【技术实现步骤摘要】
本专利技术属于电力设备故障检测，具体涉及一种云边协同的电力设备故障视频检测方法。
技术介绍
1、在现代电力系统中，设备的稳定运行至关重要。随着智能电网的快速发展，电力设备的监测与故障诊断技术也在不断演进。传统的电力设备故障检测方法多依赖于人工巡检或定期维护，这不仅效率低下，而且难以应对突发故障带来的风险。因此，如何实现实时、准确的故障检测成为了研究的热点。
2、近年来，视频监控技术在电力设备监测中的应用逐渐普及。通过安装高清摄像头，可以实时捕捉电力设备的运行状态。然而，单纯依靠视频监控进行故障检测存在一些不足之处。首先，视频数据量大，存储和传输成本高，特别是在网络带宽有限的情况下，传输延迟可能导致信息丢失或检测延时。其次，视频中的重要信息往往被大量的冗余数据掩盖，如何有效提取与故障相关的关键帧成为一个亟待解决的问题。
3、为了克服以上挑战，学术界和工业界开始探索基于深度学习的目标检测和跟踪技术。特别是roi(region of interest)注意力机制的引入，使得目标跟踪的精度和效率大幅提升。该机制能够自动识别图像中重要区域，并将计算资源集中于这些区域，从而提高故障检测的灵敏度和准确性。
4、为了进一步提高故障检测的效果，云边协同计算成为一种新兴的解决方案。云计算提供了强大的计算资源，适合进行复杂的深度学习模型训练和大规模数据处理，而边缘计算则可以在靠近数据源的地方进行实时分析，从而减少延迟和带宽消耗。通过将这两者有效结合，可以实现快速、实时的故障检测。基于上述事实现状，本专利技术希望提供
技术实现思路
1、本专利技术的目的在于提供一种云边协同的电力设备故障视频检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种云边协同的电力设备故障视频检测方法，包括以下步骤：
4、s1.基于注意力机制的电力设备目标跟踪，所述目标跟踪算法包括目标识别、兴趣区域对象的移动大小变化估计、关键帧动态选取；
5、s2.关键帧的异常情况判断，区分关键帧中电力设备是否出现故障；
6、s3.异常帧图像裁剪压缩，上传异常帧信息；
7、s4.云端电力设备故障精细化检测与反馈，搭建一个vit模型检测电力设备故障类型，反馈处置方案。
8、作为优选，s1中，兴趣区域是图像或视频帧中被标记为重要，需要进一步处理的区域；所采用的兴趣区域是多个矩形区域的组合，兴趣区域用于对图像内容进行有选择性的处理，在图像分析中集中注意力于特定目标；对于跟踪序列的第一帧，初始的兴趣区域来自显著性目标检测，显著性图以及自注意力机制表示为：
9、x(x)＝s(p(x))
10、
11、其中，x(x)是显著性图，p(x)是输入图像，s是从图像特征到显著性评分的映射函数，c是查询，j是键，y是值，wk是键的维度，z是自注意力权重；
12、对于后续帧，初始的兴趣区域来自前一帧的编码输出；跟踪模块适用于n个连续帧，其中n根据编码过程预设或动态调整；将初始的兴趣区域与正在编码的帧的运动矢量结合起来，运动矢量表示从参考帧到当前帧的位移，公式表示为
13、vec＝(i',j')-(i,j)
14、其中(i',j')是当前帧中像素的位置，(i,j)是参考帧中对应的像素位置；
15、为下一帧准确更新兴趣区域的位置和大小编码器计算出的运动矢量代表了帧与帧之间像素块的位移。
16、作为优选，s1中所提出的基于深度学习的轻量级兴趣区域跟踪模块，该模块使用前一帧的全帧运动矢量和初始兴趣区域坐标作为输入；它输出当前帧的估计兴趣区域位置和尺寸；通过使用深度学习改进基于运动矢量的跟踪，消除对运动矢量过滤器或手工制作的兴趣区域大小估计等其他各种细化步骤的需求；
17、编码器生成的运动数据被格式化为三通道输入：水平运动矢量、垂直运动矢量，以及表示内部预测或内部预测的标志；内部区块缺乏运动数据，因此其向量被设为零；首先选择与帧上兴趣区域部分或完全重叠的运动矢量；选定的运动矢量随后由多层神经网络进行处理，该网络旨在推断兴趣区域的位移和尺寸变化。
18、在兴趣区域更新阶段，来自显著性图的初始兴趣区域坐标被用作起点，网络输出被应用于逐帧增量调整兴趣区域坐标；更新后的兴趣区域坐标还用于选择下一帧的运动矢量，以确保在启动新的显著性图检测周期之前持续跟踪；对于涉及多个兴趣区域的情况，每个兴趣区域都要独立处理。
19、作为优选，s1中，所述多层神经网络架构由一个调整大小层、两个卷积层和一个全连接层组成；relu函数作为卷积层输出的激活函数。
20、作为优选，所述s2中采用轻量化的深度学习网络在本地对电力设备进行故障检测，采用模型修剪的方法优化模型，具体步骤如下：
