无人机配网巡检视频实时分析识别方法和嵌入式巡检装置制造方法及图纸

本发明专利技术提供了一种无人机配网巡检视频实时分析识别方法和嵌入式巡检装置，涉及配网技术领域。本发明专利技术的嵌入式巡检装置基于TPU边缘计算单元和视频流处理芯片的配网线路巡检数据接入和智能分析硬件架构，实现边缘智能分析，提高无人机配网巡检视频实时分析识别的效率。本发明专利技术通过K

【技术实现步骤摘要】
无人机配网巡检视频实时分析识别方法和嵌入式巡检装置


[0001]本专利技术涉及配网
，具体涉及一种无人机配网巡检视频实时分析识别方法和嵌入式巡检装置。

技术介绍

[0002]配网线路一般暴露在室外，运行时就必然会受到自然环境、社会环境的影响。雷电、暴风雨等极端天气可能会破坏或损毁配电网设备，或者造成电击等事故的产生。而在城乡一体化化建设过程中，存在不合理的绿化植株建设问题，违章建筑的建设问题；人为地偷盗、乱接线、故意破坏配网线路等问题，这些问题都会对配电设备的正常运行造成影响，甚至导致安全事故的发生及法律风险。
[0003]通过分析无人机拍摄的视频，及时发现配网中的缺陷，能有效的解决上述问题。
[0004]然而，现有技术中一般通过将无人机拍摄的视频画面传输给上位的管理平台，由管理平台进行分析，这导致无人机配网巡检视频实时分析识别效率低。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种无人机配网巡检视频实时分析识别方法和嵌入式巡检装置，解决了现有的无人机配网巡检视频实时分析识别方法效率低的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]本专利技术实施例提供一种无人机配网巡检视频实时分析识别方法，包括：
[0010]获取原始视频图像数据并进行预处理，构建视频图像库；
[0011]基于预处理后的原始视频图像数据、深度神经网络和K
‑
Means++算法获取配网无人机巡检数据边缘检测模型，所述配网无人机巡检数据边缘检测模型用于巡检配网线路。
[0012]优选的，所述基于预处理后的原始视频图像数据、深度神经网络和K
‑
Means++算法获取配网无人机巡检数据边缘检测模型，包括：
[0013]基于预处理后的原始视频图像数据对深度神经网络进行训练，通过网络修剪策略对训练后的深度神经网络进行修剪；
[0014]通过K
‑
Means++聚类得到深度神经网络每层权重的聚类中心，用聚类中心值表示深度神经网络的原始权重值来实现权值共享从而减少权值的数量；
[0015]对深度神经网络各层聚类来进行各层权重的量化，进行再训练更新聚类中心，得到配网无人机巡检数据边缘检测模型。
[0016]优选的，所述基于预处理后的原始视频图像数据对深度神经网络进行训练，通过网络修剪策略对训练后的深度神经网络进行修剪，包括：
[0017]对深度神经网络进行常规训练，并保存训练后的深度神经网络；
[0018]对网络中较小的权值进行修剪，原始深度神经网络变为稀疏网络，保存修剪后的稀疏网络模型；
[0019]对修剪后的稀疏网络模型进行再次训练，重复上次操作，
[0020]对稀疏网络再训练这样的过程都是一次迭代，深度神经网络的精确度会随着迭代训练次数的增加而逐渐增加，多次迭代之后，可以找到最好的连接；修剪完成之后，深度神经网络从原始的较稠密的网络变为了稀疏网络。
[0021]优选的，通过K
‑
Means++聚类得到深度神经网络每层权重的聚类中心，用聚类中心值表示深度神经网络的原始权重值来实现权值共享从而减少权值的数量，包括：
[0022]将原始n个权值W＝{w1,w2,
……
wn}划分成k个C＝{c1,c2,
……
ck}，其中n大于k；定义W关于C的代价函数如下：
[0023][0024]目标是通过选择C从而最小化代价函数；
[0025]在通过K
‑
Means++聚类算法对深度神经网络每层权重聚类之后，用聚类中心值表示深度神经网络的原始权重值实现权值共享，同一层的多个连接共享同一权值。
[0026]优选的，所述对深度神经网络各层聚类来进行各层权重的量化，进行再训练更新聚类中心，包括：
[0027]对网络进行训练时，前向传播时需要将每个权值用其对应的聚类中心代替，反向传播时计算每个类内的权值梯度，然后将其梯度和反传，用来更新聚类中心。
