本发明涉及输电走廊异物识别,尤其涉及一种输电走廊异物智能识别的模型压缩分析方法。
背景技术:
1、由于电力在社会经济的快速发展中起到了不可或缺的作用,因此对电力传输安全必须提出更高的要求。输电线作为电力传输的重要组成部分,对其进行维护是保障电力传输安全的基础。输电线容易出现风筝、农业大棚、气球以及广告横幅等异物悬挂导致的危害。在极端恶劣天气下,输电线若出现异物悬挂,容易引发火灾和短路等电力事故,导致停电事件,进而造成经济损失。为了提高巡检效率,目前在输电线巡检领域开始通过智能化设备采集图片或视频等现场数据信息并将其传输给后台,再进一步通过神经网络对图像中的输电线异物进行识别。虽然神经网络在计算机视觉任务中表现优异,但主要归功于不断增加的网络深度和海量的可训练参数,虽然提升了识别准确率,但是对服务器的硬件性能要求也相应提高了。当输电线部署于偏远地区时,现场图像数据需要远程传回服务器端进行识别,无法实现实时分析,对此可借助边缘计算设备在本地对图像进行识别处理,但是规模庞大的神经网络对边缘计算设备的性能提出了较高的要求。
技术实现思路
1、鉴于此,本发明的目的在于提供一种输电走廊异物智能识别的模型压缩分析方法,通过对神经网络模型的大小和参数进行压缩,使其可以部署在边缘计算设备上,实现输电走廊图像的实时分析识别。
2、为实现上述发明目的,本发明提供一种输电走廊异物智能识别的模型压缩分析方法,所述方法包括以下步骤:
3、s101、在云端服务器基于输电走廊异物图像训练集对第一神经网络模型进行训练,完成训练后对第一神经网络模型进行压缩处理,获得第二神经网络模型;
4、s102、将第二神经网络模型部署到边缘计算终端;
5、s103、通过图像采集设备采集输电走廊图像,将输电走廊图像传输至边缘计算终端;
6、s104、边缘计算终端将输电走廊图像输入到第二神经网络模型中,通过第二神经网络模型对输电走廊图像进行异物识别,将异物识别结果发送至运维终端,并上传到云端服务器。
7、进一步的,对第一神经网络模型进行压缩处理,具体包括以下步骤:
8、s201、创建压缩策略库,在压缩策略库中写入多种模型压缩策略;
9、s202、从压缩策略库中选择模型压缩策略,基于所选择模型压缩策略对第一神经网络模型进行压缩处理。
10、进一步的,步骤s202中,从压缩策略库中选择模型压缩策略,具体包括以下步骤:
11、s301、分别使用压缩策略库中的每一种模型压缩策略对第一神经网络模型进行模拟压缩,获得相应的压缩后神经网络模型作为模拟压缩结果;
12、s302、对模拟压缩结果中的压缩后神经网络模型进行性能测试,根据性能测试结果对压缩后神经网络的性能进行评价;
13、s303、选择性能评价最优的模拟压缩结果对应的模型压缩策略输出。
14、进一步的,在执行步骤s102前,还执行以下步骤:
15、s401、边缘计算终端汇总外挂于其下的图像采集设备上传的输电走廊图像,将输电走廊图像上传到云端服务器;
16、s402、云端服务器将各个边缘计算终端上传的输电走廊图像输入到聚类算法中,通过聚类算法基于输电走廊图像对边缘计算终端进行聚类分析,获得多个簇,每个簇中包含多个边缘计算终端;
17、s403、确定每个簇的代表性输电走廊图像。
18、进一步的,步骤s202具体包括以下步骤:
19、s501、汇总所有簇的代表性输电走廊图像生成图像集合;
20、s502、分别使用压缩策略库中的每一种模型压缩策略对第一神经网络模型进行模拟压缩,获得相应的压缩后神经网络模型作为模拟压缩结果;
21、s503、生成压缩结果集合,压缩结果集合包括所有模拟压缩结果;
