CN114863118A - 一种基于输电线路外部隐患自学习识别系统、方法 - Google Patents

一种基于输电线路外部隐患自学习识别系统、方法 Download PDF

Info

Publication number
CN114863118A
CN114863118A CN202210406089.6A CN202210406089A CN114863118A CN 114863118 A CN114863118 A CN 114863118A CN 202210406089 A CN202210406089 A CN 202210406089A CN 114863118 A CN114863118 A CN 114863118A
Authority
CN
China
Prior art keywords
hidden danger
self
computing platform
channel
target detection
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
CN202210406089.6A
Other languages
English (en)
Inventor
陈波
涂婳
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.)
Yantu Technology Co ltd
Original Assignee
Yantu Technology 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 Yantu Technology Co ltd filed Critical Yantu Technology Co ltd
Priority to CN202210406089.6A priority Critical patent/CN114863118A/zh
Publication of CN114863118A publication Critical patent/CN114863118A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明属于输电线路安全监测技术领域，公开了一种基于输电线路外部隐患自学习识别系统、方法，包括：边缘计算平台进行输电电线周边环境图像的采集，并利用基于自学习机制的隐患目标检测模型进行通道隐患识别以及通道隐患位置确定；数据传输存储模块将边缘计算平台采集的图像以及检测识别结果传输至云端计算平台；并将远端计算平台训练的基于自学习机制的隐患目标检测模型传输至边缘计算平台；云端计算平台接收数据传输存储模块传输的数据，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练与同步部署。本发明的基于输电线路外部隐患自学习识别方法准确性达到90％以上。

Description

一种基于输电线路外部隐患自学习识别系统、方法
技术领域
本发明属于输电线路安全监测技术领域，尤其涉及一种基于输电线路外部隐患自学习识别系统、方法。
背景技术
目前，输电线路的稳定运行，是电力系统安全的重要环节之一，因此，保证输电线路的安全与稳定是电力网络基础设施建设的基石。在实际应用场景中，输电线路周边环境的通道隐患种类众多，主要包括施工机械外力破坏、导线异物和山火这三大类。由于上述隐患都会对特高压输电线路造成威胁，引发严重停电事故，所以需要针对线路附近的各类通道隐患进行检测、识别与报警。针对输电线路的周边环境建立通道隐患智能识别架构，是输电线路稳定运行的重要保证。
输电线路的周边环境通道隐患智能识别系统主要包括基于传统人工识别方式、基于人工智能算法、基于无人机巡视和基于云/边协同方式等。传统人工识别系统，主要通过工作人员巡逻、视频监控等方式人工检查通道隐患，该方式的准确率和实时性偏低。基于无人机的智能识别系统，主要包括无人机巡视子系统、无线通信链路和后台图像识别系统三大部分。系统通过无人机远程采集图片，基于无线通信将图像传输到后台服务器进行图像识别。基于无人机的智能识别系统可结合深度学习领域的图像识别模型，达到较高的识别准确率。
在当今深度学习、图像识别和云/边协同技术蓬勃发展的背景下，基于云/边协同架构的智能识别系统应运而生。基于云/边协同架构的智能识别系统，主要包括边缘计算端、无线通信信道和云计算端三大部分。边缘计算端负责隐患图像采集，然后通过无线通信信道，传输至云端计算服务器，云端服务器负责模型的训练、推理阶段以及结果处理和报警等操作。云/边协同识别架构的提出，有利于边缘端分担云端后台服务器数据压力，同时提供了算法模型可自动迭代更新的环境。
然而，当前的输电线路通道隐患智能识别系统仍然存在较多问题。一方面，许多系统没有引入云/边协同方式，或者出现云/边协同系统双边的数据压力不平衡现象，即云端计算量大，边缘端计算量小，也导致云/边数据传输负载压力大。另一方面，图像识别模型大多不具备强化学习迭代架构，不支持自学习在线更新。
输电线路的隐患图像智能识别系统，从早期的传统人工识别系统，再发展到后来的基于人工智能算法和基于无人机的智能识别系统，直到如今的云/边协同智能识别系统。随着人工智能技术和智能硬件的发展，如今输电线路的隐患图像智能识别系统引入了前沿的深度学习领域的图像识别算法，例如Yolo模型等，以及云/边智能硬件，例如华为Atlas人工智能计算平台等。
目前的输电线路的通道隐患智能识别系统多依托现代通信技术、人工智能算法和智能硬件等，实现对远程的输电线路周边环境进行智能识别通道隐患的功能，相对于传统人工识别系统大大提高准确率和实时性，同时节省大量人力。在基于人工智能算法的智能识别系统上，现有技术1引入Yolo-v3模型和RFCN模型分别作为一阶段和二阶段检测框架，并融合深度强化学习算法。现有技术2基于输电线路周边环境的现场运维采集的图片，引入CNN模型对通道隐患进行识别和分类，包括吊车、挖掘机、线上异物等通道隐患进行识别和分类。在基于无人机的智能系统上，现有技术3利用无人机远程采集图像，并引入Fast-RCNN模型实现输电线路缺陷检测任务。然而，目前搭载在无人机上的巡检算法无法满足通道隐患检测的高质量、高效率、低延迟的需求。
