CN114463683A - 基于人工智能和大数据的变电设备智能监控系统和方法 - Google Patents

基于人工智能和大数据的变电设备智能监控系统和方法 Download PDF

Info

Publication number
CN114463683A
CN114463683A CN202210130695.XA CN202210130695A CN114463683A CN 114463683 A CN114463683 A CN 114463683A CN 202210130695 A CN202210130695 A CN 202210130695A CN 114463683 A CN114463683 A CN 114463683A
Authority
CN
China
Prior art keywords
camera
pose
equipment
power transformation
area
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
Application number
CN202210130695.XA
Other languages
English (en)
Inventor
刘恋
赵军民
郭力争
柳运昌
王卓
任恒
陈少峰
尚朝阳
李梦源
滕馨蕊
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.)
Henan University of Urban Construction
Original Assignee
Henan University of Urban Construction
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 Henan University of Urban Construction filed Critical Henan University of Urban Construction
Priority to CN202210130695.XA priority Critical patent/CN114463683A/zh
Publication of CN114463683A publication Critical patent/CN114463683A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于人工智能和大数据的变电设备智能监控系统和方法，该系统包括：若干个摄像头，用于利用图像分类网络对变电设备的图像进行第一次分类，根据分类结果初步判断变电设备的异常情况；各个摄像头及其关联摄像头之间通信连接，用于在初步判定变电设备发生异常时，向关联摄像头发送异常验证请求，关联摄像头用于将摄像头及其关联摄像头的位姿信息输入至位姿生成网络，控制关联摄像头调整位姿；关联摄像头在位姿调整后，利用图像分类网络再次对变电设备的图像进行第二次分类，根据分类结果对变电设备的异常情况进行验证，最终确定变电设备发生异常；服务器用于对图像分类网络和位姿生成网络进行训练。本发明解决了变电设备的误检测问题。

Description

基于人工智能和大数据的变电设备智能监控系统和方法
技术领域
本发明涉及变电设备监控和人工智能领域，尤其涉及基于人工智能和大数据的变电设备智能监控系统和方法。
背景技术
现有变电站的智能视频监控系统，通常采用摄像头覆盖进行信息采集的方式或者采用轨道机器人移动进行信息采集的方式，其中，采用摄像头覆盖进行信息采集的方式的优点在于能够保证监测的实时性，但缺点在于摄像头的视角存在限制，需要多个摄像头的配合监事才能实现变电设备监控的全面覆盖。
目前，通过多个摄像头实现变电站的智能视频监控系统，存在的问题在于：
(1)由于一般一个摄像头专门负责监视某个固定区域的一个或几个变电设备，通过该摄像头拍摄的变电设备图像判断出设备异常时，即发出设备异常预警，容易出现误检测的问题。
(2)即使布局多个监视摄像头，增加变电设备监控的覆盖面，仍会存在部分摄像头的视角存在视差的问题，可能导致个别变电设备漏检的情况。
(3)若安装的监视摄像头为可旋转摄像头，在可旋转摄像头进行旋转时，可能会造成本来可以全面覆盖的视野范围出现较大死角，各个摄像头的视野之间存在重复，造成个别变电设备冗余监视的情况，而个别变电设备存在漏检的情况。
发明内容
基于此，有必要针对上述技术问题，提供一种基于人工智能和大数据的变电设备智能监控系统和方法，以解决现有变电设备智能监控系统容易存在误检测的问题。
第一方面，一种基于人工智能和大数据的变电设备智能监控系统的技术方案，包括：
