基于深度度量的数字孪生台区配电通道识别方法及装置制造方法及图纸

本发明专利技术涉及计算机图像处理与深度学习技术领域，公开了基于深度度量的数字孪生台区配电通道识别方法及装置。本发明专利技术采集并预处理数字孪生台区的低压配电网图像，对得到的预处理后图像进行特征提取和特征融合，以获得包含电力目标的前景区域及类别；采用训练好的基于深度度量学习的超精细特征分辨模型，对包含电力目标的前景区域及类别进行二次识别与分类，得到对应的电力目标区域及类别，进而进行非极大值抑制计算，得到目标配电通道；其中超精细特征分辨模型为低压配电通道中的每类电力目标训练得到相应的一组模态，通过度量待检测电力目标到不同类别的各个模态的距离来实现对待检测电力目标的识别。本发明专利技术能够有效提高配电通道识别的精度。通道识别的精度。通道识别的精度。

【技术实现步骤摘要】
基于深度度量的数字孪生台区配电通道识别方法及装置


[0001]本专利技术涉及计算机图像处理与深度学习
，尤其涉及基于深度度量的数字孪生台区配电通道识别方法及装置。

技术介绍

[0002]低压配电网是电力系统连接低压电力用户的纽带，一旦发生故障将会给电力系统造成重大经济损失。数字孪生旨在构建复杂物理实体从现实空间到虚拟数字空间的全息映射，通过虚拟与实际信息互链，刻画和模拟出物理系统实时状态和动态特征。通过统计线路拓扑和地理走向等信息在数字孪生体系中构建并实时更新相关故障预判模型，可以为实现对低压配电线路状态的实时监测及进行配网运维检修指导奠定良好的技术基础。
[0003]低压配电网的配电通道的智能自动识别是实现配电网数字孪生的基础，对于低压配电网的电力运维、线路规划、无人机导航和外破异常目标识别具有重要意义。
[0004]近年来相关研究主要集中在超高压输电线路和铁路电力线路的检测上，而对低压配电通道的识别研究较少。由于低压配电通道中的电力线和C型线夹等电力设备的线径太小，且低压配电网的环境复杂，激光扫描技术和基于双目摄像头识别的技术均难以实现对低压配电通道的精准识别。

技术实现思路

[0005]本专利技术提供了基于深度度量的数字孪生台区配电通道识别方法及装置，解决了现有的电力低压配电网图像识别方法难以实现对低压配电通道的精准识别的技术问题。
[0006]本专利技术第一方面提供一种基于深度度量的数字孪生台区配电通道识别方法，包括：
[0007]采集数字孪生台区的低压配电网图像，对所述低压配电网图像进行预处理得到预处理后图像；
[0008]对所述预处理后图像进行特征提取和特征融合，以获得包含电力目标的前景区域及类别；
[0009]采用训练好的基于深度度量学习的超精细特征分辨模型，对所述包含电力目标的前景区域及类别进行二次识别与分类，得到对应的电力目标区域及类别；
[0010]基于各所述电力目标区域及类别进行非极大值抑制计算，得到目标配电通道；
[0011]其中，所述超精细特征分辨模型为低压配电通道中的每类电力目标训练得到相应的一组模态，通过度量待检测电力目标到不同类别的各个模态的距离来实现对待检测电力目标的识别。
[0012]根据本专利技术第一方面的一种能够实现的方式，所述对所述低压配电网图像进行预处理得到预处理后图像，包括：
[0013]对所述低压配电网图像进行灰度化和滤波处理。
[0014]根据本专利技术第一方面的一种能够实现的方式，所述对所述预处理后图像进行特征
提取和特征融合，以获得包含电力目标的前景区域及类别，包括：
[0015]基于FasterRCNN网络对所述预处理后图像进行特征提取和特征融合；所述FasterRCNN网络包括主干网络和特征金字塔网络，所述主干网络对所述预处理后图像进行特征提取以获得各个层次的图像特征，所述特征金字塔网络对所述各个层次的图像特征进行特征融合。
[0016]根据本专利技术第一方面的一种能够实现的方式，所述超精细特征分辨模型包括嵌入层、模态层和损失函数计算层；所述采用训练好的基于深度度量学习的超精细特征分辨模型，对所述包含电力目标的前景区域及类别进行二次识别与分类，包括：
[0017]将所述包含电力目标的前景区域及类别通过所述嵌入层进行降维，得到对应的嵌入向量；
[0018]将所述嵌入向量输入到所述模态层以计算所述嵌入向量到不同类别的各个模态的距离，得到距离计算结果；
[0019]将所述距离计算结果输入到所述损失函数计算层以计算识别误差。
[0020]根据本专利技术第一方面的一种能够实现的方式，所述损失函数计算层采用的损失函数由两部分组成，第一部分是所给输入的预测类别与真实类别的交叉熵损失，第二部分是所给输入的嵌入向量到正确类别的最近模态的距离与嵌入向量到错误类别的最近模态的距离的差值损失。
[0021]根据本专利技术第一方面的一种能够实现的方式，所述基于各所述电力目标区域及类别进行非极大值抑制计算，包括：
[0022]以配电走廊专用设备作为辅助对象，基于所述电力目标区域及类别确定各辅助对象的图像预测框，以所述图像预测框的中心点坐标作为相应辅助对象的中心点坐标；
[0023]对所有辅助对象的中心点坐标进行聚类；
[0024]若得到的聚类结果包含多个簇，则以每一簇为塔，以相邻两塔之间的区域为配电走廊区域，采用非极大值抑制法排除配电走廊区域外的电力线路，进而排除配电通道外的电力线路，得到目标配电通道；若得到的聚类结果仅有一个簇，基于塔的面积和电力线路进行交并比计算，根据得到的计算结果识别出目标配电通道。
[0025]根据本专利技术第一方面的一种能够实现的方式，所述对所有辅助对象的中心点坐标进行聚类，包括：
[0026]采用K均值聚类算法对所有辅助对象的中心点坐标进行聚类。
[0027]本专利技术第二方面提供一种基于深度度量的数字孪生台区配电通道识别装置，包括：
[0028]采集及预处理模块，用于采集数字孪生台区的低压配电网图像，对所述低压配电网图像进行预处理得到预处理后图像；
[0029]一次识别与分类模块，用于对所述预处理后图像进行特征提取和特征融合，以获得包含电力目标的前景区域及类别；
[0030]二次识别与分类模块，用于采用训练好的基于深度度量学习的超精细特征分辨模型，对所述包含电力目标的前景区域及类别进行二次识别与分类，得到对应的电力目标区域及类别；
[0031]配电通道计算模块，用于基于各所述电力目标区域及类别进行非极大值抑制计
算，得到目标配电通道；
[0032]其中，所述超精细特征分辨模型为低压配电通道中的每类电力目标训练得到相应的一组模态，通过度量待检测电力目标到不同类别的各个模态的距离来实现对待检测电力目标的识别。
[0033]根据本专利技术第二方面的一种能够实现的方式，所述采集及预处理模块包括：
[0034]预处理单元，用于对所述低压配电网图像进行灰度化和滤波处理。
[0035]根据本专利技术第二方面的一种能够实现的方式，所述一次识别与分类模块包括：
[0036]特征提取及融合单元，用于基于FasterRCNN网络对所述预处理后图像进行特征提取和特征融合；所述FasterRCNN网络包括主干网络和特征金字塔网络，所述主干网络对所述预处理后图像进行特征提取以获得各个层次的图像特征，所述特征金字塔网络对所述各个层次的图像特征进行特征融合。
[0037]根据本专利技术第二方面的一种能够实现的方式，所述超精细特征分辨模型包括嵌入层、模态层和损失函数计算层；所述二次识别与分类模块包括：
[0038]降维单元，用于将所述包含电力目标的前景区域及类别通过所述嵌入层进行降维，得到对应的嵌入向量；
[0039]模态距离计算单元，用于将所述嵌入向量输入到所述模态层以计算所述嵌入向量到不同类别的各个模态的距离，得到距离计算结果；
[0040]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度度量的数字孪生台区配电通道识别方法，其特征在于，包括：采集数字孪生台区的低压配电网图像，对所述低压配电网图像进行预处理得到预处理后图像；对所述预处理后图像进行特征提取和特征融合，以获得包含电力目标的前景区域及类别；采用训练好的基于深度度量学习的超精细特征分辨模型，对所述包含电力目标的前景区域及类别进行二次识别与分类，得到对应的电力目标区域及类别；基于各所述电力目标区域及类别进行非极大值抑制计算，得到目标配电通道；其中，所述超精细特征分辨模型为低压配电通道中的每类电力目标训练得到相应的一组模态，通过度量待检测电力目标到不同类别的各个模态的距离来实现对待检测电力目标的识别。2.根据权利要求1所述的基于深度度量的数字孪生台区配电通道识别方法，其特征在于，所述对所述低压配电网图像进行预处理得到预处理后图像，包括：对所述低压配电网图像进行灰度化和滤波处理。3.根据权利要求1所述的基于深度度量的数字孪生台区配电通道识别方法，其特征在于，所述对所述预处理后图像进行特征提取和特征融合，以获得包含电力目标的前景区域及类别，包括：基于FasterRCNN网络对所述预处理后图像进行特征提取和特征融合；所述FasterRCNN网络包括主干网络和特征金字塔网络，所述主干网络对所述预处理后图像进行特征提取以获得各个层次的图像特征，所述特征金字塔网络对所述各个层次的图像特征进行特征融合。4.根据权利要求1所述的基于深度度量的数字孪生台区配电通道识别方法，其特征在于，所述超精细特征分辨模型包括嵌入层、模态层和损失函数计算层；所述采用训练好的基于深度度量学习的超精细特征分辨模型，对所述包含电力目标的前景区域及类别进行二次识别与分类，包括：将所述包含电力目标的前景区域及类别通过所述嵌入层进行降维，得到对应的嵌入向量；将所述嵌入向量输入到所述模态层以计算所述嵌入向量到不同类别的各个模态的距离，得到距离计算结果；将所述距离计算结果输入到所述损失函数计算层以计算识别误差。5.根据权利要求4所述的基于深度度量的数字孪生台区配电通道识别方法，其特征在于，所述损失函数计算层采用的损失函数由两部分组成，第一部分是所给输入的预测类别与真实类别的交叉熵损失，第二部分是所给输入的嵌入向量到正确类别的最近模态的距离与嵌入向量到错误类别的最近模态的距离的差值损失。6....

【专利技术属性】
技术研发人员：赵云，蔡梓文，陆煜锌，肖勇，贾玲，席荣军，李海强，陈正雍，周锴鹏，
申请(专利权)人：广东电网有限责任公司汕尾供电局，
类型：发明
国别省市：