随着云计算和边缘计算技术的快速发展，基于云/边协同的智能识别系统应运而生。针对传统智能检测系统的数据处理等任务多在后台处理，导致数据通信和储存压力大的缺点，现有技术4基于云/边协同架构，引入Yolo模型在边缘端进行一次识别，仅对疑似图片在云端实现二次识别，大大提升了准确率和实时性。针对电力物联网，现有技术5基于云边协同架构，提出一种新型的集中-分布联合控制模式，建立了基于云边协同的电力物联网物理架构。针对电网企业，现有技术6基于云边协同原理构建人工智能平台，完成数据处理、储存等多种任务。在实际应用场景中，结合人工智能算法和智能硬件平台，例如华为Atlas人工智能平台，可以构建云/边协同架构下的智能识别系统，其中边缘端平台主要负责图像采集、预处理以及目标检测模型的推理，云端平台则负责模型的训练过程，二者之间的通信可引入现代通信技术，包括光纤、5G通信等。
结合华为Atlas硬件平台，可以构建完善的云/边协同智能识别架构。现有技术7基于搭载华为Atlas-200加速模块的无人机和轻量级算法MGFF-KCD，构建输电线路隐患识别系统。华为Atlas-200加速模块的引入，使得边缘端具备一定的计算能力，可以完成图像采集、预处理和模型推理等功能，大大提升通道隐患的识别准确率和实时性。除了Atlas-200平台，华为还推出Atlas-300、500、800和900等人工智能计算平台，支持边缘端、云端服务器等多种应用场景的。同时，现有技术8提出基于ARM设备的边缘端，然而实验表明处理速度为66ms/图像，相对于现有技术7基于Atlas-200的边缘端方案耗时更长，后者的处理速度为62ms/图像，因此，实验表明华为Atlas平台的计算能力和处理速度相对更具有优势。
在输电线路的周边环境隐患识别的人工智能算法研究上，现有技术1引入Yolo-v3模型和RFCN模型作为目标检测框架，取得良好效果；现有技术9提出基于Faster R-CNN模型，检测输电线路中的关键部件的通道隐患，并在线路中的间隔棒、防震锤和均压环的三类部件上进行实验，取得较好效果。现有技术10提出一种深层神经网络U-net的航拍绝缘子检测方法；现有技术8提出了基于多尺度特征的输电线路关键部件的检测算法，并引入CNN进行特征抽取。随着深度强化学习算法的发展，如今有学者开始关注结合强化学习方法用于目标检测。现有技术1结合强化学习算法和Yolo-v3模型，实现对烟雾、导线异物、覆冰雪灾等隐患因素的动态检测，然而算法主要基于图像进行，而不是基于视频流进行。
当前，在特高压输电线路的维护作业中，大量采用由网络摄像头、人工智能识别设备组成的智能识别系统，进行实时隐患监测，取得了显著的成效。然而，当前的通道隐患智能识别架构存在较多问题。首先，计算任务缺乏云/边协同，使得云端计算量大，云/边数据传输负载大；其次，识别算法本身缺乏云/边协同，不具备自学习迭代架构，算法不能进行自学习更新。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术的计算任务缺乏云/边协同，云端计算量大，云/边数据传输负载大；
(2)现有的隐患识别方法缺乏云/边协同，不能进行自学习更新；
(3)现有的隐患识别方法识别准确率低，且不能进行实时告警。
(4)当前的输电线路通道隐患智能识别系统一方面没有引入云/边协同方式，或者出现云/边协同系统双边的数据压力不平衡现象，即云端计算量大，边缘端计算量小，也导致云/边数据传输负载压力大。另一方面，图像识别模型大多不具备强化学习迭代架构，不支持自学习在线更新。
发明内容
针对现有技术存在的问题，本发明提供了一种基于输电线路外部隐患自学习识别系统、方法。
本发明是这样实现的，一种基于输电线路外部隐患自学习识别系统，所述基于输电线路外部隐患自学习识别系统包括：
边缘计算平台、数据传输存储模块以及云端计算平台；
边缘计算平台，与数据传输存储模块连接，用于进行输电线路周边环境图像的采集，并利用基于自学习机制的隐患目标检测模型进行通道隐患识别以及通道隐患位置确定；
数据传输存储模块，与边缘计算平台、云端计算平台连接；用于利用省级节点服务器集群、5G通信、光纤通信、无线通信或其他通信信道将边缘计算平台采集的图像以及检测识别结果传输至云端计算平台；并将远端计算平台训练的基于自学习机制的隐患目标检测模型传输至边缘计算平台；
云端计算平台，与数据传输存储模块连接，用于接收数据传输存储模块传输的数据，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练与同步部署。
进一步，所述云端计算平台包括：
数据接收处理单元，用于接收并整理数据传输存储模块传输的输电电线周边环境图像以及通道隐患检测结果；
分析预警单元，用于对接收的通道隐患检测结果进行预警与分析；
模型训练单元，用于对接收的图像与标签重新训练基于自学习机制的隐患目标检测模型；
模型部署单元，用于将训练后的基于自学习机制的隐患目标检测模型利用数据传输存储模块同步部署至边缘计算平台。
进一步，所述基于自学习机制的隐患目标检测模型包括：
输入层，用于输入固定尺寸的RGB三通道图像；
特征提取层，用于进行输入图像的特征提取；
特征优化网络，用于对特征抽取结果进行优化处理；
多尺度预测网络，用于采用多头输出形式输出大中小尺度的特征图；所述大中小尺度的特征图分别对应大中小目标的检测结果；
本发明的另一目的在于提供一种应用于所述基于输电线路外部隐患自学习识别系统的基于输电线路外部隐患自学习识别方法，所述基于输电线路外部隐患自学习识别方法包括：
步骤一，边缘计算平台利用摄像设备进行输电线路周边环境图像的采集，并利用预先训练的目标检测模型基于采集的图像进行通道隐患目标检测，对未正确识别的隐患根据上下文隐患信息和跟踪算法进行自动标注；
步骤二，数据传输存储模块利用省级节点服务器集群、通信信道逐帧实时地将边缘计算平台采集的图像及生成的标注文件(在边缘端完成的，即后面的目标追踪和插值标注)和通道隐患目标检测结果传输至云端计算平台；
