【技术实现步骤摘要】
导地线缺陷检测方法、装置、边缘计算设备和存储介质
[0001]本申请涉及电网配电领域，特别是涉及一种导地线缺陷检测方法、装置、计算机设备和存储介质。
技术介绍
[0002]由于现代工业的不断发展，电力需求不断增加：为了稳定地提供大量的电力，需要高的传输电压。而输电线路中的导线承受微风振动等长期振动作用，线夹出口容易出现微动磨损，同时线夹出口也是应力集中区域，磨损、应力集中效应叠加导致该处导线径向裂纹的生成与扩展，在周期性应力的作用下裂纹逐步发展，最终导致导线疲劳断裂。输电线路导地线的断股是运维中较为常见的缺陷，断股会影响线路载流量、引发电晕、降低线路机械性能。导地线断线是目前仍时有发生的严重故障，抢修难度大、停电时间长。
[0003]目前，可以通过无人机技术来实现导地线的缺陷处理。无人机图像采集是远程遥控操控或者代码智能巡航来对铁塔关键位置进行现场数据采集，然后在服务器进行人工数据分析，然而这种方法在数据传输过程中，需要消耗大量资源，数据分析效率低，难以实现实时监控。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能有效进行实时电网导电线缺陷监控的导地线缺陷检测方法、装置、计算机设备和存储介质。
[0005]一种导地线缺陷检测方法，所述方法包括：
[0006]获取电网的电塔区域原始图像数据；
[0007]通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息，所述预设第一识别模型通过YOLOV4算法，基于YOLOV4
‑>tiny网络结构构建；
[0008]将所述导地线位置信息输入预设第二识别模型，确定所述电塔区域原始图像数据中的导地线缺陷信息，所述预设第二识别模型通过YOLOV4算法，基于YOLOV4
‑
tiny网络结构构建；
[0009]根据所述导地线缺陷信息发送风险警告。
[0010]在其中一个实施例中，所述通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息包括：
[0011]通过所述预设第一识别模型提取所述电塔区域原始图像数据对应的第一特征图以及第二特征图；
[0012]对所述第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图；
[0013]基于注意力机制对所述融合特征图进行处理，获取分类特征图；
[0014]通过GIoU算法以及NMS算法获取所述分类特征图的预测框；
[0015]基于所述预测框确定所述电塔区域原始图像数据中的导地线位置信息。
[0016]在其中一个实施例中，所述通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息之前，还包括：
[0017]获取包含导地线设备的历史图像数据以及所述历史图像数据对应的第一标注信息，所述第一标注信息用于标注所述历史图像数据中导地线本体位置以及导地线异常位置；
[0018]通过所述第一标注信息对所述历史图像数据进行标注，获取第一模型训练数据；
[0019]基于所述第一模型训练数据对初始YOLOV4
‑
tiny模型进行训练，获取预设第一识别模型。
[0020]在其中一个实施例中，所述基于所述第一模型训练数据对初始YOLOV4
‑
tiny模型进行训练，获取预设第一识别模型包括：
[0021]将第一模型训练数据划分为训练集数据、测试集数据以及验证集数据；
[0022]通过所述训练集数据、测试集数据以及验证集数据对初始YOLOV4
‑
tiny模型进行迭代训练，并在迭代训练过程中，对每次迭代完成的YOLOV4
‑
tiny模型进行模型压缩处理；
[0023]当识别到所述训练集数据以及所述测试集数据的损失均处于稳定状态，且验证集数据的准确率高于预设准确率阈值时，停止迭代，并将当前迭代训练完成的YOLOV4
‑
tiny模型作为第一可用模型；
[0024]对所述第一可用模型进行边缘化处理，获取预设第一识别模型。
[0025]在其中一个实施例中，所述对所述第一可用模型进行边缘化处理，获取预设第一识别模型包括：
[0026]将所述第一可用模型转化为onnx模型；
[0027]基于TensorRT对所述onnx模型进行解析，得到Engine模型；
[0028]通过TensorRT FP16对所述Engine模型进行量化加速处理，获取预设第一识别模型。
[0029]在其中一个实施例中，所述通过所述第一标注信息对所述历史图像数据进行标注，获取第一模型训练数据之后，还包括：
[0030]基于所述导地线本体位置，提取所述第一模型训练中的导地线区域图像；
[0031]基于所述第一标注信息中的导地线异常位置，确定所述导地线区域图像中的导地线异常位置；
[0032]根据所述导地线区域图像中的导地线异常位置对所述导地线区域图像进行标注，获取第二模型训练数据；
[0033]基于所述第二模型训练数据对初始YOLOV4
