基于输电线路自主巡检的机载轻量化边缘计算方法及系统与流程

本发明涉及输电线路巡检，尤其涉及一种基于输电线路自主巡检的机载轻量化边缘计算方法、系统、装置和存储介质。

背景技术：

1、长久以来，我国电网庞大的输电线路网络巡检工作主要依赖人工巡视方式进行。巡检成果的时效性、安全性、准确性是人巡时代长期困扰电网运维部门的难题。近些年，无人机作为一种高科技的巡检利器在电网行业中得到迅速推广与应用。

2、无人机沿线路飞行，并同步拍照或者激光扫描，结合数据处理软件，可以快速、准确地发掘线路中的隐患缺陷。

3、但是在巡检过程中，对采集的图片进行识别处理时的运算量非常大，现有技术中一般是把巡检的图片储存起来等巡检结束后一同进行识别检查，还有是把巡检的图像实时传输到后台终端进行实时识别，还有一种是在巡检过程中实时进行识别等巡检结束后把识别结果传输到后台终端，但是这三种方式均存在缺陷，第一种方式的缺陷为识别延时大，第二种方式的缺陷为通信流量浪费大，第三种方式的缺陷为需要大量耗费巡检设备的电量和数据处理能力。

技术实现思路

1、本发明主要解决的技术问题是提供一种基于输电线路自主巡检的机载轻量化边缘计算方法及系统，把通过深度学习框架darknet构建的yolov4算法进行改进，实现图像识别的轻量化边缘计算，实现巡检设备耗电量、通信流量和算力之间的平衡。

2、为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：包括以下步骤：

3、步骤一、收集和整理与巡检任务相关的训练数据集；

4、步骤二、根据训练数据集，通过深度学习框架darknet构建具有轻量化模型的yolov4算法训练关键拍照部位模型；

5、步骤三、获取评估数据集，并使用评估数据集对训练后的模型进行评估，根据评估指标获得确定模型；

6、步骤四、准备巡检设备，根据拍照规范，对杆塔进行精细化自主巡检获得的图像建立拍摄库和档案库，训练结束后采用确定模型进行识别；对于巡检计划中的重点巡检位置，将采集的数据实时传输到训练好的模型中，实现对关键拍照部位进行实时识别，并在出现问题时及时发出警报。

7、进一步的，所述步骤一中，训练数据集包括杆塔全貌、塔头、塔基、通道，以及杆塔上的连接金具、绝缘子、防震锤、间隔棒、附属设施图片。

8、进一步的，所述步骤一中，对训练数据集中的图片通过旋转、缩放、水平翻转、噪声操作进行数据增强。

9、进一步的，所述步骤二中，

10、（1）将darknet框架yolov4网络模型中传统的卷积层使用卷积层的可分离卷积代替，获得修改后模型；

11、（2）使用修改后的模型，采用不同的学习率和训练次数在gpu计算平台上进行模型的训练，并通过交叉验证方法调整训练参数。

12、进一步的，所述步骤三中，评估数据集为经过人工识别及认证过的巡检过程中产生的图片。

13、进一步的，所述步骤三中，评估指标包括模型的准确率和召回率，当两者均达到设定值后则进行下一照部位模型的评估。

14、进一步的，所述步骤四中，根据输电线路的情况，制定巡检计划，并根据巡检计划对拍摄设备进行调试和设置。

15、进一步的，所述拍照规范为：（1）到达杆塔位置后，先进行安全检查和环境检查，确保安全，然后按照巡检计划对杆塔全貌、塔头、塔基、通道部位进行拍照；（2）对连接金具、绝缘子、附属设施、防震锤、间隔棒进行拍照时，利用拍摄设备对不同角度、不同方位进行拍摄。

16、为解决上述技术问题，本发明采用的一个技术方案是：一种基于输电线路自主巡检的机载轻量化边缘计算系统，其特征在于：包括自主巡检模块、数据采集模块、数据处理模块和识别分析模块，其中：

