至模型收敛至最佳,得到微调后的YOLOv4网络模型;
将微调后的YOLOv4网络模型进行格式转化,得到Caffe格式的YOLOv4网络模型;并采用NNIE_mapper工具,对Caffe格式的YOLOv4网络模型进行量化,得到量化模型,并将量化模型部署在嵌入式设备中,得到所述的部署在嵌入式设备的量化模型;其中,量化过程,采用测试集对量化模型进行校准;在量化时为了提高量化精度,选择测试集中20-50张图片作为校准集图片,同时在量化时需要保证数据预处理一致。
步骤5、模型部署至开发板
将量化模型部署在嵌入式设备的开发板上。
步骤6、故障检测
采集待测输电线路的电力图像;
将采集的待测输电线路的电力图像作为量化模型的输入,输出得到待测输电线路的故障检测结果。
本实施例中,训练模型时使用Think Station P710图形工作站,CPU为Intel XeonE5-2609 v4,GPU为NVIDIA GeForce1080Ti,操作系统为Ubuntu16.04,深度学习框架使用Pytorch1.0、Caffe1.0;推理模型时平台使用海思Hi3519AV100嵌入式设备,操作系统为Linux(SMP),CPU为双核A53,一个DSP处理单元,一个NNIE神经网络处理单元。
本实施例中,数据集共包含1320张图像,其中80%的图像用作训练集与验证集,二者占比为9:1,剩下的20%用作测试集;嵌入式前后模型的检测性能如下表1所示。
表1嵌入式前后模型检测性能
从上表1中可以看出,对于输电线路故障数据集,YOLOv4网络模型的检测精度达到了94.46%,满足实际检测对准确性的要求,但是其参数量和计算量都十分庞大,并不能满足工程化需求;本实施例中,通过对YOLOv4网络模型改进,加入了剪枝策略并将模型部署在嵌入式设备上,从结果可以看出,本实施例所提出的方法虽然故障检测精度略有下降,但依然维持在较高水平,且模型参数量和计算量都极小,可以满足实际场景需求。
如附图4、5所示,附图4、5给出了实施例中的故障检测结果,从附图4、5中可以看出所述的输电线路故障检测方法对输电线路故障能够实现精确识别和定位。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一,本发明所要求保护的范围并不仅仅受本实施例的限制,还包括在本发明所公开的技术范围内,任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (5)
1.一种输电线路故障检测方法,其特征在于,包括以下步骤:
采集待测输电线路的电力图像;
将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;
其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型;
能够部署在嵌入式设备上的量化模型的构建过程,具体如下:
采集真实场景下输电线路的电力图像,筛选,得到真实故障图像,并构建得到真实图像数据集;
对真实图像数据集中的真实故障图像进行仿真、标签标注,得到仿真标签图像,并构建得到故障仿真数据集;
利用真实图像数据集中的真实故障图像,对故障仿真数据集中的仿真标签图像进行数据增广,得到模型训练样本集,并将训练样本随机划分为训练集及测试集;
利用训练集,对YOLOv4网络模型进行训练,得到训练后的YOLOv4网络模型;
利用剪枝策略,对训练后的YOLOv4网络模型进行剪枝改进,得到剪枝后的YOLOv4网络模型;
对剪枝后的YOLOv4网络模型进行微调,以使模型收敛至最佳,得到微调后的YOLOv4网络模型;
将微调后的YOLOv4网络模型进行格式转化,得到Caffe格式的YOLOv4网络模型,并对Caffe格式的YOLOv4网络模型进行量化,得到量化模型,并将量化模型部署在嵌入式设备中,得到所述的部署在嵌入式设备的量化模型;其中,量化过程,采用测试集对量化模型进行校准;
采集真实场景下输电线路的电力图像,筛选,得到真实图像数据集的过程,具体如下:
采用在输电线路塔架的预设位置,固定安装摄像头对真实场景下的输电线路的电力图像进行采集,并对采集的电力图像进行筛选,得到真实故障图像,并构建得到真实图像数据集;
对真实图像数据集中的真实故障图像进行仿真、标签标注,得到仿真标签图像,并构建得到故障仿真数据集的过程,具体如下:
利用图像仿真软件,对真实图像数据集中的真实故障图像进行仿真,得到故障仿真图像;
采用LableImg工具,对故障仿真图像的目标区域进行标签标注,得到仿真标签图像;根据仿真标签图像,构建得到故障仿真数据集;
其中,目标区域为故障仿真图像中的绝缘子缺损区域、异物短路区域、导线散股区域或导线断股区域;
故障仿真数据集中的仿真标签图像存储为*.xml文件;每个*.xml文件包括仿真标签图像的数据名称、目标区域的类别、目标区域的位置坐标及目标区域的长宽尺寸;
利用真实图像数据集中的真实故障图像,对故障仿真数据集中的仿真标签图像进行数据增广,得到模型训练样本集的过程,具体如下:
将真实图像数据集中的真实故障图像与故障仿真数据集中的仿真标签图像,进行旋转、裁剪、拼接及亮度变换操作,得到模型训练样本集。
2.根据权利要求1所述的一种输电线路故障检测方法,其特征在于,利用剪枝策略,对训练后的YOLOv4网络模型进行剪枝改进,得到改进后的YOLOv4网络模型的过程,具体如下:
