技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种基于深度学习的输电线路防外破监控方法与流程  >  正文

一种基于深度学习的输电线路防外破监控方法与流程

  • 国知局
  • 2024-11-06 14:26:00

本发明涉及输电线路监控,尤其是涉及一种基于深度学习的输电线路防外破监控方法。

背景技术:

1、随着国家经济快速发展,国家电网规模逐步扩大,其在维持运营中因外力而出现的损害也逐渐增加,成为了影响电网系统稳定运营的一个较大阻碍,电网系统的外力破坏是指人们有意或无意造成的线路部件的非正常状态,主要有毁坏线路设备、蓄意制造事故、盗窃线路器材、工作疏忽大意或不清楚电力知识引起的故障,如树木砍伐、建筑施工、采石爆破、车辆冲撞、放风筝等,造成外力破坏的源头简称为外破风险源。

2、目前,应对架空输电线路外力破坏的方法主要有人工定期巡查、利用红外等传感器进行监测与报警。人工巡查的方式需要耗费大量的人力与时间,而各类传感器容易受到各种外在因素的干扰,准确率不高。除了上述方法外,视频及图像监控也逐渐被用于输电线路外破隐患的监控,但仍然存在依赖人工辨别、面对复杂场景时表现较差等问题。

技术实现思路

1、本发明的目的是提供一种基于深度学习的输电线路防外破监控方法,无需通过人工巡查的方式来识别输电线路的外破风险源,可以节省人力和时间成本,能够较为准确和快速地识别输电线路的外破风险源。

2、为实现上述目的,本发明提供了一种基于深度学习的输电线路防外破监控方法,包括以下步骤:

3、s1、通过双目摄像头拍摄输电线路场景图像;

4、s2、对采集到的输电线路场景图像进行预处理,并构建输电线路防外破样本数据集;

5、s3、基于yolov5模型构建输电线路防外破检测神经网络,以输电线路防外破样本数据集为训练集对输电线路防外破检测神经网络进行训练,直到输电线路防外破检测神经网络的map参数值满足预设条件,得到轻量级输电线路防外破检测模型;

6、s4、利用输电线路防外破监控模型对获取到的目标监控区域的实时风险图像进行检测,以确定实时风险图像是否存在外破风险源;

7、s5、在实时风险图像中存在外破风险源的情况下,计算外破风险源与目标监控区域的目标距离;在目标距离不大于预设阈值的情况下,发出一级预警信息;在目标距离大于预设阈值的情况下,则继续计算外破风险源与目标监控区域的目标距离。

8、优选的,步骤s2中,对各输电线路场景图像进行缩放、对比度增强以及降噪处理,对采集到的输电线路场景图像进行筛选,获取存在隐患目标的图像,然后采用高斯滤波方法,对筛选出的存在隐患目标的图像进行滤波处理,得到多个滤波风险图像,通过对比度增强、反转和平移对滤波风险图像进行扩充,生成外破源图像库。

9、优选的,使用labelme图像标注工具对外破源图像库中的图像进行标注,从基准数据集coco-datasets中随机提取包含输电线路通道隐患目标的图像数据及标签,结合自建的外破源图像库,建立输电线路防外破样本数据集。

10、优选的,步骤s3中,构建输电线路防外破检测神经网络具体包括以下步骤:

11、首先构建融入高效注意力机制的eca-pconv模块:以pconv层作为eca-pconv模块的输入端;在pconv层后顺序连接第一pwconv层、高效通道注意力机制eca、bn层、relu激活函数、第二pwconv层;并且添加残差结构接收初始输入特征图、以及第二pwconv层的输出特征图,作为eca-pconv模块的输出;然后利用eca-pconv模块构建输电线路防外破检测神经网络的骨干网络;

12、然后利用eca-pconv模块构建c3_faster模块,基于c3_faster模块构建输电线路防外破检测神经网络中的特征融合网络;

13、最后基于稀疏卷积以及bn+单元构建sc+模块,并基于sc+模块构建稀疏卷积网络sc+net,利用稀疏卷积网络sc+net构建输电线路防外破检测神经网络中的检测网络。

14、优选的,步骤s5中,在目标距离大于预设阈值的情况下,在后一次计算的目标距离小于前一次计算的目标距离的情况下,则发出二级预警信息。

15、优选的,步骤s5中,计算外破风险源与目标监控区域的目标距离,具体为:计算第一直线的第一斜率,其中,第一直线为目标垂足与目标锚框的中心点之间的直线,目标垂足为双目摄像头在世界坐标系下的垂足,目标锚框为实时风险图像中包围外破风险源的最小图形框;计算第二直线的第二斜率,其中,第二直线为目标垂足与目标监控区域的中心点之间的直线;至少根据第一斜率和第二斜率,计算外破风险源与目标监控区域的目标距离。

16、优选的,至少根据第一斜率和第二斜率,计算外破风险源与目标监控区域的目标距离,具体为:根据第一斜率,计算第一夹角,并根据第二斜率,计算第二夹角,其中,第一夹角为第一直线和第三直线之间的夹角,第三直线为目标垂足所在的水平方向上的直线,第二夹角为第三直线与第二直线之间的夹角;计算第一夹角对应的角度和第二夹角对应的角度的和,得到目标角度;根据第一直线的长度、第二直线的长度以及目标角度,计算得到外破风险源与目标监控区域的目标距离。