‑
tiny模型进行训练，获取预设第二识别模型。
[0034]一种导地线缺陷检测装置，应用于边缘计算设备，所述装置包括：
[0035]数据获取模块，用于获取电网的电塔区域原始图像数据；
[0036]第一识别模块，用于通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息，所述预设第一识别模型通过YOLOV4算法，基于YOLOV4
‑
tiny网络结构构建；
[0037]第二识别模块，用于将所述导地线位置信息输入预设第二识别模型，确定所述电塔区域原始图像数据中的导地线缺陷信息，所述预设第二识别模型通过YOLOV4算法，基于
YOLOV4
‑
tiny网络结构构建；
[0038]风险告警模块，用于根据所述导地线缺陷信息发送风险警告。
[0039]在其中一个实施例中，所述第一识别模块具体用于：通过所述预设第一识别模型提取所述电塔区域原始图像数据对应的第一特征图以及第二特征图；对所述第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图；基于注意力机制对所述融合特征图进行处理，获取分类特征图；通过GIoU算法以及NMS算法获取所述分类特征图的预测框；基于所述预测框确定所述电塔区域原始图像数据中的导地线位置信息。
[0040]一种边缘计算设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0041]获取电网的电塔区域原始图像数据；
[0042]通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息，所述预设第一识别模型通过YOLOV4算法，基于YOLOV4
‑
tiny网络结构构建；
[0043]将所述导地线本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种导地线缺陷检测方法，由边缘计算设备实现，所述方法包括：获取电网的电塔区域原始图像数据；通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息，所述预设第一识别模型通过YOLOV4算法，基于YOLOV4
‑
tiny网络结构构建；将所述导地线位置信息输入预设第二识别模型，确定所述电塔区域原始图像数据中的导地线缺陷信息，所述预设第二识别模型通过YOLOV4算法，基于YOLOV4
‑
tiny网络结构构建；根据所述导地线缺陷信息发送风险警告。2.根据权利要求1所述的方法，其特征在于，所述通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息包括：通过所述预设第一识别模型提取所述电塔区域原始图像数据对应的第一特征图以及第二特征图；对所述第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图；基于注意力机制对所述融合特征图进行处理，获取分类特征图；通过GIoU算法以及NMS算法获取所述分类特征图的预测框；基于所述预测框确定所述电塔区域原始图像数据中的导地线位置信息。3.根据权利要求1所述的方法，其特征在于，所述通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息之前，还包括：获取包含导地线设备的历史图像数据以及所述历史图像数据对应的第一标注信息，所述第一标注信息用于标注所述历史图像数据中导地线本体位置以及导地线异常位置；通过所述第一标注信息对所述历史图像数据进行标注，获取第一模型训练数据；基于所述第一模型训练数据对初始YOLOV4
‑
tiny模型进行训练，获取预设第一识别模型。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一模型训练数据对初始YOLOV4
‑
tiny模型进行训练，获取预设第一识别模型包括：将第一模型训练数据划分为训练集数据、测试集数据以及验证集数据；通过所述训练集数据、测试集数据以及验证集数据对初始YOLOV4
‑
tiny模型进行迭代训练，并在迭代训练过程中，对每次迭代完成的YOLOV4
‑
tiny模型进行模型压缩处理；当识别到所述训练集数据以及所述测试集数据的损失均处于稳定状态，且验证集数据的准确率高于预设准确率阈值时，停止迭代，并将当前迭代训练完成的YOLOV4
‑
tiny模型作为第一可用模型；对所述第一可用模型进行边缘化处理，...
【专利技术属性】
技术研发人员：赵航航，江一，张富春，李伟性，王宁，谢中均，石延辉，梁伟昕，范敏，曲伟国，韦聪，林明杰，方博，贺敏恒，王刘飞，陈旭，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司广州局，
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。