CN118038153A - 配电架空线路的防外破识别方法、装置、设备和介质 - Google Patents
配电架空线路的防外破识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN118038153A CN118038153A CN202410188809.5A CN202410188809A CN118038153A CN 118038153 A CN118038153 A CN 118038153A CN 202410188809 A CN202410188809 A CN 202410188809A CN 118038153 A CN118038153 A CN 118038153A
- Authority
- CN
- China
- Prior art keywords
- outward
- overhead line
- model
- breaking
- external damage
- 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
Links
- 230000006378 damage Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000009826 distribution Methods 0.000 title claims abstract description 45
- 230000002265 prevention Effects 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 238000010276 construction Methods 0.000 claims abstract description 23
- 239000000779 smoke Substances 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013138 pruning Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种配电架空线路的防外破识别方法、装置、设备和介质。该方法包括:获取待识别架空线路图像;将所述待识别架空线路图像输入到预先训练的防外破识别模型中,得到外破区域识别结果和外破类型;其中,所述防外破识别模型在检测网络中添加并行分割子任务,通过检测网络得到外破类型,通过并行分割子任务得到外破区域识别结果,所述外破类型包括如下至少一种:异物短路、机械施工、违章施工、山火以及烟雾短路。本发明通过预先训练的防外破识别模型对配电架空线路的外破区域进行预警和识别,实现实时监测电网周围的环境,快速发现异常情况,并且提高了识别准确性,减少了投入成本。
Description
技术领域
本发明涉及电网技术领域,尤其涉及一种配电架空线路的防外破识别方法、装置、设备和介质。
背景技术
电力线路面临诸多挑战,其中包括特殊地理位置和环境条件,以及兼具杆塔点多、面广、线长等特点。这些线路长时间暴露在野外,容易受到极端恶劣天气的严重影响。电网系统还经常受到动物活动、人为因素等干扰,这导致电路短路、跳闸以及电网被迫停电等事故频繁发生。这些电路故障不仅对电网的安全运行产生严重影响。因此,加强对电网配电架空线路的安全管理与维护成为确保电网可靠发展的关键所在。
当前,许多电力企业通常采用人工不定时巡视或者无人机监控等手段,以防止电网配电架空线路受到破坏。然而,由于这些方法受到特殊环境和成本因素的限制,难以有效确保电网配电架空线路的安全。近来,随着物联网技术的兴起,涵盖红外技术、激光扫描技术、电厂监测、视频监视等多种新型防外破技术广泛应用于电网维护领域,为电路防外破技术的进步提供了推动力。但是电厂检测技术和激光扫描技术通常需要高强度的设备和技术支持,这就导致了较高的投资成本,显著增加了电网维护的整体经费,不适合在比较大范围的区域开展和应用。此外,部署和维护这类的技术系统需要大量专业的技术人员,且操作相对复杂,而且由于需要大量的技术人员介入,显然无法实现全天候、精准化、自动化的识别与预警。
发明内容
本发明提供了一种配电架空线路的防外破识别方法、装置、设备和介质,以提高配电架空线路的外破识别效率和精准度,减少识别成本。
根据本发明的一方面,提供了一种配电架空线路的防外破识别方法,其特征在于,该方法包括:
获取待识别架空线路图像;
