CN118587651A - 配电站运行情况分析方法、装置、可穿戴设备和存储介质 - Google Patents
配电站运行情况分析方法、装置、可穿戴设备和存储介质 Download PDFInfo
- Publication number
- CN118587651A CN118587651A CN202410728137.2A CN202410728137A CN118587651A CN 118587651 A CN118587651 A CN 118587651A CN 202410728137 A CN202410728137 A CN 202410728137A CN 118587651 A CN118587651 A CN 118587651A
- Authority
- CN
- China
- Prior art keywords
- module
- power distribution
- activation function
- target
- distribution station
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 70
- 230000004913 activation Effects 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000004590 computer program Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 96
- 230000009466 transformation Effects 0.000 claims description 23
- 239000003990 capacitor Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000001994 activation Methods 0.000 description 73
- 238000012423 maintenance Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000004984 smart glass Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010249 in-situ analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请涉及一种配电站运行情况分析方法、装置、可穿戴设备、计算机可读存储介质和计算机程序产品。所述方法包括：获取对配电站进行采集得到的视频流数据；通过目标YOLO模型对所述视频流数据中的电气设备进行检测，得到目标检测数据；其中，所述目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；基于所述目标检测数据，获取配电站运行情况的分析报告。采用本方法能够有效地将可穿戴设备收集的数据与云端平台进行融合，以实现远程监测和智能控制配电站运行情况。
Description
技术领域
本申请涉及物联网技术领域，特别是涉及一种配电站运行情况分析方法、装置、可穿戴设备、计算机可读存储介质和计算机程序产品。
背景技术
在电力系统中，配电站扮演着至关重要的角色，它负责将高压电力有效地转换为低压电力，以供给工业、商业及家庭用户。然而，配电站的运行环境和设备复杂性使得其勘测与异常维修工作极具挑战性。传统的勘测与维修方法往往依赖于技术人员佩戴安全设备进入现场，进行人工分析，这不仅效率低下，还存在一定的安全风险。
随着技术的进步，可穿戴设备在多个领域展现出巨大的潜力，特别是在需要实时数据采集和远程交互的工业环境中。这些设备，如智能眼镜、头戴式设备以及集成摄像头、传感器和计算能力的智能手表或手环，能够实时捕捉视频流、采集环境数据，并通过无线通信技术将数据传输至远程位置。
然而，尽管可穿戴设备和计算机视觉技术在多个领域得到了广泛应用，但在配电站勘测与维修领域的应用仍面临一些挑战。具体地，配电站的复杂环境和设备多样性对目标检测算法的准确性和鲁棒性提出了更高要求。如何有效地将可穿戴设备收集的数据与云端平台进行融合，以实现远程监测和智能控制，是一个亟待解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效地将可穿戴设备收集的数据与云端平台进行融合，以实现远程监测和智能控制的配电站运行情况分析方法、装置、可穿戴设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种配电站运行情况分析方法，包括：
获取对配电站进行采集得到的视频流数据；
通过目标YOLO模型对所述视频流数据中的电气设备进行检测，得到目标检测数据；其中，所述目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；
基于所述目标检测数据，获取配电站运行情况的分析报告。
