[發(fā)明專(zhuān)利]基于深度學(xué)習(xí)的刀閘狀態(tài)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010744472.3
• 申請(qǐng)日: 2020-07-29
• 公開(kāi)（公告）號(hào): CN111814742A
• 公開(kāi)（公告）日: 2020-10-23
• 發(fā)明（設(shè)計(jì)）人: 董召杰;黃文琦;梁凌宇;吳丹;曾群生;吳洋;鄭樺;明志勇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T7/70
• 代理公司: 廣州華進(jìn)聯(lián)合專(zhuān)利商標(biāo)代理有限公司 44224
• 代理人: 張彬彬

本申請(qǐng)涉及一種基于深度學(xué)習(xí)的刀閘狀態(tài)識(shí)別方法。包括獲取刀閘樣本。對(duì)所述刀閘樣本進(jìn)行訓(xùn)練，獲取YoloV4檢測(cè)模型。獲取待檢測(cè)圖像數(shù)據(jù)，利用所述YoloV4檢測(cè)模型，對(duì)目標(biāo)刀閘的位置進(jìn)行定位，并對(duì)目標(biāo)刀閘進(jìn)行分類(lèi)。上述方法，經(jīng)過(guò)最終的模型訓(xùn)練，形成所述YoloV4檢測(cè)模型。所述YoloV4檢測(cè)模型有效的提取出刀閘的外觀形狀特征，對(duì)變電站刀閘的狀態(tài)進(jìn)行判斷，大大提升了檢測(cè)速度。

技術(shù)領(lǐng)域

本申請(qǐng)涉及隔離開(kāi)關(guān)檢測(cè)技術(shù)領(lǐng)域，特別是涉及一種基于深度學(xué)習(xí)的刀閘狀態(tài)識(shí)別方法。

背景技術(shù)

由于電網(wǎng)安全運(yùn)行水平和服務(wù)質(zhì)量的要求不斷提高，智能變電站運(yùn)行維護(hù)工作量日益增多，安全形勢(shì)愈發(fā)嚴(yán)峻，必須通過(guò)提升電網(wǎng)自動(dòng)化和智能化水平，提高勞動(dòng)生產(chǎn)效率才能適應(yīng)未來(lái)的發(fā)展需要?，F(xiàn)有的變電站大多采用電動(dòng)目標(biāo)刀閘作為隔離器件。電動(dòng)目標(biāo)刀閘是帶有電動(dòng)操作機(jī)構(gòu)的隔離開(kāi)關(guān)，用于在沒(méi)有負(fù)荷電流的情況下實(shí)現(xiàn)對(duì)線路的分合閘，起到電力系統(tǒng)電路隔離的重要作用。

目前，針對(duì)變電站目標(biāo)刀閘的分合狀態(tài)主要是通過(guò)人工進(jìn)行查看，當(dāng)目標(biāo)刀閘狀態(tài)異常時(shí)記錄對(duì)應(yīng)設(shè)備的狀態(tài)。因此，目前亟需一種動(dòng)態(tài)基于深度學(xué)習(xí)的刀閘狀態(tài)識(shí)別方法以對(duì)目標(biāo)刀閘狀態(tài)進(jìn)行識(shí)別。

發(fā)明內(nèi)容

基于此，本申請(qǐng)?zhí)峁┮环N基于深度學(xué)習(xí)的刀閘狀態(tài)識(shí)別方法，以實(shí)現(xiàn)快速動(dòng)態(tài)識(shí)別刀閘狀態(tài)。

一種基于深度學(xué)習(xí)的刀閘狀態(tài)識(shí)別方法，包括：

獲取刀閘樣本；

對(duì)所述刀閘樣本進(jìn)行訓(xùn)練，獲取YoloV4檢測(cè)模型；

獲取待檢測(cè)圖像數(shù)據(jù)，利用所述YoloV4檢測(cè)模型，對(duì)目標(biāo)刀閘的位置進(jìn)行定位，并對(duì)目標(biāo)刀閘進(jìn)行分類(lèi)。

在其中一個(gè)實(shí)施例中，所述獲取待檢測(cè)圖像數(shù)據(jù)的步驟包括：

獲取視頻流；

利用編碼器對(duì)所述視頻流進(jìn)行編解碼，獲取解碼后的視頻數(shù)據(jù)；

對(duì)所述視頻數(shù)據(jù)進(jìn)行標(biāo)注，形成YoloV4網(wǎng)絡(luò)訓(xùn)練適用格式的標(biāo)注文件；

對(duì)所述標(biāo)注文件進(jìn)行預(yù)處理，以將所述標(biāo)注文件的尺寸調(diào)整為所述YoloV4網(wǎng)絡(luò)訓(xùn)練適用的尺寸。

在其中一個(gè)實(shí)施例中，所述編碼器為h264編碼器或者h(yuǎn)265編碼器。

在其中一個(gè)實(shí)施例中，所述預(yù)處理的方式為對(duì)所述標(biāo)注文件進(jìn)行隨機(jī)旋轉(zhuǎn)平移。

在其中一個(gè)實(shí)施例中，所述對(duì)所述刀閘樣本進(jìn)行訓(xùn)練，獲取YoloV4檢測(cè)模型的步驟包括：

利用損失函數(shù)觀察損失數(shù)值；

當(dāng)所述損失數(shù)值落入預(yù)設(shè)的范圍內(nèi)時(shí)，更新所述YoloV4檢測(cè)模型的權(quán)重。

在其中一個(gè)實(shí)施例中，所述獲取待檢測(cè)圖像數(shù)據(jù)，利用所述YoloV4檢測(cè)模型，對(duì)目標(biāo)刀閘的位置進(jìn)行定位，并對(duì)目標(biāo)刀閘進(jìn)行分類(lèi)的步驟包括：

將所述待檢測(cè)圖像數(shù)據(jù)輸入所述YoloV4檢測(cè)模型的卷積神經(jīng)網(wǎng)絡(luò)，將所述待檢測(cè)圖像數(shù)據(jù)分割成S*S的網(wǎng)格，每個(gè)網(wǎng)格中生成一個(gè)檢測(cè)框；

對(duì)所述檢測(cè)框進(jìn)行卷積層處理，獲得所述目標(biāo)刀閘的位置坐標(biāo)、分類(lèi)結(jié)果以及對(duì)應(yīng)的置信度。

在其中一個(gè)實(shí)施例中，還包括：

利用非極大值抑制算法，去掉重疊面積大于閾值的檢測(cè)框。

在其中一個(gè)實(shí)施例中，所述YoloV4檢測(cè)模型的學(xué)習(xí)率為0.001，所述YoloV4檢測(cè)模型的批次的值為64。

在其中一個(gè)實(shí)施例中，所述目標(biāo)刀閘的類(lèi)型包括單臂垂直伸縮目標(biāo)刀閘、七式目標(biāo)刀閘、四式目標(biāo)刀閘中的一種或多種。