CN117274903B - 基于智能ai芯片的电力巡检智能预警设备及其方法 - Google Patents
基于智能ai芯片的电力巡检智能预警设备及其方法 Download PDFInfo
- Publication number
- CN117274903B CN117274903B CN202311248769.0A CN202311248769A CN117274903B CN 117274903 B CN117274903 B CN 117274903B CN 202311248769 A CN202311248769 A CN 202311248769A CN 117274903 B CN117274903 B CN 117274903B
- Authority
- CN
- China
- Prior art keywords
- transmission line
- appearance
- power transmission
- intelligent
- topology
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007689 inspection Methods 0.000 title claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 229
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 230000007547 defect Effects 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 84
- 239000013598 vector Substances 0.000 claims description 48
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000012212 insulator Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—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
- G06N3/08—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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Economics (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 Analysis (AREA)
Abstract
本发明公开了一种基于智能AI芯片的电力巡检智能预警设备及其方法。其首先获取由无人机采集的被监控输电线路的外观图像,然后,使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺陷。这样,可以利用无人机技术和AI芯片技术,采集被监控输电线路的外观图像并对其进行图像处理,自动化地识别所述被监控输电线路的表面缺陷。
Description
技术领域
本公开涉及智能预警领域,且更为具体地,涉及一种基于智能AI芯片的电力巡检智能预警设备及其方法。
背景技术
电力输电线路是电力系统的重要组成部分,其正常运行对于保障电力供应的可靠性和安全性至关重要。然而,由于线路长期暴露在自然环境中,受到各种因素的影响,如风雨、温度变化、外力撞击等,容易出现表面缺陷,如裂纹、腐蚀、绝缘子破损等问题。因此,需要对电力输电线路进行检测。
传统的电力巡检通常需要人员步行或驾驶车辆进行巡视,耗费时间和人力资源较多。对于大规模的电力输电网络,覆盖范围广且工作量大,人工巡检效率低下。此外,有些区域难以到达或难以观察,可能存在一些潜在问题长时间未被发现,导致安全风险的积累。
因此,期待一种优化的电力巡检预警方案。
发明内容
有鉴于此,本公开提出了一种基于智能AI芯片的电力巡检智能预警设备及其方法,其可以利用无人机技术和AI芯片技术,采集被监控输电线路的外观图像并对其进行图像处理,自动化地识别所述被监控输电线路的表面缺陷。
根据本公开的一方面,提供了一种基于智能AI芯片的电力巡检智能预警方法,其包括:
获取由无人机采集的被监控输电线路的外观图像;以及
使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺陷。
根据本公开的另一方面,提供了一种基于智能AI芯片的电力巡检智能预警设备,其中,所述基于智能AI芯片的电力巡检智能预警设备由如前所述的方法运行。
根据本公开的实施例,其首先获取由无人机采集的被监控输电线路的外观图像,然后,使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺陷。这样,可以自动化地识别所述被监控输电线路的表面缺陷。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的流程图。
