【技术实现步骤摘要】
本专利技术涉及输电线路巡检，尤其是指一种基于云边协同的输电线路本体缺陷检测方法。
技术介绍
1、架空输电线路是输送电能的重要通道，其运行于复杂多变的环境，容易受到自然和人为因素破坏而产生各种缺陷。所谓的设备缺陷，是指生产设备在制造运输、施工安装、运行维护等阶段发生的设备质量异常现象。设备缺陷主要可以分为本体缺陷和外部缺陷两大类。其中，本体缺陷是指组成线路本体的构件、附件和零部件的缺陷，包括基础杆塔、导地线、绝缘子、金具、接地装置等部件本身缺损或位移而产生的缺陷，而外部缺陷则是指外部环境变化对线路安全运行已构成某种潜在性威胁的情况。
2、针对设备缺陷，现在大多还是依靠线路巡检方式进行设备缺陷的识别。且伴随着网络摄像头的远程数据采集、无人机的智能巡检以及数字图像处理与分析技术的持续进步，电力系统中的输电线路巡检方法已经经历了翻天覆地的变革。传统的、高成本且效率有限的人工巡检逐步被替代，现今更多地依赖于如挂杆网络摄像头、无人机等先进设备进行远程数据采集，再结合智能算法判定与人工后台复核的智能化巡检方法实现输电线路巡检。但现有的输电巡检方法在解析输电线路的图像以进行设备缺陷识别时，很大程度上依赖于其训练时的样本分布，当遇到与训练数据分布有较大差异的真实场景数据时，其泛化能力往往受到挑战，可能导致解析效果不佳。而大部分高精度的巡检模型又往往存在尺寸庞大、含有大量参数的问题，不仅增加了计算负担，在实际部署时还可能出现存储限制、实时响应延迟等问题，限制了其在边缘设备上的应用。
技术实现思路>
1、本专利技术的目的是克服现有技术中的缺点，提供一种基于云边协同的输电线路本体缺陷检测方法，通过云边协同的方式，在云端先对输电线路的本体缺陷进行预先识别，再调动无人机，对云端识别出的本体缺陷进行巡检，无人机在巡检过程中还实时识别并回传异常图像，云端能够基于回传的异常图像对预训练大模型进行调整，调整后的预训练大模型还能够定期同步至无人极端，能够解决现有的输电巡检方法在解析输电线路的图像以进行设备缺陷识别时，很大程度上依赖于其训练时的样本分布，当遇到与训练数据分布有较大差异的真实场景数据时，其泛化能力往往受到挑战，可能导致解析效果不佳的问题，使得进行输电线路的本体缺陷识别的预训练大模型能够不断调整，以适应更多输电线路场景的本体缺陷识别需求，提高预训练大模型的泛化能力，保障输电线路本体缺陷的识别准确性。
2、本专利技术的目的是通过下述技术方案予以实现：
3、一种基于云边协同的输电线路本体缺陷检测方法，包括，
4、训练获取预训练大模型，调取输电线路的图像数据，云端基于预训练大模型对输电线路的图像数据进行语义解析，识别输电线路的本体缺陷；
5、云端根据识别出的输电线路的本体缺陷远程启动对应的巡检任务，根据巡检任务自动启动并放飞无人机，无人机按照预定路线和巡检任务进行巡检；
6、无人机在巡检过程中根据边端模型对感知到的图像进行实时解析，并将识别出的异常图像回传至云端；
7、云端基于预训练大模型对无人机回传的异常图像进行复核，并将异常图像以及复核结果作为增量数据，通过增量学习算法对预训练大模型进行调整，并定期将调整后的预训练大模型同步至无人机端。
8、进一步的，所述定期将预训练大模型同步至无人机端，包括，通过联合约束的知识蒸馏压缩算法将预训练大模型压缩至边端模型，并将转换后的边端模型传递至无人机端。
9、进一步的，所述通过联合约束的知识蒸馏压缩算法将预训练大模型转换为边端模型，包括，将预训练大模型作为知识蒸馏压缩算法中的教师模型，边端模型作为知识蒸馏压缩算法中的学生模型，建立边端模型的全局样本特征关系的全局kl散度约束以及样本局部特征关系的局部相关性约束，根据预训练大模型通过生成器生成边端模型的训练样本，基于建立的全局kl散度约束和局部相关性约束，根据训练样本对边端模型进行训练，将预训练大模型压缩至边端模型。
10、进一步的，所述样本局部特征关系的局部相关性约束包括样本内不同位置局部相关性约束、样本间不同位置局部相关性约束和样本内相同位置局部相关性约束。
11、进一步的，所述云端根据识别出的输电线路的本体缺陷远程启动对应的巡检任务，根据巡检任务自动启动并放飞无人机，无人机按照预定路线和巡检任务进行巡检，包括，确定当前识别出的所有输电线路的本体缺陷以及每个本体缺陷对应的地理位置，根据当前识别出的每个本体缺陷对应的地理位置以及的缺陷类型制定巡检任务，根据每个本体缺陷对应的地理位置进行巡检区域划定，并按照巡检区域边界匹配最靠近的无人机机巢，并将匹配得到的最靠近的无人机机巢位置作为巡检路线的出发点，将巡检区域内离无人机机巢位置最远的本体缺陷的地理位置作为巡检路线的结束点，再根据巡检区域内其他本体缺陷的地理位置构建巡检路线，将构建的巡检路线作为无人机的预定路线。
