CN116432089A - 一种电力物联网巡检系统及方法 - Google Patents

一种电力物联网巡检系统及方法 Download PDF

Info

Publication number
CN116432089A
CN116432089A CN202310537796.3A CN202310537796A CN116432089A CN 116432089 A CN116432089 A CN 116432089A CN 202310537796 A CN202310537796 A CN 202310537796A CN 116432089 A CN116432089 A CN 116432089A
Authority
CN
China
Prior art keywords
module
vector
classification
classification weight
things
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
CN202310537796.3A
Other languages
English (en)
Inventor
叶进嵘
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.)
Xiamen Xingla Technology Co ltd
Original Assignee
Xiamen Xingla 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 Xiamen Xingla Technology Co ltd filed Critical Xiamen Xingla Technology Co ltd
Priority to CN202310537796.3A priority Critical patent/CN116432089A/zh
Publication of CN116432089A publication Critical patent/CN116432089A/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
    • G06F18/24—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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种电力物联网巡检系统及方法，属于电力检测技术领域，巡检方法对经典目标算法进行如下改进：引入基于注意力机制的小样本分类权重生成器；基于一些新类别的训练样例，小于5个样本作为输入，为该新类别生成分类权重向量；建立基于余弦相似性的卷积网络识别模型；为了将小样本分类权重生成器成功地结合到识别系统的其余部分中，ConvNet模型必须同时处理基础和新类别的分类权重向量。本发明基于权重生成器的小样本目标识别算法。分类模型的权重向量结构出发，基于注意力机制建立了新类的权重生成器，并使用余弦相似度函数改进了类别分类器。提高了算法对电力设备的识别率。