若干个摄像头，各个摄像头用于拍摄其监控变电设备的图像，利用已经训练好的图像分类网络对所述变电设备的图像进行第一次分类，根据所述第一次分类的结果初步判断所述变电设备的异常情况；
与各个摄像头通信连接的服务器，所述服务器用于对所述图像分类网络进行训练，向各个摄像头发送所述图像分类网络的参数；
各个摄像头及其关联摄像头之间通信连接，各个摄像头用于在初步判定所述变电设备发生异常时，向各个摄像头的关联摄像头发送异常验证请求，各个摄像头的关联摄像头用于在接收所述异常验证请求之后，获取所述摄像头的位姿信息和关联摄像头的位姿信息，将所述摄像头的位姿信息和所述关联摄像头的位姿信息输入至已经训练好的位姿生成网络，控制所述关联摄像头进行位姿调整；
所述服务器与所述关联摄像头通信连接，用于对所述位姿生成网络进行训练，向所述关联摄像头发送所述位姿生成网络的参数；
所述关联摄像头用于在位姿调整后，获取所述变电设备的图像，利用所述图像分类网络再次对所述变电设备的图像进行第二次分类，根据所述第二次分类的结果对所述变电设备的异常情况进行验证，最终确定所述变电设备发生异常。
可选的，为避免视角冗余或存在漏检的情况，所述服务器还用于：
在所述关联摄像头进行位姿调整后，利用训练好的全局位姿生成网络，进行全局摄像头的位姿调整，实现对所有变电设备的全局异常监控。
可选的，所述全局位姿生成网络包括生成网络，所述生成网络包括第一编码器和解码器，第一编码器的输出端连接解码器的输入端，第一编码器的输入端用于输入各摄像头的位姿信息以及发生过异常情况的设备信息，所述解码器的输出端用于输出各摄像头位姿调整后的位姿矩阵。
可选的，所述全局位姿生成网络还包括对抗网络，所述对抗网络包括第二编码器和全连接层，所述第二编码器的输入端连接所述解码器的输出端，所述第二编码器的输出端连接全连接层的输入端，所述第二编码器的输入端用于输入各摄像头位姿调整后的位姿矩阵，所述全连接层的输出端用于输出各个摄像头进行位姿调整的评价值。
可选的，所述位姿调整的评价值的确定步骤如下：
确定各个摄像头的整体视野范围评价值：
将各摄像头位姿调整后的位姿矩阵的图像视野范围投影至地面坐标系后拼接确定的面积，再与变电设备区域整体面积进行面积比较，比较得到的面积偏差为死角区域面积，将所述死角区域面积与所述变电设备区域整体面积的比值，作为所述整体视野范围评价值；
确定设定重点区域的覆盖率：
对位姿调整后各个摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第一视野范围；在出现过设备异常以及正出现设备异常的摄像头未调整位姿前，将各个摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第二视野范围；将所述第一视野范围和所述第二视野范围的重合区域面积与所述第二视野范围的面积之比，作为所述设定重点区域的覆盖率；
根据所述整体视野范围评价值和所述设定重点区域的覆盖率，确定所述位姿调整的评价值。
第二方面，一种基于人工智能和大数据的变电设备智能监控方法的技术方案，包括：
利用摄像头获取其监控变电设备的图像，利用已经训练好的图像分类网络对所述变电设备的图像进行第一次分类，根据所述第一次分类的结果初步判断所述变电设备的异常情况；
当初步判定所述变电设备发生异常时，获取所述摄像头的位姿信息和关联摄像头的位姿信息，将所述摄像头的位姿信息和所述关联摄像头的位姿信息输入至已经训练好的位姿生成网络，控制所述关联摄像头进行位姿调整；
利用所述关联摄像头获取所述变电设备的图像，利用所述图像分类网络再次对所述变电设备的图像进行第二次分类，根据所述第二次分类的结果对所述变电设备的异常情况进行验证，最终确定所述变电设备发生异常。
可选的，为避免视角冗余或存在漏检的情况，所述方法还包括：
在所述关联摄像头进行位姿调整后，利用训练好的全局位姿生成网络，进行全局摄像头的位姿调整，实现对所有变电设备的全局异常监控。
可选的，所述全局位姿生成网络包括生成网络，所述生成网络包括第一编码器和解码器，第一编码器的输出端连接解码器的输入端，第一编码器的输入端用于输入各摄像头的位姿信息以及发生过异常情况的设备信息，所述解码器的输出端用于输出各摄像头位姿调整后的位姿矩阵。
可选的，所述全局位姿生成网络还包括对抗网络，所述对抗网络包括第二编码器和全连接层，所述第二编码器的输入端连接所述解码器的输出端，所述第二编码器的输出端连接全连接层的输入端，所述第二编码器的输入端用于输入各摄像头位姿调整后的位姿矩阵，所述全连接层的输出端用于输出各个摄像头进行位姿调整的评价值。
可选的，所述位姿调整的评价值的确定步骤如下：
确定各个摄像头的整体视野范围评价值：