22、s504、将图像集合和模拟压缩结果集合输入遗传算法,将遗传算法的目标设置为异物识别准确率高于预设准确率阈值的同时模型规模最小,通过遗传算法进行计算,输出最优个体;
23、s505、基于最优个体将相应的第二神经网络模型部署到边缘计算终端。
24、进一步的,步骤s504具体包括以下步骤:
25、s601、基于图像集合和模拟压缩结果集合生成多个个体,将多个个体作为遗传算法的初始种群;
26、s602、对初始种群中的个体进行随机选择并输出被选中的个体;
27、s603、对被选中的个体进行变异和交叉操作;
28、s604、迭代执行步骤s602~s603,直至遗传算法收敛,输出种群。
29、进一步的,基于图像集合和模拟压缩结果集合生成多个个体,具体包括以下步骤:
30、s701、遍历图像集合,为图像集合中的每一个代表性输电走廊图像随机从模拟压缩结果集合中选择一个模拟压缩结果进行绑定,将被选择的模拟压缩结果组成第二模拟压缩结果集合;
31、s702、将成对的图像集合和第二模拟压缩结果集合作为种群的一个个体;
32、s703、重复执行步骤s701~s702,直至生成的个体数量满足种群数量要求。
33、进一步的,将第二神经网络模型部署到边缘计算终端,具体包括步骤:
34、s801、解析最优个体包含的图像集合和模拟压缩结果集合,确定最优个体中不同代表性输电走廊图像及其对应的模拟压缩结果;
35、s802、根据模拟压缩结果确定对应的模型压缩策略,基于对应的模型压缩策略对第一神经网络模型进行压缩,得到相应的第二神经网络模型;
36、s803、将上一步骤得到的第二神经网络模型部署到模拟压缩结果绑定的代表性输电走廊图像所对应簇中的边缘计算终端。
37、与现有技术相比,本发明的有益效果是:
38、本发明提供的一种输电走廊异物智能识别的模型压缩分析方法,在云端服务器对第一神经网络模型进行训练后,进一步对其进行压缩处理,获得体积更小、参数更少的第二神经网络模型,并将其部署到边缘计算终端,图像采集设备采集输电走廊图像后传输到边缘计算终端,通过边缘计算终端对输电走廊图像进行识别,将异物识别结果发送到运维终端,从而降低神经网络模型对边缘计算终端的硬件性能要求,减少对云端服务器计算资源的占用,所述方法能够实时分析识别偏远地区的输电走廊异物并及时通知运维人员,提高输电走廊异物处理效率,更好地保障输电线路安全稳定运行。
1.一种输电走廊异物智能识别的模型压缩分析方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种输电走廊异物智能识别的模型压缩分析方法,其特征在于,对第一神经网络模型进行压缩处理,具体包括以下步骤:
3.根据权利要求2所述的一种输电走廊异物智能识别的模型压缩分析方法,其特征在于,步骤s202中,从压缩策略库中选择模型压缩策略,具体包括以下步骤:
4.根据权利要求2所述的一种输电走廊异物智能识别的模型压缩分析方法,其特征在于,在执行步骤s102前,还执行以下步骤:
5.根据权利要求4所述的一种输电走廊异物智能识别的模型压缩分析方法,其特征在于,步骤s202具体包括以下步骤:
6.根据权利要求5所述的一种输电走廊异物智能识别的模型压缩分析方法,其特征在于,步骤s504具体包括以下步骤:
7.根据权利要求6所述的一种输电走廊异物智能识别的模型压缩分析方法,其特征在于,基于图像集合和模拟压缩结果集合生成多个个体,具体包括以下步骤:
8.根据权利要求5所述的一种输电走廊异物智能识别的模型压缩分析方法,其特征在于,将第二神经网络模型部署到边缘计算终端,具体包括步骤: