【技术实现步骤摘要】
基于深度学习的电缆路径施工识别方法
[0001]本专利技术涉及电缆施工
,具体为基于深度学习的电缆路径施工识别方法
。
技术介绍
[0002]在电力传输系统中,高压电缆由于其电气和机械性能而具有重要意义
。
由于施工防护不当导致的电缆外破损伤会威胁电力系统的稳定运行
。
为了避免严重事故,需要对施工外破进行精准识别和有效提醒
。
[0003]传统外破识别方法多采用电缆终端塔
、
线路路径安装监拍,采用人工神经网络
、
支持向量机等传统智能方法进行施工车辆
、
工器具识别,此类方法有施工点识别不准确
、
识别速度慢以及不能有效提醒施工人员等缺点
。
图1展示了传统方法未能有效识别
110
千伏高压电缆线路路径上施工挖掘机
。
技术实现思路
[0004]为了解决
技术介绍
中存在的技术问题,本专利技术提供基于深度学习的电缆路径施工识别方法,提出一种改进的卷积神经网络
(CNN)
方法来识别高压电缆路径上的施工车辆
、
工器具,识别出施工点以后通过语音播报注意事项以及运维单位联系电话
。
本专利技术采用一个由
476
处监拍拍摄的电缆路径图像数据库进行参数训练,在调整了超参数和最终模型后,该系统在测试阶段达到了
95
%的准确率
。
[0005]本专利技 ...
【技术保护点】
【技术特征摘要】
1.
基于深度学习的电缆路径施工识别方法,其特征在于,包括:
a.
基础数据库采用了一个由多处监拍的电缆路径图像数据库进行参数训练,该数据库是一个包含多张图片的数据集,这些图像以一定分辨率进行记录;
b.
数据预处理基础数据库的在用于评估训练的图像之间随机划分如下:若干张1类,带施工点的图像,用于训练;若干张2类,不带施工点的图像,用于训练;若干张1类,带施工点的图像,用于验证;若干张2类,不带施工点的图像,用于验证;对于数据的归一化,使用了最小
‑
最大技术,如方程
(1)
所示:
c.
训练和验证通过卷积神经网络进行训练和验证
d.
识别提醒识别出高压电缆路径上有施工车辆
、
工器具
。2.
根据权利要求1所述的基于深度学习的电缆路径施工识别方法,其特征在于,训练和验证采用
CNN
‑
12
卷积神经网络
(CNN
‑
12)
,
CNN
‑
12
有
12
层,4个卷积,4个池化层,1个全连接层,具有
512
个神经元的致密层
。
选用
python
编程语言,调用
tensorflow
库,训练方法采用反向传播算法,采用随机梯度下降
(Stochastic Gradient Descent
,
SGD)...
【专利技术属性】
技术研发人员:马开刚,王兴帅,张联邦,吴晓宾,薛运田,郑爱群,徐建建,谢辰璐,邹伟华,刘涛,李文康,刘子彦,谢彤,
申请(专利权)人:国网山东省电力公司临沂供电公司,
类型:发明
国别省市:
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。