将各摄像头位姿调整后的位姿矩阵的图像视野范围投影至地面坐标系后拼接确定的面积，再与变电设备区域整体面积进行面积比较，比较得到的面积偏差为死角区域面积，将所述死角区域面积与所述变电设备区域整体面积的比值，作为所述整体视野范围评价值；
确定设定重点区域的覆盖率：
对位姿调整后各个摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第一视野范围；在出现过设备异常以及正出现设备异常的摄像头未调整位姿前，将各个摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第二视野范围；将所述第一视野范围和所述第二视野范围的重合区域面积与所述第二视野范围的面积之比，作为所述设定重点区域的覆盖率；
根据所述整体视野范围评价值和所述设定重点区域的覆盖率，确定所述位姿调整的评价值。
上述变电设备智能监控系统和方法，通过提前布置好的摄像头获取变电设备的图像，利用图像分类网络对相关变电设备的异常情况进行初步判断，在初步判断为变电设备存在异常情况时，结合摄像头的位姿信息和摄像头周围关联摄像头的位姿信息，对关联摄像头的位姿进行调整，使位姿调整后关联摄像头准确获取初判为异常情况的变电设备的图像，再次利用图像分类网络进行分类，根据此次分类结果对变电设备的异常情况进行验证，从而确定变电设备发生异常，避免对变电设备的异常进行误判，判断的准确性较高，具有较高的市场应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中变电设备智能监控方法的一应用环境示意图；
图2是本发明一实施例中变电设备智能监控方法的一流程示意图；
图3是本发明一实施例中变电设备智能监控方法的一流程示意图；
图4是本发明一实施例中变电设备智能监控系统的结构示意图；
图5是本发明一实施例中服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供的基于人工智能和大数据的变电设备智能监控方法，可应用在如图1的变电站的应用环境中，其中，多个摄像头布置在相应变电设备上方，多个摄像头与服务端进行通信，服务端与监控端进行通讯。其中，服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在实施例一中，如图2所示，提供一种基于人工智能和大数据的变电设备智能监控方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
步骤S1：利用摄像头获取其监控变电设备的图像，利用已经训练好的图像分类网络对所述变电设备的图像进行第一次分类，根据所述第一次分类的结果初步判断所述变电设备的异常情况。
本步骤中，所述图像分类网络的结构包括编码器和全连接层，所述编码器的输出端连接所述全连接层的输入端，所述编码器的输入端用于输入摄像头监控变电设备的图像，所述全连接层用于输出对所述变电设备的图像进行第一次分类的结果。
本步骤中，所述图像分类网络的训练过程如下：
步骤S101：获取训练数据。
本步骤中，训练数据为对所有变电设备布置的N个(N>3)摄像头采集的多张图像数据，需要说明的是，由于不存在异常类别的图像数据较少，在训练集选取时应平衡两类别对应的图像数量，基于经验通过人工标注方式获取标注数据。
步骤S102：设置所述图像分类网络的损失函数。本步骤中，设置的损失函数采用二值交叉熵损失函数。
步骤S103：对所述图像分类网络进行训练，训练完毕后，将训练得到的网络参数发送至各个摄像头内。
本步骤中，各摄像头通过实时采集变电设备的图像，并送入训练好的图像分类网络，进行第一次分类，若分类结果为存在异常类别情况的图像，则初步判断为变电设备异常，此时向该摄像头的关联摄像头发出通信请求，以进行验证。
需要说明的是，摄像头之间的关联关系可基于实际工况预先设置。例如，将与某个摄像头相邻的一个或几个摄像头作为该摄像头的关联摄像头，在此申明，摄像头之间的相邻关系是指两个摄像头之间的距离在设定距离阈值内，即判定两个摄像头互为关联摄像头。
作为其他实施方式，两个摄像头也可以不是互为关联摄像头关系，当摄像头A和摄像头B之间的距离在设定距离阈值内时，并且摄像头A已经具有一个或若干个关联摄像头，则摄像头B可以不作为像头A的关联摄像头，而像头A作为摄像头B的关联摄像头。
经过本步骤S1，各个摄像头能够对各自监控区域内的变电设备进行图像采集和图像分类处理，计算负担小，且对异常情况应对快速。
步骤S2：当初步判定所述变电设备发生异常时，获取所述摄像头的位姿信息和关联摄像头的位姿信息，将所述摄像头的位姿信息和所述关联摄像头的位姿信息输入至已经训练好的位姿生成网络，控制所述关联摄像头进行位姿调整。