Description

一种电力物联网巡检系统及方法
技术领域
本发明属于电力检测技术领域，涉及一种电力物联网巡检系统及方法。
背景技术
21世纪以来，电力物联网的迅速建设，为国民的日常生活带来了非常多的便利。而电力物联网的正常运行，离不开电力工人对输电线路与电力设备的日常巡检与维修。
由于人工智能的发展，在电力巡检过程中也引入了机器学习，图像识别等计算，来提高电力巡检的效率，但是传统的机器学习和人工识别都需要大量的数据进行训练。由于电力系统的特殊性，使得现有的训练数据集样本均很小，不能够进行大量的数据训练，就会导致传统的机器学习算法和图像识别算法的精确度降低。
而现有的小样本分类权重生成器中并不能够识别新的类别，不能够动态地为新类别生成分类权重向量。卷积网络识别模型也不能能够同时处理基础和新类别的分类权重向量。
所以会导致现有的人工智能算法都存在对电力设备识别率较低的情况。
发明内容
本发明基于权重生成器的小样本目标识别算法。分类模型的权重向量结构出发，基于注意力机制建立了新类的权重生成器，并使用余弦相似度函数改进了类别分类器。提高了算法对电力设备的识别率。并且结合本发明中的便携式巡检系统，能够将巡检过程中得到的巡检数据，自动生成电子巡检报告，上传到后端的数据库中。大大地提高了电力巡检的效率。
为了实现上述目的，本发明是采用以下技术方案实现的：所述的电力物联网巡检系统包括控制模块、摄像模块、射频读取模块、定位模块、无线通信模块、显示操作功能模块、扩展接口模块，所述的摄像模块、射频读取模块、定位模块、无线通信模块、显示操作功能模块、扩展接口模块与控制模块连接。
进一步地，所述的巡检系统还包括存储模块，所述的存储模块与控制模块连接，所述存储模块采用flash存储。
进一步地，所述的显示操作功能模块采用LCD触摸显示屏，通过FFC类插接件与控制模块连接。
进一步地，所述的摄像模块采用小型摄像头，无线通信模块采用4G无线通信模块，射频读取模块包括射频读取芯片以及功率放大电路，射频读取芯片通过功率放大电路与控制模块连接。
进一步地，所述的控制模块采用ARM9，控制模块内部能够识别摄像模块采集到的图像。
再一方面，一种电力物联网巡检方法，所述的巡检方法适用于所述的巡检系统，所述的巡检方法安装于控制模块中，对采集到的图像进行识别；所述的巡检方法对经典目标算法进行如下改进：
步骤1、引入基于注意力机制的小样本分类权重生成器；基于一些新类别的训练样例，小于5个样本作为输入，为该新类别生成分类权重向量。
步骤2、建立基于余弦相似性的卷积网络识别模型；为了将小样本分类权重生成器成功地结合到识别系统的其余部分中，ConvNet模型必须同时处理基础和新类别的分类权重向量。
进一步地，所述的（1）基于注意力机制的小样本分类权重生成器：小样本分类权重生成器
Figure SMS_1
，以新类训练样本/>
Figure SMS_2
的特征向量/>
Figure SMS_3
和基类权重向量/>
Figure SMS_4
作为输入，以此推断出新类的分类权重向量/>
Figure SMS_5
作为输出；
采用基于注意力机制的权重推断，该机制通过“查看”包括基类权重向量
Figure SMS_6
的“记忆”信息，来组成新的分类权重向量，形式化为：
Figure SMS_7
其中，
Figure SMS_8
是可训练的参数矩阵，将特征向量/>
Figure SMS_9
转变为用于查询记忆的索引向量；/>
Figure SMS_10
是一组/>
Figure SMS_11
维的可训练键值，用于索引记忆；/>
Figure SMS_12
是一个注意力机制核函数，若由一个向量点积运算后接一个softmax函数构成注意力结构，形式化如下：
Figure SMS_13
Figure SMS_14
其中，
Figure SMS_15
为可训练的参数矩阵，/>
Figure SMS_16
为第j个样本的分类权重向量，
最终的分类权重向量由基于平均值的分类向量
Figure SMS_17
和基于注意力的分类向量/>
Figure SMS_18
加权和计算得，即：
Figure SMS_19
同样，
Figure SMS_20
代表可训练参数，/>
Figure SMS_21