图2示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的架构示意图。
图3示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的子步骤S120的流程图。
图4示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的子步骤S121的流程图。
图5示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的子步骤S123的流程图。
图6示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的子步骤S125的流程图。
图7示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警系统的框图。
图8示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述技术问题,本公开的技术构思是利用无人机技术和AI芯片技术,采集被监控输电线路的外观图像并对其进行图像处理,以自动化地识别所述被监控输电线路的表面缺陷。
基于此,图1示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的流程图。图2示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的架构示意图。如图1和图2所示,根据本公开实施例的基于智能AI芯片的电力巡检智能预警方法,包括步骤:S110,获取由无人机采集的被监控输电线路的外观图像;以及,S120,使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺陷。
更具体地,在本公开的技术方案中,首先获取由无人机采集的被监控输电线路的外观图像;然后,使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺陷。
在本公开的一个具体示例中,使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺陷的编码过程,包括:先对所述被监控输电线路的外观图像进行图像预处理以得到多个输电线路段图像;随后,提取所述多个输电线路段图像的节点信息以得到多个输电线路段外观特征向量;同时,提取所述多个输电线路段图像的拓扑信息以得到输电线路段间一致性拓扑特征矩阵;再将所述多个输电线路段外观特征向量和所述输电线路段间一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑全局输电线路外观特征矩阵;进一步地,将所述一致性拓扑全局输电线路外观特征矩阵通过分类器以得到分类结果,所述分类结果为所述分析结果。
具体而言,在本公开的技术方案中,利用图神经网络模型来对所述多个输电线路段图像进行基于空间关系与拓扑结构的关联编码,从中捕捉各个线路段之间的一致性关联和拓扑结构,以更全面地理解和掌握整个输电线路的特征。
相应地,如图3所示,使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺,包括:S121,对所述被监控输电线路的外观图像进行图像预处理以得到多个输电线路段图像;S122,提取所述多个输电线路段图像的节点信息以得到多个输电线路段外观特征向量;S123,提取所述多个输电线路段图像的拓扑信息以得到输电线路段间一致性拓扑特征矩阵;S124,将所述多个输电线路段外观特征向量和所述输电线路段间一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑全局输电线路外观特征矩阵;以及,S125,基于所述一致性拓扑全局输电线路外观特征矩阵,确定所述分析结果。应可以理解,步骤S121用于图像预处理,在这一步骤中,对被监控输电线路的外观图像进行处理,以便得到多个输电线路段的图像。这可能包括图像增强、去噪、图像分割等技术,以提高后续步骤的准确性和效果。步骤S122用于节点信息提取,在这一步骤中,从多个输电线路段图像中提取节点信息,即识别图像中的关键节点或感兴趣区域。这些节点可以是输电线路的塔杆、支架、绝缘子等关键部件。提取节点信息可以帮助确定输电线路段的局部外观特征。步骤S123用于拓扑信息提取,在这一步骤中,从多个输电线路段图像中提取拓扑信息,即了解输电线路段之间的关系和连接方式。这可以包括输电线路段的连接顺序、线路段之间的距离、角度等信息。提取拓扑信息有助于建立输电线路段之间的一致性拓扑特征矩阵。步骤S124用于图神经网络模型处理,将多个输电线路段的外观特征向量和输电线路段间的一致性拓扑特征矩阵输入到图神经网络模型中。该模型可以学习输电线路段之间的关系和模式,并生成一致性拓扑全局输电线路外观特征矩阵。这个全局特征矩阵综合考虑了输电线路段的外观和拓扑信息,可以用于更全面和准确地表示整个被监控输电线路的外观特征。步骤S125用于分析结果确定,基于一致性拓扑全局输电线路外观特征矩阵,确定被监控输电线路是否存在表面缺陷。这可能涉及使用预先定义的阈值或模型进行分类或回归任务,以确定输电线路的状态。分析结果可以表示为存在或不存在表面缺陷,或者可以进一步细化为不同类型或严重程度的缺陷,这个结果可以用来指导后续的维护和修复工作。
