一种基于边缘计算与深度学习的绝缘子状态识别方法技术

本发明专利技术提供一种基于边缘计算与深度学习的绝缘子状态识别方法，包括如下步骤：步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像；步骤2，将预处理后的绝缘子图像传输至多个边缘计算节点进行状态分类，得到故障绝缘子图像以及非故障绝缘子图像；步骤3，采用作为聚合服务器的边缘计算节点将故障绝缘子图像传输至云中心服务器，且云中心服务器形成交互式界面后对故障绝缘子图像进行人工审核，并将识别准确的故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对非故障绝缘子图像传输至剩余的边缘计算节点进行局部模型的更新。

【技术实现步骤摘要】
一种基于边缘计算与深度学习的绝缘子状态识别方法
本专利技术属于电力设备状态识别
，具体涉及一种基于边缘计算与深度学习的绝缘子状态识别方法。
技术介绍
绝缘子是电力系统正常运行必不可缺的元器件，是支持输电线路正常运行的重要保障，因此对绝缘子状态的实时检测十分有必要。随着人工智能技术、边缘计算、深度学习等技术的不断发展，这些技术应用在计算机视觉领域进行绝缘子状态识别成为可能。现有的绝缘子状态识别方法将海量的数据传输到云中心，由云服务器根据已训练的深度学习模型完成绝缘子状态的识别，存在无法满足实时性的要求、成本高、误判率高等问题。因此，需要设计一种能够解决上述问题的方法。
技术实现思路
本专利技术是为了解决上述问题而进行的，目的在于提供一种基于边缘计算与深度学习的绝缘子状态识别方法。本专利技术提供了一种基于边缘计算与深度学习的绝缘子状态识别方法，具有这样的特征，包括如下步骤：步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像；步骤2，将预处理后的绝缘子图像传输至多个边缘计算节点，通过使用改进后的融合多维度特征的ResNet101网络进行状态分类，得到绝缘子的状态，进而得到故障绝缘子图像以及非故障绝缘子图像；步骤3，采用作为聚合服务器AS的1个边缘计算节点将故障绝缘子图像传输至云中心服务器，且云中心服务器形成交互式界面后对故障绝缘子图像进行人工审核，并将识别准确的故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对非故障绝缘子图像传输至剩余的边缘计算节点进行局部模型的更新，其中，聚合服务器AS为具备完整的模型和算法的边缘计算节点，其通过云中心服务器在绝缘子数据集上对绝缘子状态模型进行训练，而后将训练好的深度学习模型和算法至边缘计算节点得到。在本专利技术提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤1中的智能巡检设备采用嵌入微型计算机的无人机。在本专利技术提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤1的预处理具体包括如下子步骤：首先通过0°、90°、180°和270°旋转图像的方法进行数据扩增，将数据集扩充到原来的4倍，而后将输入的绝缘子图像统一缩放到224×224的尺寸，最后将数据做归一化处理。在本专利技术提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤2具体包括如下子步骤：步骤2-1，将预处理后的绝缘子图像传入基于Inception模块改进的数据池化层，提取完整的特征信息；步骤2-2，将SE模块嵌入到带跳跃连接线的残差块的内部结构中，同时将CBAM模块作为即插即用的模块集成到ResNet101网络架构的第一层大层之前和最后一层大层，而后通过全连接层得到绝缘子图像的状态。在本专利技术提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤3中的剩余的边缘计算节点采用联邦学习的方式，对本地数据进行处理，协同聚合服务器训练模型，从而进行局部模型的更新。在本专利技术提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，深度学习模型是基于ResNet101网络进行改进的，将Inception模块、SE模块和CBAM卷积注意力模块嵌入到ResNet101网络网络中，而后通过全连接层实现绝缘子状态的识别。专利技术的作用与效果根据本专利技术所涉及的基于边缘计算与深度学习的绝缘子状态识别方法，通过云边协同和边边联邦协同的联合训练框架完成了数据的预处理、模型训练和绝缘子状态识别，避免了海量数据上传云中心占用通信通道带来的资源浪费。本专利技术的绝缘子状态识别模型采用基于多模块融合的ResNet101网络完成绝缘子图像的状态识别，分别以增加网络宽度、考虑特征通道间的相互关系和添加卷积注意力模块的方式，来提高模型的分类准确的；云中心服务器保留接受的、经人工审核过的，识别准确的绝缘子图像，并将其传入样本库，进一步更新模型，提高识别准确率。因此，本专利技术的基于边缘计算与深度学习的绝缘子状态识别方法相比于现有的绝缘子状态识别方法，实现了一套完整的云边协同与边边联邦协同联合的绝缘子状态识别训练方案，具有减少通信带宽消耗、数据传输时延低、模型识别精度高、安全性高、成本低等优点，实现了状态检测、缺陷智能识别及自学习等功能。附图说明图1是本专利技术的实施例中基于边缘计算与深度学习的绝缘子状态识别方法的训练框架示意图；图2是本专利技术的实施例中基于边缘计算与深度学习的绝缘子状态识别方法的流程图；图3是本专利技术的实施例中基于多模块融合的ResNet101分类网络框架图。具体实施方式为了使本专利技术实现的技术手段与功效易于明白了解，以下结合实施例及附图对本专利技术作具体阐述。实施例：如图1和图2所示，本实施例提供一种基于边缘计算与深度学习的绝缘子状态识别方法，该方法由云边协同和边边联邦协同联合的绝缘子状态识别训练框架实行，上述训练框架包括：智能巡检设备、边缘计算节点以及云中心服务器，上述绝缘子状态识别方法包括如下步骤：步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像。本实施例中，智能巡检设备采用嵌入微型计算机的无人机或直升机等智能巡检设备。进一步地，预处理具体包括如下子步骤：首先通过0°、90°、180°和270°旋转图像的方法进行数据扩增，将数据集扩充到原来的4倍，而后将输入的绝缘子图像统一缩放到224×224的尺寸，最后将数据做归一化处理。步骤2，将预处理后的绝缘子图像传输至多个边缘计算节点，通过使用改进后的融合多维度特征的ResNet101网络进行状态分类，，得到绝缘子图像的状态，进而得到故障绝缘子图像以及非故障绝缘子图像，具体包括如下子步骤：步骤2-1，首先将预处理后的图像传入基于Inception模块改进的数据池化层，提取出完整的特征信息；步骤2-2，考虑特征通道间的关系，将SE模块嵌入到带跳跃连接线的残差块的内部结构中，同时考虑特征空间维度与通道维度，将CBAM模块作为即插即用的模块集成到ResNet101网络架构的第一层大层之前和最后一层大层之后，进一步提升模型识别准确率，而后通过全连接层得到绝缘子的状态。步骤3，采用作为聚合服务器AS的1个边缘计算节点将故障绝缘子图像传输至云中心服务器，且云中心服务器形成交互式界面后对故障绝缘子图像进行人工审核，并将识别准确的故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对非故障绝缘子图像传输至剩余的边缘计算节点进行局部模型的更新。本实施例中，剩余的边缘计算节点采用联邦学习的方式，对本地数据进行处理，协同聚合服务器AS训练模型，从而进行局部模型的更新。本实施例中，聚合服务器为具备完整的模型和算法的边缘计算节点，其通过本文档来自技高网...

【技术保护点】
1.一种基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于，包括如下步骤：/n步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对所述绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像；/n步骤2，将预处理后的所述绝缘子图像传输至多个边缘计算节点，通过使用改进后的融合多维度特征的ResNet101网络进行状态分类，得到所述绝缘子图像的状态，进而得到故障绝缘子图像以及非故障绝缘子图像；/n步骤3，采用作为聚合服务器AS的1个边缘计算节点将所述故障绝缘子图像传输至云中心服务器，且所述云中心服务器形成交互式界面后对所述故障绝缘子图像进行人工审核，并将识别准确的所述故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对所述非故障绝缘子图像传输至剩余的所述边缘计算节点进行局部模型的更新，/n其中，所述聚合服务器为具备完整的模型和算法的边缘计算节点，其通过所述云中心服务器在绝缘子数据集上对绝缘子状态模型进行训练，而后将训练好的深度学习模型和算法至所述边缘计算节点得到。/n

【技术特征摘要】
1.一种基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于，包括如下步骤：
步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对所述绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像；
步骤2，将预处理后的所述绝缘子图像传输至多个边缘计算节点，通过使用改进后的融合多维度特征的ResNet101网络进行状态分类，得到所述绝缘子图像的状态，进而得到故障绝缘子图像以及非故障绝缘子图像；
步骤3，采用作为聚合服务器AS的1个边缘计算节点将所述故障绝缘子图像传输至云中心服务器，且所述云中心服务器形成交互式界面后对所述故障绝缘子图像进行人工审核，并将识别准确的所述故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对所述非故障绝缘子图像传输至剩余的所述边缘计算节点进行局部模型的更新，
其中，所述聚合服务器为具备完整的模型和算法的边缘计算节点，其通过所述云中心服务器在绝缘子数据集上对绝缘子状态模型进行训练，而后将训练好的深度学习模型和算法至所述边缘计算节点得到。


2.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于：
其中，所述步骤1中的所述智能巡检设备采用嵌入微型计算机的无人机。


3.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于：
其中，所述步骤1的预处理...

【专利技术属性】
技术研发人员：黄冬梅，王玥琦，孙锦中，胡安铎，孙园，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：上海;31