步骤三，云端平台接收数据传输存储模块传输的图像与通道隐患目标检测结果，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练；
步骤四，利用数据传输存储模块将训练更新后的基于自学习机制的隐患目标检测模型同步部署至边缘计算平台。
进一步，所述进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练包括：
当检测结果显示具备通道隐患目标时，云端计算平台进行通道隐患预警；
当图像出现未识别帧时，基于自学习机制引入视频跟踪算法和插值算法对未识别帧进行自动标注，并重新整理训练集进行基于自学习机制的隐患目标检测模型地增量训练。
进一步，所述步骤三包括：
首先，获取采集的视频图像以及通道隐患目标检测结果，针对收到的所有视频帧检测结果，进行未识别帧抽取；
其次，在边缘端基于未识别帧的前后帧信息利用视频跟踪算法和插值算法分别对所有未识别帧进行预测，得到2个预测的检测框，引入权重方法将所述2个预测的检测框统一为一个检测框，将统一后的检测框标注为未识别帧的目标检测结果，并生成标注文件；
最后，基于自动标注的结果整理得到新训练集，利用得到的新训练集对所述基于自学习机制的隐患目标检测模型进行增量训练，得到训练后的基于自学习机制的隐患目标检测模型。
进一步，所述未识别帧包括：
当连续帧图像下，时刻T-1和时刻T+1的帧图像均检测出存在通道隐患，但时刻T却没有时，判断时刻T对应的视频帧为未识别帧，可以推广到时刻T-N和时刻T+N的帧图像均检测出存在通道隐患，但时刻T-N+1至T+N-1却没有识别到通道隐患，将时刻T-N+1至T+N-1所有视频帧都视为未识别帧。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于输电线路外部隐患自学习识别方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于输电线路外部隐患自学习识别方法。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述基于输电线路外部隐患自学习识别系统。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。本专利克服了传统隐患识别模型训练集数据数量较少的问题，且模型效果不能自动进一步提升。在初试训练只需标注少量数据，通过自学习机制不断地从现实环境中扩充训练集数据，通过不断迭代训练，提高模型泛化性。在边缘端，引入了目标检测算法对输电线路的隐患目标进行识别，并结合视频上下文隐患信息进行未正确识别的隐患数据进行自标注。在云端，通过改进目标检测算法架构，引入新的激活函数，提升模型训练效果。具体描述如下：
本发明基于云/边协同框架提出智能识别系统，引入5G通信技术和前沿的深度学习模型，大大提高隐患目标检测的实时性和准确性，并且节省大量人力，达到有效自动识别和分析的效果。
本发明基于华为Atlas-200构建边缘计算平台，负责采集和识别图像，并通过5G通信传输图像、识别结果至华为Atlas-800的云端计算平台，云端会根据识别结果及时报警反馈给相关工作人员，从而实现了云/边智能识别隐患的目的。同时，系统提供深度学习模型的在线训练和在线部署等功能。实验结果表明，本发明提出的云/边协同目标识别系统，可以在保证实时告警的同时，实现较好的计算负载均衡；同时，经过强化学习，目标识别算法的准确性达到90％以上。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明的云/边协同框架将推理等计算移到边缘计算设备端进行，模型训练在云端进行，更新后的算法再部署到边侧，缓解了云端计算压力，同时降低网络负载。同时，本发明借助自学习机制，利用基于视频的隐患目标识别云/边协同算法对隐患目标进行识别与跟踪，依靠插值计算结果，自主发现并标注错误的图像帧，交给云端迭代学习，实现云/边自学习更新，提高了准确性。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
本发明的技术方案转化后的预期收益和商业价值为：极大地减少电力公司在隐患巡检所花费的大量的人力成本，提高隐患识别的实时性，极大地减少输电路线因隐患导致故障发生，避免了经济损失。
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：本发明解决了传统输电线路故障隐患识别需要大量人工进行线路巡检，耗费大量人力和物力，现有的隐患识别系统计算任务缺乏云/边协同，云端计算量大，云/边网络数据传输负载大，边缘端计算资源未得到合理使用，现有的隐患识别方法缺乏云/边协同，不能进行自学习更新，并且识别准确率低，实时性较差。
附图说明
图1是本发明实施例提供的基于输电线路外部隐患自学习识别系统架构图；
图2是本发明实施例提供的模型的在线训练&部署示意图；
图3是本发明实施例提供的DTDM-SLM模型框图；
图4是本发明实施例提供的基于输电线路外部隐患自学习识别方法流程图；
图5是本发明实施例提供的γ＝0.1时Mish函数图像；
图6是本发明实施例提供的γ＝0.1时Leaky ReLU函数图像；
图7是本发明实施例提供的基于自学习机制的目标检测示意图；
图8是本发明实施例提供的通道隐患种类汇总示意图；
图9是本发明实施例提供的烟雾隐患检测结果示意图；
图10是本发明实施例提供的挖掘机隐患的检测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。在边缘端通过可视化监拍设备进行隐患实时监控，在后台通过隐患识别算法进行实时隐患识别，并通过未识别帧检测算法和自动标注算法进行未识别数据自动标注，最后将标注后的结果数据发送到云端，在云端进行迭代训练，训练结束后将模型文件部署到边缘端，算法伪码如下。
表1 未识别帧检测算法
Figure BDA0003602211190000091
Figure BDA0003602211190000101
表2 自动标注算法(跟踪算法&插值算法)
Figure BDA0003602211190000102