更具体地,在本公开的实施例中,在步骤S121中,如图4所示,对所述被监控输电线路的外观图像进行图像预处理以得到多个输电线路段图像,包括:S1211,对所述被监控输电线路的外观图像进行自适应图片缩放以得到缩放后输电线路外观图像;以及,S1212,沿着所述被监控输电线路的延伸方向,对所述缩放后输电线路外观图像进行图像切分以得到所述多个输电线路段图像。应可以理解,在步骤S1211中,对被监控输电线路的外观图像进行自适应图片缩放,自适应图片缩放是根据输入图像的大小和分辨率,将其调整为适合后续处理的尺寸,这可以确保图像在后续步骤中的处理效果更好,并且减少计算资源的消耗,缩放后的输电线路外观图像可以更好地展示输电线路的细节和特征。在步骤S1212中,沿着被监控输电线路的延伸方向,对缩放后的输电线路外观图像进行图像切分,这是为了将整个输电线路的外观图像分割成多个输电线路段的图像。通过图像切分,可以将每个输电线路段的外观特征单独提取和分析,以便更好地理解每个线路段的状态,这样可以提高对输电线路的局部缺陷或异常的检测和诊断能力,切分后的多个输电线路段图像可以用于后续的节点信息提取、拓扑信息提取和图神经网络模型处理等步骤。
值得一提的是,自适应图片缩放技术可以通过添加最少的黑边来改变图像的纵横比以达到标准大小,从而加快网络的推理速度。这种技术可以在不改变图像内容的情况下,将输入图像缩放到网络所需的大小,从而减少了网络的计算量和内存占用。
更具体地,在本公开的实施例中,在步骤S122中,提取所述多个输电线路段图像的节点信息以得到多个输电线路段外观特征向量,包括:将所述多个输电线路段图像分别通过基于卷积神经网络模型的输电线路外观特征提取器以得到所述多个输电线路段外观特征向量。也就是,利用所述卷积神经网络模型来捕捉各个输电线路段图像中的外观特征分布。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种广泛应用于图像处理和计算机视觉任务的深度学习模型,它在图像处理任务中表现出色,并且能够有效地从图像中提取特征。卷积神经网络由多个层组成,包括卷积层、池化层和全连接层等。它们通过学习一系列滤波器(也称为卷积核)来从输入图像中提取特征。每个滤波器通过卷积操作在输入图像上滑动,计算出一系列特征映射,表示输入图像中的不同特征。池化层用于减小特征映射的空间尺寸,并保留主要的特征信息。全连接层用于将提取到的特征映射到最终的输出类别或特征向量。在上述步骤中,基于卷积神经网络模型的输电线路外观特征提取器用于处理每个输电线路段图像,并提取出该线路段的外观特征向量。这些特征向量可以捕捉到输电线路段图像中的关键外观特征,例如线路结构、绝缘子状态、表面缺陷等。通过使用卷积神经网络模型,可以自动学习和提取与输电线路外观相关的特征,从而实现对输电线路段的准确分析和识别。
更具体地,在本公开的实施例中,在步骤S123中,如图5所示,提取所述多个输电线路段图像的拓扑信息以得到输电线路段间一致性拓扑特征矩阵,包括:S1231,计算所述多个输电线路段外观特征向量中任意两个输电线路段外观特征向量之间的余弦距离值以得到输电线路段间一致性拓扑矩阵;以及,S1232,将所述输电线路段间一致性拓扑矩阵通过基于卷积神经网络模型的一致性拓扑特征提取器以得到所述输电线路段间一致性拓扑特征矩阵。应可以理解,在步骤S1231中,计算多个输电线路段外观特征向量中任意两个向量之间的余弦距离值。余弦距离是一种衡量向量之间相似性的指标,它表示向量之间的夹角的余弦值,通过计算余弦距离,可以评估不同输电线路段之间的外观特征相似性,这可以用于确定输电线路段之间的一致性拓扑特征,即它们在外观上是否具有相似的特征。在步骤S1232中,将输电线路段间一致性拓扑矩阵通过基于卷积神经网络模型的一致性拓扑特征提取器进行处理,以得到输电线路段间的一致性拓扑特征矩阵。一致性拓扑特征矩阵表示不同输电线路段之间的拓扑关系和一致性,通过使用卷积神经网络模型,可以学习和提取输电线路段间的拓扑特征,例如线路连接关系、节点位置等。一致性拓扑特征矩阵可以帮助确定输电线路段之间的一致性,并提供关于输电线路整体拓扑结构的信息。综合来说,通过计算余弦距离和使用卷积神经网络模型,可以从多个输电线路段的外观特征中提取出一致性拓扑特征,以获得输电线路段间的一致性拓扑特征矩阵。这些特征矩阵可以用于进一步分析和确定输电线路的整体拓扑状态和一致性。
其中,余弦距离用于衡量向量之间的相似性。通过计算输电线路段外观特征向量之间的余弦距离,可以得到线路段之间的相似性程度。通过这样的方式来构建各个输电线路段特征间的拓扑矩阵,便于分析线路段的整体拓扑结构和一致性关联,发现异常或缺陷的线路段。值得一提的是,余弦距离(Cosine Distance)是一种用于衡量向量之间相似性的度量方法,它通过计算两个向量之间的夹角余弦值来确定它们之间的相似程度。余弦距离越接近1,表示两个向量越相似;越接近0,表示两个向量越不相似。在计算余弦距离时,首先计算两个向量的余弦相似度,然后用1减去余弦相似度的值,得到余弦距离,余弦距离的取值范围是[0,2],其中0表示完全不相似,2表示完全相似。