将所述待识别架空线路图像输入到预先训练的防外破识别模型中,得到外破区域识别结果和外破类型;
其中,所述防外破识别模型在检测网络中添加并行分割子任务,通过检测网络得到外破类型,通过并行分割子任务得到外破区域识别结果,所述外破类型包括如下至少一种:异物短路、机械施工、违章施工、山火以及烟雾短路。
根据本发明的另一方面,提供了一种配电架空线路的防外破识别装置,其特征在于,该装置包括:
图像获取模块,用于获取待识别架空线路图像;
模型识别模块,用于将所述待识别架空线路图像输入到预先训练的防外破识别模型中,得到外破区域识别结果和外破类型;
其中,所述防外破识别模型在检测网络中添加并行分割子任务,通过检测网络得到外破类型,通过并行分割子任务得到外破区域识别结果,所述外破类型包括如下至少一种:异物短路、机械施工、违章施工、山火以及烟雾短路。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的配电架空线路的防外破识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的配电架空线路的防外破识别方法。
本发明实施例的技术方案,以视频监控为基础,通过预先训练的防外破识别模型对配电架空线路的外破区域进行预警和识别,实现实时监测电网周围的环境,快速发现异常情况,并且提高了识别准确性,减少了投入成本。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种配电架空线路的防外破识别方法的流程图;
图2是极化自注意力机制的结构示意图;
图3是可分离的视觉深度子注意力模块的结构示意图;
图4是本发明实施例二提供的一种防外破识别模型的训练方法的流程图;
图5是改进后的YOLOv7-seg防外破识别模型的网络结构;
图6是根据本发明实施例三提供的一种配电架空线路的防外破识别装置的结构示意图;
图7是实现本发明实施例的配电架空线路的防外破识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“候选”、“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种配电架空线路的防外破识别方法的流程图,本实施例可适用于对配电架空线路的外破区域进行识别的情况,该方法可以由配电架空线路的防外破识别装置来执行,该配电架空线路的防外破识别装置可以采用硬件和/或软件的形式实现,该配电架空线路的防外破识别装置可配置于边缘盒子中。如图1所示,该方法包括:
S110、获取待识别架空线路图像。
其中,架空线路主要指架空明线,架设在地面之上,是用绝缘子将输电导线固定在直立于地面的杆塔上以传输电能的输电线路。架设及维修比较方便,成本较低,但容易受到气象和环境(如大风、雷击、污秽、冰雪等)的影响而引起故障。架空线路图像通过设置在附近的监控设备进行获取,例如通过无人机上的摄像头进行获取。
S120、将所述待识别架空线路图像输入到预先训练的防外破识别模型中,得到外破区域识别结果和外破类型。
其中,防外破识别模型是预先训练的对架空线路图像中的外破区域进行识别的深度学习模型,具体的,以视频监视为基础的、基于边缘盒子的实时目标检测技术成为了当前最为经济、稳定与可靠的选择。基于以上分析,当前比较迫切需要一项适合部署在边缘盒子中的可靠的目标检测模型,因此,本发明提出一种适合边缘盒子部署的配电架空线路防外破识别模型。
具体的,所述防外破识别模型在检测网络中添加并行分割子任务,通过检测网络得到外破类型,通过并行分割子任务得到外破区域识别结果,所述外破类型包括如下至少一种:异物短路、机械施工、违章施工、山火以及烟雾短路。
其中,检测网络可以是YOLOv7网络,也可以采用其他检测网络,为了提高识别结果的丰富性,在检测网络中添加并行分割子任务,使得识别结果中包括外破区域识别结果和外破类型,外破区域识别结果为架空线路中受到外力影响的区域的具体位置,外破类型是指具体受到的外力类型,如经过对近年来配电架空线路外破跳闸情况的详细统计分析,发现导致外力破坏频繁发生的直接原因可以总结为以下五种:异物短路、机械施工、违章施工、山火以及烟雾短路。当前比较迫切需要一项能够检测出潜在威胁的配电架空线路防外力破坏模型,并投入使用,以减少风险损失和其余的不必要的运维成本。
在一个可行的实施例中,所述防外破识别模型中的并行分割子任务包括掩码生成模块和掩码系数预测模块;