12、进一步的，所述无人机在巡检过程中根据边端模型对感知到的图像进行实时解析，并将识别出的异常图像回传至云端，包括，无人机在巡检过程中实时感知输电线路的图像，并根据边端模型对感知到的图像进行解析，根据解析结果识别输电线路的本体缺陷，在识别出本体缺陷时，根据当前本体缺陷所处地理位置以及缺陷类型，将当前本体缺陷与巡检任务内所记录的本体缺陷进行匹配，若当前本体缺陷不属于巡检任务内所记录的本体缺陷，则将当前本体缺陷对应的图像作为异常图像回传至云端，若当前本体缺陷属于巡检任务内所记录的本体缺陷，则记录此次本体缺陷确认情况至巡检报告中。
13、进一步的，所述无人机在巡检过程中根据边端模型对感知到的图像进行实时解析，并将识别出的异常图像回传至云端，包括，无人机在巡检过程中，每到达一处巡检任务中所记录的本体缺陷所处地理位置，均根据边端模型对巡检任务中所记录的本体缺陷所处地理位置对应的图像进行解析，判断是否存在本体缺陷，若不存在本体缺陷，则将当前地理位置对应的图像作为异常图像，回传至云端，若存在本体缺陷，记录此次本体缺陷确认情况至巡检报告中。
14、进一步的，所述训练获取预训练大模型，包括，调取输电线路的图像数据集，基于图像数据集，通过多任务学习算法训练预训练大模型，并通过小目标数据增强算法对预训练大模型进行调整。
15、进一步的，所述通过小目标数据增强算法对预训练大模型进行调整，包括，根据预训练大模型对于图像数据集中每个原始数据的标注提取对应目标区域，并根据每个原始数据的目标区域所处场景调取对应的预设小知识库，对于每个原始数据，以目标区域为中心，将对应的预设小知识库中的待检测小目标裁剪图片融合至对应的原始数据中，并将融合的待检测小目标裁剪图片的标注添加至对应原始数据的标注中，获取每个原始数据对应的增广图像，并将得到的所有增广数据加入图像数据集中，基于加入增广数据的图像数据集对预训练大模型进行调整。
16、本专利技术的有益效果是：
17、通过云边协同的方式，在云端先对输电线路的本体缺陷进行预先识别，再调动无人机，对云端识别出的本体缺陷本文档来自技高网...
【技术保护点】
1.一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，包括，训练获取预训练大模型，调取输电线路的图像数据，云端基于预训练大模型对输电线路的图像数据进行语义解析，识别输电线路的本体缺陷；
2.根据权利要求1所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述定期将预训练大模型同步至无人机端，包括，通过联合约束的知识蒸馏压缩算法将预训练大模型压缩至边端模型，并将转换后的边端模型传递至无人机端。
3.根据权利要求2所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述通过联合约束的知识蒸馏压缩算法将预训练大模型转换为边端模型，包括，将预训练大模型作为知识蒸馏压缩算法中的教师模型，边端模型作为知识蒸馏压缩算法中的学生模型，建立边端模型的全局样本特征关系的全局KL散度约束以及样本局部特征关系的局部相关性约束，根据预训练大模型通过生成器生成边端模型的训练样本，基于建立的全局KL散度约束和局部相关性约束，根据训练样本对边端模型进行训练，将预训练大模型压缩至边端模型。
4.根据权利要求3所述的一种基于云边协同的输电线路本体缺陷检
5.根据权利要求1所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述云端根据识别出的输电线路的本体缺陷远程启动对应的巡检任务，根据巡检任务自动启动并放飞无人机，无人机按照预定路线和巡检任务进行巡检，包括，确定当前识别出的所有输电线路的本体缺陷以及每个本体缺陷对应的地理位置，根据当前识别出的每个本体缺陷对应的地理位置以及的缺陷类型制定巡检任务，根据每个本体缺陷对应的地理位置进行巡检区域划定，并按照巡检区域边界匹配最靠近的无人机机巢，并将匹配得到的最靠近的无人机机巢位置作为巡检路线的出发点，将巡检区域内离无人机机巢位置最远的本体缺陷的地理位置作为巡检路线的结束点，再根据巡检区域内其他本体缺陷的地理位置构建巡检路线，将构建的巡检路线作为无人机的预定路线。
6.根据权利要求1所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述无人机在巡检过程中根据边端模型对感知到的图像进行实时解析，并将识别出的异常图像回传至云端，包括，无人机在巡检过程中实时感知输电线路的图像，并根据边端模型对感知到的图像进行解析，根据解析结果识别输电线路的本体缺陷，在识别出本体缺陷时，根据当前本体缺陷所处地理位置以及缺陷类型，将当前本体缺陷与巡检任务内所记录的本体缺陷进行匹配，若当前本体缺陷不属于巡检任务内所记录的本体缺陷，则将当前本体缺陷对应的图像作为异常图像回传至云端，若当前本体缺陷属于巡检任务内所记录的本体缺陷，则记录此次本体缺陷确认情况至巡检报告中。
