[發(fā)明專利]一種基于輸電線路外部隱患自學(xué)習(xí)識別系統(tǒng)、方法

在審

• 申請?zhí)枺?/td>: 202210406089.6
• 申請日: 2022-04-18
• 公開（公告）號: CN114863118A
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計）人: 陳波;涂婳
• 申請（專利權(quán)）人: 言圖科技有限公司
• 主分類號: G06V10/40
• 分類號: G06V10/40;G06V20/40;G06V20/70;G06T7/246;G06N3/08
• 代理公司: 北京金智普華知識產(chǎn)權(quán)代理有限公司 11401
• 代理人: 張曉博

本發(fā)明屬于輸電線路安全監(jiān)測技術(shù)領(lǐng)域，公開了一種基于輸電線路外部隱患自學(xué)習(xí)識別系統(tǒng)、方法，包括：邊緣計算平臺進(jìn)行輸電電線周邊環(huán)境圖像的采集，并利用基于自學(xué)習(xí)機(jī)制的隱患目標(biāo)檢測模型進(jìn)行通道隱患識別以及通道隱患位置確定；數(shù)據(jù)傳輸存儲模塊將邊緣計算平臺采集的圖像以及檢測識別結(jié)果傳輸至云端計算平臺；并將遠(yuǎn)端計算平臺訓(xùn)練的基于自學(xué)習(xí)機(jī)制的隱患目標(biāo)檢測模型傳輸至邊緣計算平臺；云端計算平臺接收數(shù)據(jù)傳輸存儲模塊傳輸?shù)臄?shù)據(jù)，并進(jìn)行數(shù)據(jù)的分析、預(yù)警以及基于自學(xué)習(xí)機(jī)制的隱患目標(biāo)檢測模型的訓(xùn)練與同步部署。本發(fā)明的基于輸電線路外部隱患自學(xué)習(xí)識別方法準(zhǔn)確性達(dá)到90％以上。

技術(shù)領(lǐng)域

本發(fā)明屬于輸電線路安全監(jiān)測技術(shù)領(lǐng)域，尤其涉及一種基于輸電線路外部隱患自學(xué)習(xí)識別系統(tǒng)、方法。

背景技術(shù)

目前，輸電線路的穩(wěn)定運(yùn)行，是電力系統(tǒng)安全的重要環(huán)節(jié)之一，因此，保證輸電線路的安全與穩(wěn)定是電力網(wǎng)絡(luò)基礎(chǔ)設(shè)施建設(shè)的基石。在實(shí)際應(yīng)用場景中，輸電線路周邊環(huán)境的通道隱患種類眾多，主要包括施工機(jī)械外力破壞、導(dǎo)線異物和山火這三大類。由于上述隱患都會對特高壓輸電線路造成威脅，引發(fā)嚴(yán)重停電事故，所以需要針對線路附近的各類通道隱患進(jìn)行檢測、識別與報警。針對輸電線路的周邊環(huán)境建立通道隱患智能識別架構(gòu)，是輸電線路穩(wěn)定運(yùn)行的重要保證。

輸電線路的周邊環(huán)境通道隱患智能識別系統(tǒng)主要包括基于傳統(tǒng)人工識別方式、基于人工智能算法、基于無人機(jī)巡視和基于云/邊協(xié)同方式等。傳統(tǒng)人工識別系統(tǒng)，主要通過工作人員巡邏、視頻監(jiān)控等方式人工檢查通道隱患，該方式的準(zhǔn)確率和實(shí)時性偏低。基于無人機(jī)的智能識別系統(tǒng)，主要包括無人機(jī)巡視子系統(tǒng)、無線通信鏈路和后臺圖像識別系統(tǒng)三大部分。系統(tǒng)通過無人機(jī)遠(yuǎn)程采集圖片，基于無線通信將圖像傳輸?shù)胶笈_服務(wù)器進(jìn)行圖像識別。基于無人機(jī)的智能識別系統(tǒng)可結(jié)合深度學(xué)習(xí)領(lǐng)域的圖像識別模型，達(dá)到較高的識別準(zhǔn)確率。

在當(dāng)今深度學(xué)習(xí)、圖像識別和云/邊協(xié)同技術(shù)蓬勃發(fā)展的背景下，基于云/邊協(xié)同架構(gòu)的智能識別系統(tǒng)應(yīng)運(yùn)而生。基于云/邊協(xié)同架構(gòu)的智能識別系統(tǒng)，主要包括邊緣計算端、無線通信信道和云計算端三大部分。邊緣計算端負(fù)責(zé)隱患圖像采集，然后通過無線通信信道，傳輸至云端計算服務(wù)器，云端服務(wù)器負(fù)責(zé)模型的訓(xùn)練、推理階段以及結(jié)果處理和報警等操作。云/邊協(xié)同識別架構(gòu)的提出，有利于邊緣端分擔(dān)云端后臺服務(wù)器數(shù)據(jù)壓力，同時提供了算法模型可自動迭代更新的環(huán)境。

然而，當(dāng)前的輸電線路通道隱患智能識別系統(tǒng)仍然存在較多問題。一方面，許多系統(tǒng)沒有引入云/邊協(xié)同方式，或者出現(xiàn)云/邊協(xié)同系統(tǒng)雙邊的數(shù)據(jù)壓力不平衡現(xiàn)象，即云端計算量大，邊緣端計算量小，也導(dǎo)致云/邊數(shù)據(jù)傳輸負(fù)載壓力大。另一方面，圖像識別模型大多不具備強(qiáng)化學(xué)習(xí)迭代架構(gòu)，不支持自學(xué)習(xí)在線更新。

輸電線路的隱患圖像智能識別系統(tǒng)，從早期的傳統(tǒng)人工識別系統(tǒng)，再發(fā)展到后來的基于人工智能算法和基于無人機(jī)的智能識別系統(tǒng)，直到如今的云/邊協(xié)同智能識別系統(tǒng)。隨著人工智能技術(shù)和智能硬件的發(fā)展，如今輸電線路的隱患圖像智能識別系統(tǒng)引入了前沿的深度學(xué)習(xí)領(lǐng)域的圖像識別算法，例如Yolo模型等，以及云/邊智能硬件，例如華為Atlas人工智能計算平臺等。

目前的輸電線路的通道隱患智能識別系統(tǒng)多依托現(xiàn)代通信技術(shù)、人工智能算法和智能硬件等，實(shí)現(xiàn)對遠(yuǎn)程的輸電線路周邊環(huán)境進(jìn)行智能識別通道隱患的功能，相對于傳統(tǒng)人工識別系統(tǒng)大大提高準(zhǔn)確率和實(shí)時性，同時節(jié)省大量人力。在基于人工智能算法的智能識別系統(tǒng)上，現(xiàn)有技術(shù)1引入Yolo-v3模型和RFCN模型分別作為一階段和二階段檢測框架，并融合深度強(qiáng)化學(xué)習(xí)算法。現(xiàn)有技術(shù)2基于輸電線路周邊環(huán)境的現(xiàn)場運(yùn)維采集的圖片，引入CNN模型對通道隱患進(jìn)行識別和分類，包括吊車、挖掘機(jī)、線上異物等通道隱患進(jìn)行識別和分類。在基于無人機(jī)的智能系統(tǒng)上，現(xiàn)有技術(shù)3利用無人機(jī)遠(yuǎn)程采集圖像，并引入Fast-RCNN模型實(shí)現(xiàn)輸電線路缺陷檢測任務(wù)。然而，目前搭載在無人機(jī)上的巡檢算法無法滿足通道隱患檢測的高質(zhì)量、高效率、低延遲的需求。