在其中一个实施例中，所述激活函数模块为卷积-批归一化-激活函数模块，所述特征提取模块为卷积-全连接神经网络模块。
在其中一个实施例中，所述卷积-批归一化-激活函数模块中使用的激活函数为二维漏斗激活函数；其中，二维漏斗激活函数的函数表达式为：
Frelu(x)=max(0,x)+min(0,α)*(x-β)；
其中，Frelu表示二维漏斗激活函数，x为输入参数，α和β均为学习参数；当x＜0时，Frelu对x进行线性变换，α控制线性变换的斜率，β控制线性变换的偏移值。
在其中一个实施例中，所述目标YOLO模型的颈部网络中包括双向特征金字塔网络。
在其中一个实施例中，所述基于所述目标检测数据，获取配电站运行情况的分析报告，包括：
将所述目标检测数据加密传输至云端服务节点，获取所述云端服务节点返回的配电站运行情况的分析报告。
在其中一个实施例中，所述电气设备包括断路器、隔离开关、互感器、电容器、避雷器、继电器和电抗器；所述配电站的视频流数据的采集区域包括控制室、开关室、变压器区、电容器室和电缆沟。
第二方面，本申请还提供了一种配电站运行情况分析装置，包括：
获取模块，用于获取对配电站进行采集得到的视频流数据；
检测模块，用于通过目标YOLO模型对所述视频流数据中的电气设备进行检测，得到目标检测数据；其中，所述目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；
分析模块，用于基于所述目标检测数据，获取配电站运行情况的分析报告。
第三方面，本申请还提供了一种可穿戴设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取对配电站进行采集得到的视频流数据；
通过目标YOLO模型对所述视频流数据中的电气设备进行检测，得到目标检测数据；
基于所述目标检测数据，获取配电站运行情况的分析报告；
其中，所述目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取对配电站进行采集得到的视频流数据；
通过目标YOLO模型对所述视频流数据中的电气设备进行检测，得到目标检测数据；
基于所述目标检测数据，获取配电站运行情况的分析报告；
其中，所述目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取对配电站进行采集得到的视频流数据；
通过目标YOLO模型对所述视频流数据中的电气设备进行检测，得到目标检测数据；
基于所述目标检测数据，获取配电站运行情况的分析报告；
其中，所述目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块。
上述配电站运行情况分析方法、装置、可穿戴设备、计算机可读存储介质和计算机程序产品，通过自动化的计算机视觉算法（即目标YOLO模型）对视频流数据进行分析，可以减少人工现场勘测的需求，从而提高监测和维修工作的效率。可穿戴设备能够实时捕捉视频流和环境数据，实现对配电站运行情况的实时监测，有助于及时发现和响应潜在的问题。利用目标YOLO模型对电气设备进行检测，可以自动识别和分类设备状态，为运行分析提供准确的目标检测数据。将可穿戴设备收集的数据与云端平台融合，可以实现数据的集中管理和分析，提高数据处理的智能化水平。目标YOLO模型的结构设计，包括激活函数模块、通道注意力机制模块和特征提取模块，有助于提高目标检测算法在复杂环境下的准确性和鲁棒性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对本申请实施例或相关技术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申请的一些实施例，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相关的附图。
图1为一个实施例中配电站运行情况分析方法的应用环境图；
图2为一个实施例中配电站运行情况分析方法的流程示意图；
图3为一个实施例中目标YOLO模型的主干网络示意图；
图4为一个实施例中FPN、PAN和BiFPN的对比图；
图5为另一个实施例中配电站运行情况分析方法的流程示意图；
图6为一个实施例中可穿戴设备传输和云端服务节点的交互示意图；
图7为一个实施例中配电站运行情况分析装置的结构框图；
图8为一个实施例中可穿戴设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的配电站运行情况分析方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
终端102获取对配电站进行采集得到的视频流数据；通过目标YOLO模型对视频流数据中的电气设备进行检测，得到目标检测数据；基于目标检测数据，获取配电站运行情况的分析报告；其中，目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。头戴设备可以为虚拟现实（Virtual Reality，VR）设备、增强现实（AugmentedReality，AR）设备、智能眼镜等。服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或分布式系统，还可以是提供云计算服务的云服务器。