进一步地,在本公开的实施例中,在步骤S125中,如图6所示,基于所述一致性拓扑全局输电线路外观特征矩阵,确定所述分析结果,包括:S1251,对所述一致性拓扑全局输电线路外观特征矩阵进行特征分布优化以得到优化一致性拓扑全局输电线路外观特征矩阵;以及,S1252,将所述优化一致性拓扑全局输电线路外观特征矩阵通过分类器以得到分类结果,所述分类结果为所述分析结果。应可以理解,在步骤S125中,对一致性拓扑全局输电线路外观特征矩阵进行特征分布优化,通过优化特征分布,可以使特征在矩阵中更加均匀地分布,提高特征的表征能力和区分度。这有助于更好地捕捉和表示输电线路的一致性拓扑特征,通过优化特征分布,可以提高后续分类器的性能和准确度。在这一步骤S1252中,将优化后的一致性拓扑全局输电线路外观特征矩阵输入到分类器中,以获得分类结果。分类器是一个训练好的模型,它可以根据输入的特征矩阵对输电线路进行分类或判别。分类结果可以提供关于输电线路整体拓扑状态和一致性的分析结果,例如,分类结果可以表示输电线路的正常状态、异常状态或特定故障类型等。综合来说,通过对一致性拓扑全局输电线路外观特征矩阵进行特征分布优化和使用分类器进行分类,可以确定分析结果。这些分析结果可以提供关于输电线路的整体拓扑状态和一致性的信息,帮助进行线路的故障检测、状态评估和运维决策。
在本公开的技术方案中,每个输电线路段外观特征向量表达相应的输电线路段图像的图像语义特征,由此,在将所述多个输电线路段外观特征向量和所述输电线路段间一致性拓扑特征矩阵通过图神经网络模型后,所述一致性拓扑全局输电线路外观特征矩阵的每个行特征向量可以表达相应的输电线路段图像的图像语义特征在各路段间的图像语义相似度拓扑下的拓扑关联表示,由此,在将每个输电线路段外观特征向量的图像语义特征表示作为前景对象特征表示的情况下,在进行图像相似度拓扑关联表达的同时,也会引入背景分布噪声,并且,在从所述多个输电线路段外观特征向量通过图神经网络模型得到所述一致性拓扑全局输电线路外观特征矩阵时,由于所述一致性拓扑全局输电线路外观特征矩阵通过进行向量-矩阵间高秩分布表示,也会引入各个输电线路段外观特征向量的高维特征的图像语义空间异质分布,从而引起所述一致性拓扑全局输电线路外观特征矩阵相对于各个输电线路段外观特征向量的图像语义特征的图像语义空间概率密度映射误差,影响了所述一致性拓扑全局输电线路外观特征矩阵通过分类器得到的分类结果的准确性。
基于此,本公开的申请人对所述一致性拓扑全局输电线路外观特征矩阵,例如记为M进行特征尺度作为模仿掩码的秩排列分布软匹配。
相应地,在一个具体示例中,对所述一致性拓扑全局输电线路外观特征矩阵进行特征分布优化以得到优化一致性拓扑全局输电线路外观特征矩阵,包括:以如下优化公式对所述一致性拓扑全局输电线路外观特征矩阵进行特征分布优化以得到所述优化一致性拓扑全局输电线路外观特征矩阵;其中,所述优化公式为:
其中,M是所述一致性拓扑全局输电线路外观特征矩阵,mi,j是所述一致性拓扑全局输电线路外观特征矩阵的第(i,j)位置的特征值,S是所述一致性拓扑全局输电线路外观特征矩阵的尺度,即宽度乘以高度,表示所述一致性拓扑全局输电线路外观特征矩阵的Frobenius范数的平方,||M||2表示所述一致性拓扑全局输电线路外观特征矩阵的二范数,即谱范数/>λmax是MTM的最大本征值,且α是加权超参数,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,mi ′ ,j是所述优化一致性拓扑全局输电线路外观特征矩阵的第(i,j)位置的特征值。
这里,所述特征尺度作为模仿掩码的秩排列分布软匹配可以将高维特征映射到概率密度空间内时,将特征尺度作为用于映射的模仿掩码来聚焦于前景对象特征而忽略背景分布噪声,并通过所述全局低分辨率图像特征矩阵M的不同范数进行的金字塔式秩排列分布的分布软匹配,来有效捕捉概率密度分布的中心区域和尾部区域之间的相关性,避免了由于所述一致性拓扑全局输电线路外观特征矩阵M的高维特征的图像语义空间异质分布导致的概率密度映射偏差,从而提升所述一致性拓扑全局输电线路外观特征矩阵通过分类器得到的分类结果的准确性。
进一步地,在步骤S1252中,将所述优化一致性拓扑全局输电线路外观特征矩阵通过分类器以得到分类结果,所述分类结果为所述分析结果,包括:将所述优化一致性拓扑全局输电线路外观特征矩阵按照行向量或者列向量展开为优化分类特征向量;使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括被监控输电线路存在表面缺陷(第一标签),以及,被监控输电线路不存在表面缺陷(第二标签),其中,所述分类器通过软最大值函数来确定所述优化一致性拓扑全局输电线路外观特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被监控输电线路是否存在表面缺陷”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被监控输电线路是否存在表面缺陷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被监控输电线路是否存在表面缺陷”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,全连接编码(Fully Connected Encoding)是指将输入数据通过全连接层进行编码的过程。