在训练后的YOLOv4网络模型上,使用L1正则化进行稀疏化训练;
利用BN层中的缩放因子,衡量不同通道对训练后的YOLOv4网络模型的贡献程度,将低于预设阈值的缩放因子所在的通道剪枝,保留大于等于预设阈值的通道;
在CSPDarkNet-53特征提取网络,采用基于残差组掩码并集的通道剪枝算法,对残差块中的卷积层进行剪枝;
基于保留最大值后排序的剪层算法,使用每个残差块最后一层卷积层作为评价层,先分别对每组残差块进行由大到小的缩放因子排序,保留缩放因子最大的残差块,然后对于剩余的残差块进行由小到大的排序,删除最小的N个残差块,剪层即完成,得到改进后的YOLOv4网络模型;其中,N为剪层数量。
3.根据权利要求1所述的一种输电线路故障检测方法,其特征在于,对剪枝后的YOLOv4网络模型进行微调,以使模型收敛至最佳,得到微调后的YOLOv4网络模型的过程,具体如下:
对剪枝后的YOLOv4网络模型的网络参数进行调整,根据设置不同的网络参数以使模型收敛至最佳,即得到所述微调后的YOLOv4网络模型;其中,剪枝后的YOLOv4网络模型的网络参数包括步长和/或学习率;
对Caffe格式的YOLOv4网络模型进行量化,得到量化模型的过程中,采用NNIE_mapper工具对Caffe格式的YOLOv4网络模型进行量化,得到量化模型。
4.一种输电线路故障检测系统,其特征在于,包括采集模块及检测模块;
采集模块,用于采集待测输电线路的电力图像;
检测模块,用于将采集的待测输电线路的电力图像作为预设的输电线路故障检测模型的输入,输出得到待测输电线路的故障检测结果;
其中,预设的输电线路故障检测模型为能够部署在嵌入式设备上的量化模型,量化模型为基于Caffe格式的YOLOv4网络模型;
能够部署在嵌入式设备上的量化模型的构建过程,具体如下:
采集真实场景下输电线路的电力图像,筛选,得到真实故障图像,并构建得到真实图像数据集;
对真实图像数据集中的真实故障图像进行仿真、标签标注,得到仿真标签图像,并构建得到故障仿真数据集;
利用真实图像数据集中的真实故障图像,对故障仿真数据集中的仿真标签图像进行数据增广,得到模型训练样本集,并将训练样本随机划分为训练集及测试集;
利用训练集,对YOLOv4网络模型进行训练,得到训练后的YOLOv4网络模型;
利用剪枝策略,对训练后的YOLOv4网络模型进行剪枝改进,得到剪枝后的YOLOv4网络模型;
对剪枝后的YOLOv4网络模型进行微调,以使模型收敛至最佳,得到微调后的YOLOv4网络模型;
将微调后的YOLOv4网络模型进行格式转化,得到Caffe格式的YOLOv4网络模型,并对Caffe格式的YOLOv4网络模型进行量化,得到量化模型,并将量化模型部署在嵌入式设备中,得到所述的部署在嵌入式设备的量化模型;其中,量化过程,采用测试集对量化模型进行校准;
采集真实场景下输电线路的电力图像,筛选,得到真实图像数据集的过程,具体如下:
采用在输电线路塔架的预设位置,固定安装摄像头对真实场景下的输电线路的电力图像进行采集,并对采集的电力图像进行筛选,得到真实故障图像,并构建得到真实图像数据集;
对真实图像数据集中的真实故障图像进行仿真、标签标注,得到仿真标签图像,并构建得到故障仿真数据集的过程,具体如下:
利用图像仿真软件,对真实图像数据集中的真实故障图像进行仿真,得到故障仿真图像;
采用LableImg工具,对故障仿真图像的目标区域进行标签标注,得到仿真标签图像;根据仿真标签图像,构建得到故障仿真数据集;
其中,目标区域为故障仿真图像中的绝缘子缺损区域、异物短路区域、导线散股区域或导线断股区域;
故障仿真数据集中的仿真标签图像存储为*.xml文件;每个*.xml文件包括仿真标签图像的数据名称、目标区域的类别、目标区域的位置坐标及目标区域的长宽尺寸;
利用真实图像数据集中的真实故障图像,对故障仿真数据集中的仿真标签图像进行数据增广,得到模型训练样本集的过程,具体如下:
将真实图像数据集中的真实故障图像与故障仿真数据集中的仿真标签图像,进行旋转、裁剪、拼接及亮度变换操作,得到模型训练样本集。
5.一种嵌入式设备,所述嵌入式设备包括存储器以及与所述存储器相连的处理;处理器用于存储计算机程序,处理器用于运行所述存储器中存储的计算机程序,以执行如权利要求1-3任一项所述的输电线路故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997315.8A CN113705001B (zh) | 2021-08-27 | 2021-08-27 | 输电线路故障检测方法、系统及嵌入式设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997315.8A CN113705001B (zh) | 2021-08-27 | 2021-08-27 | 输电线路故障检测方法、系统及嵌入式设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705001A CN113705001A (zh) | 2021-11-26 |
CN113705001B true CN113705001B (zh) | 2024-05-07 |
Family
ID=78656174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110997315.8A Active CN113705001B (zh) | 2021-08-27 | 2021-08-27 | 输电线路故障检测方法、系统及嵌入式设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705001B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384940B (zh) * | 2022-03-25 | 2022-06-07 | 北京航天晨信科技有限责任公司 | 一种应用于民用无人机的嵌入式识别模型获得方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN112541389A (zh) * | 2020-09-29 | 2021-03-23 | 西安交通大学 | 一种基于EfficientDet网络的输电线路故障检测方法 |
-
2021
- 2021-08-27 CN CN202110997315.8A patent/CN113705001B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN112541389A (zh) * | 2020-09-29 | 2021-03-23 | 西安交通大学 | 一种基于EfficientDet网络的输电线路故障检测方法 |
Non-Patent Citations (3)
Title |
---|
周仿荣 ; 方明 ; 马御棠 ; 潘浩 ; .基于YOLO v3的输电线路缺陷快速检测方法.云南电力技术.2020,(04),全文. * |
张庆庆 ; 朱仲杰 ; 高明 ; 葛志峰 ; 白永强 ; 屠仁伟 ; .基于CornerNet-Lite的输电塔与绝缘子目标识别与检测.浙江万里学院学报.2020,(03),全文. * |
王彦博 ; 陈培峰 ; 徐亮 ; 张合宝 ; 房凯 ; .基于嵌入式深度学习的电力设备红外热成像故障识别.计算机系统应用.2020,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113705001A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703057B (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
CN112541389A (zh) | 一种基于EfficientDet网络的输电线路故障检测方法 | |
JP2019050376A5 (zh) | ||
CN113705001B (zh) | 输电线路故障检测方法、系统及嵌入式设备 | |
CN113592822A (zh) | 一种电力巡检图像的绝缘子缺陷定位方法 | |
CN110910360A (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN116385911A (zh) | 一种用于无人机巡检绝缘子的轻量型目标检测方法 | |
CN114022715A (zh) | 一种高压电缆终端铅封缺陷检测方法及装置 | |
CN116188433A (zh) | 一种绝缘子缺陷检测方法、装置和设备 | |
CN115546664A (zh) | 一种基于级联网络的绝缘子自爆检测方法及系统 | |
CN116311462A (zh) | 一种结合上下文信息和vgg19的人脸图像修复识别方法 | |
CN114965328A (zh) | 一种紫外多光谱高压线路故障检测与定位方法及装置 | |
KR20210037199A (ko) | 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치 | |
CN112668448B (zh) | 一种生态进程变化分析方法、装置、介质及终端设备 | |
Ramlal et al. | Toward automated utility pole condition monitoring: A deep learning approach | |
CN115861909A (zh) | 一种基于YOLOv7神经网络的输电线路安全的检测方法 | |
CN115689206A (zh) | 一种基于深度学习的变电站基建进度智能监测方法 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
CN115494871A (zh) | 一种输电线路异常的无人机巡检方法、装置以及系统 | |
CN115239812A (zh) | 基于3d任务并行网络的地下塌陷隐患实时检测方法和系统 | |
US9665795B2 (en) | Method and apparatus for identifying root cause of defect using composite defect map | |
CN113947564A (zh) | 一种电力行业低压台区计量设备图像校验方法及系统 |
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 |