CN115830535A

CN115830535A - 一种变电站周边区域积水检测方法、系统、设备及介质

Info

Publication number: CN115830535A
Application number: CN202211501584.1A
Authority: CN
Inventors: 吕丛生; 李钊枢; 赵斌; 常志兴; 李大鹏; 关英俊; 侯磊; 关羽
Original assignee: Heihe Power Supply Co Of State Grid Heilongjiang Electric Power Co ltd
Current assignee: Heihe Power Supply Co Of State Grid Heilongjiang Electric Power Co ltd
Priority date: 2022-11-28
Filing date: 2022-11-28
Publication date: 2023-03-21

Abstract

本发明公开了一种变电站周边区域积水检测方法、系统、设备及介质，涉及变电站周边积水检测领域，所述方法，包括：获取目标变电站的周边区域的图像；周边区域为距离目标变电站设定距离的区域；将周边区域的图像输入积水检测模型中，识别周边区域的积水区域；其中，积水检测模型是采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到的；改进YOLOv3网络，包括：MobileViT网络。本发明能提高变电站周边区域积水检测的检测效率。

Description

一种变电站周边区域积水检测方法、系统、设备及介质

技术领域

本发明涉及变电站周边积水检测领域，特别是涉及一种变电站周边区域积水检测方法、系统、设备及介质。

背景技术

电网的安全稳定运行是推动国民经济稳步增长、维系社会发展的重要保障。变电站周边重点区域长期大量积水会渗入到电缆隧道沟槽内，导致隧道内的湿度增大，加速绝缘老化，甚至引发绝缘击穿，造成电缆故障。这种情况对电力电缆的安全运行构成极大威胁。因此，对变电站周边重点区域积水进行监控和识别具有十分重要的现实意义。

电力巡检是及时发现隐患的重要手段，结合计算机视觉、人工智能技术，通过对变电站周边重点区域布设摄像头实时采集图像，由上位机中控系统对积水图像数据深度学习，便可自动识别出积水状况，为及时报修提供指导，提高了巡检效率及经济效益。

近年来随着深度学习技术的不断提高，人工智能飞速发展，卷积神经网络(convolutional neuralnetwork，CNN)作为深度学习的代表算法，在图像识别领域中的应用取得了大量突破性成果。以此为基础，衍生出诸多网络模型在车牌识别、人脸识别、手写字体识别、物体监测及分类等方面均取得了骄人成绩。

目前基于深度学习的目标检测算法分为双阶段和单阶段两种。在双阶段方案中，典型的网络有R-CNN、Fast R-CNN和Faster R-CNN等，该类网络准确率较高，但速度较慢。在单阶段方案中，具有代表性的是YOLO系列算法，该系列算法检测效率较高，但准确度较低。与其他网络模型相比，YOLOv3目标检测算法能有效协调检测效率与准确率之间的关系，表现出较好的综合性能。而且，它是一种更适用于边缘计算场景的快速目标检测算法。但该算法仍存在特征图尺寸偏大、网络模型臃肿等问题。因此，基于YOLOv3实现变电站周边区域积水检测的方法，其检测效率仍有待提高。

发明内容

基于此，本发明实施例提供一种变电站周边区域积水检测方法、系统、设备及介质，以提高变电站周边区域积水检测的检测效率。

为实现上述目的，本发明提供了如下方案：

一种变电站周边区域积水检测方法，包括：

获取目标变电站的周边区域的图像；所述周边区域为距离所述目标变电站设定距离的区域；

将所述周边区域的图像输入积水检测模型中，识别所述周边区域的积水区域；

其中，所述积水检测模型是采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到的；所述改进YOLOv3网络，包括：MobileViT网络。

可选地，所述积水检测模型的确定方法为：

获取训练数据；所述训练数据，包括：标注有积水区域的道路积水图片；

将所述训练数据划分为训练集和验证集；

构建MobileViT网络；所述MobileViT网络，包括：依次连接的第一卷积层、第一MobileNetV2模块、第二MobileNetV2模块、第三MobileNetV2模块、第四MobileNetV2模块、第一MobileViT模块、第五MobileNetV2模块、第二MobileViT模块、第六MobileNetV2模块、第三MobileViT模块、第二卷积层和全局池化层；