全连接层是神经网络中的一种常见层类型,其中每个神经元与前一层的所有神经元相连接。在全连接编码中,输入数据的每个特征都与全连接层中的每个神经元相连接,从而形成编码特征向量。全连接编码的作用是将输入数据转换为更高级别的表示,提取出数据中的关键特征信息。通过全连接层的连接权重和偏置项,可以对输入数据进行非线性变换和映射,从而捕捉数据中的复杂模式和特征。全连接编码能够将原始输入数据转化为更具表征能力的编码特征向量,这些编码特征向量可以更好地表示数据的关键信息。在步骤S1252中,将优化一致性拓扑全局输电线路外观特征矩阵通过分类器的全连接层进行全连接编码,可以将优化特征向量转化为编码分类特征向量。这样做的目的是提取和表示特征矩阵中的重要信息,以便后续的分类器能够更好地对输入数据进行分类和判别。编码分类特征向量可以更好地表征输电线路的特征,提高分类器的性能和准确度。最后,将编码分类特征向量输入分类器的Softmax分类函数,可以得到最终的分类结果,用于分析和判别输电线路的状态和一致性。
综上,基于本公开实施例的基于智能AI芯片的电力巡检智能预警方法,其可以利用无人机技术和AI芯片技术,采集被监控输电线路的外观图像并对其进行图像处理,自动化地识别所述被监控输电线路的表面缺陷。
进一步地,在本公开的实施例中,还提供了一种基于智能AI芯片的电力巡检智能预警设备,其中,所述基于智能AI芯片的电力巡检智能预警设备由如前所述的方法运行。
图7示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警系统100的框图。如图7所示,根据本公开实施例的基于智能AI芯片的电力巡检智能预警系统100,包括:图像获取模块110,用于获取由无人机采集的被监控输电线路的外观图像;以及,分析模块120,用于使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺陷。
在一种可能的实现方式中,所述分析模块120,包括:图像预处理单元,用于对所述被监控输电线路的外观图像进行图像预处理以得到多个输电线路段图像;节点信息提取单元,用于提取所述多个输电线路段图像的节点信息以得到多个输电线路段外观特征向量;拓扑信息提取单元,用于提取所述多个输电线路段图像的拓扑信息以得到输电线路段间一致性拓扑特征矩阵;图编码单元,用于将所述多个输电线路段外观特征向量和所述输电线路段间一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑全局输电线路外观特征矩阵;以及,分析结果确认单元,用于基于所述一致性拓扑全局输电线路外观特征矩阵,确定所述分析结果。
这里,本领域技术人员可以理解,上述基于智能AI芯片的电力巡检智能预警系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于智能AI芯片的电力巡检智能预警方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的基于智能AI芯片的电力巡检智能预警系统100可以实现在各种无线终端中,例如具有基于智能AI芯片的电力巡检智能预警算法的服务器等。在一种可能的实现方式中,根据本公开实施例的基于智能AI芯片的电力巡检智能预警系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于智能AI芯片的电力巡检智能预警系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于智能AI芯片的电力巡检智能预警系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于智能AI芯片的电力巡检智能预警系统100与该无线终端也可以是分立的设备,并且该基于智能AI芯片的电力巡检智能预警系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图8示出根据本公开的实施例的基于智能AI芯片的电力巡检智能预警方法的应用场景图。如图8所示,在该应用场景中,首先,获取由无人机采集的被监控输电线路的外观图像(例如,图8中所示意的D),然后,将所述被监控输电线路的外观图像输入至部署有基于智能AI芯片的电力巡检智能预警算法的服务器中(例如,图8中所示意的S),其中,所述服务器能够使用所述基于智能AI芯片的电力巡检智能预警算法对所述被监控输电线路的外观图像进行处理以得到用于表示被监控输电线路是否存在表面缺陷的分析结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种基于智能AI芯片的电力巡检智能预警方法,其特征在于,包括:
获取由无人机采集的被监控输电线路的外观图像;以及
使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺陷;
