本发明涉及电力检测,具体涉及一种接地网腐蚀检测方法、系统、存储介质及移动终端。
背景技术:
1、接地网作为变电站交直流设备接地极防雷保护接地,是电力系统中的重要组成部分,能够保证工作人员和电力设备的安全。我国接地网的金属导体主要由铜和镀锌扁钢制成,长期服役于复杂的土壤环境下。由于土壤中含有各种腐蚀性成分,会导致接地导体腐蚀和变薄,严重时甚至造成接地导体断裂,威胁变电站的正常运行和工作人员安全。因此,监测变电站接地网中金属导体的腐蚀状态,对变电站接地网的腐蚀程度进行评估具有十分重要的意义。及时检测出腐蚀严重的金属导体不仅能避免电网运行的瘫痪、保护运维人员安全,还能减少检修时间,节约设计维护费用。
2、传统的接地网腐蚀诊断主要是基于电磁感应原理,该方法通过分析接地网表面的电磁感应信号来判断接地网的腐蚀情况。然而,由于变电站现场复杂的电磁环境等因素,其难以提取和识别有效信号,导致该方法在实际工程中缺乏实用性,难以有效普及。随着深度学习的高速发展,基于卷积神经网络理论在接地网腐蚀诊断领域中已经成为评估腐蚀程度的主流方式。
3、采用深度学习的卷积神经网络对接地网腐蚀进行检测虽然可以降低接地网腐蚀评估对工作人员专业性的要求,实现了变电站接地网腐蚀程度的自动分级,但这类模型仅限部署于运算能力强的设备中,例如计算机设备,要求对接地网进行拍摄再将其导入计算机设备中,存在复杂度高以及识别效率不足的问题。
技术实现思路
1、针对现有技术的不足,本发明的目的在于提供一种接地网腐蚀检测方法、系统、存储介质及移动终端,旨在使计算资源相对有限的边缘智能终端,如手机、平板等对接地网腐蚀程度进行识别,从而提升接地网的识别效率。
2、本发明的第一方面在于提供一种接地网腐蚀检测方法,所述方法包括:
3、获取变电站中接地网的图像样本,对所述图像样本进行标注,得到标注腐蚀样本,根据所述标注腐蚀样本构建不同腐蚀程度的样本数据集;
4、对所述样本数据集中的标注腐蚀样本进行预处理,并对图像预处理后的样本数据集进行归一化处理;
5、通过预设的gaenet网络模型对归一化处理后的所述样本数据集进行网络训练;
6、设定初始的网络权重参数与网络偏置参数,对所述gaenet网络模型进行初始化设定;
7、在所述样本数据集中抽取若干个标注腐蚀样本,将所述标注腐蚀样本输入至所述gaenet网络模型中,将所述gaenet网络模型的输出值表示成预测的样本标签;
8、根据所述gaenet网络模型计算出所述样本数据集的实际输出,将所述实际输出与预测输出进行比较,计算交叉熵损失;
9、将所述交叉熵损失与一预设误差精度进行对比,判断交叉熵损失是否小于所述预设误差精度,若是,结束对所述gaenet网络模型的训练,得到目标gaenet网络模型;
10、将所述目标gaenet网络模型部署于含有拍摄功能的移动终端上,以通过所述移动终端对接地网拍摄实现对腐蚀程度的识别。
11、根据上述技术方案的一方面,对所述样本数据集中的标注腐蚀样本进行预处理,包括:对所述标注腐蚀样本进行缩放、添加高斯噪声与mosaic增强。
12、根据上述技术方案的一方面,所述高斯噪声的计算公式为:
13、;
14、所述归一化处理为z-score归一化,计算公式为:
15、;
16、式中,x表示样本数据,μ表示样本数据的均值,σ表示样本数据的方差。
17、根据上述技术方案的一方面,所述交叉熵损失的计算公式为:
18、;
19、式中,x表示样本数据,y表示实际输出对应的实际标签,a表示预测输出,n表示数据样本总数量,为分类任务中模型的误差精度,的取值范围为0-1。
