一种基于云边协同的输电线路监测方法及系统技术方案

本申请公开了一种基于云边协同的输电线路监测方法及系统，一种基于云边协同的输电线路监测系统通过获取预设周期内，若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值；在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值；向GPU集群发送指令，以激活对所述失误值达到或超过预设激活阈值的监拍装置，所对应的神经网络模型的训练任务；通知所述达到或超过预设激活阈值的监拍装置，使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型。本发明专利技术实现了在输电线路故障监拍的过程中，显著提升了输电线路隐患识别的实时性，另一方面提升了相应输电线路神经网络模型对该监拍场景下的识别精度。

【技术实现步骤摘要】
一种基于云边协同的输电线路监测方法及系统
本申请涉及输电线路在线监测
，尤其涉及一种基于云边协同的输电线路监测方法及系统。
技术介绍
输电线路是电网的重要组成部分，受人为及自然条件的影响，输电线路中经常会出现各种安全隐患，包括特定种类的物体如：塔吊、吊车、泵车和挖掘机等。若输电线路存在的安全隐患不能得到及时排查，不仅会危及电网安全运行，而且会影响用户的生产与生活。目前电网监测终端主要进行数据采集、数据传输，由云端进行识别分析并进行分析报警。随着输电线路监拍装置数量不断增多、监拍间隔不断缩短，实时产生海量图片数据，网络带宽与计算吞吐量均成为云端识别分析的瓶颈，造成实时分析延迟，隐患无法及时通知到用户，给输电线路的安全带来巨大隐患。
技术实现思路
本申请实施例提供了一种基于云边协同的输电线路监测方法及系统，用以解决现有的云端服务器进行输电线路隐患识别时的压力大，输电线路隐患实时告警延迟，以及云端服务器训练的轻量级神经网络模型去识别所有输电线路场景下的隐患，导致神经网络模型与具体识别的输电线路监拍场景融合不足，导致大量误报，识别精度降低的技术问题。一方面，本申请提供了一种基于云边协同的输电线路监测方法，包括：获取预设周期内，若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值；所述失误值与监拍装置的漏报率和/或误报率相关；确定所述若干输电线路监拍装置中的任意一个监拍装置，在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值；向GPU集群发送指令，以激活对所述失误值达到或超过预设激活阈值的监拍装置，所对应的神经网络模型的训练任务；其中，所述训练任务为非首次训练任务；通知所述达到或超过预设激活阈值的监拍装置，使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型。由于输电线路场景千变万化，云端服务器训练的轻量级神经网络模型去识别所有输电线路场景下的隐患，导致神经网络模型与具体识别的输电线路监拍场景融合不足，导致大量误报，识别精度降低，因此，通过由输电线路监拍装置端进行隐患推理识别，针对输电线路监拍装置失误值超过预设激活阈值的网络模型训练任务进行激活，对特定输电线路监拍场景做定制化模型训练，输电线路隐患识别的神经网络模型对相应输电线路场景理解的更好，并且赋予了输电线路隐患识别的神经网络模型持续优化提升的能力，减少了误报率，输电线路隐患识别更加准确。在一个示例中，基于标准样本数据库，对输电线路隐患识别的神经网络模型进行初始训练，将所述初始训练后的神经网络模型，下发给所述若干输电线路监拍装置；所述初始训练是对输电线路隐患识别的神经网络模型的头部和骨干部全部进行训练。由于输电线路监拍装置数量不断增多、监拍间隔不断缩短，实时产生海量图片数据，云端服务器不能及时分析处理海量的图片数据，造成大量的图片积压，引发告警延迟，隐患无法及时通知到用户，因此，通过将输电线路隐患识别分析迁移至输电线路监拍装置进行前端分析，利用输电线路监拍装置端侧隐患识别的推理能力，极大降低了云端服务器分析压力，提升了输电线路隐患实时告警的能力。在一个示例中，所述GPU集群冻结当前输电线路隐患识别的神经网络模型的骨干部，而仅对该当前神经网络模型的头部进行训练，以得到所述更新的神经网络模型；该训练的样本包括所述标准样本数据库中的样本以及包括相应监拍装置获取的无隐患图片和隐患图片，且所述隐患图片为已标注的隐患图片。通过将针对特定监拍装置的输电线路隐患识别图片与标准样本数据库进行融合，对该监拍装置当前输电线路隐患识别的神经网络模型的头部进行训练，可以快速迭代适该监拍装置监控场景下的神经网络模型。在一个示例中，接收来自所述监拍装置获取的相应输电线路的图片，以及根据所述图片识别出的输电线路的隐患类型、bbox值；所述图片包括由所述监拍装置识别的无隐患图片以及已标注的隐患图片；根据所述输电线路的图片、所述隐患类型、bbox值，确定误报的输电线路隐患图片和/或漏报的输电线路隐患图片；将所述误报的输电线路隐患图片和/或漏报的输电线路隐患图片，发送在线标注平台进行二次标注，并将所述二次标注后的图片作为所述非首次训练的样本；通过对输电线路隐患识别的无隐患图片与隐患图片进行二次标注，用以指导对所述失误值达到或超过预设激活阈值的监拍装置，所对应的神经网络模型的训练任务，并对相应输电线路的图片进行数据增强，提高了该训练任务的精确性。一个示例中，并将所述二次标注后的隐患图片作为所述非首次训练的正样本；将通过数据增强，以增加预设比例的无隐患图片，作为负样本。在一个示例中，所述失误值为所述漏报率或者所述误报率或为aα％+bβ％；其中，a为漏报率，a％为漏报率对应的权重，b为误报率，b％为误报率对应的权重。在一个示例中，在所述预设周期内的所述输电线路隐患识别的失误值，超过预设激活阈值的天数，超过预设天数值。通过输电线路监拍装置端分析网络模型迭代训练的激活机制，支持持续优化输电线路监拍装置端侧的推理网络模型。在一个示例中，所述监拍装置向GPU集群获取网络模型数据库中由所述训练任务而得到的更新的神经网络模型；所述网络模型数据库保存所述初始训练的输电线路隐患识别的神经网络模型以及所述更新的神经网络模型。在一个示例中，所述GPU集群通过预存的测试集，对所述更新的神经网络模型进行验证测试；在所述更新的神经网络模型的失误值低于预设值的情况下，所述监控平台对相应监拍装置下发指令，通知所述监拍装置进行升级。通过对所述更新的神经网络模型验证测试，确保该模型的准确性。另一方面，本申请提供了一种基于云边协同的输电线路监测系统，监控平台，用于获取预设周期内，若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值；以及用于确定所述若干输电线路监拍装置中的任意一个监拍装置，在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值；向GPU集群发送指令，以激活对所述失误值达到或超过预设激活阈值的监拍装置，所对应的神经网络模型训练任务；以及用于通知所述达到或超过预设激活阈值的监拍装置，使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型；监拍装置，用于向GPU集群获取由所述训练任务而得到的更新的神经网络模型；GPU集群，用于对所述失误值达到或超过预设激活阈值的监拍装置所对应的神经网络模型进行训练，以得到更新的神经网络模型。本实施例提供的一种基于云边协同的输电线路监测方法及系统，将云端服务器与端侧的监拍装置紧密融合且协同工作，若干输电线路监拍装置中各监拍装置端负责隐患推理识别，云端服务器运用数据增强等技术快速迭代出针对于该输电线路监拍装置对相应输电线路监拍场景的隐患识别神经网络模型。一方面显著提升了若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的实时性，另一方面提升了输电线路隐患识别的神经网络模型对相应输电线路监拍场景下的识别精度，并且赋予了模型持续优化提升的能力。附图说明此处所说明的附图用来提供对本申请的进一步理解本文档来自技高网...