7.根据权利要求6所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述无人机在巡检过程中根据边端模型对感知到的图像进行实时解析，并将识别出的异常图像回传至云端，包括，无人机在巡检过程中，每到达一处巡检任务中所记录的本体缺陷所处地理位置，均根据边端模型对巡检任务中所记录的本体缺陷所处地理位置对应的图像进行解析，判断是否存在本体缺陷，若不存在本体缺陷，则将当前地理位置对应的图像作为异常图像，回传至云端，若存在本体缺陷，记录此次本体缺陷确认情况至巡检报告中。
8.根据权利要求1所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述训练获取预训练大模型，包括，调取输电线路的图像数据集，基于图像数据集，通过多任务学习算法训练预训练大模型，并通过小目标数据增强算法对预训练大模型进行调整。
9.根据权利要求8所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述通过小目标数据增强算法对预训练大模型进行调整，包括，根据预训练大模型对于图像数据集中每个原始数据的标注提取对应目标区域，并根据每个原始数据的目标区域所处场景调取对应的预设小知识库，对于每个原始数据，以目标区域为中心，将对应的预设小知识库中的待检测小目标裁剪图片融合至对应的原始数据中，并将融合的待检测小目标裁剪图片的标注添加至对应原始数据的标注中，获取每个原始数据对应的增广图像，并将得到的所有增广数据加入图像数据集中，基于加入增广数据的图像数据集对预训练大模型进行调整。
...【技术特征摘要】
1.一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，包括，训练获取预训练大模型，调取输电线路的图像数据，云端基于预训练大模型对输电线路的图像数据进行语义解析，识别输电线路的本体缺陷；
2.根据权利要求1所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述定期将预训练大模型同步至无人机端，包括，通过联合约束的知识蒸馏压缩算法将预训练大模型压缩至边端模型，并将转换后的边端模型传递至无人机端。
3.根据权利要求2所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述通过联合约束的知识蒸馏压缩算法将预训练大模型转换为边端模型，包括，将预训练大模型作为知识蒸馏压缩算法中的教师模型，边端模型作为知识蒸馏压缩算法中的学生模型，建立边端模型的全局样本特征关系的全局kl散度约束以及样本局部特征关系的局部相关性约束，根据预训练大模型通过生成器生成边端模型的训练样本，基于建立的全局kl散度约束和局部相关性约束，根据训练样本对边端模型进行训练，将预训练大模型压缩至边端模型。
4.根据权利要求3所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述样本局部特征关系的局部相关性约束包括样本内不同位置局部相关性约束、样本间不同位置局部相关性约束和样本内相同位置局部相关性约束。
5.根据权利要求1所述的一种基于云边协同的输电线路本体缺陷检测方法，其特征在于，所述云端根据识别出的输电线路的本体缺陷远程启动对应的巡检任务，根据巡检任务自动启动并放飞无人机，无人机按照预定路线和巡检任务进行巡检，包括，确定当前识别出的所有输电线路的本体缺陷以及每个本体缺陷对应的地理位置，根据当前识别出的每个本体缺陷对应的地理位置以及的缺陷类型制定巡检任务，根据每个本体缺陷对应的地理位置进行巡检区域划定，并按照巡检区域边界匹配最靠近的无人机机巢，并将匹配得到的最靠近的无人机机巢位置作为巡检路线的出发点，将巡检区域内离无人机机巢位置最远的本体缺陷的地理位置作为巡检路线的结束点，再根据巡检区域内其他本体缺陷的地理位置构建巡检路线，将构建的巡检路线作为无人机的预定路线。
6.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：张翼，程灿勤，孔凡坊，占鹭林，刘尚孟，黄康乐，李云龙，罗涛，
申请(专利权)人：国网浙江省电力有限公司温州供电公司，
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。