是一个Hadamard乘积。
进一步地，所述的（2）建立基于余弦相似性的卷积网络识别模型；修改分类器，并使用余弦相似算子来计算原始分类分数；
Figure SMS_22
其中，
Figure SMS_23
，是归一化的/>
Figure SMS_24
范数向量；/>
Figure SMS_25
是一个可训练的标量参数；
计算余弦相似性需要首先对特征向量z和分类权重向量
Figure SMS_26
进行归一化，然后才应用矩阵点积算子；
在特征提取器的最后一个隐藏层之后删除了修正线性单元。
本发明有益效果：
本发明基于权重生成器的小样本目标识别算法。分类模型的权重向量结构出发，基于注意力机制建立了新类的权重生成器，并使用余弦相似度函数改进了类别分类器。提高了算法对电力设备的识别率。并且结合本发明中的便携式巡检系统，能够将巡检过程中得到的巡检数据，自动生成电子巡检报告，上传到后端的数据库中。大大地提高了电力巡检的效率。
附图说明
图1为本发明系统框图；
图2为本发明方法识别流程图；
图3为本发明控制模块原理图；
图4为存储模块电路图；
图5为显示操作功能模块电路图；
图6为电池充电管理电路；
图7为本发明定位模块电路图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
如图1所示，所述的电力物联网巡检系统包括控制模块、摄像模块、射频读取模块、定位模块、无线通信模块、显示操作功能模块、扩展接口模块，所述的摄像模块、射频读取模块、定位模块、无线通信模块、显示操作功能模块、扩展接口模块与控制模块连接。
所述的巡检系统还包括存储模块，所述的存储模块与控制模块连接，所述存储模块采用flash存储。一是对系统存储的扩展，如需要在智能巡检终端上增加小型的数据库系统，则原有的FLASH存储无法满足要求。二是对系统的升级；在系统软件升级过程中，可以通过设置系统先从SD卡启动的方式，从SD卡内对系统升级。这种升级操作避免了采用系统开发方案中通过JTAG烧录的升级方式，简化系统使用。SD卡功能接口部分的原理图如图4所示。
所述的显示操作功能模块采用LCD触摸显示屏，通过FFC类插接件与控制模块连接。
触摸屏是系统的人机显示界面，也是智能终端智能化应用的一个重要体现。ARM控制器可以支持各种尺寸的LCD触摸屏，但是在本系统中因为设计的是智能终端，手持式设备，其尺寸选择不能够过小，也不可以过大。采用5.6寸的LCD触摸屏。巡检终端采用电池供电方式，因此除了常规的稳压电源芯片以外，其必须配置充放电管理芯片，以实现对电池的充放电管理。采用BQ24070芯片。该芯片功能包括深度放电和饱和充电，带有电池温度检测功能，能够在电池温度较高时，闭锁电路，实现对电池的保护。触摸屏部分电路如图5所示，电池充电电路如图6所示。其中左侧为LCD触摸屏接口电路。接口器件使用FFC类接插件，降低电路板的占用面积。
无线通信模块采用4G无线通信模块，射频读取模块包括射频读取芯片以及功率放大电路，射频读取芯片通过功率放大电路与控制模块连接。
所述的控制模块采用ARM9，选择S3C2416处理器一款基于ARM9内核的处理器，其运行速率可以达到667MHz，内部自带有丰富的接口，包括LCD液晶屏接口、USB、UART、SPI、IIC、摄像头和以太网接口等。S3C2416处理器工作，需要配置最小系统电路，即保证该处理器能够正常工作的基本电路。包括时钟电路，为处理器工作提供基本的时钟基础；存储电路，FLASH存储运行程序和基本的运行数据；SDRAM电路，提高系统的运算能力；RS232接口电路。实现对系统的运行调试；JTAG调试接口电路，实现调试过程中的程序烧写等。
所述的摄像模块采用小型摄像头，控制模块内部能够识别摄像模块采集到的图像。
所述的定位模块对GPS模块的选用方面，有一定的要求，因为对GPS信息的获取是本系统的一个重要的功能，同时GPS本身在楼宇等遮挡环境下，捕获卫星信号能力较弱。因此对GPS模块的选用要求其性能较高，尤其是接收信号灵敏度方面，GPS模块选用G591模块，电路原理图如图7所示。该模块的接收灵敏度高达-164dBm，除了地下室等恶劣环境下无法接收信号外，在其他的室内、高深楼宇内部，几乎都可以跟踪卫星。在定位精度方面，可以达到1.5米左右，这对电力巡检应用中已经足够。接口方式同样选择TLL电平的串口对接方式。