其中,所述掩码生成模块通过一个全卷积网络,根据所述检测网络中的目标特征层输出的特征信息得到所述待识别架空线路图像中的原型掩码;所述掩码系数预测模块对所述原型掩码的原型掩码系数进行预测,以使所述防外破识别模型根据所述原型掩码系数对所述原型掩码进行过滤,得到最终预测结果。
在一个可行的实施例中,所述防外破识别模型对所述掩码生成模块得到的原型掩码和所述掩码系数预测模块预测的原型掩码系数进行线性组合,得到所述待识别架空线路图像中每一个候选外破区域的实例mask,对所述实例mask进行实例框截取和二值化操作,得到最终目标分割结果,作为所述外破区域识别结果。
在本发明实施例中,防外破识别模型为基于YOLOv7的分割与检测并行方案设计,实现遭破坏区域的分割。
在检测易引起配电架空线路损坏的违章建筑、违章施工工地、超高树木、道路修建、尾矿堆积和挖沙取土情况时仅仅通过检测网络中一个方框标记出故障的大概位置,无法在电厂监控系统的界面中直观地反应出以上物件与输电设备的接触情况,因此在检测网络中引入实例分割算法的思想,不但检测出引起配电架空线路损坏的物件的具体类型,还可以将遭破坏位置的边缘轮廓也反映出来,从而在监控系统中可以根据图中分割出的遭破坏区域的大小,直观地判断出输电设备外力破坏的严重程度。
本发明实施例中使用YOLOv7来实现分割任务,将分割任务分成了两个并行的子任务:掩码生成模块(ProtoNet模块)以及掩码系数预测模块(Mask分支)来实现。ProtoNet模块的输入取自YOLOv7颈部网络的P3特征层,模块通过一个全卷积网络生成32个“原型掩码(Prototype Masks)”。这些原型掩码不依赖于任何一个特定外破类型实例,而是在不同外破类型类别之间共享,每一个外破类型实例都由多个原型掩码组合而成。
Mask分支是在原有YOLO预测头的基础上添加的一个并行分支,以预测每个anchor的原型掩码系数。预测头预测出每个anchor的box、class、原型掩码系数后,经过模型中后处理步骤的过滤,得到最终的预测结果。最后将mask分支预测的原型掩码系数和ProtoNet模块预测的原型掩码进行线性组合,得到每一个泄漏故障的实例mask,对该mask进行实例框截取和二值化操作后,得到最终的目标分割结果。
ProtoNet模块和Mask分支,不会影响检测网络原有的目标检测任务,从而实现分割任务与检测任务的并行处理。检测任务的目标置信度损失和分类损失采用FocalLoss,坐标框损失采用CIoU损失,分割任务的掩码损失采用二值交叉熵损失,模型的最终损失由这四部分的损失相加,从而保证两个任务都能取得较好的精度。本发明将加入实例分割分支的模型命名为YOLOv7-seg。
在一个可行的实施例中,在所述防外破识别模型中融入极化自注意力机制;其中,通过融入所述极化自注意力机制动态调整网络权重参数,使所述防外破识别模型弱化背景信息。
由于电厂设备密集、背景信息杂乱,且易导致异物短路的垃圾飘浮物、鸟类等动物、风筝线等物品具有目标小、难以辨认的特性。使用前文提出的原始YOLOv7-seg算法进行接触与破坏的分割与检测时,复杂的背景信息对电网防外破数据集的分割与检测有较大干扰,易出现错分割、漏分割等问题。注意力机制可以通过动态调整网络权重参数,使得模型能够抑制无效特征,为了弱化背景信息的干扰使模型专注于小目标的特征提取,因此在原有网络的E-ELAN模块后融合了极化自注意力机制(Polarized Self-Attention,PSA机制),极化自注意力机制的结构如图2所示。PSA机制分别针对通道及空间维度应用自注意力机制,模块的最终输出特征图与原始输入特征图在结构尺寸上完全一致,不会影响网络后续的处理步骤,对原始网络的梯度路径影响较小,而且PSA模块可与网络一起进行端到端的训练,因此PSA机制可以与YOLOv7-seg的网络架构进行良好的融合。
通道及空间自注意力分支的处理过程相似,都分别通过1×1卷积将输入的特征转换成各自的特征Q和特征V,通道分支将特征Q的通道维度完全压缩并将维度变换至HW×1×1,空间分支通过Global-Pooling将特征Q压缩到C/2×1×1大小,两分支特征V的维度均未进行较大的压缩都保持为C/2×HW,特征信息损失较小,使得PSA模块能够在像素级任务上保持较好的性能。然后,两个分支都通过Softmax对各自压缩后的特征Q进行增强,并通过矩阵乘法分别对各自的特征V和特征Q进行融合得到空间及通道注意力参数。之后通过维度变换、层归一化将空间、通道注意力参数的维度分别调整为1×H×W、C×1×1,并通过Sigmoid将空间、通道注意力参数映射到0~1之间。最后原始的输入外破物件特征分别与通道、空间注意力参数相乘,并将两个分支的结果相加,得到最终的输出外破区域特征图。