其中,使用智能AI芯片对所述被监控输电线路的外观图像进行处理以得到分析结果,所述分析结果用于表示被监控输电线路是否存在表面缺,包括:
对所述被监控输电线路的外观图像进行图像预处理以得到多个输电线路段图像;
提取所述多个输电线路段图像的节点信息以得到多个输电线路段外观特征向量;
提取所述多个输电线路段图像的拓扑信息以得到输电线路段间一致性拓扑特征矩阵;
将所述多个输电线路段外观特征向量和所述输电线路段间一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑全局输电线路外观特征矩阵;以及
基于所述一致性拓扑全局输电线路外观特征矩阵,确定所述分析结果;
其中,提取所述多个输电线路段图像的拓扑信息以得到输电线路段间一致性拓扑特征矩阵,包括:
计算所述多个输电线路段外观特征向量中任意两个输电线路段外观特征向量之间的余弦距离值以得到输电线路段间一致性拓扑矩阵;以及
将所述输电线路段间一致性拓扑矩阵通过基于卷积神经网络模型的一致性拓扑特征提取器以得到所述输电线路段间一致性拓扑特征矩阵;
其中,基于所述一致性拓扑全局输电线路外观特征矩阵,确定所述分析结果,包括:
对所述一致性拓扑全局输电线路外观特征矩阵进行特征分布优化以得到优化一致性拓扑全局输电线路外观特征矩阵;以及
将所述优化一致性拓扑全局输电线路外观特征矩阵通过分类器以得到分类结果,所述分类结果为所述分析结果;
其中,对所述一致性拓扑全局输电线路外观特征矩阵进行特征分布优化以得到优化一致性拓扑全局输电线路外观特征矩阵,包括:
以如下优化公式对所述一致性拓扑全局输电线路外观特征矩阵进行特征分布优化以得到所述优化一致性拓扑全局输电线路外观特征矩阵;
其中,所述优化公式为:
其中,M是所述一致性拓扑全局输电线路外观特征矩阵,mi,j是所述一致性拓扑全局输电线路外观特征矩阵的第(i,j)位置的特征值,S是所述一致性拓扑全局输电线路外观特征矩阵的尺度,表示所述一致性拓扑全局输电线路外观特征矩阵的Frobenius范数的平方,||M||2表示所述一致性拓扑全局输电线路外观特征矩阵的二范数,且α是加权超参数,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,m′i,j是所述优化一致性拓扑全局输电线路外观特征矩阵的第(i,j)位置的特征值。
2.根据权利要求1所述的基于智能AI芯片的电力巡检智能预警方法,其特征在于,对所述被监控输电线路的外观图像进行图像预处理以得到多个输电线路段图像,包括:
对所述被监控输电线路的外观图像进行自适应图片缩放以得到缩放后输电线路外观图像;以及
沿着所述被监控输电线路的延伸方向,对所述缩放后输电线路外观图像进行图像切分以得到所述多个输电线路段图像。
3.根据权利要求2所述的基于智能AI芯片的电力巡检智能预警方法,其特征在于,提取所述多个输电线路段图像的节点信息以得到多个输电线路段外观特征向量,包括:
将所述多个输电线路段图像分别通过基于卷积神经网络模型的输电线路外观特征提取器以得到所述多个输电线路段外观特征向量。
4.一种基于智能AI芯片的电力巡检智能预警设备,其特征在于,所述基于智能AI芯片的电力巡检智能预警设备由如权利要求1至3所述的方法运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311248769.0A CN117274903B (zh) | 2023-09-25 | 2023-09-25 | 基于智能ai芯片的电力巡检智能预警设备及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311248769.0A CN117274903B (zh) | 2023-09-25 | 2023-09-25 | 基于智能ai芯片的电力巡检智能预警设备及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274903A CN117274903A (zh) | 2023-12-22 |
CN117274903B true CN117274903B (zh) | 2024-04-19 |
Family
ID=89204106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311248769.0A Active CN117274903B (zh) | 2023-09-25 | 2023-09-25 | 基于智能ai芯片的电力巡检智能预警设备及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274903B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544501A (zh) * | 2018-03-22 | 2019-03-29 | 广东电网有限责任公司清远供电局 | 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 |
