[發(fā)明專利]一種配網(wǎng)工程強化管控方法

在審

• 申請?zhí)枺?/td>: 202110992972.3
• 申請日: 2021-08-27
• 公開（公告）號: CN113869122A
• 公開（公告）日: 2021-12-31
• 發(fā)明（設(shè)計）人: 鄧新財;馬玉坤;陳波;杜挺;郭天翔;舒展;吳順軍;李運碩;李佳;呂齊;王申華;王培波;林軍
• 申請（專利權(quán)）人: 國網(wǎng)浙江省電力有限公司;國網(wǎng)浙江省電力有限公司金華供電公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 杭州華鼎知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33217
• 代理人: 戴俊波

1.一種配網(wǎng)工程強化管控方法，其特征在于：包括如下步驟：

步驟S1、設(shè)定監(jiān)理機器人在配網(wǎng)施工現(xiàn)場的監(jiān)理線路s和監(jiān)理速度v；

步驟S2、搭載RGB相機的監(jiān)理機器人按照步驟S1中設(shè)定的線路s和速度v監(jiān)理，拍攝監(jiān)理視頻，記錄相機的運動方程F；

步驟S3、對采集的視頻標(biāo)注出每一幀所涉及配網(wǎng)現(xiàn)場目標(biāo)的種類、數(shù)量和位置，形成標(biāo)準(zhǔn)場景圖像庫；

步驟S4、采集步驟S3中所涉及的配網(wǎng)現(xiàn)場目標(biāo)，制作成配網(wǎng)施工現(xiàn)場目標(biāo)數(shù)據(jù)集；

步驟S5、將YOLOV5s深度神經(jīng)網(wǎng)絡(luò)在步驟S4中的數(shù)據(jù)集上進行訓(xùn)練，得到訓(xùn)練權(quán)重；

步驟S6、制作步驟S3中標(biāo)準(zhǔn)場景圖像庫的負樣本；

步驟S7、將基于概率相似度的MatchNet神經(jīng)網(wǎng)絡(luò)在正負樣本上進行訓(xùn)練，得到最終的網(wǎng)絡(luò)；

步驟S8、監(jiān)理機器人按照步驟S1中設(shè)定的線路和速度以及步驟S2中記錄的相機運動方程F進行監(jiān)理；

步驟S9、監(jiān)理過程中將拍攝的每一幀圖像與步驟S3中的標(biāo)準(zhǔn)場景庫相同時刻前后各30幀圖片采用基于概率相似度的MatchNet神經(jīng)網(wǎng)絡(luò)比對；

步驟S10、將步驟S9中初步比對異常的圖片采用步驟S5中訓(xùn)練好的YOLOV5s深度神經(jīng)網(wǎng)絡(luò)進行最終異常檢測；

步驟S11、輸出比對異常的結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種配網(wǎng)工程強化管控方法，其特征在于：步驟S3包括如下步驟：將采集的監(jiān)理視頻解析到每一幀，采用labelme標(biāo)注工具標(biāo)注出每一張圖片中的配網(wǎng)施工現(xiàn)場目標(biāo)，生成符合YOLOV5神經(jīng)網(wǎng)絡(luò)的標(biāo)注文件；

每張圖片的標(biāo)注信息包含有目標(biāo)種類、目標(biāo)數(shù)量和在圖片中的位置信息；表示如下：

class_id,x,y,w,h

class_id表示目標(biāo)類別編號，從0開始依次遞增；(x,y)為真實框中心相對于圖片左上角的坐標(biāo)值與圖片寬高的比例；(w,h)為真實框的寬高相對于圖片寬高的比例；

標(biāo)注后的所有標(biāo)注文件和監(jiān)理視頻作為標(biāo)準(zhǔn)場景庫。

3.根據(jù)權(quán)利要求1所述的一種配網(wǎng)工程強化管控方法，其特征在于：步驟S5包括如下步驟：使用kmeans++算法在步驟S4中的數(shù)據(jù)集上聚類出9類先驗框尺寸；

YOLOV5s算法的訓(xùn)練總輪數(shù)為500500，初始學(xué)習(xí)率設(shè)為0.0013，并讓其在訓(xùn)練至400000輪和450000輪時分別降低至原數(shù)值的1/10，decay設(shè)置為0.0005，訓(xùn)練過程中，對圖片進行旋轉(zhuǎn)和色調(diào)、飽和度變化以防止過擬合；

類別損失函數(shù)采用交叉熵損失函數(shù)，如下式所示：

其中，L_class表示預(yù)測框的類別損失；表示第i個網(wǎng)格檢測到目標(biāo)時，此目標(biāo)屬于類別c的實際概率；表示第i個網(wǎng)格檢測到目標(biāo)時，此目標(biāo)屬于類別c的預(yù)測概率；c表示所檢測到的目標(biāo)所屬的類別；

邊界框回歸損失函數(shù)采用GIoU損失函數(shù)，函數(shù)原理式如下：

L_GIoU＝1-GIoU

上式中L_GIoU表示GIoU損失；P表示預(yù)測框；G表示真實框；C表示同時包含預(yù)測框與真實框的最小外接矩形面積；

總的損失函數(shù)為：

L_loss＝L_class+L_GIoU。

4.根據(jù)權(quán)利要求1或2或3所述的一種配網(wǎng)工程強化管控方法，其特征在于：步驟S6包括如下步驟：

對步驟S3中標(biāo)準(zhǔn)場景圖像庫的每張圖片隨機作mask遮擋、明暗、灰度變化以及模糊處理，得到負樣本圖像庫；

將標(biāo)準(zhǔn)場景圖像庫和負樣本圖像庫中的每張圖片分別劃分為64×64的圖像塊，得到用于訓(xùn)練的正負樣本。