Figure BDA0003602211190000111
具体地，如图1所示，本发明实施例提供的基于输电线路外部隐患自学习识别系统包括：
边缘计算平台，与数据传输存储模块连接，用于进行输电线路周边环境图像的采集，并利用基于自学习机制的隐患目标检测模型进行通道隐患识别以及通道隐患位置确定；
数据传输存储模块，与边缘计算平台、云端计算平台连接；用于利用省级节点服务器集群、5G通信、光纤通信、无线通信或其他通信信道将边缘计算平台采集的图像以及检测识别结果传输至云端计算平台；并将云端计算平台训练的基于自学习机制的隐患目标检测模型传输至边缘计算平台；
云端计算平台，与数据传输存储模块连接，用于接收数据传输存储模块传输的数据，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练与同步部署。
如图2所示，本发明实施例提供的云端计算平台包括：
数据接收处理单元，用于接收并整理数据传输存储模块传输的输电电线周边环境图像以及通道隐患检测结果；
分析预警单元，用于对接收的通道隐患检测结果进行预警与分析；
模型训练单元，用于对接收的图像与标签重新训练基于自学习机制的隐患目标检测模型；
模型部署单元，用于将训练后的基于自学习机制的隐患目标检测模型利用数据传输存储模块同步部署至边缘计算平台。
如图3所示，本发明实施例提供的基于自学习机制的隐患目标检测模型包括：
输入层，用于输入固定尺寸的RGB三通道图像；
特征提取层，用于进行输入图像的特征提取；
特征优化网络，用于对特征抽取结果进行优化处理；
多尺度预测网络，用于采用多头输出形式输出大中小尺度的特征图；所述大中小尺度的特征图分别对应大中小目标的检测结果；
如图4所示，本发明实施例提供的基于输电线路外部隐患自学习识别方法包括：
S101，边缘计算平台利用摄像设备进行输电线路周边环境图像的采集，并利用预先训练的目标检测模型基于采集的图像进行通道隐患目标检测，对未正确识别的隐患根据上下文隐患信息和跟踪算法进行自动标注；
S102，数据传输存储模块利用省级节点服务器集群、通信信道逐帧实时地将边缘计算平台采集的图像及生成的标注文件和通道隐患目标检测结果传输至云端计算平台；
S103，云端平台接收数据传输存储模块传输的图像与通道隐患目标检测结果，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练；
S104，利用数据传输存储模块将训练更新后的基于自学习机制的隐患目标检测模型同步部署至边缘计算平台。
本发明实施例提供的进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练包括：
当检测结果显示具备通道隐患目标时，云端计算平台进行通道隐患预警；
当图像出现未识别帧时，基于自学习机制引入视频跟踪算法和插值算法对未识别帧进行自动标注，并重新整理训练集进行基于自学习机制的隐患目标检测模型的增量训练。
本发明实施例提供的步骤S103包括：
首先，获取采集的视频图像以及通道隐患目标检测结果，针对收到的所有视频帧检测结果，进行未识别帧抽取；
其次，基于未识别帧的前后帧信息利用视频跟踪算法和插值算法分别对所有未识别帧进行预测，得到2个预测的检测框，引入权重方法将所述2个预测的检测框统一为一个检测框，将统一后的检测框标注为未识别帧的目标检测结果；
最后，基于自动标注的结果整理得到新训练集，利用得到的新训练接对所述基于自学习机制的隐患目标检测模型进行增量训练，得到训练后的基于自学习机制的隐患目标检测模型。
本发明实施例提供的未识别帧包括：
当连续帧图像下，时刻T-1和时刻T+1的帧图像均检测出存在通道隐患，但时刻T却没有时，判断时刻T对应的视频帧为未识别帧。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1：
1、基于华为Atlas的云/边协同智能识别架构
如图1为本发明设计的基于华为Atlas的云/边协同智能识别架构，主要包括边缘计算平台、省级节点服务器集群、云端计算平台以及5G通信、光纤通信等通信信道。其中，边缘计算平台和云端计算平台是本架构的核心，省级节点服务器集群以及5G、光纤等通信信道，作为连接边缘端和云端平台的储存与传输模块。接下来，分别从边缘计算平台、云端计算平台和云/边协同架构这三大部分详细介绍云/边协同智能识别架构。
1.1边缘计算平台
云/边协同架构的边缘计算平台，主要包括三部分：挂载于电塔的网络摄像头、有线网络和华为Atlas-200平台。在边缘计算端，网络摄像头主要负责采集输电线路周边环境的图像，并通过有线网络传输图像至华为Atlas-200平台。华为Atlas-200是边缘计算平台的核心模块，主要负责对采集的周边环境图像进行目标检测，判断是否有通道隐患以及通道隐患的位置。华为Atlas-200平台采用昇腾310芯片，提供一定的AI算力、内存和稳定的网络通信，可以搭载TensorFlow等深度学习框架，因此可以基于5G、光纤通信等在线同步部署目标检测模型。华为Atlas-200人工智能平台的引入，使得边缘计算平台具备一定的计算能力，并可实现边缘端模型推理，相对于传统智能识别系统，不需要再传输图像至云端服务器进行后台模型推理，从而大大降低云端服务器计算压力和云/边传输压力。
1.2云端计算平台
云/边协同架构的云端计算平台，主要包括中心服务器集群和华为Atlas-800人工智能平台。中心服务器集群主要负责和各省级节点服务器集群建立光纤通信，收集、整理各节点服务器传输的输电电线周边环境图像。除此之外，中心服务器通过各节点服务器，收集各边缘端通道隐患检测结果，例如对应湖北省节点服务器的边缘端设备，检测周边环境存在烟雾的通道隐患时，会基于5G通信和湖北省节点服务器传输检测结果至云端的中心服务器集群。基于收集的边缘端通道隐患检测结果，可以执行预警、后台分析等相关操作。华为Atlas-800人工智能平台则主要基于采集的图像以及对应的标签，训练目标检测模型。华为Atlas-800采用鲲鹏920芯片，具有强大的AI计算能力，具有庞大CPU内存和NPU内存，支持搭载Ubuntu等操作系统和多种编程语言编译环境，以及TensorFlow等多种深度学习框架，因此满足深度学习模型的训练和推理需求。