WO2022027987A1 (zh) * | 2020-08-04 | 2022-02-10 | 杰创智能科技股份有限公司 | 一种图像识别模型的训练方法及图像识别方法 |
WO2022150904A1 (en) * | 2021-01-12 | 2022-07-21 | John Zelek | System and method of hybrid scene representation for visual simultaneous localization and mapping |
CN114862621A (zh) * | 2022-05-06 | 2022-08-05 | 重庆邮电大学 | 一种基于时变有向拓扑下智能电网频率调节分布式经济调度控制方法 |
CN114935590A (zh) * | 2022-05-30 | 2022-08-23 | 江苏大学 | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 |
CN115471732A (zh) * | 2022-09-19 | 2022-12-13 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
CN115834433A (zh) * | 2023-02-17 | 2023-03-21 | 杭州沄涞科技有限公司 | 基于物联网技术的数据处理方法及系统 |
CN116578420A (zh) * | 2023-05-30 | 2023-08-11 | 杭州水务数智科技股份有限公司 | 水务智联设备及其控制方法 |
CN116612065A (zh) * | 2023-03-14 | 2023-08-18 | 贵州电网有限责任公司 | 一种基于YOLO v5的输电线路巡检图像缺陷智能识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10739396B2 (en) * | 2016-10-03 | 2020-08-11 | General Electric Technology Gmbh | Enhanced disturbance management of a power grid system |
US20230024645A1 (en) * | 2021-07-16 | 2023-01-26 | Schweitzer Engineering Laboratories, Inc. | Systems and methods for identifying electric power delivery system event locations using machine learning |
-
2023
- 2023-09-25 CN CN202311248769.0A patent/CN117274903B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544501A (zh) * | 2018-03-22 | 2019-03-29 | 广东电网有限责任公司清远供电局 | 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 |
WO2022027987A1 (zh) * | 2020-08-04 | 2022-02-10 | 杰创智能科技股份有限公司 | 一种图像识别模型的训练方法及图像识别方法 |
WO2022150904A1 (en) * | 2021-01-12 | 2022-07-21 | John Zelek | System and method of hybrid scene representation for visual simultaneous localization and mapping |
CN114862621A (zh) * | 2022-05-06 | 2022-08-05 | 重庆邮电大学 | 一种基于时变有向拓扑下智能电网频率调节分布式经济调度控制方法 |
CN114935590A (zh) * | 2022-05-30 | 2022-08-23 | 江苏大学 | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 |
CN115471732A (zh) * | 2022-09-19 | 2022-12-13 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
CN115834433A (zh) * | 2023-02-17 | 2023-03-21 | 杭州沄涞科技有限公司 | 基于物联网技术的数据处理方法及系统 |
CN116612065A (zh) * | 2023-03-14 | 2023-08-18 | 贵州电网有限责任公司 | 一种基于YOLO v5的输电线路巡检图像缺陷智能识别方法 |
CN116578420A (zh) * | 2023-05-30 | 2023-08-11 | 杭州水务数智科技股份有限公司 | 水务智联设备及其控制方法 |