本步骤中，位姿生成网络的结构包括编码器和解码器，其中编码器的输出端连接解码器的输入端，编码器的输入端用于输入检测出设备异常的摄像头的位姿信息，以及该摄像头的关联摄像头的位姿信息，所述编码器的输出端用于输出所述关联摄像头进行位姿变更后的位姿信息。
本步骤中，所述位姿生成网络的训练过程如下：
步骤S201：获取训练数据。训练数据的获取方法如下：
(1)用模拟异常点的方式在变电设备区域中进行异常点模拟生成，例如，可采用在部分变电设备上贴标的方式进行设备异常点模拟，将识别到模拟异常点的摄像头的位姿信息进行记录，以及将该摄像头的关联摄像头的位姿信息记录下来，作为训练数据集的单个样本。
(2)对每个关联摄像头进行位姿遍历，选择各位姿下关联摄像头所拍摄变电设备的图像，并该图像送入步骤S1中确定的图像分类网络中，输出关联摄像头在各位姿下对变电设备的图像进行分类的结果，结果分为两类，包括存在异常情况和不存在异常情况，选择分类结果为存在异常情况下置信度最大值对应的关联摄像头的位姿信息作为样本对应的标注数据。
(3)重复上述步骤(1)和步骤(2)，得到多组样本及对应的标注数据。
步骤S202：设置所述位姿生成网络的损失函数。本步骤中，设置的损失函数采用均方误差损失函数。
步骤S203：对所述位姿生成网络进行训练，训练完毕后，将训练得到的网络参数发送至各个摄像头内。
利用上述已经训练好的位姿生成网络，在该网络中输入初步识别到设备异常的摄像头的原始位姿信息、关联摄像头的原始位姿信息，就能够得到关联摄像头进行位姿变更后的位姿信息，控制关联摄像头进行位姿调整，调整至位姿变更后的位姿信息即可。
经过本步骤S2，能够对初步识别到设备异常的摄像头的关联摄像头进行合理的位姿调整，以准确采集到初步识别到设备异常的图像，用于后续步骤的异常情况进行验证。
步骤S3：利用所述关联摄像头获取所述变电设备的图像，利用所述图像分类网络再次对所述变电设备的图像进行第二次分类，根据所述第二次分类的结果对所述变电设备的异常情况进行验证，最终确定所述变电设备发生异常。
上述步骤S3的具体过程包括：
关联摄像头在步骤S2中进行位姿调整后，利用采集到初步识别到设备异常的图像，利用图像分类网络进行第二次分类处理，若关联摄像头所采集图像经图像分类网络输出的结果也为存在异常情况类别，则确认该变电设备确实存在异常情况，生成变电设备异常信息，并发送给监控端的变电站管理人员；若关联摄像头所采集图像经图像分类网络输出的结果为不存在异常情况类别，则生成变电设备警告信息，并发送给监控端的变电站管理人员。
本发明的变电设备智能监控方法，首先通过提前布置好的摄像头获取变电设备的图像，利用图像分类网络对相关变电设备的异常情况进行初步判断，在初步判断为变电设备存在异常情况时，结合摄像头的位姿信息和摄像头周围关联摄像头的位姿信息，对关联摄像头的位姿进行调整，使位姿调整后关联摄像头准确获取初判为异常情况的变电设备的图像，再次利用图像分类网络进行分类，根据此次分类结果对变电设备的异常情况进行验证，从而确定变电设备发生异常，避免对变电设备的异常进行误判，判断的准确性较高，具有较高的市场应用前景。
在实施例二中，如图3所示，提供一种基于人工智能和大数据的变电设备智能监控方法，该方法在上述步骤S1、步骤S2和步骤S3的基础上，进一步还包括：
步骤S4：在所述关联摄像头进行位姿调整后，利用训练好的全局位姿生成网络，进行全局摄像头的位姿调整，实现对所有变电设备的全局异常监控。
所述全局位姿生成网络包括生成网络和对抗网络两部分，其中，生成网络包括第一编码器和解码器，第一编码器的输出端连接解码器的输入端，第一编码器的输入端用于输入各摄像头的位姿信息以及发生过异常情况的设备信息，所述发生过异常情况的设备信息由一维向量表示，向量中的每个元素代表一个摄像头，元素的值为0、1或2，0代表对应摄像头拍摄区域未出现过设备异常，1代表对应摄像头拍摄区域出现过设备异常，2代表对应摄像头拍摄区域正出现设备异常；所述解码器的输出端用于输出各摄像头位姿调整后的位姿矩阵。
所述全局位姿生成网络中，对抗网络包括第二编码器和全连接层，其中，第二编码器的输入端连接所述解码器的输出端，第二编码器的输出端连接全连接层的输入端，所述第二编码器的输入端用于输入各摄像头位姿调整后的位姿矩阵，所述全连接层的输出端用于输出各个摄像头进行位姿调整的评价值。
上述的对抗网络中，各个摄像头进行位姿调整的评价值的计算式如下：
γ＝w1*α+w2*(1-β)
式中，γ为各个摄像头进行位姿调整的评价值，w1、w2为设定的第一权重、第二权重，在本申请中均取10，实施者可根据实际情况自行调整；α为摄像头的整体视野范围评价值，β为设定重点区域的覆盖率。
上述各个摄像头进行位姿调整的评价值的公式中，摄像头的整体视野范围评价值α的计算式如下：
α＝S′/S
