【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种输电线路检测模型移植方法、装置、设备及介质。
技术介绍
1、近年来，随着人工智能技术的发展，将深度学习算法应用在无人机巡检领域中已经越来越普遍。无人机航拍采集大量输电线路上的图像后，通过深度学习算法感知图像信息，理解分析场景并自动检测图像中输电线路关键部位缺陷。目前通常将深度学习算法集中部署在云端，这不仅对通信网络的传输速度要求高，同时也降低了输电线路巡检效率，基于此，通过在无人机底部部署边缘计算设备，以对输电线路上关键部件进行缺陷检测，相对云端部署深度学习算法而言，不仅能够提高边缘计算分散算力，还能够有效提升巡检效率。
2、现有技术中，由于深度学习模型网络越来越深、模型复杂度越来越高，导致模型的体积过大和推理速度较慢等问题，对于计算能力受限的边缘计算设备是极大的挑战；同时，这些边缘计算设备需要满足低延迟、高并发等业务需求，但在实际应用中，需要几十甚至上百个边缘计算设备对输电线路进行检测，现有采用远程监测中心对边缘计算设备统一集中管理的方法，不仅存在资源利用率低还存在通信开销大的技术问题。<
【技术保护点】
1.一种输电线路检测模型移植方法，其特征在于，应用于边缘业务管理设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述原始安全隐患识别模型进行轻量化压缩处理，得到目标识别模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述原始安全隐患识别模型，以及已裁剪的安全隐患识别模型进行协同训练，包括：
4.根据权利要求3所述的方法，其特征在于，在对所述学生模型的模型参数进行调整之后，还包括：
5.根据权利要求1所述的方法，其特征在于，在所述将处理后的目标识别模型发送至边缘计算设备之后，还包括：p>
6.根据权...
【技术特征摘要】
1.一种输电线路检测模型移植方法，其特征在于，应用于边缘业务管理设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述原始安全隐患识别模型进行轻量化压缩处理，得到目标识别模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述原始安全隐患识别模型，以及已裁剪的安全隐患识别模型进行协同训练，包括：
4.根据权利要求3所述的方法，其特征在于，在对所述学生模型的模型参数进行调整之后，还包括：
5.根据权利要求1所述的方法，其特征在于，在所述将处理后的目标识别模型发送至边缘计算设备之后，还包括：
...
【专利技术属性】
技术研发人员：乔嘉赓，杨帆，洪焕森，曾林峰，杨斐平，贾恒杰，崔宫，田小东，杨殷，吴兰，吴炯，杨军，胡玉婷，郑晨炜，黄芳，钟远峰，
申请(专利权)人：广东电网有限责任公司，
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。