技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种基于AI的发电厂外包工程远程监护方法及系统与流程  >  正文

一种基于AI的发电厂外包工程远程监护方法及系统与流程

  • 国知局
  • 2024-08-05 11:56:55

本发明涉及工程监护,特别是一种基于ai的发电厂外包工程远程监护方法及系统。

背景技术:

1、随着电力工业现代化进程的不断推进,对外包工程施工质量的监管要求也日益提高。传统人工巡视模式存在诸多痛点,如人力成本高昂、监管效率低下、管理难度大等。近年来,人工智能(ai)技术迅速发展,为建筑工地的智能化监控提供了新的技术路径。基于ai视觉技术在施工现场部署智能视频监控设备,通过图像识别和人体行为分析,可实现对违章作业行为的自动检测,大幅提升了监管效率。另外,ai技术能够融合视频、声音、环境参数等多模态数据,综合分析施工现场的复杂情况,从而提高违章行为识别的准确性。此外,将边缘计算和云计算相结合的协同处理模式,使得计算资源能够合理分配,边缘设备承担前端数据处理,云端负责复杂模型运算,从而实现高效、可靠、低延迟的远程智能监控。

2、然而,现有基于ai的远程监控方案在实际应用中仍存在一些不足之处。首先,深度学习模型计算量通常很大、能耗较高,如果直接将其部署在计算能力有限的边缘设备上,将导致设备负载过重、响应延迟加大等问题。其次,大部分现有方案缺乏对监控模型综合性能的评估及动态优化机制,无法根据实际应用场景需求动态调整模型压缩策略,从而造成计算资源利用率低下。最后,监控模型的更新和优化通常依赖中心服务器,忽视了边缘设备所积累的大量现场视频数据,未能利用这些数据提升模型的违章识别能力。因此,有必要提出一种新型的基于ai的远程监控方法,通过融合多模态数据、模型轻量化、性能评估优化和联邦学习等技术手段,来解决现有技术中的瓶颈问题,从而实现对工程施工的高效智能化监控。

技术实现思路

1、鉴于现有的基于ai的远程监控存在,深度学习模型计算量通常很大、能耗较高,缺乏对监控模型综合性能的评估及动态优化机制,无法根据实际应用场景需求动态调整模型压缩策略的问题,提出了本发明。

2、因此,本发明所要解决的问题在于融合多模态数据、模型轻量化、性能评估优化和联邦学习等技术手段实现高校智能化监控。

3、为解决上述技术问题,本发明提供如下技术方案:

4、第一方面,本发明实施例提供了一种基于ai的发电厂外包工程远程监护方法,其包括在施工现场关键区域部署集成深度学习模型的边缘ai设备,并采集多模态数据;对采集的多模态数据进行预处理,并对部署在边缘设备上的深度学习模型进行剪枝和量化;利用轻量级模型融合多模态数据检测违章行为,并将边缘设备检测的嫌疑违章数据上传至云端;在云端对嫌疑违章进行分析,形成最终违章判断结果;建立评估模型,根据评估结果,动态调整压缩策略参数;利用边缘设备积累的现场视频,通过联邦学习不断提升边缘模型的违章识别能力。

5、作为本发明所述基于ai的发电厂外包工程远程监护方法的一种优选方案,其中:剪枝和量化包括以下步骤:对权重的重要性进行评估,剪除权重绝对值小于标准差i倍的连接;进行迭代微调,每次剪枝后使用设定的比例范围内的数据集进行快速训练;将权重和激活函数的浮点数表示转换为固定位宽的整数表示,选择8位或4位作为固定的量化比特数;根据模型执行的具体部分和数据特征,选择不同的量化精度进行动态量化。

6、作为本发明所述基于ai的发电厂外包工程远程监护方法的一种优选方案,其中:估模型的具体公式如下:

7、

8、其中,v表示最终的评估得分,t表示视频监控的总时间长度,e-λt表示指数衰减函数,用于赋予视频序列中时间更靠近当前的事件更高的权重,其中,λ表示衰减率,t表示时间变量,s(t)表示时间t的违章行为得分,n表示检测事件的总数,μ表示所有检测事件得分的平均值,φ(i)表示第i个检测事件的归一化违章行为得分。

9、作为本发明所述基于ai的发电厂外包工程远程监护方法的一种优选方案,其中:调整压缩策略参数包括:基于最新的模型评估得分、模型响应时间和模型能耗计算当前综合性能评分,具体公式如下:

10、

11、其中,c表示综合性能评分,r表示模型响应时间,e表示模型能耗,ε表示小常数,α、β和γ均表示权重系数;将当前的c与预设的目标性能评分ctarget比较,判断是否调整压缩策略参数;模型压缩策略调整的公式如下:

12、

13、其中,pnew表示新的压缩策略参数,pcurrent表示当前压缩策略参数,c表示综合性能评分,ctarget表示预设的综合性能评分,κ表示调整敏感度参数;使用复杂函数f(p,c)来调整新的压缩策略参数pnew,并应用于模型,调整新压缩策略参数pnew的具体公式如下:

14、

15、其中,f(p,c)表示调整后的压缩策略参数值,cbase表示基准性能评分,c表示当前综合性能评分,p表示当前的压缩策略参数,p表示积分变量。

16、作为本发明所述基于ai的发电厂外包工程远程监护方法的一种优选方案,其中:判断是否调整压缩策略参数的判断条件如下:当c<ctarget,表示当前模型的性能未达到预期目标,需要通过调整压缩策略参数来提升性能;当c≥ctarget,表示当前模型的性能满足或超过预期目标,保持当前压缩策略参数不变。

17、作为本发明所述基于ai的发电厂外包工程远程监护方法的一种优选方案,其中:通过联邦学习不断提升边缘模型的违章识别能力的步骤包括:初始化一个全局人员违章行为检测模型,参数为θ;服务器从所有边缘设备k中基于模型性能指标,选择总量中10%-20%性能最差的边缘设备作为当前轮次的训练节点集合q;服务器将当前全局模型参数θ分发给训练节点集合q中的每个工地边缘设备k,使用训练节点k的本地违章行为视频数据集dk,对模型进行e个epochs的完整训练,得到新的模型参数θk;引入fedprox正则项,限制新模型与全局模型的距离;边缘设备k计算模型参数的增量δθk;训练节点k,并将模型增量δθk上传至服务器;服务器根据每个训练节点的数据量nk,对所有增量进行加权平均;服务器将更新后的全局模型参数θ分发给所有边缘设备;重复上述过程,直至模型收敛或达到预期性能。

18、作为本发明所述基于ai的发电厂外包工程远程监护方法的一种优选方案,其中:嫌疑违章数据的判定方法如下:计算违章行为的可能性h,公式如下:

19、h=f(x1,x2,...,xn)

20、其中,h表示违章行为的可能性,f表示融合多模态数据后的评估函数,xi表示模态i对应的特征向量;

21、当h>τ时,数据被标记为嫌疑违章数据;

22、当h≤τ时,数据不做进一步处理;

23、其中,τ表示判断违章行为的阈值。

24、第二方面,本发明实施例提供了一种基于ai的发电厂外包工程远程监护系统,其包括采集模块,用于在施工现场关键区域部署集成深度学习模型的边缘ai设备,采集多模态数据;预处理模块,用于对采集的多模态数据进行预处理,对部署在边缘设备上的深度学习模型进行剪枝和量化;检测模块,利用轻量级模型融合多模态数据检测违章行为,并将边缘设备检测的嫌疑违章数据上传至云端;违章判定模块,用于在云端对嫌疑违章进行分析,形成最终违章判断结果;评估模块,建立评估模型,根据评估结果,动态调整压缩策略参数;优化模块,利用边缘设备积累的现场视频,通过联邦学习不断提升边缘模型的违章识别能力。

25、第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于ai的发电厂外包工程远程监护方法的步骤。

26、第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于ai的发电厂外包工程远程监护方法的步骤。

27、本发明有益效果为:通过在施工现场部署边缘ai设备,系统能够实时采集多模态数据并进行违章行为检测,及时发现潜在的安全隐患或违章行为,从而提高了工地监控的及时性和准确性,减少了人工成本,预处理模块对多模态数据进行处理,并在边缘设备上对深度学习模型进行剪枝和量化,有助于提高系统的运行效率和资源利用率,减少了对网络带宽和云端计算资源的依赖,降低了系统的能耗成本,建立评估模型并动态调整压缩策略参数,可以根据实际情况对系统进行优化和改进,提高了系统的性能和稳定性,同时保证了系统在不同工作环境下的适用性和可靠性,为工地监控提供了持续优化的解决方案。

本文地址:https://www.jishuxx.com/zhuanli/20240802/260237.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。