在所述MobileViT网络的每一个卷积层通道后设定一个权重，得到加权MobileViT网络；所述加权MobileViT网络中，上一个卷积层通道的输出乘以相应的权重作为下一个卷积层通道的输入；

将所述训练集输入所述改进YOLOv3网络，采用通道剪枝技术，以损失函数最小为目标，按照设定剪枝比例和设定权重阈值，对所述改进YOLOv3网络进行稀疏正则化训练，将权重的值小于设定权重阈值的卷积层通道剪掉，得到训练好的改进YOLOv3网络；

将所述验证集输入所述训练好的改进YOLOv3网络，对所述训练好的改进YOLOv3网络中的参数进行调整，得到所述积水检测模型。

可选地，所述第一MobileNetV2模块和所述第三MobileNetV2模块，均包括：

依次连接的第三卷积层、第一深度可分离卷积层和第四卷积层；

所述第三卷积层的输入端与所述第四卷积层的输出端连接；所述第一深度可分离卷积层的步长为1；

所述第二MobileNetV2模块、所述第四MobileNetV2模块、所述第五MobileNetV2模块和所述第六MobileNetV2模块，均包括：

依次连接的第五卷积层、第二深度可分离卷积层和第六卷积层；所述第二深度可分离卷积层的步长为2。

可选地，所述第一MobileViT模块、所述第二MobileViT模块和所述第三MobileViT模块，均包括：

依次连接的局部视觉表征信息提取层、全局视觉表征信息提取层和信息融合层；

所述局部视觉表征信息提取层，包括：依次连接的第七卷积层和第八卷积层；

所述全局视觉表征信息提取层，包括：依次连接的展开层、转换层和折叠层；

所述信息融合层，包括：依次连接的第九卷积层和第十卷积层。

可选地，所述第三卷积层、所述第一深度可分离卷积层、所述第五卷积层和所述第二深度可分离卷积层的激活函数均为Relu6函数；所述第四卷积层和所述第六卷积层的激活函数均为Linear函数。

本发明还提供了一种变电站周边区域积水检测系统，包括：

图像获取模块，用于获取目标变电站的周边区域的图像；所述周边区域为距离所述目标变电站设定距离的区域；

积水区域识别模块，用于将所述周边区域的图像输入积水检测模型中，识别所述周边区域的积水区域；

本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述变电站周边区域积水检测方法。

本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述变电站周边区域积水检测方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明实施例提出了一种变电站周边区域积水检测方法、系统、设备及介质，采用积水检测模型识别目标变电站的周边区域的积水区域，积水检测模型采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到，改进YOLOv3网络，包括：MobileViT网络。本发明将传统的YOLOv3网络中的Darknet-53替换为MobileViT网络，能进行特征参数的压缩，减少特征提取参数量，并采用通道剪枝技术进一步优化网络性能，解决了特征图尺寸偏大、网络模型臃肿的问题，从而提高变电站周边区域积水检测的检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例提供的变电站周边区域积水检测方法的流程图；

图2为本发明实施例提供的MobileViT网络的结构示意图；

图3为本发明实施例提供的通道剪枝原理示意图；

图4为本发明实施例提供的MobileNetV2的结构示意图；

图5为本发明实施例提供的MobileViTblock的结构示意图；

图6为本发明实施例提供的检测效果示意图；

图7为本发明实施例提供的变电站周边区域积水检测系统的结构图。

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，所描述的实施例仅仅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，都属于本发明保护的范围。

传统的YOLOv3网络中特征提取网络是Darknet-53，但该网络在进行特征提取时会增加网络的参数量和计算量，而且其网络过深，会出现冗余参数、梯度消失等问题。由于移动设备的计算资源有限，使网络模型移植愈发困难，整个网络的训练难度也会更大，因此，本申请提出轻量级变电站周边(重点)区域积水智能检测技术。

传统的YOLOv3网络，包括：依次连接的Darknet-53、FPN和Yolo Head。Darknet53是YOLOv3的主干网络，用来提取图像特征。FPN用于进一步提取特征。Yolo Head是YOLOv3网络的分类器与回归器。本发明的基本原理是通过改进YOLOv3网络，对其轻量化处理，将YOLOv3网络中的Darknet-53替换为MobileViT网络，以此进行特征参数的压缩，并对该网络进行通道剪枝处理进一步优化网络性能。该技术具有结构简单、成本较低等优点。