式中，S′为死角区域面积，S为变电设备区域整体面积。死角区域面积的确定方法为：将各摄像头位姿调整后的位姿矩阵的图像视野范围投影至地面坐标系后拼接确定的面积，再与变电设备区域整体面积进行面积比较，比较得到的面积偏差为死角区域面积。
上述各个摄像头进行位姿调整的评价值的公式中，设定重点区域的覆盖率β的计算式如下：
β＝S3/S2
S3＝S1∩S2
式中，S2为出现过设备异常以及正出现设备异常的摄像头在未调整位姿前，将这些摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第二视野范围；S1为位姿调整后上述摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第一视野范围；S3为第一视野范围S1和第二视野范围S2的重合区域面积。
上述的生成网络和对抗网络构成生成-对抗关系，即第一部分的生成网络用于生成各摄像头位姿调整后的位姿矩阵，第二部分的对抗网络用于根据位姿调整的评价值，评价所生成的各摄像头位姿调整后的位姿矩阵。
基于上述考虑，设置生成网络的损失函数如下：
Figure BDA0003502427240000121
式中，L为生成网络的损失函数，(eγ-1)为位姿调整评价值，该评价值采用指数函数映射，使评价值越大，损失增加速度越快；
Figure BDA0003502427240000122
为摄像头调整的位姿约束，其中，k表示一维向量中的第k个元素，K表示一维向量中的元素个数，ck表示第k个元素的元素值(为0、1或2)，
Figure BDA0003502427240000123
表示元素值为ck的第k个元素对应摄像头调整前的位姿矩阵，
Figure BDA0003502427240000124
表示元素值为ck的第k个元素对应摄像头调整后的位姿矩阵，||·||2表示欧式距离的计算，则仅有ck＝2时，摄像头调整的位姿约束值较大，其他情况较小，也即该项约束的是，正出现设备异常区域对应的摄像头和关联摄像头的位姿在调整前后不变，以避免丢失重要信息。
基于上述考虑，设置对抗网络的损失函数为均方误差损失函数，对抗网络的单个训练样本为各摄像头位姿调整后的位姿矩阵，标签数据为对应的位姿调整评价值。
在上述的生成网络和对抗网络训练完毕之后，将各摄像头的位姿信息以及发生过异常情况的设备信息输入至生成网络中，得到各摄像头位姿调整后的位姿矩阵，控制各个摄像头按照生成网络输出的位姿矩阵进行位姿调整。
本发明的变电设备智能监控方法，能够在出现摄像头位姿调整的情况下，基于摄像头的移动信息以及重点变电设备信息，进行全局摄像头位姿调整，以尽可能减少死角区域，避免视角冗余或存在漏检的情况，同时，可配置较少的摄像头实现全局监控，减少设备及其运维成本。
需要说明的是，本实施例中全局位姿生成网络的结构组成中，设置对抗网络的目的是为了简便计算过程，该对抗网络不是必须的，也就是全局位姿生成网络可以只包括生成网络，直接对各摄像头位姿调整后的位姿矩阵按所述位姿调整评价值计算方式进行评价。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在实施例三中，如图4所示，提供一种基于人工智能和大数据的变电设备智能监控系统，该系统包括服务器和若干个摄像头M1、M2、…、Mn，各个摄像头设置在各个变电设备上方，以斜俯视视角进行监控，以采集各个变电设备的图像。并且，各个摄像头中内置有芯片，具备通信及计算能力，可看作计算单元。
上述变电设备智能监控系统中，各个摄像头用于拍摄其监控变电设备的图像，利用已经训练好的图像分类网络对所述变电设备的图像进行第一次分类，根据所述第一次分类的结果初步判断所述变电设备的异常情况。
各个摄像头内置的芯片中存储有已经训练好的图像分类网络，服务器与各个摄像头M1、M2、…、Mn通信连接，用于获取各个摄像头拍摄其监控变电设备的图像，利用各个摄像头拍摄其监控变电设备的图像，对图像分类网络进行训练(网络结构参考上述步骤S1中的记载，网络训练过程请参考上述步骤S101至步骤S103)，将训练完成的网络参数发送给各个摄像头，使各个摄像头能够利用已经训练好的图像分类网络对其监控变电设备的图像进行变电设备的初步判断。
上述变电设备智能监控系统中，各个摄像头及其关联摄像头之间通信连接(例如图4中的摄像头M1与其关联摄像头M2通信连接)，各个摄像头用于在初步判定所述变电设备发生异常时，向各个摄像头的关联摄像头发送异常验证请求，各个摄像头的关联摄像头用于在接收所述异常验证请求之后，获取所述摄像头的位姿信息和关联摄像头的位姿信息，将所述摄像头的位姿信息和所述关联摄像头的位姿信息输入至已经训练好的位姿生成网络，控制所述关联摄像头进行位姿调整。