17、自主巡检模块：根据制定的巡检计划进行巡检操作；

18、数据采集模块：根据拍照规范对巡检部位进行图像采集；

19、数据处理模块：将拍摄到的所有图片进行整理，并对进行精细化自主巡检获得的图像建立拍摄库和档案库，

20、潜力评估模块：采用确定模型对关键拍照部位进行实时识别，并在出现问题时及时发出警报。

21、进一步的，所述潜力评估模块包括：

22、模型构建模块：将darknet框架yolov4网络模型中传统的卷积层使用卷积层的可分离卷积代替，获得修改后模型；

23、模型训练模块：根据训练数据集，采用不同的学习率和训练次数在gpu计算平台上进行模型的训练，并通过交叉验证方法调整训练参数；

24、模型评估模块：根据评估数据集，并使用评估数据集对训练后的模型进行评估，根据评估指标获得确定模型。

25、本发明的有益效果是：

26、1、本发明把通过深度学习框架darknet构建的yolov4算法进行改进，实现图像识别的轻量化边缘计算，实现巡检设备耗电量、通信流量和算力之间的平衡，从而保证识别时效、耗电量和通信流量的协调，提高巡检设备的综合性能。

27、2、本发明使用卷积层的可分离卷积代替传统的卷积层，减少网络参数和计算量，从而降低模型的复杂程度。

28、3、本发明获取训练数据集时，对数据集中的图片进行旋转、缩放、水平翻转、噪声等操作，增加数据集的多样性，同时，增加天气条件，从而获得更加全面的数据库，使模型更加准确。

29、4、本发明在对模型训练完成后，使用评估数据集进行模型评估，得到关键拍照部位模型的准确率、召回率等评估指标，如果评估结果不理想，可以进一步调整模型参数和训练参数，进一步保证识别的准确性。

30、为了让本申请的上述和其他目的、特征和优点更能明显易懂，下文特举较佳实施例，并配合所附图示，做详细说明如下。

技术特征：

1.一种基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：所述步骤一中，训练数据集包括杆塔全貌、塔头、塔基、通道，以及杆塔上的连接金具、绝缘子、防震锤、间隔棒、附属设施图片。

3.根据权利要求1所述的基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：所述步骤一中，对训练数据集中的图片通过旋转、缩放、水平翻转、噪声操作进行数据增强。

4.根据权利要求1所述的基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：所述步骤二中，

5.根据权利要求1所述的基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：所述步骤三中，评估数据集为经过人工识别及认证过的巡检过程中产生的图片。

6.根据权利要求1所述的基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：所述步骤三中，评估指标包括模型的准确率和召回率，当两者均达到设定值后则进行下一照部位模型的评估。

7.根据权利要求1所述的基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：所述步骤四中，根据输电线路的情况，制定巡检计划，并根据巡检计划对拍摄设备进行调试和设置。

8.根据权利要求5所述的基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：所述拍照规范为：（1）到达杆塔位置后，先进行安全检查和环境检查，确保安全，然后按照巡检计划对杆塔全貌、塔头、塔基、通道部位进行拍照；（2）对连接金具、绝缘子、附属设施、防震锤、间隔棒进行拍照时，利用拍摄设备对不同角度、不同方位进行拍摄。

9.一种基于输电线路自主巡检的机载轻量化边缘计算系统，其特征在于：包括自主巡检模块、数据采集模块、数据处理模块和识别分析模块，其中：

10.根据权利要求9所述的基于输电线路自主巡检的机载轻量化边缘计算系统，其特征在于：所述潜力评估模块包括：

技术总结
本发明公开了一种基于输电线路自主巡检的机载轻量化边缘计算方法及系统，获得训练数据集；根据训练数据集，通过深度学习框架darknet构建具有轻量化模型的Yolov4算法训练关键拍照部位模型；获取评估数据集，并使用评估数据集对训练后的模型进行评估，根据评估指标获得确定模型；对杆塔进行精细化自主巡检获得的图像建立拍摄库和档案库，训练结束后采用确定模型进行识别；对重点巡检位置，将采集的数据实时传输到训练好的模型中，实现对关键拍照部位进行实时识别，并在出现问题时及时发出警报；本发明把通过深度学习框架darknet构建的Yolov4算法进行改进，实现图像识别的轻量化边缘计算，从而保证识别时效、耗电量和通信流量的协调，提高巡检设备的综合性能。

技术研发人员：田杨阳,郭志民,王棨,蒋炜,薛飞,小布穷,毛泰奇,彭磊,李予全,李哲,张伟剑,曾凡明,毛万登,万迪明,杨益,张璐,庞锴,郑伟,吴博,张龙,胡军星,史建利,李赟,陈岑,胡誉蓉,谭启昀,高松鹤
受保护的技术使用者：国网河南省电力公司电力科学研究院
技术研发日：
技术公布日：2024/8/20