实施例二
如图2所示，在实施例一的基础上构建一种电力物联网巡检方法，所述的巡检方法适用于所述的巡检系统，所述的巡检方法安装于控制模块中，对采集到的图像进行识别；所述的巡检方法对经典目标算法进行如下改进，经典目标检测算法为R-CNN算法。
步骤1、引入基于注意力机制的小样本分类权重生成器；
为了对图像进行分类，基于卷积神经网络的典型识别模型，首先会从图像中提取深度特征，然后通过将一组分类权重向量（每个类别一个）来为每个类别计算分类置信度。因此，为了能够识别新的类别，必须能够动态地为新类生成分类权重向量。针对这个目的，采用的第一个改进是小样本分类权重生成器，它基于一些新类别的训练样例（小于5个样本）作为输入，为该新类别生成分类权重向量。为了构成新的分类权重向量，引入注意力机制，使得其能够利用所曾获得的基类的视觉信息。这种注意力机制较好地提高了新类别的识别性能，特别是当只有一个训练样例（1-shot）可供学习时，该方法取得了极佳的适应性。
步骤2、建立基于余弦相似性的卷积网络识别模型；
为了将小样本分类权重生成器成功地结合到识别系统的其余部分中，ConvNet模型必须能够同时处理基础和新类别的分类权重向量。然而，对于典型的基于点积的分类器（即，分类神经网络的最后一个线性层）这存在一定问题，即新类与基类所形成的特征向量可能大不相同。因此，使用的第二个改进是将分类器实现为特征表示和分类权重向量之间的余弦相似性函数。除了统一基类和新类的识别，使用基于余弦相似性的分类器学习的特征结果在新类上比在基于点积分类器的学习具有更好的概括效果。
作为小样本目标识别算法的输入，训练数据集可以定义为：
Figure SMS_27
其中，
Figure SMS_28
为基类个数，/>
Figure SMS_29
为第b类的样本数量，而/>
Figure SMS_30
即第b类的第i个训练样本。而训练目标则是在使用/>
Figure SMS_31
数据集训练过后，只需要微调训练（Fine-train）即可识别新类别，且不会错误分类基类样本。算法的基本过程如图2。
该网络由两个主要部分组成，一个基于卷积网络的分类器，用于分类基类以及新类；一个小样本权重生成器，以供微调训练过程中动态生成新类的分类权重向量。上述两部分都首先在大量基类样本
Figure SMS_32
上训练，在微调训练阶段，小样本权重生成器将获得新类的少量样本，以及基类的分类权重向量，以期生成新类的分类权重向量，并以此将新类与基类都正确分类。
所述的（1）基于注意力机制的小样本分类权重生成器：小样本分类权重生成器
Figure SMS_33
，以新类训练样本/>
Figure SMS_34
的特征向量/>
Figure SMS_35
和基类权重向量/>
Figure SMS_36
作为输入，以此推断出新类的分类权重向量/>
Figure SMS_37
作为输出；
采用基于注意力机制的权重推断，该机制通过“查看”包括基类权重向量
Figure SMS_38
的“记忆”信息，来组成新的分类权重向量，形式化为：
Figure SMS_39
其中，
Figure SMS_40
是可训练的参数矩阵，将特征向量/>
Figure SMS_41
转变为用于查询记忆的索引向量；/>
Figure SMS_42
是一组/>
Figure SMS_43
维的可训练键值，用于索引记忆；/>
Figure SMS_44
是一个注意力机制核函数，若由一个向量点积运算后接一个softmax函数构成注意力结构，形式化如下：
Figure SMS_45
其中，
Figure SMS_46
为可训练的参数矩阵，/>
Figure SMS_47
为第j个样本的分类权重向量，
最终的分类权重向量由基于平均值的分类向量
Figure SMS_48
和基于注意力的分类向量/>
Figure SMS_49
加权和计算得，即：
Figure SMS_50
同样，
Figure SMS_51
代表可训练参数，/>
Figure SMS_52
是一个Hadamard乘积。