Non-Patent Citations (6)
Title |
---|
Computation of transient profiles along non-uniform transmission lines using the numerical Laplace transform;Rodrigo Nuricumbo-Guillén等;《2018 IEEE International Conference on High Voltage Engineering and Application (ICHVE)》;20190214;全文 * |
基于无人机图像识别技术的输电线路缺陷检测;李宁;郑仟;谢贵文;陈炜;;电子设计工程;20190520(第10期);全文 * |
基于本体化知识模型的知识库构建模式研究;袁磊;张浩;陈静;陆剑峰;;计算机工程与应用;20061021(第30期);全文 * |
基于结构一致性的航空遥感图像点特征匹配研究;邵峰;《博士电子期刊出版信息》;20230815;全文 * |
孤岛智能配电网下的快速自动发电控制机组一致性协同控制算法;张泽宇;张孝顺;余涛;;控制理论与应用;20160515(第05期);全文 * |
应变式多维力传感器结构优化设计方法研究;吴宝元;申飞;吴仲城;;传感技术学报;20101020(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274903A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Concrete bridge surface damage detection using a single‐stage detector | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
CN112380952A (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
Mokhtari et al. | Comparison of supervised classification techniques for vision-based pavement crack detection | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN113283282B (zh) | 一种基于时域语义特征的弱监督时序动作检测方法 | |
Savino et al. | Automated classification of civil structure defects based on convolutional neural network | |
Mussina et al. | Multi-modal data fusion using deep neural network for condition monitoring of high voltage insulator | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
Chen et al. | Crack detection based on generative adversarial networks and deep learning | |
CN114821014A (zh) | 基于多模态与对抗学习的多任务目标检测识别方法及装置 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
Ali et al. | Performance evaluation of different algorithms for crack detection in concrete structures | |
CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
Abdelkader et al. | Evaluation of spalling in bridges using machine vision method | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN113012107A (zh) | 电网缺陷检测方法及系统 | |
CN112614094A (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
Xia et al. | A multi-target detection based framework for defect analysis of electrical equipment | |
CN114155186A (zh) | 基于无监督学习的缺陷检测系统及方法 | |
CN111696070A (zh) | 基于深度学习的多光谱图像融合电力物联网故障点检测方法 |
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 |