【技术实现步骤摘要】
本专利技术涉及电力设备缺陷识别领域，具体为基于轻量化模型的电力设备缺陷识别方法。
技术介绍
1、随着无人机技术的不断发展，无人机在各个领域的应用也越来越广泛。在电力行业，无人机被用于巡检输电线路，但是由于移动边缘端受限于有限算力和存储资源，电力设备缺陷识别模型在无人机上的应用受到了很大的限制。传统的深度学习模型，如yolov5，由于其庞大的参数量和计算量，难以在无人机等边缘设备上高效运行。因此，如何将电力设备缺陷识别模型向无人机边缘端有效移植，成为了当前亟待解决的问题。
2、同时，在电力设备缺陷识别过程中，需要处理大量的图像数据，而传统的图像处理算法往往需要消耗大量的计算资源和存储空间。因此，如何在有限的计算资源和存储空间下，提高电力设备缺陷识别的准确性和鲁棒性，也是当前面临的一个难题。
3、综上所述，亟需一种基于轻量化模型的电力设备缺陷识别方法，能够有效实现模型在无人机等边缘设备上高效运行，将结果传输至边缘或本地服务器，为运维人员提供了实时信息，以便他们能够迅速采取必要的维护措施，从而提高电力设备维护的效率和精准度。
技术实现思路
1、为解决上述技术问题，本专利技术提出了基于轻量化模型的电力设备缺陷识别方法，通过研究电力缺陷识别和yolov5模型网络结构，进行电力设备缺陷识别神经网络模型的迁移和剪枝技术的研究，能够有效实现模型在无人机等边缘设备上高效运行，将结果传输至边缘或本地服务器，为运维人员提供了实时信息，以便他们能够迅速采取必要的维护措施，从而提高电
2、为实现上述目的，本专利技术采取的技术方案是：
3、基于轻量化模型的电力设备缺陷识别方法，包括以下步骤：
4、1)数据采集:
5、无人机搭载摄像设备对输电线路的目标区域进行高分辨率的拍摄来获取电力设备的缺陷图片；无人机搭载传感器对电力设备进行监测，通过传感器获取电力设备的状态信息；所述状态信息包括温度、压力和绝缘信息；
6、2)数据预处理：
7、在步骤1)中获取到了电力设备的缺陷图片进行预处理，并采用skeleton算子公式提取缺陷图片的骨架结构，强调缺陷图片中的细节和轮廓信息；
8、3)yolov5网络训练：
9、训练轻量化的yolov5模型，从骨干网络中提取了特征图来获取缺陷图片的低级到高级的特征信息，所述特征信息包括电力设备的形状、纹理和颜色；利用特征图公式和多层特征图提取方法得到主干网络backone输出的多层特征图；建立金字塔结构，将多层特征图有效融合；在轻量化的yolov5模型中，添加目标检测层，作为电力设备缺陷检测模型；所述目标检测层用于预测电力设备缺陷的位置和类别；
10、4)使用剪枝技术：
11、在本地端使用原始模型进行电力设备缺陷检测模型的训练，通过剪枝技术公式对训练好的电力设备缺陷检测模型进行剪枝，去除冗余的权重；基于期望剪枝，通过设定阈值来剪枝小于阈值的神经元，在剪枝后，进行一定程度的微调，对剪枝后的电力设备缺陷检测模型进行评估，确保剪枝不会显著降低模型的性能，具体为根据电力设备缺陷检测模型计算的准确性和召回率性能指标都在设定的范围内，部署剪枝后的电力设备缺陷检测模型到实际应用场景中。
12、作为本专利技术进一步改进，所述摄像设备包括高清相机和光学传感器。
13、作为本专利技术进一步改进，所述传感器包括sar雷达和电磁探测仪。
14、作为本专利技术进一步改进，所述步骤2)中的预处理包括图像去噪、图像增强和图像分割操作。
15、作为本专利技术进一步改进，所述步骤2)中的skeleton算子公式为：
16、
17、∩表示逻辑与操作，表示图像膨胀操作，表示图像腐蚀操作，i是原始图像，b是结构元素，通过迭代腐蚀和膨胀操作，直到图像稳定，提取图像的骨架结构，提高后续缺陷识别和分类的准确率。
18、作为本专利技术进一步改进，所述步骤3)中目标检测层采用yolov5中的基于网格的目标检测方法。
19、作为本专利技术进一步改进，所述步骤3)中的特征图公式为：
20、
21、c(x，y)是特征图上(x，y)处的值，i(x+i-1，y+i-1)是输入图像上与卷积核位置对应的像素值，k(i，j)是卷积核的权重，b是偏置项，i是输入图像；
22、多层特征图提取方法具体为：设定主干网络提取的多层特征图{c1，c2，c3，c4}，建立金字塔式结构，将多层特征图融合：