【技术保护点】
1.一种基于云边协同的输电线路监测方法，其特征在于，所述方法包括：/n获取预设周期内，若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值；所述失误值与监拍装置的漏报率和/或误报率相关；/n确定所述若干输电线路监拍装置中的任意一个监拍装置，在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值；/n向GPU集群发送指令，以激活对所述失误值达到或超过预设激活阈值的监拍装置，所对应的神经网络模型的训练任务；其中，所述训练任务为非首次训练任务；/n通知所述达到或超过预设激活阈值的监拍装置，使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型。/n

【技术特征摘要】
1.一种基于云边协同的输电线路监测方法，其特征在于，所述方法包括：
获取预设周期内，若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值；所述失误值与监拍装置的漏报率和/或误报率相关；
确定所述若干输电线路监拍装置中的任意一个监拍装置，在所述预设周期内的所述输电线路隐患识别的失误值达到或超过预设激活阈值；
向GPU集群发送指令，以激活对所述失误值达到或超过预设激活阈值的监拍装置，所对应的神经网络模型的训练任务；其中，所述训练任务为非首次训练任务；
通知所述达到或超过预设激活阈值的监拍装置，使所述监拍装置向GPU集群获取由所述训练任务而得到的更新的神经网络模型。


2.根据权利要求1所述的一种基于云边协同的输电线路监测方法，其特征在于，所述获取预设周期内，若干输电线路监拍装置中各监拍装置对相应输电线路的隐患识别的失误值之前，所述方法包括：
基于标准样本数据库，对输电线路隐患识别的神经网络模型进行初始训练，将所述初始训练后的神经网络模型，下发给所述若干输电线路监拍装置；所述初始训练是对输电线路隐患识别的神经网络模型的头部和骨干部全部进行训练。


3.根据权利要求2所述的一种基于云边协同的输电线路监测方法，其特征在于，所述激活对所述失误值达到或超过预设激活阈值的监拍装置，所对应的神经网络模型的训练任务之后，所述方法包括：
所述GPU集群冻结当前输电线路隐患识别的神经网络模型的骨干部，而仅对该当前神经网络模型的头部进行训练，以得到所述更新的神经网络模型；该训练的样本包括所述标准样本数据库中的样本以及包括相应监拍装置获取的无隐患图片和隐患图片，且所述隐患图片为已标注的隐患图片。


4.根据权利要求1所述的一种基于云边协同的输电线路监测方法，其特征在于，所述方法还包括：
接收来自所述监拍装置获取的相应输电线路图片；
根据所述图片识别出输电线路的隐患类型、bbox值；所述图片包括由所述监拍装置识别的无隐患图片以及已标注的隐患图片；
根据所述输电线路图片、所述隐患类型、bbox值，确定所述输电线路图片中的误报的输电线路隐患图片和/或漏报的输电线路隐患图片；
将所述误报的输电线路隐患图片和/或漏报的输电线路隐患图片发送在线标注平台进行二次标注，并将所述二次标注后的图片作为所述非首次训练的样本。


5.根据权利要求4所述的一种基于云边协同的输电线路监测方法，其特征在于，所述非首次训练任务对应的训练样本包括无隐患图片和隐患图片...

【专利技术属性】
技术研发人员：郭国信，蔡富东，吕昌峰，文刚，陈雷，刘伟，
申请(专利权)人：山东信通电子股份有限公司，
类型：发明
国别省市：山东;37