基类权重向量即其类别的代表性特征向量，所以，基类权重向量还编码有视觉相似性。也基于此，新类的分类权重向量可以被组合为与该类别的少数训练样本最相似的那些基类权重向量的线性组合。这使得小样本权重生成器能利用所记忆的视觉语义知识（由基类权重向量表示）改善小样本识别的性能。特别是在单样本识别中，平均特征不能提供准确的分类权重向量，而这种改进会非常显著。
所述的（2）建立基于余弦相似性的卷积网络识别模型；
分类神经网络的经典设置是，事先训练的所有类别的分类权重向量
Figure SMS_53
，在提取特征向量z之后，通过向量点积运算计算得每个类别的原始分类得分：
Figure SMS_54
其中、
Figure SMS_55
是/>
Figure SMS_56
的第k个分类权重向量。
然后在所有
Figure SMS_57
上应用softmax函数，即：
Figure SMS_58
其中
Figure SMS_59
是属于第k个类别的概率。
然而，在本方法中，分类权重
Figure SMS_60
既可能来自基类/>
Figure SMS_61
，也可能来自新类/>
Figure SMS_62
。但是，训练的这两种权重的机制是非常不同的，基类权重从初始状态开始，通过SGD以较小的步长缓慢修改，因此它们的大小在训练过程中将缓慢变化；而新类权重由小样本分类权重生成器动态地预测，变化非常快速。
由于这个差异，这两种情况的权重值可能完全不同，因此，在这种情况下，计算得的原始分类得分
Figure SMS_63
可能会因为两种不同的权重向量而泾渭分明，其取值可能完全取决于计算的分类权重向量来自基类或者新类。这会严重干扰训练过程，而且会导致难以对新类与基类进行统一评判。为了克服这个问题，修改分类器，并使用余弦相似算子来计算原始分类分数；
Figure SMS_64
其中，
Figure SMS_65
，是归一化的/>
Figure SMS_66
范数向量；/>
Figure SMS_67
是一个可训练的标量参数； 引入标量参数/>
Figure SMS_68
是为了拟合由softmax算子产生的概率分布范围，因为余弦相似度的取值范围为[-1,1]，在接下来的所有实验中，/>
Figure SMS_69
初始化为10。
计算余弦相似性需要首先对特征向量z和分类权重向量
Figure SMS_70
进行归一化，然后才应用矩阵点积算子；因此分类权重向量的绝对大小不再能够影响原始分类得分。
除了上述修改之外，还在特征提取器的最后一个隐藏层之后删除了“修正线性单元”（Rectifiedlinearunit，以下简称ReLU），这使得特征向量z会出现正负值，类似于分类权重向量。同时因为特征向量标准化的存在，去除ReLU并不会使分类层成为线性操作。在对基于余弦相似度的分类器进行实验时，发现这种修改可以较为显著地提高新类的识别性能。
除了能更好地统一识别基类与新类，基于余弦相似度函数的分类器使得特征提取器在小规模样本上能更好地概括特征。为了最小化基于余弦相似性函数的卷积网络模型的分类损失，图像的归一化的
Figure SMS_71
范数向量必须与其标注的/>
Figure SMS_72
范数向量高度匹配。因此，会使得特征提取器存在两个方面的优势：
（1）准确地编码图像中更具有辨别力的视觉线索。
（2）训练得较低类内方差的
Figure SMS_73
范数向量，因为同一类的所有特征向量均需要与该类别的特征向量高度匹配。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnlyMemory，ROM)或随机存储记忆体(RandomABBessMemory，RAM)等。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种电力物联网巡检方法，其特征在于：所述的巡检方法安装于控制模块中，对采集到的图像进行识别；所述的巡检方法对经典目标算法进行如下改进：
步骤1、引入基于注意力机制的小样本分类权重生成器；基于一些新类别的训练样例，小于5个样本作为输入，为该新类别生成分类权重向量；
步骤2、建立基于余弦相似性的卷积网络识别模型；为了将小样本分类权重生成器成功地结合到识别系统的其余部分中，ConvNet模型必须同时处理基础和新类别的分类权重向量。