1.3云/边协同架构
下述内容公开了云/边协同架构，包括双边的计算资源、模型的协同方式，数据、模型等在双边通信、协同和同步等的具体原理。
(1)计算资源协同
计算资源协同，指的是目标检测模型所需系统环境、编程语言、编译环境等的统一协同。本发明的目标检测模型在本地训练、测试时，采用Python 3.6编程语言，操作系统为Ubuntu 16.04，涉及TensorFlow等第三方库，因此边缘端的华为Atlas-200平台和云端的华为Atlas-800平台也需要提供相应软件环境。由于模型推理阶段的系统环境需要和训练阶段的系统环境一致，负责推理的边缘端平台的系统环境需要和负责训练的云端平台同步。因此，双边系统环境初始化会默认支持Python 3.6，TensorFlow等第三方库，如果云端系统环境出现变化，会基于5G、光纤通信等通信方式，和边缘端的系统环境进行协同、同步，保证云/边双侧的系统环境一致以及模型的顺利部署、工作。
(2)模型的协同与自更新机制
模型的协同机制，指的是云端计算平台的华为Atlas-800通过数据传输与储存模块，和边缘端的华为Atlas-200进行模型同步、部署，其中数据传输与储存模块，包括服务器、5G通信和光纤通信模块等。
如图2为模型协同机制的流程框图，其中华为Atlas-200边缘计算平台和华为Atlas-800云端计算平台通过数据传输与储存模块，建立连接。一方面，华为Atlas-200边缘计算平台通过数据传输与储存模块，将边缘端的输电电线隐患目标检测结果、采集的图像等数据传输到华为Atlas-800云端计算平台，从而给相应的工作人员进一步分析结果。另一方面，华为Atlas-800云端计算平台可以基于边缘端传输的图像和标签进行在线训练模型，并通过输出传输与储存模块，将模型传输到Atlas-200边缘端计算平台，从而完成模型的在线训练和在线部署过程。
2、基于自学习机制的云/边协同的目标检测模型
针对输电线路周边环境的通道隐患识别问题，综合考虑到需要满足通道隐患检测的高质量、高效率、低延迟的需求，本发明参考经典目标检测模型，包括Faster-RCNN、Yolo系列模型等，提出基于自学习机制的隐患目标检测模型DTDM-SLM模型(DTDM-SLM，DangerTarget Detection Model based on Self Learning Mechanism)。通过引入自学习机制，DTDM-SLM模型可在不需要外界人为干预的前提下，不断自行地深化学习能力，降低应用场景下的误判率。以下分别从DTDM-SLM模型主体和自学习机制的引入两部分介绍模型原理。
2.1 DTDM-SLM模型
如图3为DTDM-SLM模型的具体框图，模型包括输入层、主干网络、特征优化网络和多尺度预测网络。
DTDM-SLM模型的输入层，是批量的固定尺寸的RGB三通道图像。此处以统一为N*N(N作为超参数设置)的图像尺寸作为输入，图像默认为RGB三通道图像。
特征抽取层，主要负责图像的特征抽取，是模型的重要部分之一。该层主要组件包括CBM组件和CSP-X组件。其中，CBM组件，等价于卷积层(Convolution，Conv)、标准化层(Batch Normalization，BN)和Mish激活函数的串联。Conv和BN子组件的原理相对简单，此处不赘述，主要介绍Mish激活函数。Mish激活函数是一种新型激活函数，在最终的实验准确度上比经典ReLU激活函数提高了1.671％。Mish公式如下所示，函数图像如图5和图6所示。
Mish(x)＝x*tanh[ln(1+ex)]
CSP-X组件，指的是内部有X个残差单元Res Unit。如图3所示，CSP-X组件的基本子模块包括CBM组件、Res Unit组件和Concat操作模块。综上所述，特征抽取层主要包括卷积层、BN层、残差单元等基本组件，多层卷积层用于图像特征抽取，残差单元的引入保证了可以避免出现梯度消失等深层网络退化现象。
特征优化网络，处于主干网络和输出层之间，主要负责对特征抽取结果进一步优化处理，是模型的重要部分之一。特征优化网络，主要包括CBL组件、上采样模块、concat拼接模块等。其中，CBL组件，等价于卷积层(Convolution，Conv)、层标准化(BatchNormalization，BN)和Leaky ReLU激活函数的串联。对比看出，CBL组件和CBM组件的区别仅在于激活函数。Leaky ReLU激活函数为ReLU改进版激活函数。Leaky ReLU公式如下所示，
Figure BDA0003602211190000171
其中，γ是1个很小的常数，比如0.01，当γ＜1，Leaky ReLU可改写成：
Leaky ReLU(x)＝max(x,γx)
如图5和图6所示，为γ＝0.1时Leaky ReLU函数图像，
多尺度预测网络，作为DTDM-SLM的输出层，采用多头输出形式，包括大中小尺度的特征图输出，分别对应大中小目标的检测结果，用于后续特征框的绘制，可充分挖掘不同尺度的目标信息。
DTDM-SLM的损失函数，选用了经典的CIoU损失函数。CIoU损失函数(CompleteIntersection over Union，CIoU)的公式如下，
Figure BDA0003602211190000172
Figure BDA0003602211190000173
Figure BDA0003602211190000174
Figure BDA0003602211190000175
Figure BDA0003602211190000176
其中，
Figure BDA0003602211190000177
是惩罚项，惩罚项具体参数含义如下：
·
Figure BDA0003602211190000178
预测框；yi：真实框
·
Figure BDA0003602211190000179
：预测框中心点坐标；yi (ctr)：真实框中心点坐标
·ρ2(·)是欧式距离的计算
·c为
Figure BDA0003602211190000181
yi最小包围框的对角线长度
2.2自学习机制的引入