在一个示例性的实施例中，如图2所示，提供了一种配电站运行情况分析方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤S202至步骤S206。其中：
步骤S202，获取对配电站进行采集得到的视频流数据；
具体地，使用可穿戴设备（如智能手表、智能手环或者智能眼镜）集成的摄像头，对配电站环境进行实时的视频录制。这些设备被技术人员佩戴，能够在他们进行巡检或维修工作时，实时捕捉到配电站内部的情况。通过可穿戴设备，采集到的视频信息被转换成数据流。这意味着视频内容被编码成一系列数据包，准备通过无线通信技术传输。
步骤S204，通过目标YOLO模型对视频流数据中的电气设备进行检测，得到目标检测数据；其中，目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块。
具体地，YOLO是一种流行的实时对象检测系统，它能够在图像和视频帧中快速准确地识别和定位多个对象。在本申请中，对YOLO系列的YOLOV8模型进行改进，改进的YOLOV8模型被用来处理视频流数据，以检测电气设备。YOLOV8模型经过功能分析和改进，以适应配电站场景下的目标检测。改进包括替换激活函数、引入通道注意力机制、优化特征提取网络等，以提高对小目标的检测准确性。
其中，小目标是指配电站中的小型设备、元件或特定区域等。改进后的YOLOV8模型能够更有效地识别这些小目标，即使它们在视频流中可能不太明显或部分被遮挡。模型通过特征提取网络（如改进后的BiFPN）提取视频帧中的特征，并融合不同尺度的特征信息，以提高对多尺度目标的检测性能。
目标YOLO模型处理视频流数据后，生成目标检测数据。这些数据包括被检测到的电气设备的位置（通常以边界框的形式表示）、类别和置信度等信息。目标检测数据可能需要进一步的处理，如非极大值抑制（NMS）来去除重叠的预测框，以及置信度阈值过滤来去除低置信度的预测。最后，目标检测数据被输出用于生成配电站运行情况的分析报告。
如图3所示，图3为目标YOLO模型的主干网络示意图，主干网络包括依次连接的输入模块（input）、1个激活函数模块、多个模块组和SPPF模块；其中，SPPF模块相对于传统的SPP（Spatial Pyramid Pooling）模块，采用串行的池化操作替代了并行的池化操作，
其中，每一模块组包括依次连接的激活函数模块、通道注意力机制模块（ECA）和特征提取模块。
其中，通道注意力机制模块（ECA）是一种特征重标定技术，它允许网络自适应地强调某些通道的特征，同时忽略不相关的信息。ECA指Efficient Channel Attention（高效通道注意力），这是一种轻量级的注意力机制，通过全局平均池化和sigmoid函数来重新加权通道。该模块通过学习输入特征图的每个通道的重要性，增强网络对关键信息的捕捉能力，从而提升特征的表达力。在配电站可穿戴设备的视频流数据采集过程中，可能会受到各种噪声的干扰，如摄像头传感器噪声、振动等。通道注意力机制模块（ECA）可以帮助减小这些噪声对视频流数据的影响，通过自适应地加强有用信息的通道来抑制噪声。
步骤S206，基于目标检测数据，获取配电站运行情况的分析报告。
其中，目标检测数据提供了配电站内各个电气设备的位置、类型、状态等关键信息。这些数据是通过改进的YOLOV8算法从视频流中实时检测得到的。智能分析主机是一个集成了高级数据处理和分析能力的设备或系统。它能够对目标检测数据进行进一步的分析，以评估配电站的运行情况。
具体而言，可穿戴设备可以内置智能分析主机的功能，直接在设备上处理视频流数据并生成分析报告。这种方式减少了数据传输的需要，可以提供快速的现场分析。通过可穿戴设备与智能分析主机的结合，系统架构具有灵活性。可穿戴设备也可以仅作为数据采集工具，将视频流数据传输到外部的智能分析主机。在这种情况下，可穿戴设备专注于高质量的数据收集，而复杂的分析工作由更强大的外设智能分析主机完成。可以根据实际需求和资源情况选择最合适的配置，无论是在可穿戴设备上集成智能分析主机，还是使用外设智能分析主机，都旨在实现对配电站运行情况的实时监控和快速响应。
分析报告可能包括对配电站设备的运行状况、潜在的故障点、维护需求、安全风险等方面的评估。报告将基于目标检测数据和其他相关信息生成，为运维人员提供决策支持。在数据传输和分析过程中，需要确保数据的安全性和隐私性，特别是考虑到视频流数据可能包含敏感信息。
上述配电站运行情况分析方法中，通过自动化的计算机视觉算法（即目标YOLO模型）对视频流数据进行分析，可以减少人工现场勘测的需求，从而提高监测和维修工作的效率。可穿戴设备能够实时捕捉视频流和环境数据，实现对配电站运行情况的实时监测，有助于及时发现和响应潜在的问题。利用目标YOLO模型对电气设备进行检测，可以自动识别和分类设备状态，为运行分析提供准确的目标检测数据。将可穿戴设备收集的数据与云端平台融合，可以实现数据的集中管理和分析，提高数据处理的智能化水平。目标YOLO模型的结构设计，包括激活函数模块、通道注意力机制模块和特征提取模块，有助于提高目标检测算法在复杂环境下的准确性和鲁棒性。