20、根据上述技术方案的一方面,对所述样本数据集中的标注腐蚀样本进行mosaic增强,具体包括:
21、在所述样本数据集中,按照预设规则选择批量的腐蚀图像;
22、随机选取四张腐蚀图像,将四张腐蚀图像进行拼接形成一拼接图像;
23、重复进行图像选择与拼接,直至训练得到新的批次图像;
24、将最终生成的新的批次图像与所述样本数据集反馈至所述gaenet网络模型中。
25、根据上述技术方案的一方面,将所述目标gaenet网络模型部署于含有拍摄功能的移动终端上,以通过所述移动终端对接地网拍摄实现对腐蚀程度的识别的步骤,包括:
26、将训练后的所述目标gaenet网络模型部署于含有拍摄功能的移动终端上;
27、在通过移动终端对接地网进行拍摄时,获取接地网图像;
28、将所述接地网图像导入所述目标gaenet网络模型中进行识别、比较与分类,确定所述接地网图像中接地网的腐蚀程度。
29、根据上述技术方案的一方面,所述移动终端包括智能手机、平板电脑、个人pc以及可穿戴设备。
30、本发明的第二方面在于提供一种接地网腐蚀检测系统,所述系统包括:
31、样本制作模块,用于获取变电站中接地网的图像样本,对所述图像样本进行标注,得到标注腐蚀样本,根据所述标注腐蚀样本构建不同腐蚀程度的样本数据集;
32、样本处理模块,用于对所述样本数据集中的标注腐蚀样本进行预处理,并对图像预处理后的样本数据集进行归一化处理;
33、样本训练模块,用于通过预设的gaenet网络模型对归一化处理后的所述样本数据集进行网络训练;
34、模型更新模块,用于设定初始的网络权重参数与网络偏置参数,对所述gaenet网络模型进行初始化设定;
35、输出预测模块,用于在所述样本数据集中抽取若干个标注腐蚀样本,将所述标注腐蚀样本输入至所述gaenet网络模型中,将所述gaenet网络模型的输出值表示成预测的样本标签;
36、输出计算模块,用于根据所述gaenet网络模型计算出所述样本数据集的实际输出,将所述实际输出与预测输出进行比较,计算交叉熵损失;
37、计算模块,用于将所述交叉熵损失与一预设误差精度进行对比,判断交叉熵损失是否小于所述预设误差精度,若是,结束对所述gaenet网络模型的训练,得到目标gaenet网络模型;
38、模型部署模块,用于将所述目标gaenet网络模型部署于含有拍摄功能的移动终端上,以通过所述移动终端对接地网拍摄实现对腐蚀程度的识别。
39、本发明的第三方面在于提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述技术方案当中所述方法的步骤。
40、本发明的第四方面在于提供一种移动终端,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述技术方案当中所述方法的步骤。
41、与现有技术相比,采用本发明所示的接地网腐蚀检测方法、系统、存储介质及移动终端,有益效果在于:
42、本发明基于gaenet算法,能够解决模型参数量过大且网络计算复杂的问题,缩减了接地网腐蚀程度判别时间。本发明首先添加ghost轻量级卷积,缩减网络模型的参数量和计算量;其次结合simam注意力机制和eca注意力机制使网络,加强不同层级之前的腐蚀特征提取,提升网络识别准确率;然后添加改进的rfb结构,增大模型感受野,融合不同维度腐蚀特征信息;最后引入mish激活函数和mosaic数据增强,克服网络过拟合,加强模型鲁棒性;最终对mbconv模块进行精简,优化模型结构。本发明所提算法能有利运用于计算资源有限的边缘智能终端上,使手机、平板等移动设备能够实现变电站接地网腐蚀程度识别的实时检测。