需要指出的是，本发明仅对YOLOv3网络中的特征提取网络做了改进，因此，仅对MobileViT网络重点介绍，其他部分不做赘述。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

参见图1，本实施例的变电站周边区域积水检测方法，包括：

步骤101：获取目标变电站的周边区域的图像；所述周边区域为距离所述目标变电站设定距离的区域。

步骤102：将所述周边区域的图像输入积水检测模型中，识别所述周边区域的积水区域；其中，所述积水检测模型是采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到的；所述改进YOLOv3网络，包括：MobileViT网络。

在一个示例中，步骤102中，所述积水检测模型的确定方法为：

1)获取训练数据；所述训练数据，包括：标注有积水区域的道路积水图片。

2)将所述训练数据划分为训练集和验证集。

3)构建MobileViT网络。MobileViT网络用于实现特征参数压缩。参见图2，所述MobileViT网络，包括：依次连接的第一卷积层(Conv-3×3↓2)、第一MobileNetV2模块(MV2)、第二MobileNetV2模块(MV2↓2)、第三MobileNetV2模块(MV2)、第四MobileNetV2模块(MV2↓2)、第一MobileViT模块(MobileViTblock)、第五MobileNetV2模块(MV2↓2)、第二MobileViT模块(MobileViTblock)、第六MobileNetV2模块((MV2↓2)、第三MobileViT模块(MobileViTblock)、第二卷积层(Conv-1×1)和全局池化层(Globalpool)。

其中，Conv-n×n代表一个标准的n×n卷积，执行向下采样操作标记为↓2。图2中MobileViTblock使用标准卷积和Transformer来有效的结合local和global的视觉表征信息。传统的做法是将patch进行投影，然后用Transformer学习patch之间的全局信息，这就丢失了图像的归纳偏置信息，因此，就耗费更多的参数来进行学习，而且最后得到的模型普遍又深又宽。而MobileViTblock则既具有卷积的性质，又具备ViT全局建模能力。设计模块摆放的位置顺序，从而实现local与global的视觉表征信息交互。将MobileViT应用在变电站周边重点区域积水智能检测任务中可取得较好的性能。

4)为了便于边缘计算处理，本发明实施例采用通道剪枝技术进一步优化网络结构参数。该技术为每一个卷积层通道后面设定一个权重值，该通道的输出乘以权重值作为下一层的输入，权重值的大小决定了通道重要性，重要性低的通道将在稀疏正则化训练过程中以权重值迫0的方式被剪掉，通道剪枝原理如图3所示。图3中，左边的原始网络模型经过稀疏化训练后得到右边的更加紧凑的网络(剪枝后的网络)，其中，C_i1、C_i2......C_in表示第i层的n个特征图，C_(i+1)1、C_(i+1)2表示第i+1层的2个特征图。训练过程中，权重因子与网络权重一起被优化，网络可以自动识别不重要的通道并将其移除，且对模型泛化能力的影响不大。

基于上述描述，本实施例在步骤3)得到的所述MobileViT网络的每一个卷积层通道后设定一个权重，得到加权MobileViT网络；所述加权MobileViT网络中，上一个卷积层通道的输出乘以相应的权重作为下一个卷积层通道的输入。

然后，将所述训练集输入所述改进YOLOv3网络，采用通道剪枝技术，以损失函数最小为目标，按照设定剪枝比例(例如20％)和设定权重阈值，对所述改进YOLOv3网络进行稀疏正则化训练，将权重的值小于设定权重阈值的卷积层通道剪掉，得到训练好的改进YOLOv3网络。

其中，所述损失函数为：

其中，J为损失函数；y_n为训练集中第n个样本所属的类别；x_n为训练集中第n个样本的特征向量；w为末层权重；b为相应偏置参数；Y为网络输出结果；P(|)为条件概率。