在一个示例性的实施例中，激活函数模块为卷积-批归一化-激活函数模块，特征提取模块为卷积-全连接神经网络模块。
示例性地，如图3所示，展示了目标YOLO模型的主干网络示意图，激活函数模块为CBF模块，特征提取模块为C2f模块。
其中，激活函数模块（CBF）在神经网络中起着至关重要的作用，通过引入非线性使得网络能够学习和模拟复杂的函数映射。指的是具有特定结构或功能的激活函数模块，例如可能包含复合（Cascaded）或瓶颈（Bottleneck）设计的激活函数，旨在提高效率或性能。这个模块可能负责对输入特征进行非线性转换，激活重要的特征并抑制不重要的特征。
其中，特征提取模块（C2F）是深度学习中的核心任务之一，特别是在图像处理和目标检测中。C2F指一种特定的特征提取结构，它可能包含卷积层（Convolutional layers）和其他可能的层，如批量归一化（Batch Normalization）等。这个模块的目的是从输入数据中提取出有用的特征，并将其转换为更高级别的特征表示，这些特征随后可以被用于分类、检测等任务。
本实施例中，通过将这些模块组合在一起，可以构建一个强大的网络单元，它能够高效地处理输入数据，提取出有用的特征，并通过注意力机制增强网络对关键信息的敏感度。这样的设计有助于提高模型的性能，尤其是在处理具有复杂背景和多样目标的图像时，如在配电站场景下的目标检测任务中。
在一个示例性的实施例中，卷积-批归一化-激活函数模块中使用的激活函数为二维漏斗激活函数；其中，二维漏斗激活函数的函数表达式为：
Frelu(x)=max(0,x)+min(0,α)*(x-β)；
其中，Frelu表示二维漏斗激活函数，x为输入参数，α和β均为学习参数；当x≥0时，输出为x，当x＜0时，Frelu对x进行线性变换，α控制线性变换的斜率，β控制线性变换的偏移值。
具体地，传统的激活函数模块（CBS）已被新的激活函数模块（CBF）所替代。CBS模块由Conv2d（二维卷积层）、BatchNormalization（批量归一化）和SiLu（Sigmoid线性单元）激活函数组成。SiLu激活函数类似于Sigmoid函数，提供了更接近线性的输出。然而，SiLu函数仍然可能面临梯度消失的问题，特别是在深层的大型网络中。为了克服这些限制，本发明引入了Frelu激活函数，以取代SiLu。Frelu即二维漏斗激活函数，是一种基于滤波器响应的激活函数，它能够根据输入信号的特征动态选择激活或抑制神经元。这种机制不仅减少了不必要的激活，提高了模型的执行效率，而且由于其输出是以0为中心的，还有助于缓解梯度消失的问题。Frelu的这些特性使得它在深层神经网络中的表现更为稳定，从而提高了模型的整体性能和可靠性。
其中，当x<0时，Frelu执行的线性变换可以看作是一种调整或规范化过程，旨在更好地控制负值的传播，这可能有助于解决梯度消失问题，并提高深层网络中负值特征的表达能力。Frelu通过引入可学习的参数α和β，提供了一种自适应调整负值输入的方式，这可能有助于网络更好地学习复杂的函数映射。相比于固定的激活函数（如Silu），Frelu提供了更高的灵活性和适应性。在应用场景上，Frelu可以用于深度学习模型中的隐藏层，以增强模型对输入数据的非线性变换能力，尤其是在需要处理包含负值的特征时。在训练过程中，α和β作为模型的参数，会通过反向传播算法进行更新，以最小化损失函数。
本实施例中，通过这种改进，激活函数模块（CBF）通过Frelu激活函数的应用，为深层神经网络提供了一种更为有效和自适应的特征激活策略，有助于提升网络在复杂任务中的学习能力和表达能力。
在一个示例性的实施例中，目标YOLO模型的颈部网络中包括双向特征金字塔网络。
具体地，在本实施例中，目标YOLO模型采用YOLOV8模型；原有的YOLOV8模型使用FPN（Feature Pyramid Network）和PAN（Path Aggregation Network）的组合来构建特征金字塔，并通过这种结构化的特征表示来增强模型对不同尺度目标的检测能力。FPN+PAN结构虽然有效，但选择适当的超参数可能需要经验和计算资源。不恰当的参数选择可能会导致性能下降。为了改进FPN，引入了BiFPN。如图4所示，图4为本申请其中一实施例中的FPN、PAN和BiFPN的对比图；BiFPN是一种双向特征金字塔网络，它允许信息在不同层级的特征之间双向流动，从而实现更深层次的特征融合。BiFPN通过更好地整合不同尺度的信息，提高了多尺度目标检测的性能。这对于配电站场景中检测各种尺寸和类型的设备、元件或异常情况尤为重要。BiFPN能够提供更丰富、精细的多尺度特征表示，这对于精确识别和定位配电站中的设备问题至关重要。通过BiFPN，系统对各种目标的感知能力得到提高，这有助于在复杂的配电站环境中实现更准确的目标检测。BiFPN的网络结构优化了特征提取过程，使得模型在保持计算效率的同时，能够更好地适应不同尺度的目标检测任务。
