基于边缘计算与深度学习的绝缘子状态边缘识别方法技术

本发明专利技术提供了一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，用于对电线路中的绝缘子状态进行识别，包括：采集电线路中不同绝缘子对应的初始图像，并对初始图像预处理得到预处理后图像；将预处理后图像分别发送至不同边缘节点，通过对应的预先训练好的第一图像识别模型对进行状态识别得到第一状态；边缘节点将第一状态发送至聚合服务器，该聚合服务器将第一状态为绝缘子故障所对应的预处理后图像作为待二次识别图像发送至云中心，并利用预先训练好的第二图像识别模型进行识别得到第二状态。其中，第一图像识别模型为轻量级神经网络模型，第二图像识别模型为残差网络模型。型。型。

【技术实现步骤摘要】
基于边缘计算与深度学习的绝缘子状态边缘识别方法


[0001]本专利技术属于图像分析
，具体涉及一种基于边缘计算与深度学习的绝缘子状态边缘识别方法。

技术介绍

[0002]绝缘子是电力系统正常运行必不可缺的元器件，是支持输电线路正常运行的重要保障，因此对绝缘子状态的实时检测十分有必要。随着人工智能技术、边缘计算、深度学习等技术的不断发展，使得这些技术应用在计算机视觉领域进行绝缘子状态识别成为可能。然而，现有的绝缘子状态识别方法将海量的数据传输到云中心，由云服务器根据已训练的深度学习模型完成绝缘子状态的识别，在上述过程中，存在无法满足实时性的要求、成本高、误判率高等问题。