6)将所述验证集输入所述训练好的改进YOLOv3网络，对所述训练好的改进YOLOv3网络中的参数进行调整，得到所述积水检测模型。

其中，所述第一MobileNetV2模块和所述第三MobileNetV2模块，均包括：依次连接的第三卷积层、第一深度可分离卷积层和第四卷积层。所述第三卷积层的输入端与所述第四卷积层的输出端连接；所述第一深度可分离卷积层的步长(Stride)为1。

所述第二MobileNetV2模块、所述第四MobileNetV2模块、所述第五MobileNetV2模块和所述第六MobileNetV2模块，均包括：依次连接的第五卷积层、第二深度可分离卷积层和第六卷积层；所述第二深度可分离卷积层的步长为2。所述第三卷积层、所述第一深度可分离卷积层、所述第五卷积层和所述第二深度可分离卷积层的激活函数均为Relu6函数；所述第四卷积层和所述第六卷积层的激活函数均为Linear函数。所述第三卷积层、所述第四卷积层、所述第五卷积层和所述第六卷积层的尺寸为1×1；所述第一深度可分离卷积层和所述第二深度可分离卷积层的尺寸为3×3。

其中，所述第一MobileViT模块、所述第二MobileViT模块和所述第三MobileViT模块，均包括：依次连接的局部视觉表征信息提取层、全局视觉表征信息提取层和信息融合层；所述局部视觉表征信息提取层，包括：依次连接的第七卷积层和第八卷积层；所述全局视觉表征信息提取层，包括：依次连接的展开(Unfold)层、转换(Transformer)层和折叠(Fold)层；所述信息融合层，包括：依次连接的第九卷积层和第十卷积层。

下面给出一个更为具体的变电站周边区域积水检测方法。

该方法的大体实现过程为：由摄像头或数码相机采集一些道路积水图片，同时通过互联网收集并下载一些类似图片。这些图片经图像增强扩充后构成原始数据集。将原始数据集按70％分为训练集，30％分验证集两部分。然后，将训练集的数据输入改进YOLOv3网络来训练网络模型，并由验证集数据来验证训练好的网络。如果出现过拟合，则微调网络参数重新训练网络。最后，训练好的网络就可以应用测试了，可以随机采集一些道路积水的图片输入该网络，网络会自动识别出积水区域并画出矩形框，同时显示出识别概率。具体的：

1、数据增强

训练模型时为了提高泛化能力，减少过拟合。采用随机裁剪、缩放、旋转，以及色彩变换等操作扩充数据集。将扩充后的数据集分成三个子集，分别用于训练、验证以及测试。

2、构建网络模型

用MobileViT网络替换YOLOv3网络中的Darknet-53部分，MobileViT的核心内容就是MV2和Mobile ViTblock，分别设计如下：

2.1MV2

MV2是MobileNetV2中的Inverted Residual Block，即图4所示的结构，图4的(a)部分是当步长(stride)等于1时的MV2结构，MobileViT网络结构图中标有向下箭头的MV2结构代表步长(stride)等于2的情况，即需要进行下采样，如图4的(b)部分所示。

2.2MobileViTblock

MobileViTblock的结构如图5所示。

图5中，输入样本X(W为样本宽度，H为样本高度，C为样本的维数)首先通过一个卷积层，卷积核大小为n×n，然后再通过一个卷积核大小为1×1的卷积层进行通道调整，接着依次通过展开、转换、折叠结构进行全局特征建模，然后再通过一个卷积核大小为1×1的卷积层将通道调整为原始大小，接着通过shortcut捷径分支与原始输入特征图按通道concat拼接，最后再通过一个卷积核大小为n×n的卷积层进行特征融合得到最终的输出Y。

3、通道剪枝

在MobileViT通道调整过程中引入通道剪枝策略，使模型轻量化，处理流程如下。

(1)初始化权重值。为输入的变电站周边重点区域积水智能检测网络的每一个卷积层通道添加权重值后，对模型进行稀疏正则化训练。

(2)剪枝。通道初始权重值经过稀疏正则化训练后，剪掉权重迫零通道。执行过程中先设定全局阈值，并按一定比例设定修剪率。该操作做可以减少参数和运行内存，有利于边缘计算操作的网络。