上述变电设备智能监控系统中，服务器与各个摄像头及其关联摄像头进行通信连接，服务器用于获取检测出设备异常的摄像头的位姿信息，以及该摄像头的关联摄像头的位姿信息，对位姿生成网络进行训练(网络结构参考上述步骤S2中的记载，网络训练过程参考步骤S201至步骤S203中的记载)，得到位姿生成网络的参数，将网络参数发送至各个摄像头的关联摄像头中，使关联摄像头能够根据已经训练好的位姿生成网络确定进行调整的位姿。
上述变电设备智能监控系统中，各个摄像头的关联摄像头在位姿调整后，获取所述变电设备的图像，利用所述图像分类网络再次对所述变电设备的图像进行第二次分类，根据所述第二次分类的结果对所述变电设备的异常情况进行验证，最终确定所述变电设备发生异常。
在实施例四中，提供一种基于人工智能和大数据的变电设备智能监控系统，该系统与实施例三中系统的不同之处在于，在所述关联摄像头进行位姿调整后，服务器利用训练好的全局位姿生成网络，进行全局摄像头的位姿调整，实现对所有变电设备的全局异常监控。
服务器与各个摄像头通信连接，用于接收各摄像头的位姿信息以及发生过异常情况的设备信息，将各摄像头的位姿信息以及发生过异常情况的设备信息输入至全局位姿生成网络的生成网络中，得到各摄像头位姿调整后的位姿矩阵，控制各个摄像头按照生成网络输出的位姿矩阵进行位姿调整。
本实施例中，服务器还用于对全局位姿生成网络进行训练，全局位姿生成网络结构以及具体网络训练过程请参考实施例二中的相关记载，本实施例中不再赘述。
在实施例五中，提供一种基于人工智能和大数据的变电设备智能监控系统，该系统与实施例三中系统的不同之处在于，各个摄像头用于在初步判定所述变电设备发生异常时，向服务器发送各个摄像头的关联摄像头发送异常验证请求，服务器用于在接收所述异常验证请求之后，获取所述摄像头的位姿信息和关联摄像头的位姿信息，将所述摄像头的位姿信息和所述关联摄像头的位姿信息输入至已经训练好的位姿生成网络，然后由服务器控制所述关联摄像头进行位姿调整。而不必用各个摄像头向关联摄像头发送验证请求，由关联摄像头控制在自身的位姿调整。
在一个示例中，提供了一种服务器，其内部结构图可以如图5所示。该服务器包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该服务器的数据库用于存储变电设备智能监控方法所涉及的数据，例如各个摄像头拍摄其监控变电设备的图像、图像分类网络、摄像头的位姿信息和关联摄像头的位姿信息、位姿生成网络，进一步的，服务器的数据库中存储的数据还可以包括全局位姿生成网络。
该服务器的网络接口用于与外部的各个摄像头通过网络连接通信。该计算机可读指令被处理器执行时以实现对图像分类网络进行训练的过程，对位姿生成网络进行训练的过程，以及对全局位姿生成网络进行训练的过程，还用于将最终确定变电设备发生异常的信息发送至监控端。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能和大数据的变电设备智能监控系统，其特征在于，包括：
若干个摄像头，各个摄像头用于拍摄其监控变电设备的图像，利用已经训练好的图像分类网络对所述变电设备的图像进行第一次分类，根据所述第一次分类的结果初步判断所述变电设备的异常情况；
与各个摄像头通信连接的服务器，所述服务器用于对所述图像分类网络进行训练，向各个摄像头发送所述图像分类网络的参数；
各个摄像头及其关联摄像头之间通信连接，各个摄像头用于在初步判定所述变电设备发生异常时，向各个摄像头的关联摄像头发送异常验证请求，各个摄像头的关联摄像头用于在接收所述异常验证请求之后，获取所述摄像头的位姿信息和关联摄像头的位姿信息，将所述摄像头的位姿信息和所述关联摄像头的位姿信息输入至已经训练好的位姿生成网络，控制所述关联摄像头进行位姿调整；
所述服务器与所述关联摄像头通信连接，用于对所述位姿生成网络进行训练，向所述关联摄像头发送所述位姿生成网络的参数；
所述关联摄像头用于在位姿调整后，获取所述变电设备的图像，利用所述图像分类网络再次对所述变电设备的图像进行第二次分类，根据所述第二次分类的结果对所述变电设备的异常情况进行验证，最终确定所述变电设备发生异常。
2.如权利要求1所述的变电设备智能监控系统，其特征在于，所述服务器还用于：
在所述关联摄像头进行位姿调整后，利用训练好的全局位姿生成网络，进行全局摄像头的位姿调整，实现对所有变电设备的全局异常监控。
3.如权利要求2所述的变电设备智能监控系统，其特征在于，所述全局位姿生成网络包括生成网络，所述生成网络包括第一编码器和解码器，第一编码器的输出端连接解码器的输入端，第一编码器的输入端用于输入各摄像头的位姿信息以及发生过异常情况的设备信息，所述解码器的输出端用于输出各摄像头位姿调整后的位姿矩阵。