本实施例中，通过在目标YOLO模型的颈部网络中设置双向特征金字塔网络，能够提高模型对多尺度目标的检测能力，通过双向信息流动和更精细的特征融合，增强模型的特征表达能力，从而在复杂的视觉任务中实现更准确的目标识别和定位。这种设计有利于配电站等需要精确检测多种尺寸目标的应用场景。
在一个示例性的实施例中，如图5所示，基于目标检测数据，获取配电站运行情况的分析报告，包括：
步骤S502，将目标检测数据加密传输至云端服务节点；
步骤S504，获取云端服务节点返回的配电站运行情况的分析报告。
具体地，根据上文提到的可穿戴设备也可以仅作为数据采集工具，将视频流数据传输到外部的智能分析主机。
首先，如图6所示，图6为可穿戴设备传输和云端服务节点的交互示意图；通过可穿戴设备在配电站现场实时采集视频流数据。这些数据包含了配电站内部环境和设备的实时图像信息。为了确保数据的安全性和隐私，在视频流数据从可穿戴设备传输到云端服务节点的过程中，使用MD5加密算法对数据进行加密。MD5是一种广泛使用的哈希函数，它可以生成一个128位的哈希值，通常用于确保数据的完整性和验证数据未被篡改。云端服务节点接收到加密的视频流数据后，首先进行解密，然后对视频数据进行解析。这可能包括视频流的预处理、帧提取等步骤。云端服务节点将解析后的视频数据上报给智能分析主机。智能分析主机负责对视频帧进行逐帧检测，利用目标检测算法（如改进的YOLOV8算法）识别和定位视频中的电气设备和元件。智能分析主机根据检测结果生成配电站运行情况的分析报告。这份报告可能包括设备的状态、检测到的任何异常或故障、维护和维修建议等信息。生成的分析报告被传递回云端服务节点，服务节点将其存储在系统中，并可能进行进一步的分析和处理。最终，云端服务节点将分析报告发送回可穿戴设备，使得现场的技术人员能够实时获取配电站的运行情况。
其中，云端服务节点作为一个前后端集成的系统，不仅处理视频数据和生成报告，还负责配电站的现场数据管理、设备管理、故障检测等。它为技术人员提供了一个集中的平台，用于实时监控和管理配电站的运维情况。
本实施例中，通过和智能分析主机配合生成分析报告这个步骤，能够为运维人员提供详尽的现场信息和分析，帮助他们做出更加及时和准确的决策，提高配电站的运维效率和安全性。同时，加密传输确保了数据在传输过程中的安全性和可靠性，保护了敏感信息不被未授权访问。
在一个示例性的实施例中，电气设备包括断路器、隔离开关、互感器、电容器、避雷器、继电器和电抗器；配电站的视频流数据的采集区域包括控制室、开关室、变压器区、电容器室和电缆沟。
本实施例中，通过结合电气设备的特性和视频流数据采集区域的信息，配电站的运维团队能够更有效地管理电力设施，确保供电的连续性和可靠性。同时，这也有助于提高工作效率，降低运维成本，并增强对突发事件的响应能力。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的配电站运行情况分析方法的配电站运行情况分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个配电站运行情况分析装置实施例中的具体限定可以参见上文中对于配电站运行情况分析方法的限定，在此不再赘述。
在一个示例性的实施例中，如图7所示，提供了一种配电站运行情况分析装置，包括：获取模块702，用于获取对配电站进行采集得到的视频流数据；
检测模块704，用于通过目标YOLO模型对视频流数据中的电气设备进行检测，得到目标检测数据；其中，目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；
分析模块706，用于基于目标检测数据，获取配电站运行情况的分析报告。
在一个示例性的实施例中，激活函数模块为卷积-批归一化-激活函数模块，特征提取模块为卷积-全连接神经网络模块。
在一个示例性的实施例中，卷积-批归一化-激活函数模块中使用的激活函数为二维漏斗激活函数；其中，二维漏斗激活函数的函数表达式为：
Frelu(x)=max(0,x)+min(0,α)*(x-β)；
其中，Frelu表示二维漏斗激活函数，x为输入参数，α和β均为学习参数；当x＜0时，Frelu对x进行线性变换，α控制线性变换的斜率，β控制线性变换的偏移值。
在一个示例性的实施例中，目标YOLO模型的颈部网络中包括双向特征金字塔网络。
在一个示例性的实施例中，分析模块706，用于将目标检测数据加密传输至云端服务节点；获取云端服务节点返回的配电站运行情况的分析报告。
在一个示例性的实施例中，电气设备包括断路器、隔离开关、互感器、电容器、避雷器、继电器和电抗器；配电站的视频流数据的采集区域包括控制室、开关室、变压器区、电容器室和电缆沟。