(3)微调。为了补偿修剪后的网络造成的精度损失，需过对修剪后的网络进行的微调。

4、训练及测试结果

训练选用的实验环境为win10系统，GeForce RTX 2080Ti显卡，GPU:cuda10.1，显存11G，tensorflow2.2.0深度学习框架，编译环境为python3.7，开发环境为pycharm专业版2019。

本次训练经过350epoch，前50轮为冻结训练，此时模型的主干被冻结了，特征提取网络不发生改变，占用的显存较小，仅对网络进行微调。设置Freeze_batch_size＝8，解冻阶段训练为300轮，此时模型的主干不被冻结了，特征提取网络会发生改变，占用的显存较大，网络所有的参数都会发生改变，设置Unfreeze_batch_size＝4，使用SGD优化器时学习率设置为Init_lr＝1e-2，Min_lr模型的最小学习率，默认为最大学习率的0.01，Min_lr＝Init_lr*0.01。改进YOLOv3与YOLOv3对比结果如表1所示。

表1训练结果对比

	准确率/％	参数量/Mb	训练时长/h	推理时延/ms
					YOLOv3	97.03	59.62	39	285
改进YOLOv3	96.89	23.75	26.7	212

从表1可知，改进YOLOv3的轻量化算法相比于YOLOv3算法准确度略有降低，但在模型参数量方面表现优异，比原来的参数量大大减少仅为YOLOv3的39.8％，训练时间约为YOLOv3的68.4％。模型的推理速度也大大提高，推理时延降为原来的74.4％。这说明通过改进YOLOv3的轻量化算法进行训练后，模型的性能得到了提升，其检测效果如图6所示，图6的(a)部分为一种积水路况的识别结果，在该积水路况下，不同积水区域(Ponding)的检测准确率分别为0.96、0.97和0.99；图6的(b)部分为另一种积水路况的识别结果，在该积水路况下，不同积水区域(Ponding)的检测准确率分别为0.96和0.98。

最后部署在边缘端NVIDIA Jetson TX2嵌入式设备，这种改进YOLOv3算法可以改善资源受限平台上推理速度慢的状况。

实施例二

本实施例提供了一种变电站周边区域积水检测系统，参见图7，所述系统，包括：

图像获取模块701，用于获取目标变电站的周边区域的图像；所述周边区域为距离所述目标变电站设定距离的区域。

积水区域识别模块702，用于将所述周边区域的图像输入积水检测模型中，识别所述周边区域的积水区域。

实施例三

本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的变电站周边区域积水检测方法。

可选地，上述电子设备可以是服务器。

另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的变电站周边区域积水检测方法。

本发明适用于变电站因地势原因，如遇暴雨侵袭，周围容易形成大量积水，严重威胁变电站安全运行，进而需要借助AI技术实现智能检测的场合。本发明通过方法改进减少特征提取参数量，最终提高了边缘侧路面积水等静态物体目标检测的性能。

本发明所采用方法通过YOLOv3构建原始网络模型，并引入MobileViT网络进行特征参数压缩。然后，进一步通过通道剪枝技术精简模型。保证目标识别精度的同时，使网络轻量化，便于边缘计算，处理方法运算量低，系统结构简洁，性价比高。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种变电站周边区域积水检测方法，其特征在于，包括：

2.根据权利要求1所述的一种变电站周边区域积水检测方法，其特征在于，所述积水检测模型的确定方法为：

将所述训练数据划分为训练集和验证集；

3.根据权利要求2所述的一种变电站周边区域积水检测方法，其特征在于，所述第一MobileNetV2模块和所述第三MobileNetV2模块，均包括：

4.根据权利要求2所述的一种变电站周边区域积水检测方法，其特征在于，所述第一MobileViT模块、所述第二MobileViT模块和所述第三MobileViT模块，均包括：

5.根据权利要求3所述的一种变电站周边区域积水检测方法，其特征在于，所述第三卷积层、所述第一深度可分离卷积层、所述第五卷积层和所述第二深度可分离卷积层的激活函数均为Relu6函数；所述第四卷积层和所述第六卷积层的激活函数均为Linear函数。

6.一种变电站周边区域积水检测系统，其特征在于，包括：

7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的变电站周边区域积水检测方法。

8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的变电站周边区域积水检测方法。