[0028]优选的，所述预处理包括：
[0029]采用限带滤波、降采样、噪声去除和图像增强。
[0030]优选的，所述预处理还包括：
[0031]通过多核异构处理的视频同步技术根据不同处理器的处理特性，对视频采集、缓存、编码、分析识别、输出环节进行分工协作。
[0032]本专利技术还提供一种嵌入式巡检装置，所述装置包括边缘接入与分析模块；所述边缘接入与分析模块，包括主控模块和AI模块；
[0033]所述主控模块用于获取无人机的原始视频图像数据并进行预处理，构建视频图像库；
[0034]AI模块用于基于预处理后的原始视频图像数据、深度神经网络和K
‑
Means++算法获取配网无人机巡检数据边缘检测模型，并接收主控模块影像数据进行高效边缘计算，得出缺陷检测结果，并传输给主控模块。
[0035]优选的，所述AI模块采用TPU架构边缘计算芯片。
[0036](三)有益效果
[0037]本专利技术提供了一种无人机配网巡检视频实时分析识别方法和嵌入式巡检装置。与现有技术相比，具备以下有益效果：
[0038]本专利技术的嵌入式巡检装置基于TPU边缘计算单元和视频流处理芯片的配网线路巡检数据接入和智能分析硬件架构，实现边缘智能分析，提高无人机配网巡检视频实时分析识别的效率。本专利技术通过K
‑
Means++算法压缩深度神经网络，构建配网无人机巡检数据边缘检测模型，在保证检测精度不衰减的同时对配网巡检缺陷边缘分析模型进行精细化剪枝量
化，提升边缘侧智能分析效率，进一步提高无人机配网巡检视频实时分析识别的效率。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为实施例1中一种无人机配网巡检视频实时分析识别方法的框图；
[0041]图2为实施例1中配网无人机巡检数据边缘检测模型网络压缩流程的示意图；
[0042]图3为实施例2中边缘接入与分析模块的结构示意图；
[0043]图4为实施例2中AI模块的基本结构示意图；
[0044]图5为实施例2中巡检数据接入处理流程图。
具体实施方式
[0045]为使本专利技术实施例的目的、技术方案和优点更加清楚，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机配网巡检视频实时分析识别方法，其特征在于，包括：获取原始视频图像数据并进行预处理，构建视频图像库；基于预处理后的原始视频图像数据、深度神经网络和K
‑
Means++算法获取配网无人机巡检数据边缘检测模型，所述配网无人机巡检数据边缘检测模型用于巡检配网线路。2.如权利要求1所述的无人机配网巡检视频实时分析识别方法，其特征在于，所述基于预处理后的原始视频图像数据、深度神经网络和K
‑
Means++算法获取配网无人机巡检数据边缘检测模型，包括：基于预处理后的原始视频图像数据对深度神经网络进行训练，通过网络修剪策略对训练后的深度神经网络进行修剪；通过K
‑
Means++聚类得到深度神经网络每层权重的聚类中心，用聚类中心值表示深度神经网络的原始权重值来实现权值共享从而减少权值的数量；对深度神经网络各层聚类来进行各层权重的量化，进行再训练更新聚类中心，得到配网无人机巡检数据边缘检测模型。3.如权利要求2所述的无人机配网巡检视频实时分析识别方法，其特征在于，所述基于预处理后的原始视频图像数据对深度神经网络进行训练，通过网络修剪策略对训练后的深度神经网络进行修剪，包括：对深度神经网络进行常规训练，并保存训练后的深度神经网络；对网络中较小的权值进行修剪，原始深度神经网络变为稀疏网络，保存修剪后的稀疏网络模型；对修剪后的稀疏网络模型进行再次训练，重复上次操作，对稀疏网络再训练这样的过程都是一次迭代，深度神经网络的精确度会随着迭代训练次数的增加而逐渐增加，多次迭代之后，可以找到最好的连接；修剪完成之后，深度神经网络从原始的较稠密的网络变为了稀疏网络。4.如权利要求2所述的无人机配网巡检视频实时分析识别方法，其特征在于，通过K
‑
Means++聚类得到深度神经网络每层权重的聚类中心，用聚类中心值表示深度神...

【专利技术属性】
技术研发人员：郝洋，董晓波，胡蔚中，姚巨亚，
申请(专利权)人：国网山西省电力公司运城供电公司，
类型：发明
国别省市：