4.如权利要求3所述的变电设备智能监控系统，其特征在于，所述全局位姿生成网络还包括对抗网络，所述对抗网络包括第二编码器和全连接层，所述第二编码器的输入端连接所述解码器的输出端，所述第二编码器的输出端连接全连接层的输入端，所述第二编码器的输入端用于输入各摄像头位姿调整后的位姿矩阵，所述全连接层的输出端用于输出各个摄像头进行位姿调整的评价值。
5.如权利要求4所述的变电设备智能监控系统，其特征在于，所述位姿调整的评价值的确定步骤如下：
确定各个摄像头的整体视野范围评价值：
将各摄像头位姿调整后的位姿矩阵的图像视野范围投影至地面坐标系后拼接确定的面积，再与变电设备区域整体面积进行面积比较，比较得到的面积偏差为死角区域面积，将所述死角区域面积与所述变电设备区域整体面积的比值，作为所述整体视野范围评价值；
确定设定重点区域的覆盖率：
对位姿调整后各个摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第一视野范围；在出现过设备异常以及正出现设备异常的摄像头未调整位姿前，将各个摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第二视野范围；将所述第一视野范围和所述第二视野范围的重合区域面积与所述第二视野范围的面积之比，作为所述设定重点区域的覆盖率；
根据所述整体视野范围评价值和所述设定重点区域的覆盖率，确定所述位姿调整的评价值。
6.一种基于人工智能和大数据的变电设备智能监控方法，其特征在于，包括以下步骤：
利用摄像头获取其监控变电设备的图像，利用已经训练好的图像分类网络对所述变电设备的图像进行第一次分类，根据所述第一次分类的结果初步判断所述变电设备的异常情况；
当初步判定所述变电设备发生异常时，获取所述摄像头的位姿信息和关联摄像头的位姿信息，将所述摄像头的位姿信息和所述关联摄像头的位姿信息输入至已经训练好的位姿生成网络，控制所述关联摄像头进行位姿调整；
利用所述关联摄像头获取所述变电设备的图像，利用所述图像分类网络再次对所述变电设备的图像进行第二次分类，根据所述第二次分类的结果对所述变电设备的异常情况进行验证，最终确定所述变电设备发生异常。
7.如权利要求6所述的变电设备智能监控方法，其特征在于，所述方法还包括：
在所述关联摄像头进行位姿调整后，利用训练好的全局位姿生成网络，进行全局摄像头的位姿调整，实现对所有变电设备的全局异常监控。
8.如权利要求7所述的变电设备智能监控方法，其特征在于，所述全局位姿生成网络包括生成网络，所述生成网络包括第一编码器和解码器，第一编码器的输出端连接解码器的输入端，第一编码器的输入端用于输入各摄像头的位姿信息以及发生过异常情况的设备信息，所述解码器的输出端用于输出各摄像头位姿调整后的位姿矩阵。
9.如权利要求8所述的变电设备智能监控方法，其特征在于，所述全局位姿生成网络还包括对抗网络，所述对抗网络包括第二编码器和全连接层，所述第二编码器的输入端连接所述解码器的输出端，所述第二编码器的输出端连接全连接层的输入端，所述第二编码器的输入端用于输入各摄像头位姿调整后的位姿矩阵，所述全连接层的输出端用于输出各个摄像头进行位姿调整的评价值。
10.如权利要求9所述的变电设备智能监控方法，其特征在于，所述位姿调整的评价值的确定步骤如下：
确定各个摄像头的整体视野范围评价值：
将各摄像头位姿调整后的位姿矩阵的图像视野范围投影至地面坐标系后拼接确定的面积，再与变电设备区域整体面积进行面积比较，比较得到的面积偏差为死角区域面积，将所述死角区域面积与所述变电设备区域整体面积的比值，作为所述整体视野范围评价值；
确定设定重点区域的覆盖率：
对位姿调整后各个摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第一视野范围；在出现过设备异常以及正出现设备异常的摄像头未调整位姿前，将各个摄像头拍摄图像的视野范围投影至地面坐标系后进行拼接，得到拼接后的第二视野范围；将所述第一视野范围和所述第二视野范围的重合区域面积与所述第二视野范围的面积之比，作为所述设定重点区域的覆盖率；
根据所述整体视野范围评价值和所述设定重点区域的覆盖率，确定所述位姿调整的评价值。
CN202210130695.XA 2022-02-12 2022-02-12 基于人工智能和大数据的变电设备智能监控系统和方法 Pending CN114463683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210130695.XA CN114463683A (zh) 2022-02-12 2022-02-12 基于人工智能和大数据的变电设备智能监控系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210130695.XA CN114463683A (zh) 2022-02-12 2022-02-12 基于人工智能和大数据的变电设备智能监控系统和方法

Publications (1)

Publication Number Publication Date
CN114463683A true CN114463683A (zh) 2022-05-10

Family

ID=81413245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210130695.XA Pending CN114463683A (zh) 2022-02-12 2022-02-12 基于人工智能和大数据的变电设备智能监控系统和方法

Country Status (1)

Country Link
CN (1) CN114463683A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116614319A (zh) * 2023-07-20 2023-08-18 河北神玥软件科技股份有限公司 基于大数据和人工智能的网络安全管控方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116614319A (zh) * 2023-07-20 2023-08-18 河北神玥软件科技股份有限公司 基于大数据和人工智能的网络安全管控方法
CN116614319B (zh) * 2023-07-20 2023-10-03 河北神玥软件科技股份有限公司 基于大数据和人工智能的网络安全管控方法

Similar Documents

Publication Publication Date Title
CN111353413B (zh) 一种输电设备低漏报率缺陷识别方法
CN111209434B (zh) 一种基于多源异构数据融合的变电站设备巡检系统及方法
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN109544501B (zh) 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法
CN110516529A (zh) 一种基于深度学习图像处理的投喂检测方法和系统
CN112272288A (zh) 核电作业监控方法、装置、计算机设备和存储介质
CN111476191B (zh) 基于智慧交通的人工智能图像处理方法及大数据云服务器
CN114463683A (zh) 基于人工智能和大数据的变电设备智能监控系统和方法
CN114255784A (zh) 一种基于声纹识别的变电站设备故障诊断方法及相关装置
CN113343998A (zh) 电力机械表计读数监测系统、方法、计算机设备及应用
CN116453056A (zh) 目标检测模型构建方法和变电站异物入侵检测方法
CN107230195B (zh) 一种影像处理方法和装置
CN112004063B (zh) 一种基于多相机联动的卸油油管连接正确性的监控方法
CN117197440A (zh) 基于机器人的平开门开合程度的检测方法、介质及设备
CN113094244A (zh) 一种用于数据中心的机房运行智能检测系统
CN112819988A (zh) 基于5g的无人机电站智能巡检方法、系统和网络侧服务端
CN112418714A (zh) 一种建筑施工数据安全检测方法、装置及服务器
Zhang et al. DSA-Net: An Attention-Guided Network for Real-Time Defect Detection of Transmission Line Dampers Applied to UAV Inspections
CN113225525B (zh) 一种室内监控方法及系统
CN115311539A (zh) 架空输电线路缺陷识别方法、装置、设备及存储介质
CN113508503A (zh) 用于监测开关设备的装置
CN111105590A (zh) 一种报警方法及装置
CN116403163B (zh) 一种截断塞门手把开合状态的识别方法和装置
CN113114987B (zh) 一种基于Hadoop的电力系统巡检方法和系统
KR102600548B1 (ko) 구조물 건전성 경보 시스템 및 이를 이용한 경보 방법

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