17、优选的,计算第一直线的长度或者计算第二直线的长度,具体为:计算目标垂足与第一目标点之间的第一长度,并计算目标垂足与第二目标点之间的第二长度,其中,第一目标点为目标锚框的中心点在世界坐标系下且在水平方向的投影点,或者第一目标点为目标监控区域的中心点在世界坐标系下且在水平方向上的投影点,第二目标点为目标锚框的中心点在世界坐标系下且在垂直方向的投影点,或者第二目标点为目标监控区域的中心点在世界坐标系下且在垂直方向的投影点;根据第一长度和第二长度,计算第一直线的长度,或者根据第一长度和第二长度,计算第二直线的长度。

18、因此,本发明采用上述一种基于深度学习的输电线路防外破监控方法,无需通过人工巡查的方式来识别输电线路的外破风险源,可以节省人力和时间成本,能够较为准确和快速地识别输电线路的外破风险源。

19、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。

技术特征:

1.一种基于深度学习的输电线路防外破监控方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于深度学习的输电线路防外破监控方法,其特征在于:步骤s2中,对各输电线路场景图像进行缩放、对比度增强以及降噪处理,对采集到的输电线路场景图像进行筛选,获取存在隐患目标的图像,然后采用高斯滤波方法,对筛选出的存在隐患目标的图像进行滤波处理,得到多个滤波风险图像,通过对比度增强、反转和平移对滤波风险图像进行扩充,生成外破源图像库。

3.根据权利要求2所述的一种基于深度学习的输电线路防外破监控方法,其特征在于:使用labelme图像标注工具对外破源图像库中的图像进行标注,从基准数据集coco-datasets中随机提取包含输电线路通道隐患目标的图像数据及标签,结合自建的外破源图像库,建立输电线路防外破样本数据集。

4.根据权利要求1所述的一种基于深度学习的输电线路防外破监控方法,其特征在于:步骤s3中,构建输电线路防外破检测神经网络具体包括以下步骤:

5.根据权利要求1所述的一种基于深度学习的输电线路防外破监控方法,其特征在于:步骤s5中,在目标距离大于预设阈值的情况下,在后一次计算的目标距离小于前一次计算的目标距离的情况下,则发出二级预警信息。

6.根据权利要求1所述的一种基于深度学习的输电线路防外破监控方法,其特征在于:步骤s5中,计算外破风险源与目标监控区域的目标距离,具体为:计算第一直线的第一斜率,其中,第一直线为目标垂足与目标锚框的中心点之间的直线,目标垂足为双目摄像头在世界坐标系下的垂足,目标锚框为实时风险图像中包围外破风险源的最小图形框;计算第二直线的第二斜率,其中,第二直线为目标垂足与目标监控区域的中心点之间的直线;至少根据第一斜率和第二斜率,计算外破风险源与目标监控区域的目标距离。

7.根据权利要求6所述的一种基于深度学习的输电线路防外破监控方法,其特征在于:至少根据第一斜率和第二斜率,计算外破风险源与目标监控区域的目标距离,具体为:根据第一斜率,计算第一夹角,并根据第二斜率,计算第二夹角,其中,第一夹角为第一直线和第三直线之间的夹角,第三直线为目标垂足所在的水平方向上的直线,第二夹角为第三直线与第二直线之间的夹角;计算第一夹角对应的角度和第二夹角对应的角度的和,得到目标角度;根据第一直线的长度、第二直线的长度以及目标角度,计算得到外破风险源与目标监控区域的目标距离。

8.根据权利要求7所述的一种基于深度学习的输电线路防外破监控方法,其特征在于:计算第一直线的长度或者计算第二直线的长度,具体为:计算目标垂足与第一目标点之间的第一长度,并计算目标垂足与第二目标点之间的第二长度,其中,第一目标点为目标锚框的中心点在世界坐标系下且在水平方向的投影点,或者第一目标点为目标监控区域的中心点在世界坐标系下且在水平方向上的投影点,第二目标点为目标锚框的中心点在世界坐标系下且在垂直方向的投影点,或者第二目标点为目标监控区域的中心点在世界坐标系下且在垂直方向的投影点;根据第一长度和第二长度,计算第一直线的长度,或者根据第一长度和第二长度,计算第二直线的长度。

技术总结本发明公开了一种基于深度学习的输电线路防外破监控方法,属于输电线路监控技术领域,包括以下步骤:S1、拍摄输电线路场景图像;S2、对输电线路场景图像进行预处理后构建输电线路防外破样本数据集;S3、构建输电线路防外破检测模型;S4、利用输电线路防外破监控模型对获取到的目标监控区域的实时风险图像进行检测;S5、在实时风险图像中存在外破风险源的情况下,计算外破风险源与目标监控区域的目标距离,并根据目标距离的计算结果发出相应的预警信息。本发明采用上述的一种基于深度学习的输电线路防外破监控方法,无需通过人工巡查的方式来识别输电线路的外破风险源,节省了人力和时间成本,能够较为准确和快速地识别输电线路的外破风险源。技术研发人员:贾建军,邰旭辉,周云涛,杨华,郝鑫宇,黄倩,程琼,薛瑞景受保护的技术使用者:国网山西省电力公司阳泉供电公司技术研发日:技术公布日:2024/11/4

本文地址:https://www.jishuxx.com/zhuanli/20241106/322045.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。