如图7为基于自学习机制的目标检测模型流程框图，本发明通过引入自学习机制，使得云/边协同框架可以及时更新和部署模型。以下为结合自学习机制和DTDM-SLM模型的方法。
自学习机制(Self-training)是一种半监督方法，主要思想是用未标注数据集扩充已标记数据集，算法流程如下所示，
表3.自学习算法机制
Figure BDA0003602211190000182
如图7所示，在边缘端计算平台上，首先，网络摄像头采集图像；然后，边缘端的华为Atlas-200计算平台利用DTDM-SLM模型进行通道隐患的目标检测，可以逐帧获得目标检测结果。通过5G和光纤通信等数据传输和储存模块，边缘端可逐帧实时地将检测结果传递至云端。在云端计算平台，首先，针对收到的所有视频帧检测结果，进行未识别帧抽取。未识别帧指的是，在连续帧图像下，如果时刻T-1和时刻T+1的帧图像均检测出存在通道隐患，但是时刻T却没有，则时刻T对应的视频帧为未识别帧，类似地可以扩展为，在时刻T-N和时刻T+N之间出现连续的2N-1未识别帧。然后，针对所有未识别帧，引入视频的目标跟踪算法和插值算法，可以利用未识别帧的前后帧信息，分别得到2个预测的检测框，接着引入权重方法可以将二者统一为一个检测框，这个框作为未识别帧的目标检测结果。最后，基于跟踪算法和插值算法，所有未识别帧均可以获得对应的检测框结果，因此，基于自动标注的结果整理为新训练集，云端的华为Atlas-800计算平台在新训练集和旧模型基础上，增量训练出新模型，并可以通过数据传输重新更新和部署至边缘端的华为Atlas-200平台。
通过引入上述的自学习机制，云/边协同框架可以自行更新和部署DTDM-SLM模型，期间不需要人工额外去优化模型自身的识别效果，使得框架自身具有机制去不断迭代和提升目标检测效果，不仅大大降低了人力物力，而且提升了通道隐患的检测效果和效率。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明的应用实施例提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于输电线路外部隐患自学习识别方法。
本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于输电线路外部隐患自学习识别方法。
本发明的应用实施例提供了一种信息数据处理终端，所述信息数据处理终端用于实现所述基于输电线路外部隐患自学习识别系统。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
1实验结果与分析
1.1实验数据集
本发明的通道隐患的目标检测任务的数据集，均来源于国家电网实际生产环境下电塔摄像头所拍摄图片，包括春夏秋冬，晴天、阴天等多种天气环境下采集的图片。采集的图片的分辨率约为2500×2000像素，其中隐患事物类别包括塔吊、吊车等15种。实验的训练集和测试集的数据量，分别为4.5k和1.5k。如图8为本发明实验中的所有通道隐患事物类别。
1.2云/边协同实验环境
本发明实验的软硬件环境包括3个，分别是本地电脑环境，用于离线训练、测试模型；边缘端环境，即华为Atlas-200平台环境，用于在线测试模型；云端环境，即华为Atlas-800平台环境，用于在线训练模型。以下分别介绍各自的软硬件环境。
(1)本地电脑实验环境
本地电脑编程语言选用Python语言，Python版本为3.6.1。使用的框架为TensorFlow，版本为1.12.0。使用的电脑配置为内存：32G，处理器：Intel Xeon(R)CPU E5-2623v3@3.00GHz*8，显卡：TITAN Xp，操作系统：Ubuntu16.04 64-bit。
(2)边缘计算平台实验环境
边缘端的软件环境和本地电脑一致，包括Python 3.6.1，TensorFlow 1.12.0等软件编译环境。硬件环境方面，配置内存：8GB，处理器：昇腾310。
(3)云端计算平台实验环境
云端的软件环境和本地电脑一致，包括Python 3.6.1，TensorFlow 1.12.0等软件编译环境。硬件环境方面，配置内存：最大256GB，支持CPU和NPU内存，处理器：2个鲲鹏920，操作系统：Ubuntu16.04 64-bit。
1.3实验结果分析
本发明的实验结果分析主要包括以下几部分：(1)DTDM-SLM模型在本地电脑的离线训练、测试的效果、耗时；(2)边缘端DTDM-SLM模型的测试耗时；(3)云端DTDM-SLM模型的训练耗时。
表4.DTDM-SLM模型的训练&测试的效果&性能(本地电脑)
Figure BDA0003602211190000211
表5.DTDM-SLM模型的训练/测试的效果&性能(云端)
Figure BDA0003602211190000212
如表4为DTDM-SLM模型在本地电脑的离线训练和测试的效果、耗时的具体结果。分析可知，DTDM-SLM模型在训练集上训练，在测试集上测试，准确率高达93％，在查准率P、查全率R和F1值上分别可达到93％、93％、93％，mAP值可达80％，均符合预期需求和实际应用场景。同时，在性能方面，DTDM-SLM模型的训练耗时为1240秒/epoch，测试耗时为535毫秒/帧，即约0.5秒/帧，满足实际应用需求。
表6.DTDM-SLM模型的测试性能(边缘端)
模型 测试耗时/毫秒每帧
DTDM-SLM 624
表7.DTDM-SLM模型的训练性能(云端)
模型 测试耗时/秒每epoch
DTDM-SLM 500
如表6和表7所示，DTDM-SLM模型在边缘端的测试耗时和在云端的训练耗时分别为624毫秒/帧和500秒/epoch。
1.4应用实例分析
如图9和图10所示，分别对应目标检测结果是烟雾和挖掘机。本发明提出的云/边协同架构，在边缘端通过网络摄像头采集图像，并基于华为Atlas-200平台和预训练的DTDM-SLM模型可针对采集图像进行通道隐患目标检测，如上图即为烟雾和挖掘机隐患的检测结果。同时，通过5G和光纤通信等数据传输和储存模块，边缘端将采集的图像和检测检测结果等发送至云端计算平台。在云端计算平台，华为Atlas-800接收采集图像和检测结果后，一方面，如果当前帧检测出通道隐患事物，例如上图所示的烟雾、挖掘机等隐患，后台将会报警并通知相关工作人员，从而大大降低现场巡检人员的工作强度，节省人力资源，而且提高识别准确率和实时性；另一方面，如果出现未识别帧情况，系统可基于自学习机制，引入视频跟踪算法和插值算法对未识别帧进行自动标注，然后重新整理训练集进行模型的增量训练，最后通过数据传输和储存模块进行边缘端的模型更新、部署，从而不断提高模型的准确率，自学习机制的引入使得系统可自行迭代、优化模型的准确率，不需外界人工介入，从而使得模型本身的效果和性能都能得到不断提升。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于输电线路外部隐患自学习识别系统，其特征在于，所述基于输电线路外部隐患自学习识别系统包括：
边缘计算平台、数据传输存储模块以及云端计算平台；
边缘计算平台，与数据传输存储模块连接，用于进行输电电线周边环境图像的采集，并利用基于自学习机制的隐患目标检测模型进行通道隐患识别以及通道隐患位置确定；
数据传输存储模块，与边缘计算平台、云端计算平台连接；用于利用省级节点服务器集群、5G通信、光纤通信、无线通信或其他通信信道将边缘计算平台采集的图像以及检测识别结果传输至云端计算平台；并将远端计算平台训练的基于自学习机制的隐患目标检测模型传输至边缘计算平台；
云端计算平台，与数据传输存储模块连接，用于接收数据传输存储模块传输的数据，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练与同步部署。
2.如权利要求1所述基于输电线路外部隐患自学习识别系统，其特征在于，所述云端计算平台包括：
数据接收处理单元，用于接收并整理数据传输存储模块传输的输电电线周边环境图像以及通道隐患检测结果；
分析预警单元，用于对接收的通道隐患检测结果进行预警与分析；
模型训练单元，用于对接收的图像与标签重新训练基于自学习机制的隐患目标检测模型；
模型部署单元，用于将训练后的基于自学习机制的隐患目标检测模型利用数据传输存储模块同步部署至边缘计算平台。
3.如权利要求1所述基于输电线路外部隐患自学习识别系统，其特征在于，所述基于自学习机制的隐患目标检测模型包括：
输入层，用于输入固定尺寸的RGB三通道图像；
特征提取层，用于进行输入图像的特征提取；
特征优化网络，用于对特征抽取结果进行优化处理；
多尺度预测网络，用于采用多头输出形式输出大中小尺度的特征图；所述大中小尺度的特征图分别对应大中小目标的检测结果。
4.一种应用于如权利要求1-3任意一项所述基于输电线路外部隐患自学习识别系统的基于输电线路外部隐患自学习识别方法，其特征在于，所述基于输电线路外部隐患自学习识别方法包括：
步骤一，边缘计算平台利用摄像设备进行输电线路周边环境图像的采集，并利用预先训练的目标检测模型基于采集的图像进行通道隐患目标检测，对未正确识别的隐患根据上下文隐患信息和跟踪算法进行自动标注；
步骤二，数据传输存储模块利用省级节点服务器集群、通信信道逐帧实时地将边缘计算平台采集的图像及生成的标注文件和通道隐患目标检测结果传输至云端计算平台；
步骤三，云端平台接收数据传输存储模块传输的图像与通道隐患目标检测结果，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练；
步骤四，利用数据传输存储模块将训练更新后的基于自学习机制的隐患目标检测模型同步部署至边缘计算平台。
5.如权利要求4所述基于输电线路外部隐患自学习识别方法，其特征在于，所述进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练包括：
当检测结果显示具备通道隐患目标时，云端计算平台进行通道隐患预警；
当图像出现未识别帧时，基于自学习机制引入视频跟踪算法和插值算法对未识别帧进行自动标注，并重新整理训练集进行基于自学习机制的隐患目标检测模型的增量训练。
6.如权利要求4所述基于输电线路外部隐患自学习识别方法，其特征在于，所述步骤三包括：
首先，获取采集的视频图像以及通道隐患目标检测结果，针对收到的所有视频帧检测结果，进行未识别帧抽取；
其次，基于未识别帧的前后帧信息利用视频跟踪算法和插值算法分别对所有未识别帧进行预测，得到2个预测的检测框，引入权重方法将所述2个预测的检测框统一为一个检测框，将统一后的检测框标注为未识别帧的目标检测结果；
最后，基于自动标注的结果整理得到新训练集，利用得到的新训练接对所述基于自学习机制的隐患目标检测模型进行增量训练，得到训练后的基于自学习机制的隐患目标检测模型。
7.如权利要求6所述基于输电线路外部隐患自学习识别方法，其特征在于，所述未识别帧包括：当连续帧图像下，时刻T-1和时刻T+1的帧图像均检测出存在通道隐患，但时刻T却没有时，判断时刻T对应的视频帧为未识别帧，推广到时刻T-N和时刻T+N的帧图像均检测出存在通道隐患，但时刻T-N+1至T+N-1却没有识别到通道隐患，将时刻T-N+1至T+N-1所有视频帧都视为未识别帧。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求4-7任意一项所述基于输电线路外部隐患自学习识别方法如下步骤：
步骤一，边缘计算平台利用摄像设备进行输电线路周边环境图像的采集，并利用预先训练的目标检测模型基于采集的图像进行通道隐患目标检测；
步骤二，数据传输存储模块利用省级节点服务器集群、通信信道逐帧实时地将边缘计算平台采集的图像及生成的标注文件和通道隐患目标检测结果传输至云端计算平台；
步骤三，云端平台接收数据传输存储模块传输的图像与通道隐患目标检测结果，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练；
步骤四，利用数据传输存储模块将训练更新后的基于自学习机制的隐患目标检测模型同步部署至边缘计算平台。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求4-7任意一项所述基于输电线路外部隐患自学习识别方法如下步骤：