上述配电站运行情况分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于可穿戴设备中的处理器中，也可以以软件形式存储于可穿戴设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种可穿戴设备，该可穿戴设备可以是终端，其内部结构图可以如图8所示。该可穿戴设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该可穿戴设备的处理器用于提供计算和控制能力。该可穿戴设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该可穿戴设备的输入/输出接口用于处理器与外部设备之间交换信息。该可穿戴设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、近场通信（Near Field Communication，NFC）或其他技术实现。该计算机程序被处理器执行时以实现一种配电站运行情况分析方法。该可穿戴设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该可穿戴设备的输入装置可以是显示屏上覆盖的触摸层，也可以是可穿戴设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的可穿戴设备的限定，具体的可穿戴设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，提供了一种可穿戴设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取对配电站进行采集得到的视频流数据；
通过目标YOLO模型对视频流数据中的电气设备进行检测，得到目标检测数据；其中，目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；
基于目标检测数据，获取配电站运行情况的分析报告。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
激活函数模块为卷积-批归一化-激活函数模块，特征提取模块为卷积-全连接神经网络模块。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
卷积-批归一化-激活函数模块中使用的激活函数为二维漏斗激活函数；其中，二维漏斗激活函数的函数表达式为：
Frelu(x)=max(0,x)+min(0,α)*(x-β)；
其中，Frelu表示二维漏斗激活函数，x为输入参数，α和β均为学习参数；当x＜0时，Frelu对x进行线性变换，α控制线性变换的斜率，β控制线性变换的偏移值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
目标YOLO模型的颈部网络中包括双向特征金字塔网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将目标检测数据加密传输至云端服务节点；
获取云端服务节点返回的配电站运行情况的分析报告。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
电气设备包括断路器、隔离开关、互感器、电容器、避雷器、继电器和电抗器；配电站的视频流数据的采集区域包括控制室、开关室、变压器区、电容器室和电缆沟。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取对配电站进行采集得到的视频流数据；
通过目标YOLO模型对视频流数据中的电气设备进行检测，得到目标检测数据；其中，目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；
基于目标检测数据，获取配电站运行情况的分析报告。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
激活函数模块为卷积-批归一化-激活函数模块，特征提取模块为卷积-全连接神经网络模块。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
卷积-批归一化-激活函数模块中使用的激活函数为二维漏斗激活函数；其中，二维漏斗激活函数的函数表达式为：
Frelu(x)=max(0,x)+min(0,α)*(x-β)；
其中，Frelu表示二维漏斗激活函数，x为输入参数，α和β均为学习参数；当x＜0时，Frelu对x进行线性变换，α控制线性变换的斜率，β控制线性变换的偏移值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
目标YOLO模型的颈部网络中包括双向特征金字塔网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将目标检测数据加密传输至云端服务节点；
获取云端服务节点返回的配电站运行情况的分析报告。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
电气设备包括断路器、隔离开关、互感器、电容器、避雷器、继电器和电抗器；配电站的视频流数据的采集区域包括控制室、开关室、变压器区、电容器室和电缆沟。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取对配电站进行采集得到的视频流数据；
通过目标YOLO模型对视频流数据中的电气设备进行检测，得到目标检测数据；其中，目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；