PSA的通道注意力分支可以自适应得调整每个通道的重要性,突出与垃圾飘浮物、鸟类等动物、风筝线等出现的易遭外力破坏区域的相关的特征,同时空间注意力分支则能够动态的调整不同空间位置的注意力权重,提高对上述易遭外力破坏区域的建模能力,弱化背景区域的权重。因此,PSA可以帮助YOLOv7-seg更好的捕捉和利用垃圾飘浮物、鸟类等动物、风筝线等物件的关键特征,抑制无关区域的影响,较大程度的提高模型的分割与检测性能。
在一个可行的实施例中,在所述防外破识别模型中融入可分离的视觉深度子注意力模块;其中,所述可分离的视觉深度子注意力模块通过深度可分离卷积和基于窗口的自注意力机制,动态设置不同的模型深度与输出尺寸。
引发烟雾短路的多是蒸汽这类气态泄漏物,由于蒸汽这类气态泄漏物会发生快速地扩散,呈现出半透明的状态,导致输电设备的腐蚀与损坏,而且在电厂复杂的光照条件下泄漏区域的边缘极为模糊,与背景的区别度较小,如果只在某个局部去提取特征信息,极易出现泄漏区域分割不全、误将背景分割成泄漏区域等问题。为了解决上述问题,需要防外破识别模型有极强的全局建模能力,来提取出更多泄漏特征所隐含的特有信息,从而较好的区别背景与泄漏边缘,因此本发明在模型颈部网络的前端加入了可分离的视觉深度子注意力模块(Separable Vision Transformer模块,SepViT模块),来加强蒸汽泄漏区域的边缘轮廓提取。
SepVit引入了深度可分离卷积的设计思想,并遵循了基于窗口的自注意力机制,具有很强的灵活性,其可以根据实际需要设置不同的模型深度与输出尺寸,做到了即插即用,且其参数可以和模型同步进行端到端的训练,因此其可与YOLO系列算法相互配合提高模型的远距离建模能力。SepViT主要由Depthwise Self-Attention(DWA)模块和PointwiseSelf-Attention(PWA)模块组成,可分离的视觉深度子注意力模块的结构如图3所示。
SepViT模块首先对输入特征图进行窗口划分,每个窗口可视为一个特征映射的输入通道,包含不同的接触与破坏的特征信息。为了表征窗口间的注意力关系,每个窗口都创建了对应的window Token,以封装各窗口的全局表示信息。将各窗口的所有像素及对应的Window Token送入DWA模块,执行自注意力计算,实现窗口内不同通道、不同位置间的特征信息融合以及窗口内像素与window Token的信息交互。
PWA部分主要进行跨窗口的信息融合,实现各窗口间的特征信息交互。其首先从DWA的输出中分别提取出窗口像素信息的特征映射和window Token,然后利用包含全局信息的window Token对窗口间的注意力关系进行建模并生成各窗口的注意力参数。之后,window Token生成的注意力参数与DWA输出的泄漏故障特征映射进行窗口间的注意力计算,从而建立多个窗口间的连接,实现全局信息的交互。
SepVit模块会对划分出的各个窗口及与其对应的window Taken进行多次的自注意力计算,使得模型能够在输入特征图的每个位置、每个通道上对其他位置进行加权关注,捕捉到更多的长距离依赖关系。通过对目标的全局上下文进行建模,模型能够更准确地理解图像中的全局结构,这使得网络可以从全局范围内来归纳易引起电网破坏的蒸汽的总体特征,避免了在局部小范围内无法较好提取蒸汽边缘特征的问题。
在一个可行的实施例中,所述防外破识别模型中颈部网络中的卷积层为幽灵卷积模块;其中,所述幽灵卷积模块首先通过预设数量的卷积核生成原始特征图,再使用线性变换生成Ghost特征图,最后根据所述原始特征图和所述Ghost特征图进行拼接,得到特征输出结果。
由于CNN网络所生成的中间特征图存在较多的冗余特征,为了减轻网络的特征冗杂问题,减少网络的参数规模和计算复杂度,使模型可以更好地部署在边缘盒子中,本发明将模型颈部网络中的普通卷积替换为幽灵卷积模块(Ghostconv)。该模块将传统卷积拆分成了两步:第一步使用少量的卷积核生成原始特征图,第二步使用线性变换生成更多的Ghost特征图,最后对两部分特征进行拼接,组成新的输出。
其中,传统卷积运算的FLOPS如下式所示:
FLOPSC=c×k2×n×h'×w'
其中,c是输入特征图的通道数,n、h′、w′表示输出特征图的通道数、高度、宽度,k为卷积核的尺寸。
Ghostconv的FLOPS可表示为以下形式:
