基于深度学习的电缆路径施工识别方法技术

本发明专利技术涉及基于深度学习的电缆路径施工识别方法，包括：

【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]本专利技术解决其技术问题所采用的技术方案是：
[0006]基于深度学习的电缆路径施工识别方法，包括：
[0007]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；
[0008]b.
数据预处理
[0009]基础数据库的在用于评估训练的图像之间随机划分如下：
[0010]若干张1类，带施工点的图像，用于训练；
[0011]若干张2类，不带施工点的图像，用于训练；
[0012]若干张1类，带施工点的图像，用于验证；
[0013]若干张2类，不带施工点的图像，用于验证；
[0014]对于数据的归一化，使用了最小
‑
最大技术，如方程
(1)
所示：
[0015][0016]c.
训练和验证
[0017]通过卷积神经网络进行训练和验证
[0018]d.
识别提醒
[0019]识别出高压电缆路径上有施工车辆
、
工器具
。
[0020]进一步的，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)
算法来更新网络参数，如公式2所示
。
[0021][0022]式中，
θ
表示模型的参数，
α
表示学习率，表示损失函数对
θ
的梯度，
x(i)
；
y(i)
表示第
i
个样本的输入输出
。
[0023]进一步的，采用一个由
476
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
82000
张图片的数据集，这些图像以
1920
×
1080
高分辨率进行记录
。
[0024]进一步的，基础数据库中的
82000
幅图像，在用于评估训练的图像之间随机划分如下：
[0025]40000
张1类，带施工点的图像，用于训练；
[0026]40000
张2类，不带施工点的图像，用于训练；
[0027]1000
张1类，带施工点的图像，用于验证；
[0028]1000
张2类，不带施工点的图像，用于验证
。
[0029]进一步的，识别出高压电缆路径上有施工车辆
、
工器具，自动触发语音播报功能，交代施工注意事项以及运维单位联系电话
。
[0030]本专利技术的有益效果：
[0031]本文采用深度学习进行施工车辆
、
工器具识别的方法，具有识别准确率高
、
识别速度快而且可以有效提醒施工人员等优点，避免了施工外破引起的电缆损伤进而引起电力系统故障的发生
。
同时该方法可以第一时间提醒施工人员，避免了运维人员发现不及时
、
到达现场速度慢等问题的发生
。
附图说明
[0032]下面结合附图和实施例对本专利技术进一步说明
。
[0033]图1是
110
千伏高压电缆线路路径图；
[0034]图2是卷积神经网络结构图；
[0035]图3是电缆路径图像数据库样例
。
具体实施方式
[0036]以下结合附图对本专利技术作进一步详细的说明
。
[0037]本技术方案包括以下部分：
[0038]1、
卷积神经网络
[0039]卷积神经网络
(convolutional neural network,CNN)
，是一种专门用来处理具有类似网格结构的数据的神经网络
。
例如时间序列数据和图像数据
(
可以看作是二维的像素网格
)。
卷积网络在诸多应用领域都表现优异
。
卷积网络是至少在网络的一层中使用卷积运算来替代一般的矩阵乘法运算的神经网络，结构如图2所示
。
[0040]一个卷积神经网络是由输入层
(Input)、
卷积层
(Convolution)、
池化层
(Pooling)、
全连接层
(Fully Connected)
组成
。
在输入层输入原始数据，卷积层中进行的是
前面所述的卷积过程，用它来进行提取特征
。
全连接层就是将识别到的所有特征全部连接起来，并输出到分类器
(Softmax)。
具体计算方法参考文献，
A.L.C.Ottoni 本文档来自技高网...

【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：