基于目标检测数据，获取配电站运行情况的分析报告。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
激活函数模块为卷积-批归一化-激活函数模块，特征提取模块为卷积-全连接神经网络模块。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
卷积-批归一化-激活函数模块中使用的激活函数为二维漏斗激活函数；其中，二维漏斗激活函数的函数表达式为：
Frelu(x)=max(0,x)+min(0,α)*(x-β)；
其中，Frelu表示二维漏斗激活函数，x为输入参数，α和β均为学习参数；当x＜0时，Frelu对x进行线性变换，α控制线性变换的斜率，β控制线性变换的偏移值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
目标YOLO模型的颈部网络中包括双向特征金字塔网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将目标检测数据加密传输至云端服务节点；
获取云端服务节点返回的配电站运行情况的分析报告。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
电气设备包括断路器、隔离开关、互感器、电容器、避雷器、继电器和电抗器；配电站的视频流数据的采集区域包括控制室、开关室、变压器区、电容器室和电缆沟。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性存储器和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（Resistive Random Access Memory，ReRAM）、磁变存储器（Magnetoresistive RandomAccess Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器、人工智能（Artificial Intelligence，AI）处理器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种配电站运行情况的分析方法，其特征在于，所述方法包括：
获取对配电站进行采集得到的视频流数据；
通过目标YOLO模型对所述视频流数据中的电气设备进行检测，得到目标检测数据；其中，所述目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；
基于所述目标检测数据，获取配电站运行情况的分析报告。
2.根据权利要求1所述的方法，其特征在于，所述激活函数模块为卷积-批归一化-激活函数模块，所述特征提取模块为卷积-全连接神经网络模块。
3.根据权利要求2所述的方法，其特征在于，所述卷积-批归一化-激活函数模块中使用的激活函数为二维漏斗激活函数；其中，二维漏斗激活函数的函数表达式为：
Frelu(x)=max(0,x)+min(0,α)*(x-β)；
其中，Frelu表示二维漏斗激活函数，x为输入参数，α和β均为学习参数；当x＜0时，Frelu对x进行线性变换，α控制线性变换的斜率，β控制线性变换的偏移值。
4.根据权利要求1所述的方法，其特征在于，所述目标YOLO模型的颈部网络中包括双向特征金字塔网络。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标检测数据，获取配电站运行情况的分析报告，包括：
将所述目标检测数据加密传输至云端服务节点，获取所述云端服务节点返回的配电站运行情况的分析报告。
6.根据权利要求1所述的方法，其特征在于，所述电气设备包括断路器、隔离开关、互感器、电容器、避雷器、继电器和电抗器；所述配电站的视频流数据的采集区域包括控制室、开关室、变压器区、电容器室和电缆沟。
7.一种配电站运行情况分析装置，其特征在于，所述装置包括：
获取模块，用于获取对配电站进行采集得到的视频流数据；
检测模块，用于通过目标YOLO模型对所述视频流数据中的电气设备进行检测，得到目标检测数据；其中，所述目标YOLO模型的主干网络包括依次连接的多个模块组，每一模块组包括依次连接的激活函数模块、通道注意力机制模块和特征提取模块；
分析模块，用于基于所述目标检测数据，获取配电站运行情况的分析报告。
8.一种可穿戴设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410728137.2A CN118587651A (zh) | 2024-06-06 | 2024-06-06 | 配电站运行情况分析方法、装置、可穿戴设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410728137.2A CN118587651A (zh) | 2024-06-06 | 2024-06-06 | 配电站运行情况分析方法、装置、可穿戴设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118587651A true CN118587651A (zh) | 2024-09-03 |