步骤一，边缘计算平台利用摄像设备进行输电线路周边环境图像的采集，并利用预先训练的目标检测模型基于采集的图像进行通道隐患目标检测；
步骤二，数据传输存储模块利用省级节点服务器集群、通信信道逐帧实时地将边缘计算平台采集的图像及生成的标注文件和通道隐患目标检测结果传输至云端计算平台；
步骤三，云端平台接收数据传输存储模块传输的图像与通道隐患目标检测结果，并进行数据的分析、预警以及基于自学习机制的隐患目标检测模型的训练；
步骤四，利用数据传输存储模块将训练更新后的基于自学习机制的隐患目标检测模型同步部署至边缘计算平台。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求1-3任意一项所述基于输电线路外部隐患自学习识别系统。
CN202210406089.6A 2022-04-18 2022-04-18 一种基于输电线路外部隐患自学习识别系统、方法 Pending CN114863118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210406089.6A CN114863118A (zh) 2022-04-18 2022-04-18 一种基于输电线路外部隐患自学习识别系统、方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210406089.6A CN114863118A (zh) 2022-04-18 2022-04-18 一种基于输电线路外部隐患自学习识别系统、方法

Publications (1)

Publication Number Publication Date
CN114863118A true CN114863118A (zh) 2022-08-05

Family

ID=82632123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210406089.6A Pending CN114863118A (zh) 2022-04-18 2022-04-18 一种基于输电线路外部隐患自学习识别系统、方法

Country Status (1)

Country Link
CN (1) CN114863118A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115145592A (zh) * 2022-09-01 2022-10-04 新华三技术有限公司 离线模型部署方法和装置、网络设备、分析器
CN115272981A (zh) * 2022-09-26 2022-11-01 山东大学 云边共学习输电巡检方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115145592A (zh) * 2022-09-01 2022-10-04 新华三技术有限公司 离线模型部署方法和装置、网络设备、分析器
CN115272981A (zh) * 2022-09-26 2022-11-01 山东大学 云边共学习输电巡检方法与系统

Similar Documents

Publication Publication Date Title
CN109785289B (zh) 一种输电线路缺陷检测方法、系统及电子设备
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
CN114863118A (zh) 一种基于输电线路外部隐患自学习识别系统、方法
CN114627360A (zh) 基于级联检测模型的变电站设备缺陷识别方法
CN112528971B (zh) 基于深度学习的输电线路异常目标检测方法及系统
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
CN112309068B (zh) 一种基于深度学习的森林火灾预警方法
CN112116594B (zh) 一种基于语义分割的风飘异物识别方法和装置
CN115294476B (zh) 面向无人机电力巡检的边缘计算智能检测方法及设备
CN116883801A (zh) 基于注意力机制与多尺度特征融合的YOLOv8目标检测方法
CN114943689A (zh) 基于半监督学习的钢铁冷轧退火炉元器件检测方法
CN115147383A (zh) 一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法
CN112614130A (zh) 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法
CN113205039A (zh) 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法
CN115240075A (zh) 电力视觉多粒度预训练大模型的构建与训练方法
CN112613453A (zh) 一种用于电力基建施工现场违章排查方法及系统
CN113570571A (zh) 一种工业边缘端动力电池缺陷检测方法及系统
CN111401437A (zh) 基于深度学习的输电通道隐患预警等级分析方法
CN115082813A (zh) 检测方法、无人机、检测系统及介质
CN111915565B (zh) 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法
CN112734732A (zh) 基于改进ssd算法的铁路隧道漏缆卡具检测方法
CN113012107A (zh) 电网缺陷检测方法及系统
CN116739963A (zh) 一种基于多层级多尺度特征融合的电网设备缺陷检测方法
CN115457411A (zh) 航油管线无人化巡视方法、装置和航油安全运维系统
CN112486667B (zh) 一种基于边缘计算精准处理数据的方法及装置

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