21、第一步，在卷积层之后增加批标准化层，在批标准化层网络中加入稀疏因子，通过训练对批标准化层进行稀疏处理；采用统计排序方法对稀疏训练模型中所有批标准化层的权值进行排序，通过获取指定数量的保留批标准化层得到有序的权值阈值；
22、第二步，遍历模型中批标准化层的权值，得到每一层的掩码值。在剪枝操作中，在每一层的掩码之后构造一个新的模型结构，得到批标准化层的权值掩码非零值的指标，得到原卷积层中各通道的权值和偏置，将非零指标对应的批标准化层和线性层分配给新模型的每一层；目标函数loss的公式为：
23、
24、其中，l是基本损失，q是损失权重，λ为l1正则化系数，g为l1正则化函数，γ为仿射变换参数；
25、第三步，除了基本损耗外，引入l1正则化项来获得批标准化层的稀疏性，其中li约束函数g仅应用于批标准化层的γ系数；在反向传播和更新梯度时，γ系数的导数需要添加系数符号和惩罚系数的乘积项；
26、第四步，经过网络的稀疏训练，得到一个比例因子接近于零的网络；通过比例修剪，去除连接到通道的输入；经过重复训练，完成整个网络的轻量压缩过程。
27、作为优选，所述s3中图像的裁剪依据兴趣区域进行裁剪，裁剪后的图像只保留与电力设备故障相关部分，从而减小图像的尺寸；将压缩后的图像文件及其相关信息封装成一个数据包，通过请求将数据包发送到指定的服务器端点；在请求中附带图像文件和元数据，以便服务器能够正确解析和存储数据；接收服务器的响应，确认上传是否成功。
28、作为优选，所述s4中，搭建一个混合神经网络用于电力设备具体故障检测，该网络由一个深度神经网络与transformer网络组成，深度神经网络部分首先将本地上传的异常帧分解为图像块，以适应不同大小和分辨率的输入；然后，预先训练的模型处理每个图像块，包括卷积神经网络层和深度、宽度和分辨率的平衡调整，以提取空间特征并减少计算负担；transformer网络部分根据需要对提取出的帧特征序列进行转换或重构；然后，通本文档来自技高网...
【技术保护点】
1.一种云边协同的电力设备故障视频检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种云边协同的电力设备故障视频检测方法，其特征在于：S1中，兴趣区域是图像或视频帧中被标记为重要，需要进一步处理的区域；所采用的兴趣区域是多个矩形区域的组合，兴趣区域用于对图像内容进行有选择性的处理，在图像分析中集中注意力于特定目标；对于跟踪序列的第一帧，初始的兴趣区域来自显著性目标检测，显著性图以及自注意力机制表示为：
3.根据权利要求1所述的一种云边协同的电力设备故障视频检测方法，其特征在于：S1中所提出的基于深度学习的轻量级兴趣区域跟踪模块，该模块使用前一帧的全帧运动矢量和初始兴趣区域坐标作为输入；它输出当前帧的估计兴趣区域位置和尺寸；通过使用深度学习改进基于运动矢量的跟踪，消除对运动矢量过滤器或手工制作的兴趣区域大小估计等其他各种细化步骤的需求；
4.根据权利要求1所述的一种云边协同的电力设备故障视频检测方法，其特征在于：S1中，所述多层神经网络架构由一个调整大小层、两个卷积层和一个全连接层组成；ReLU函数作为卷积层输出的激活函数。
...【技术特征摘要】
1.一种云边协同的电力设备故障视频检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种云边协同的电力设备故障视频检测方法，其特征在于：s1中，兴趣区域是图像或视频帧中被标记为重要，需要进一步处理的区域；所采用的兴趣区域是多个矩形区域的组合，兴趣区域用于对图像内容进行有选择性的处理，在图像分析中集中注意力于特定目标；对于跟踪序列的第一帧，初始的兴趣区域来自显著性目标检测，显著性图以及自注意力机制表示为：
3.根据权利要求1所述的一种云边协同的电力设备故障视频检测方法，其特征在于：s1中所提出的基于深度学习的轻量级兴趣区域跟踪模块，该模块使用前一帧的全帧运动矢量和初始兴趣区域坐标作为输入；它输出当前帧的估计兴趣区域位置和尺寸；通过使用深度学习改进基于运动矢量的跟踪，消除对运动矢量过滤器或手工制作的兴趣区域大小估计等其他各种细化步骤的需求；
4.根据权利要求1所述的一种云边协同的电力设备故障视频检测方法，其特征在于：s1中，所述多层神经网络架构由一个调整大小层、两个卷积层和一个全连接层组成；relu函数作为卷积层输出的激活函数。
5.根据权利要求1所述的一种云边协同的电力设备故障视频检测...
【专利技术属性】
技术研发人员：秦建松，张磊，章立宗，陆晓东，汪磊，王子弋，周松，董钦，张硕彬，金钢，顾煜明，徐达，罗宁，裘索，金旸栋，朱杰，黄紫英，郑伟，车艳红，孙余冰，
申请(专利权)人：绍兴建元电力集团有限公司，
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。