23、
24、psum表示融合后地特征图，u表示上采样，f表示1×1卷积，ci表示主干网络第i层的特征图；总的loss训练函数为：
25、
26、wi代表目标框位置预测，wtrue代表实际目标框的位置，λcoord是定位损失的权重，1i，c是指示函数，用于判断第i个预测框是否负责预测目标，这些损失函数通过权重进行组合，最终构成了yolov5目标检测层的综合损失，在训练过程中，轻量化的yolov5模型通过反向传播和梯度下降来优化综合损失。
27、作为本专利技术进一步改进，所述步骤4)中的剪枝技术公式为：
28、
29、这里b代表批处理大小，s大小代表输入网络图像的总个数，ci,j为输入图像通过卷积核的特征图，ei，j代表总的期望值，大量图像输入剪枝前的模型，将同一层卷积核输出的特征图和值的期望进行排序，按照0.2的剪枝率剪去较小期望值对应的卷积核。
30、本申请具有以下效益：
31、1.本专利技术提高缺陷识别准确性和鲁棒性：通过使用yolov5模型进行训练和剪枝，可以更加准确地识别电力设备的缺陷，同时提高模型的鲁棒性，使其能够适应不同的环境和使用条件。
32、2.本专利技术减少数据传输延迟：通过将计算能力推向网络的边缘，可以减少数据传输的延迟，提高系统的实时性，使得运维人员能够及时获取电力设备的缺陷信息，并采取相应的维护措施。
33、3.本专利技术优化模型运行效率：通过模型轻量化和剪枝技术，可以优化模型的大小和计算量，使其更加适合在无人机边缘端或资源受限的环境中运行，提高模型的运行效率。
34、4.本专利技术提高维护效率和精准度：通过实时获取电力设备的缺陷信息，运维人员可以更加及时地采取相应的维护措施，从而提高电力设备维护的效率和精准度。
35、5.本专利技术降低运营成本：使用无人机进行电力设备巡检可以降低人力成本，同时通过自动化和智能化的缺陷识别可以减少人工误判的可能性，进一步降低运营成本。
本文档来自技高网...【技术保护点】
1.基于轻量化模型的电力设备缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述摄像设备包括高清相机和光学传感器。
3.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述传感器包括SAR雷达和电磁探测仪。
4.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述步骤2)中的预处理包括图像去噪、图像增强和图像分割操作。
5.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述步骤2)中的skeleton算子公式为：
6.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述步骤3)中目标检测层采用YOLOv5中的基于网格的目标检测方法。
7.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述步骤3)中的特征图公式为：
8.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述步骤4)中的剪枝技术公式为：
...【技术特征摘要】
1.基于轻量化模型的电力设备缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述摄像设备包括高清相机和光学传感器。
3.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述传感器包括sar雷达和电磁探测仪。
4.根据权利要求1所述的基于轻量化模型的电力设备缺陷识别方法，其特征在于：所述步骤2)中的预处理包括图像去噪、图像增强和图像分割操作。
5.根据权利要求...
【专利技术属性】
技术研发人员：陈曦，刘宣佑，陈冠先，程旭萌，杨飞虎，李一憧，杨凯，
申请(专利权)人：广西电网有限责任公司防城港供电局，
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。