Family
ID=92531391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410728137.2A Pending CN118587651A (zh) | 2024-06-06 | 2024-06-06 | 配电站运行情况分析方法、装置、可穿戴设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118587651A (zh) |
-
2024
- 2024-06-06 CN CN202410728137.2A patent/CN118587651A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shidik et al. | A systematic review of intelligence video surveillance: Trends, techniques, frameworks, and datasets | |
| Sultana et al. | IoT-guard: Event-driven fog-based video surveillance system for real-time security management | |
| Fan et al. | Heterogeneous information fusion and visualization for a large-scale intelligent video surveillance system | |
| Prati et al. | Intelligent video surveillance as a service | |
| EP2688296B1 (en) | Video monitoring system and method | |
| US20080317286A1 (en) | Security device and system | |
| CN108701392A (zh) | 用于执行监视的方法和装置 | |
| CN104967875A (zh) | 控制监控视频查看权限的方法和装置 | |
| CN114187541A (zh) | 一种面向自定义业务场景的智能视频分析的方法和存储设备 | |
| CN112422909B (zh) | 一种基于人工智能的视频行为分析管理系统 | |
| CN117540321A (zh) | 一种数据服务监测系统 | |
| CN113723184A (zh) | 基于智能网关的场景识别系统、方法、装置和智能网关 | |
| Purohit et al. | Multi-sensor surveillance system based on integrated video analytics | |
| Khan et al. | VD-Net: An Edge Vision-Based Surveillance System for Violence Detection | |
| CN108073854A (zh) | 一种现场巡检的检测方法及装置 | |
| CN118587651A (zh) | 配电站运行情况分析方法、装置、可穿戴设备和存储介质 | |
| KR20210085970A (ko) | 영상 내의 객체를 시각화하는 영상 감시 장치 및 방법 | |
| CN115052128A (zh) | 一种综合视频监控与网络异常检测的机房安全管理方法 | |
| CN115112661A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
| Fares et al. | Edge/fog-based architecture design for intelligent surveillance systems in smart cities: A software perspective | |
| CN109190555B (zh) | 一种基于图片对比的智能巡店系统 | |
| CN110879964A (zh) | 一种基于三维地理信息的大场景密度分析系统及方法 | |
| Li | A suvey on edge intelligent video surveillance with deep reinforcement learning | |
| CN118069475B (zh) | 一种数字孪生监控系统 | |
| Gandhi et al. | Object-based surveillance video synopsis using genetic algorithm |
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 |