其中,d为线性操作的内核大小,s为m(m≤n)个原始特征图线性变换生成的相似特征图个数。
对比以上两个公式,可知Ghostconv对传统卷积的压缩比可近似为s,模型参数量可极大的减少。
在一个可行的实施例中,在所述防外破识别模型中通过批归一化层的缩放因子作为通道参数,并通过在损失函数中引入正则化项惩罚所述缩放因子;根据训练完成的通道参数进行模型通道裁剪。
本发明提出的改进算法,能够实现对配电架空线路防外破数据集的高效分割与检测,为了降低网络参数量,提高模型的实用性,方便后期在电网部门中实际应用,为了将防外破识别模型更好地部署在边缘盒子中,本发明实施例通过通道剪枝技术对模型进行压缩。
通道剪枝不会改变原有网络结构,也不需要特别的硬件支持。利用批归一化层(BN层)的缩放因子γ作为通道选择的标准,来评定通道的重要程度,通过在损失函数中引入正则化项来惩罚因子γ,使得在稀疏训练后大多数因子γ能靠近0。训练结束后,将因子γ接近于0的通道裁减掉,最后微调剪枝后的模型,实现网络模型的轻量化。缩放因子γ利用L1正则化进行稀疏,迫使其向0靠近,稀疏训练的损失函数下式所示:
其中,上式的第一项为正常训练时的损失函数,x和z代表输入和输出,W为模型的训练权重。第二项为稀疏训练的正则项,λ用于平衡两项损失。当剪枝比例过高时,模型精度会急剧下降,在本发明实施例中按50%的比例来裁剪网络。
本发明实施例的技术方案,以视频监控为基础,通过预先训练的防外破识别模型对配电架空线路的外破区域进行预警和识别,实现实时监测电网周围的环境,快速发现异常情况,并且提高了识别准确性,减少了投入成本。
实施例二
图4为本发明实施例二提供的一种防外破识别模型的训练方法的流程图。如图4所示,该方法包括:
S210、配电架空线路防外破数据集采集分拣、标注与划分。
确定需要进行检测的配电架空线路防外破类型,导致配电架空线路外力破坏频繁发生的直接原因可以总结为以下五种:异物短路、机械施工、违章施工、山火以及烟雾短路。出于对现有资源的最大化利用考虑,同时降低人力、物力、财力成本,先对已有的历史视频进行关键帧截取,获取关键帧图片,以人工分拣的方式,挑选出所需的出现外破类型的图片,在此基础上,对于缺少样本的外破类型,采用摄像机拍摄方式定向采集,确保各种外破类型都具有足够的样本数量。利用标注工具,对以上图像中的正常设备与遭到外力破坏的设备进行标注,标注的信息包含类别名称和位置信息Xmin(标注框左上角X坐标)、Ymin(标注框左上角Y坐标)、Xmax(标注框右下角X坐标)、以及Ymax(标注框右下角Y坐标),并以VOC数据格式保存成xml标签文件。对数据集进行预处理:清洗亮度异常、噪声较大和图像模糊的数据,并使数据集内正常设备与遭到外力破坏的设备的标注框数量尽量接近符合1:1的比例,然后将图像数据按照3:1:1的数量比例划分出训练集、验证集和测试集。
S220、基于检测网络的分割与检测并行方案设计,实现遭破坏区域的分割。
其中,检测网络采用YOLOv7网络,在YOLOv7网络添加并行分割子任务,通过检测网络得到外破类型,通过并行分割子任务得到外破区域识别结果。并行分割子任务包括掩码生成模块和掩码系数预测模块。通过基于检测网络的分割与检测并行方案设计可以对机械施工和违章施工类型进行更好地识别。
S230、融入极化自注意力机制和可分离的视觉深度子注意力模块。
通过融入极化自注意力机制可以对异物短路类型进行更好地识别;通过融入可分离的视觉深度子注意力模块可以对烟雾短路进行更好地识别。
S240、融入Ghostconv并进行模型通道剪枝。
S220-S240中的具体内容参考实施例一,在此不再赘述。
S250、训练改进后的防外破识别模型,进行测试并部署到边缘盒子中。
其中,基于S220-S240得到改进后的防外破识别模型,改进后的YOLOv7-seg防外破识别模型的网络结构如图5所示。
本发明实施例在原有的检测网络上完成了改进,使用划分出的训练集对改进后的防外破识别模型进行训练,训练过程中需要使用划分出的验证集对训练过程进行参数择优和早停控制,接下来运用划分出的测试集对训练后的模型进行测试。测试完成后即可将模型部署到边缘盒子中,部署的具体步骤需根据边缘盒子的平台具体考虑,部署完毕后即可执行自主巡检任务,当摄像机捕获视频后,机内部署的模型会对视频内容逐帧推理,若识别到外力破坏的类别后,会自动向相关人员发送预警。
本发明相比现有的配电架空线路防外破识别预警技术的优势在于:
相较于传统的红外技术、激光扫描技术、电厂监测、人工视频监视等多种防外破技术,本发明所属的目标检测这一大类是利用了计算机视觉和深度学习等先进技术,能够对复杂的图像和视频进行高级的智能分析,这使得系统能够更准确地识别和理解实时的图像和视频信息,能够实时监测电网周围的环境,快速发现异常情况,包括任何可能导致外力破坏的潜在威胁。该技术不仅可以识别电力线路上的异常物体,还能够识别机械设备、行人、车辆等多种目标,从而对可能的外力破坏源进行全面监测。由于可将改模型部署在在边缘盒子中,这样一来就可以适应不同环境条件,包括不同的光照、天气、季节等因素,使其在各种复杂情况下都能保持相对高的检测准确性。此外,由于模型可以根据新流入的数据进行迭代优化,这样就可以不断通过软件升级或模型更新等方式不断提升技术性能,保持系统在技术发展上的可持续性。最后,本发明对原始的检测网络进行了一系列的自定义改进,这些改进经过实验证明能在维持原网络的识别准确性的基础上对模型进行轻量化,使得其更适合部署在边缘盒子中。
本发明的技术关键点在于:
(1)通过在检测网络中加入实例分割模块,实现对配电架空线路防外破图像实例分割与目标检测任务的并行;
(2)通过融入极化自注意力机制和可分离的视觉深度子注意力模块,来弱化复杂背景的干扰,强化对接触与破坏区域的边缘提取;
(3)在颈部网路使用Ghostconv降低特征冗余,并通过通道剪枝技术压缩模型,实现模型的轻量化,使得其更适合部署在边缘盒子上。
实施例三
图6为本发明实施例三提供的一种配电架空线路的防外破识别装置的结构示意图。如图6所示,该装置包括:
图像获取模块610,用于获取待识别架空线路图像;
模型识别模块620,用于将所述待识别架空线路图像输入到预先训练的防外破识别模型中,得到外破区域识别结果和外破类型;
其中,所述防外破识别模型在检测网络中添加并行分割子任务,通过检测网络得到外破类型,通过并行分割子任务得到外破区域识别结果,所述外破类型包括如下至少一种:异物短路、机械施工、违章施工、山火以及烟雾短路。
可选的,所述防外破识别模型中的并行分割子任务包括掩码生成模块和掩码系数预测模块;
其中,所述掩码生成模块通过一个全卷积网络,根据所述检测网络中的目标特征层输出的特征信息得到所述待识别架空线路图像中的原型掩码;
所述掩码系数预测模块对所述原型掩码的原型掩码系数进行预测,以使所述防外破识别模型根据所述原型掩码系数对所述原型掩码进行过滤,得到最终预测结果。
可选的,所述防外破识别模型对所述掩码生成模块得到的原型掩码和所述掩码系数预测模块预测的原型掩码系数进行线性组合,得到所述待识别架空线路图像中每一个候选外破区域的实例mask,对所述实例mask进行实例框截取和二值化操作,得到最终目标分割结果,作为所述外破区域识别结果。
可选的,在所述防外破识别模型中融入极化自注意力机制;
其中,通过融入所述极化自注意力机制动态调整网络权重参数,使所述防外破识别模型弱化背景信息。
可选的,在所述防外破识别模型中融入可分离的视觉深度子注意力模块;
其中,所述可分离的视觉深度子注意力模块通过深度可分离卷积和基于窗口的自注意力机制,动态设置不同的模型深度与输出尺寸。
可选的,所述防外破识别模型中颈部网络中的卷积层为幽灵卷积模块;
其中,所述幽灵卷积模块首先通过预设数量的卷积核生成原始特征图,再使用线性变换生成Ghost特征图,最后根据所述原始特征图和所述Ghost特征图进行拼接,得到特征输出结果。
可选的,在所述防外破识别模型中通过批归一化层的缩放因子作为通道参数,并通过在损失函数中引入正则化项惩罚所述缩放因子;根据训练完成的通道参数进行模型通道裁剪。
本发明实施例所提供的配电架空线路的防外破识别装置可执行本发明任意实施例所提供的配电架空线路的防外破识别方法,具备执行方法相应的功能模块和有益效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定,且不违背公序良俗。
实施例四
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如方法配电架空线路的防外破识别。
在一些实施例中,方法配电架空线路的防外破识别可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的方法配电架空线路的防外破识别的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法配电架空线路的防外破识别。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用参考产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括交换件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、交换件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种配电架空线路的防外破识别方法,其特征在于,该方法包括:
获取待识别架空线路图像;
将所述待识别架空线路图像输入到预先训练的防外破识别模型中,得到外破区域识别结果和外破类型;
其中,所述防外破识别模型在检测网络中添加并行分割子任务,通过检测网络得到外破类型,通过并行分割子任务得到外破区域识别结果,所述外破类型包括如下至少一种:异物短路、机械施工、违章施工、山火以及烟雾短路。
2.根据权利要求1所述的方法,其特征在于,所述防外破识别模型中的并行分割子任务包括掩码生成模块和掩码系数预测模块;
其中,所述掩码生成模块通过一个全卷积网络,根据所述检测网络中的目标特征层输出的特征信息得到所述待识别架空线路图像中的原型掩码;
所述掩码系数预测模块对所述原型掩码的原型掩码系数进行预测,以使所述防外破识别模型根据所述原型掩码系数对所述原型掩码进行过滤,得到最终预测结果。
3.根据权利要求2所述的方法,其特征在于,所述防外破识别模型对所述掩码生成模块得到的原型掩码和所述掩码系数预测模块预测的原型掩码系数进行线性组合,得到所述待识别架空线路图像中每一个候选外破区域的实例mask,对所述实例mask进行实例框截取和二值化操作,得到最终目标分割结果,作为所述外破区域识别结果。
4.根据权利要求1所述的方法,其特征在于,在所述防外破识别模型中融入极化自注意力机制;
其中,通过融入所述极化自注意力机制动态调整网络权重参数,使所述防外破识别模型弱化背景信息。
5.根据权利要求1所述的方法,其特征在于,在所述防外破识别模型中融入可分离的视觉深度子注意力模块;
其中,所述可分离的视觉深度子注意力模块通过深度可分离卷积和基于窗口的自注意力机制,动态设置不同的模型深度与输出尺寸。
6.根据权利要求1所述的方法,其特征在于,所述防外破识别模型中颈部网络中的卷积层为幽灵卷积模块;
其中,所述幽灵卷积模块首先通过预设数量的卷积核生成原始特征图,再使用线性变换生成Ghost特征图,最后根据所述原始特征图和所述Ghost特征图进行拼接,得到特征输出结果。
7.根据权利要求1所述的方法,其特征在于,在所述防外破识别模型中通过批归一化层的缩放因子作为通道参数,并通过在损失函数中引入正则化项惩罚所述缩放因子;根据训练完成的通道参数进行模型通道裁剪。
8.一种配电架空线路的防外破识别装置,其特征在于,该装置包括:
图像获取模块,用于获取待识别架空线路图像;
模型识别模块,用于将所述待识别架空线路图像输入到预先训练的防外破识别模型中,得到外破区域识别结果和外破类型;
其中,所述防外破识别模型在检测网络中添加并行分割子任务,通过检测网络得到外破类型,通过并行分割子任务得到外破区域识别结果,所述外破类型包括如下至少一种:异物短路、机械施工、违章施工、山火以及烟雾短路。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的配电架空线路的防外破识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的配电架空线路的防外破识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410188809.5A CN118038153A (zh) | 2024-02-20 | 2024-02-20 | 配电架空线路的防外破识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410188809.5A CN118038153A (zh) | 2024-02-20 | 2024-02-20 | 配电架空线路的防外破识别方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118038153A true CN118038153A (zh) | 2024-05-14 |
Family