技术实现思路

[0003]为解决上述问题，本专利技术提供了一种实时性好、成本低且误判率低的绝缘子状态边缘识别方法，本专利技术采用了如下技术方案：
[0004]本专利技术提供了一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，用于对电线路中的绝缘子状态进行识别，包括如下步骤：步骤S1，采集电线路中不同绝缘子对应的初始图像，并对初始图像预处理得到预处理后图像；步骤S2，将预处理后图像分别发送至不同边缘节点，通过不同边缘节点上对应的预先训练好的第一图像识别模型对预处理后图像进行状态识别，从而得到绝缘子状态作为第一状态；步骤S3，边缘节点将第一状态发送至聚合服务器，该聚合服务器将第一状态为绝缘子故障所对应的预处理后图像作为待二次识别图像发送至云中心；步骤S4，利用云中心中预先训练好的第二图像识别模型对待二次识别图像进行识别，从而得到对应的状态识别结果作为第二状态，使得检测人员在该第二状态为绝缘子故障时对相应的绝缘子进行处理，其中，第一图像识别模型为轻量级神经网络模型，第二图像识别模型为残差网络模型。
[0005]在本专利技术提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，轻量级神经网络模型为改进后的ShuffleNetV2模型，该改进后的ShuffleNetV2模型为基于注意力模块的ShuffleNetV2分类模型。
[0006]在本专利技术提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，残差网络模型为改进后的ResNet101模型，该改进后的ResNet101模型为基于多模块融合的ResNet101分类模型。
[0007]在本专利技术提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，第一图像识别模型在训练过程中采用协同训练方法以及联邦学习方法，协同训练方法为按照预定的时间间隔将所有训练过程中的第一图像识别模型对应的参数作为局部参数上传至聚合服务器，该聚合服务器对所有局部参数进行加权处理得到全局参数，并将全局参数发送至各个训练过程中的第一图像识别模型，该训练过程中的
第一图像识别模型根据全局参数各自更新，形成新的训练过程中的第一图像识别模型，从而完成一次协同训练，联邦学习方法为先交互各个边缘节点对应的调度任务，继而将边缘节点之间协同计算调度任务问题建模为综合考虑时延、能耗的系统开销最小化问题的任务调度模型，利用该任务调度模型加快所有第一图像识别模型的收敛速度。
[0008]在本专利技术提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，在步骤S3中，当第一状态为绝缘子正常时，聚合服务器将第一状态为绝缘子正常所对应的预处理后图像作为样本发送至样本数据库，在步骤S4中，当第二状态为绝缘子正常时，云中心将第二状态为绝缘子正常所对应的预处理后图像作为样本发送至样本数据库，第二图像识别模型根据样本数据库中的所有样本进行增量学习，从而完成更新得到更新后的第二图像识别模型作为预先训练好的第二图像识别模型。
[0009]在本专利技术提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，步骤S1中的初始图像通过作为智能巡检设备的嵌入微型计算机的无人机采集得到，预处理后图像通过嵌入微型计算机处理得到。
[0010]专利技术作用与效果
[0011]根据本专利技术的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，由于先不同边缘节点上的预先训练好的第一图像识别模型进行第一次绝缘子状态识别，并在第一状态为绝缘子故障时，聚合服务器才将对应的预处理后图像发送至云中心，从而避免了海量数据上传云中心占用通信通道带来的资源浪费问题。另外，还由于云中心上的预先训练好的第二图像识别模型对边缘节点处绝缘子故障对应的预处理后图像进行了进一步识别，因此，实现了边缘端和云端计算资源的充分利用。还由于在边缘端和云端分别部署了与计算资源相匹配的轻量级神经网络模型与残差网络模型，从而能够实现高正确率的边缘端独立状态识别与边缘
‑
云协作识别，提高了整体的识别准确率以及实时性。
[0012]通过本专利技术的基于边缘计算与深度学习的绝缘子状态边缘识别方法，能够准确快速地识别绝缘子状态，并实现了缺陷智能识别及自学习等功能，具有识别准确率高、时延低、安全性高、成本低等优点。
附图说明
[0013]图1为本专利技术实施例的基于边缘计算与深度学习的绝缘子状态边缘识别方法的流程图；
[0014]图2为本专利技术实施例的绝缘子状态识别流程示意图；
[0015]图3为本专利技术实施例的云边协同和边边联邦协同联合的绝缘子状态边缘识别训练框图。
具体实施方式
[0016]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本专利技术的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法作具体阐述。
[0017]<实施例>
[0018]图1为本专利技术实施例的基于边缘计算与深度学习的绝缘子状态边缘识别方法的流
程图；图2为本专利技术实施例的绝缘子状态识别流程示意图。
[0019]如图1以及图2所示，步骤S1，采集电线路中不同绝缘子对应的初始图像，并对初始图像预处理得到预处理后图像。
[0020]其中，初始图像通过作为智能巡检设备的嵌入微型计算机的无人机采集得到，预处理后图像通过嵌入微型计算机处理得到。
[0021]另外，智能巡检设备还能对初始图像和预处理后图像进行存储。
[0022]步骤S2，将预处理后图像分别发送至不同边缘节点，通过不同边缘节点上对应的预先训练好的第一图像识别模型对预处理后图像进行状态识别，从而得到绝缘子状态作为第一状态。
[0023]由图2可知，预处理后的图像会发送至不同边缘节点，其发送的依据为按照智能巡检设备到节点的距离进行分配，将图片分配到最近的节点。同时，考虑到边缘节点间协同计算进行任务调度的问题，将后来分配到最近节点上的图片再进行二次分配，防止发生某一节点任务过多、排队时间较长的现象。
[0024]其中，第一图像识别模型为轻量级神经网络模型(即故障识别轻量级模型1)，具体地，轻量级神经网络模型为改进后的ShuffleNetV2模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，用于对电线路中的绝缘子状态进行识别，其特征在于，包括如下步骤：步骤S1，采集电线路中不同绝缘子对应的初始图像，并对所述初始图像预处理得到预处理后图像；步骤S2，将所述预处理后图像分别发送至不同边缘节点，通过不同所述边缘节点上对应的预先训练好的第一图像识别模型对所述预处理后图像进行状态识别，从而得到绝缘子状态作为第一状态；步骤S3，所述边缘节点将所述第一状态发送至所述聚合服务器，该聚合服务器将所述第一状态为绝缘子故障所对应的预处理后图像作为待二次识别图像发送至云中心；步骤S4，利用所述云中心中预先训练好的第二图像识别模型对所述待二次识别图像进行识别，从而得到对应的状态识别结果作为第二状态，使得检测人员在该第二状态为绝缘子故障时对相应的绝缘子进行处理，其中，所述第一图像识别模型为轻量级神经网络模型，所述第二图像识别模型为残差网络模型。2.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态边缘识别方法，其特征在于：其中，所述轻量级神经网络模型为改进后的ShuffleNetV2模型，该改进后的ShuffleNetV2模型为基于注意力模块的ShuffleNetV2分类模型。3.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态边缘识别方法，其特征在于：其中，所述残差网络模型为改进后的ResNet101模型，该改进后的ResNet101模型为基于多模块融合的ResNet101分类模型。4.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态边缘识别方法，其特征在于：其中，所述第...

【专利技术属性】
技术研发人员：黄冬梅，王玥琦，孙锦中，胡安铎，孙园，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：