2.根据权利要求1所述的一种电力物联网巡检方法，其特征在于：所述的（1）基于注意力机制的小样本分类权重生成器：小样本分类权重生成器
Figure QLYQS_1
，以新类训练样本/>
Figure QLYQS_2
的特征向量/>
Figure QLYQS_3
和基类权重向量/>
Figure QLYQS_4
作为输入，以此推断出新类的分类权重向量
Figure QLYQS_5
作为输出；
采用基于注意力机制的权重推断，该机制通过查看包括基类权重向量
Figure QLYQS_6
的记忆信息，来组成新的分类权重向量，形式化为：
Figure QLYQS_7
其中，
Figure QLYQS_8
是可训练的参数矩阵，将特征向量/>
Figure QLYQS_9
转变为用于查询记忆的索引向量；/>
Figure QLYQS_10
是一组/>
Figure QLYQS_11
维的可训练键值，用于索引记忆；/>
Figure QLYQS_12
是一个注意力机制核函数，若由一个向量点积运算后接一个softmax函数构成注意力结构，形式化如下：
Figure QLYQS_13
其中，
Figure QLYQS_14
为可训练的参数矩阵，/>
Figure QLYQS_15
为第j个样本的分类权重向量，最终的分类权重向量由基于平均值的分类向量/>
Figure QLYQS_16
和基于注意力的分类向量/>
Figure QLYQS_17
加权和计算得，即：
Figure QLYQS_18
同样，
Figure QLYQS_19
代表可训练参数，/>
Figure QLYQS_20
是一个Hadamard乘积。
3.根据权利要求1所述的一种电力物联网巡检方法，其特征在于：所述的（2）建立基于余弦相似性的卷积网络识别模型；修改分类器，并使用余弦相似算子来计算原始分类分数；
Figure QLYQS_21
其中，
Figure QLYQS_22
，是归一化的/>
Figure QLYQS_23
范数向量；/>
Figure QLYQS_24
是一个可训练的标量参数；
计算余弦相似性需要首先对特征向量z和分类权重向量
Figure QLYQS_25
进行归一化，然后才应用矩阵点积算子；
在特征提取器的最后一个隐藏层之后删除了修正线性单元。
4.一种电力物联网巡检系统，所述的系统适用于如权利要求1-3所述的方法，其特征在于：所述的电力物联网巡检系统包括控制模块、摄像模块、射频读取模块、定位模块、无线通信模块、显示操作功能模块、扩展接口模块，所述的摄像模块、射频读取模块、定位模块、无线通信模块、显示操作功能模块、扩展接口模块与控制模块连接。
5.根据权利要求4所述的一种电力物联网巡检系统，其特征在于：所述的巡检系统还包括存储模块，所述的存储模块与控制模块连接，所述存储模块采用flash存储。
6.根据权利要求4所述的一种电力物联网巡检系统，其特征在于：所述的显示操作功能模块采用LCD触摸显示屏，通过FFC类插接件与控制模块连接。
7.根据权利要求4所述的一种电力物联网巡检系统，其特征在于：所述的摄像模块采用小型摄像头，无线通信模块采用4G无线通信模块，射频读取模块包括射频读取芯片以及功率放大电路，射频读取芯片通过功率放大电路与控制模块连接。
8.根据权利要求4所述的一种电力物联网巡检系统，其特征在于：所述的控制模块采用ARM9，控制模块内部能够识别摄像模块采集到的图像。
CN202310537796.3A 2023-05-15 2023-05-15 一种电力物联网巡检系统及方法 Pending CN116432089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310537796.3A CN116432089A (zh) 2023-05-15 2023-05-15 一种电力物联网巡检系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310537796.3A CN116432089A (zh) 2023-05-15 2023-05-15 一种电力物联网巡检系统及方法