ID=90992837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410188809.5A Pending CN118038153A (zh) | 2024-02-20 | 2024-02-20 | 配电架空线路的防外破识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118038153A (zh) |
-
2024
- 2024-02-20 CN CN202410188809.5A patent/CN118038153A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111639530B (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
CN113469278B (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
Yuan et al. | Identification method of typical defects in transmission lines based on YOLOv5 object detection algorithm | |
Yang et al. | Flood Detection Based on Unmanned Aerial Vehicle System and Deep Learning | |
CN116630866B (zh) | 音视频雷达融合的异常事件监控方法、装置、设备及介质 | |
CN117197571A (zh) | 一种光伏组件故障检测方法、装置、电子设备及存储介质 | |
CN116629465A (zh) | 智能电网视频监控与风险预测响应系统 | |
CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 | |
CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
CN115457411A (zh) | 航油管线无人化巡视方法、装置和航油安全运维系统 | |
CN115546629A (zh) | 基于深度学习的遥感影像厂房识别方法和系统 | |
Zhou et al. | Intelligent identification method for natural disasters along transmission lines based on inter-frame difference and regional convolution neural network | |
Ning et al. | Object Detection and Danger Warning of Transmission Channel Based on Improved YOLO Network | |
Yang et al. | Abnormal Scene Image Recognition Method for Intelligent Operation and Maintenance of Electrical Equipment in Substations | |
CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
Chen et al. | Insulator detection method based on multi-angle region proposal network | |
CN117671506A (zh) | 一种基于边缘计算的施工环境图像识别方法和系统 | |
CN114494926A (zh) | 一种智慧城市中井盖异常检测方法和系统 | |
Chen et al. | Vision-Based UAV Distribution Line Inspection Using Deep Learning | |
Ji et al. | Detecting Foreign Objects on Transmission Lines via Improved YOLOv5 Optimized by Attention Mechanism | |
Gao et al. | Identification of risk behavior in power working scenarios based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |