【技术实现步骤摘要】
基于人工智能的输电通道安全在线监测方法
[0001]本专利技术属于电力设备安全监测
，涉及一种基于人工智能的输电通道安全在线监测方法。
技术介绍
[0002]传统的输电通道巡检主要依赖于定期的人工检测，存在巡查人员责任意识欠缺、装备水平有限、经验主义误判等诸多弊端；随着科学技术的发展和智能化巡检的推进，基于可视化终端的监拍模式能够较好地解决上述问题，但是仅通过监拍远程获取输电通道状况，存在滞后性，且无法自动预警事故发生。
[0003]现有技术中针对架空线路安全监测问题，主要是基于深度学习的输电通道异物目标检测方法。但在架空线路场景下，抓拍并识别出的隐患目标较多，真正有意义的告警数量很少；另外，相关安全规范规定了不同电压等级下架空线路的安全距离，仅依靠目标检测算法无法辨别异物目标是否会对输电线路造成危险；此外，还有部分现有研究是基于双目视觉的三维重建方法，即通过监测异物目标的空间位置，判断隐患目标是否进入所划定的报警区域框，进而达到实时监测预警的效果；然而双目相机在标定与匹配过程对于立体匹配精度要求高，后期安装过...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的输电通道安全在线监测方法，其特征在于：包括如下步骤：S1、获取输电通道监拍图像与激光点云数据，对图像进行筛选及预处理，建立输电通道异物图像的专用数据库；S2、构建优化的YOLOX单阶段检测器，完成模型的训练与调参，以检测输电通道的交通工具；S3、利用相机标定和姿态估计算法获取坐标转换关系；S4、利用目标检测结果和坐标转换关系，计算目标物顶端到电力线的最小距离；S5、判断安全等级，及时预警目标物。2.根据权利要求1所述的基于人工智能的输电通道安全在线监测方法，其特征在于：步骤S1中，通过架设在杆塔上的监拍摄像头获取2D图像；利用搭载LiDAR的无人机采集激光点云数据；对采集的2D图像进行筛选、标注以及扩充，从基准数据集COCO
‑
datasets中随机提取出包含输电通道异物目标的图像数据及标签，结合自建的电力场景下的数据集，建立输电通道异物图像的专用数据库。3.根据权利要求1所述的基于人工智能的输电通道安全在线监测方法，其特征在于：步骤S2中，对YOLOX的骨干网络进行改进，并优化正样本筛选策略，具体方法如下：S201，将原始的骨干网络CSPDarkNet替换为ConvNeXt；ConvNeXt模块中的深度可分离卷积由Depthwise卷积和Pointwise卷积组成；S202，优化SimOTA算法的正样本筛选策略，以保证网络筛选出更高质量的正样本用于损失函数计算，SimOTA算法的实施步骤为：(1)根据中心点位置预筛选出标签框附近的预测框；(2)计算每个标签框与每个预测框的IoU；(3)计算排名前10个IoU的和值k
i
，即为每个标签框i所需的预测框数目；(4)计算每个预测框与标签框的cost值，把cost值最小的k
i
个预测框作为标签框i的正样本，其余的为负样本；最终筛选出的正样本用于计算损失函数中的分类损失和回归损失，所有的样本被用于计算置信度损失；其中，cost矩阵计算公式为：cost＝c
×
loss
cls
+r
×
loss
reg
＝BCE_loss+3
×
IoU_loss；Cost矩阵中，IoU更小、分类更准确、中心点更贴近的样本，其cost值越小；在2D
‑
YOLO中，cost矩阵被优化，其分类损失部分被替换为varifocal loss，回归损失替换为giouloss，如下式：cost＝vfl_loss+3
×
GIoU_loss；其中，其中，式中，vfl_loss和GIoU_loss分别是varifocal loss和GIoU loss；q是预测框与标签框的IoU，q>0表示正样本，q＝0表示负样本，样本IoU越大，对损失贡献越大；p是预测得分；α是平衡系数；γ是损失缩放因子，以降低负样本的损失贡献，保留正样本的学习信息；Am表示
两个框的最小外接矩形的面积，U表示两个框的并集面积。4.根据权利要求3所述的基于人工智能的输电通道安全在线监测方法，其特征在于：改进的YOLOX模型输出类别信息、目标位置信息和目标置信度信息，因此针对模型的训练任务，其总损失L
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。