Publications (1)

Publication Number Publication Date
CN116432089A true CN116432089A (zh) 2023-07-14

Family

ID=87079834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310537796.3A Pending CN116432089A (zh) 2023-05-15 2023-05-15 一种电力物联网巡检系统及方法

Country Status (1)

Country Link
CN (1) CN116432089A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN109583598A (zh) * 2018-11-16 2019-04-05 国家电网有限公司 一种电力设备自动巡检系统
CN110020682A (zh) * 2019-03-29 2019-07-16 北京工商大学 一种基于小样本学习的注意力机制关系对比网络模型方法
CN110503135A (zh) * 2019-07-31 2019-11-26 上海交通大学烟台信息技术研究院 用于电力设备边缘侧识别的深度学习模型压缩方法及系统
CN110705847A (zh) * 2019-09-18 2020-01-17 中国南方电网有限责任公司超高压输电公司广州局 一种基于图像识别技术的变电站智能巡检方法及系统
US20200097757A1 (en) * 2018-09-25 2020-03-26 Nec Laboratories America, Inc. Network reparameterization for new class categorization
CN111311597A (zh) * 2020-03-27 2020-06-19 国网福建省电力有限公司龙岩供电公司 一种缺陷绝缘子的无人机巡检方法与系统
CN112455676A (zh) * 2019-09-09 2021-03-09 中国电力科学研究院有限公司 一种光伏板健康状态智能监测分析系统及方法
CN115690541A (zh) * 2022-11-01 2023-02-03 四川大学 提高小样本、小目标识别准确率的深度学习训练方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
US20200097757A1 (en) * 2018-09-25 2020-03-26 Nec Laboratories America, Inc. Network reparameterization for new class categorization
CN109583598A (zh) * 2018-11-16 2019-04-05 国家电网有限公司 一种电力设备自动巡检系统
CN110020682A (zh) * 2019-03-29 2019-07-16 北京工商大学 一种基于小样本学习的注意力机制关系对比网络模型方法
CN110503135A (zh) * 2019-07-31 2019-11-26 上海交通大学烟台信息技术研究院 用于电力设备边缘侧识别的深度学习模型压缩方法及系统
CN112455676A (zh) * 2019-09-09 2021-03-09 中国电力科学研究院有限公司 一种光伏板健康状态智能监测分析系统及方法
CN110705847A (zh) * 2019-09-18 2020-01-17 中国南方电网有限责任公司超高压输电公司广州局 一种基于图像识别技术的变电站智能巡检方法及系统
CN111311597A (zh) * 2020-03-27 2020-06-19 国网福建省电力有限公司龙岩供电公司 一种缺陷绝缘子的无人机巡检方法与系统
CN115690541A (zh) * 2022-11-01 2023-02-03 四川大学 提高小样本、小目标识别准确率的深度学习训练方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SPYROS GIDARIS 等: "Dynamic Few-Shot Visual Learning without Forgetting", ARXIV, pages 1 *
李东岳: "基于物联网技术的电力巡检终端的研究与设计", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, vol. 2020, no. 8, pages 3 - 4 *
汪荣贵 等: "多级注意力特征网络的小样本学习", 电子与信息学报, vol. 42, no. 03, pages 772 - 778 *

Similar Documents

Publication Publication Date Title
CN105809125B (zh) 基于多核心arm平台的人脸识别系统
Vogel et al. Performance evaluation and optimization for content-based image retrieval
US20210065734A1 (en) Audio scene recognition using time series analysis
CN113435546A (zh) 基于区分置信度水平的可迁移图像识别方法及系统
CN111898550B (zh) 建立表情识别模型方法、装置、计算机设备及存储介质
CN111476268A (zh) 翻拍识别模型训练、图像识别方法、装置、设备及介质
CN111382690B (zh) 基于多损失融合模型的车辆再识别方法
CN109543744B (zh) 一种基于龙芯派的多类别深度学习图像识别方法及其应用
CN104750791A (zh) 一种图像检索方法及装置
CN113222149A (zh) 模型训练方法、装置、设备和存储介质
Jin et al. A Smart Water Metering System Based on Image Recognition and Narrowband Internet of Things.
CN107366491A (zh) 一种电动伸缩门的控制方法及电动伸缩门
CN207017925U (zh) 一种电动伸缩门
CN116775918B (zh) 基于互补熵对比学习跨模态检索方法、系统、设备及介质
CN113343123A (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN116432089A (zh) 一种电力物联网巡检系统及方法
CN111783786A (zh) 图片的识别方法、系统、电子设备及存储介质
CN115795355A (zh) 一种分类模型训练方法、装置及设备
CN113378627B (zh) 基于dsp芯片和单片机控制的自动垃圾分类方法及装置
CN115240145A (zh) 基于场景识别的违章作业行为检测方法及系统
CN114333997A (zh) 数据处理、数据处理模型的训练方法、装置、设备及介质
CN112163583A (zh) 数字表读数的识别方法、识别设备以及计算机可读存储介质
CN113269278B (zh) 基于领域翻转的机器人巡航目标识别方法及系统
CN109344902B (zh) 一种基于局部时空连续性聚合描述的视频纹理描述方法
Dorado et al. Efficient image selection for concept learning

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