本发明专利技术公开了一种变电站周边区域积水检测方法、系统、设备及介质，涉及变电站周边积水检测领域，所述方法，包括：获取目标变电站的周边区域的图像；周边区域为距离目标变电站设定距离的区域；将周边区域的图像输入积水检测模型中，识别周边区域的积水区域；其中，积水检测模型是采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到的；改进YOLOv3网络，包括：MobileViT网络。本发明专利技术能提高变电站周边区域积水检测的检测效率。域积水检测的检测效率。域积水检测的检测效率。
【技术实现步骤摘要】
一种变电站周边区域积水检测方法、系统、设备及介质
[0001]本专利技术涉及变电站周边积水检测领域，特别是涉及一种变电站周边区域积水检测方法、系统、设备及介质。
技术介绍
[0002]电网的安全稳定运行是推动国民经济稳步增长、维系社会发展的重要保障。变电站周边重点区域长期大量积水会渗入到电缆隧道沟槽内，导致隧道内的湿度增大，加速绝缘老化，甚至引发绝缘击穿，造成电缆故障。这种情况对电力电缆的安全运行构成极大威胁。因此，对变电站周边重点区域积水进行监控和识别具有十分重要的现实意义。
[0003]电力巡检是及时发现隐患的重要手段，结合计算机视觉、人工智能技术，通过对变电站周边重点区域布设摄像头实时采集图像，由上位机中控系统对积水图像数据深度学习，便可自动识别出积水状况，为及时报修提供指导，提高了巡检效率及经济效益。
[0004]近年来随着深度学习技术的不断提高，人工智能飞速发展，卷积神经网络(convolutional neuralnetwork，CNN)作为深度学习的代表算法，在图像识别领域中的应用取得了大量突破性成果。以此为基础，衍生出诸多网络模型在车牌识别、人脸识别、手写字体识别、物体监测及分类等方面均取得了骄人成绩。
[0005]目前基于深度学习的目标检测算法分为双阶段和单阶段两种。在双阶段方案中，典型的网络有R
‑
CNN、Fast R
‑
CNN和Faster R
‑
CNN等，该类网络准确率较高，但速度较慢。在单阶段方案中，具有代表性的是YOLO系列算法，该系列算法检测效率较高，但准确度较低。与其他网络模型相比，YOLOv3目标检测算法能有效协调检测效率与准确率之间的关系，表现出较好的综合性能。而且，它是一种更适用于边缘计算场景的快速目标检测算法。但该算法仍存在特征图尺寸偏大、网络模型臃肿等问题。因此，基于YOLOv3实现变电站周边区域积水检测的方法，其检测效率仍有待提高。
技术实现思路
[0006]基于此，本专利技术实施例提供一种变电站周边区域积水检测方法、系统、设备及介质，以提高变电站周边区域积水检测的检测效率。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种变电站周边区域积水检测方法，包括：
[0009]获取目标变电站的周边区域的图像；所述周边区域为距离所述目标变电站设定距离的区域；
[0010]将所述周边区域的图像输入积水检测模型中，识别所述周边区域的积水区域；
[0011]其中，所述积水检测模型是采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到的；所述改进YOLOv3网络，包括：MobileViT网络。
[0012]可选地，所述积水检测模型的确定方法为：
[0013]获取训练数据；所述训练数据，包括：标注有积水区域的道路积水图片；
[0014]将所述训练数据划分为训练集和验证集；
[0015]构建MobileViT网络；所述MobileViT网络，包括：依次连接的第一卷积层、第一MobileNetV2模块、第二MobileNetV2模块、第三MobileNetV2模块、第四MobileNetV2模块、第一MobileViT模块、第五MobileNetV2模块、第二MobileViT模块、第六MobileNetV2模块、第三MobileViT模块、第二卷积层和全局池化层；
[0016]在所述MobileViT网络的每一个卷积层通道后设定一个权重，得到加权MobileViT网络；所述加权MobileViT网络中，上一个卷积层通道的输出乘以相应的权重作为下一个卷积层通道的输入；
[0017]将所述训练集输入所述改进YOLOv3网络，采用通道剪枝技术，以损失函数最小为目标，按照设定剪枝比例和设定权重阈值，对所述改进YOLOv3网络进行稀疏正则化训练，将权重的值小于设定权重阈值的卷积层通道剪掉，得到训练好的改进YOLOv3网络；
[0018]将所述验证集输入所述训练好的改进YOLOv3网络，对所述训练好的改进YOLOv3网络中的参数进行调整，得到所述积水检测模型。
[0019]可选地，所述第一MobileNetV2模块和所述第三MobileNetV2模块，均包括：
[0020]依次连接的第三卷积层、第一深度可分离卷积层和第四卷积层；
[0021]所述第三卷积层的输入端与所述第四卷积层的输出端连接；所述第一深度可分离卷积层的步长为1；
[0022]所述第二MobileNetV2模块、所述第四MobileNetV2模块、所述第五MobileNetV2模块和所述第六MobileNetV2模块，均包括：
[0023]依次连接的第五卷积层、第二深度可分离卷积层和第六卷积层；所述第二深度可分离卷积层的步长为2。
[0024]可选地，所述第一MobileViT模块、所述第二MobileViT模块和所述第三MobileViT模块，均包括：
[0025]依次连接的局部视觉表征信息提取层、全局视觉表征信息提取层和信息融合层；
[0026]所述局部视觉表征信息提取层，包括：依次连接的第七卷积层和第八卷积层；
[0027]所述全局视觉表征信息提取层，包括：依次连接的展开层、转换层和折叠层；
[0028]所述信息融合层，包括：依次连接的第九卷积层和第十卷积层。
[0029]可选地，所述第三卷积层、所述第一深度可分离卷积层、所述第五卷积层和所述第二深度可分离卷积层的激活函数均为Relu6函数；所述第四卷积层和所述第六卷积层的激活函数均为Linear函数。
[0030]本专利技术还提供了一种变电站周边区域积水检测系统，包括：
[0031]图像获取模块，用于获取目标变电站的周边区域的图像；所述周边区域为距离所述目标变电站设定距离的区域；
[0032]积水区域识别模块，用于将所述周边区域的图像输入积水检测模型中，识别所述周边区域的积水区域；
[0033]其中，所述积水检测模型是采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到的；所述改进YOLOv3网络，包括：MobileViT网络。
[0034]本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述变电站周边区域积水
检测方法。
[0035]本专利技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述变电站周边区域积水检测方法。
[0036]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0037]本专利技术实施例提出了一种变电站周边区域积水检测方法、系统、设备及介质，采用积水检测模型识别目标变电站的周边区域的积水区域，积水检测模型采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到，改进YOLOv3网络，包括：MobileViT本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种变电站周边区域积水检测方法，其特征在于，包括：获取目标变电站的周边区域的图像；所述周边区域为距离所述目标变电站设定距离的区域；将所述周边区域的图像输入积水检测模型中，识别所述周边区域的积水区域；其中，所述积水检测模型是采用通道剪枝技术对改进YOLOv3网络进行稀疏正则化训练得到的；所述改进YOLOv3网络，包括：MobileViT网络。2.根据权利要求1所述的一种变电站周边区域积水检测方法，其特征在于，所述积水检测模型的确定方法为：获取训练数据；所述训练数据，包括：标注有积水区域的道路积水图片；将所述训练数据划分为训练集和验证集；构建MobileViT网络；所述MobileViT网络，包括：依次连接的第一卷积层、第一MobileNetV2模块、第二MobileNetV2模块、第三MobileNetV2模块、第四MobileNetV2模块、第一MobileViT模块、第五MobileNetV2模块、第二MobileViT模块、第六MobileNetV2模块、第三MobileViT模块、第二卷积层和全局池化层；在所述MobileViT网络的每一个卷积层通道后设定一个权重，得到加权MobileViT网络；所述加权MobileViT网络中，上一个卷积层通道的输出乘以相应的权重作为下一个卷积层通道的输入；将所述训练集输入所述改进YOLOv3网络，采用通道剪枝技术，以损失函数最小为目标，按照设定剪枝比例和设定权重阈值，对所述改进YOLOv3网络进行稀疏正则化训练，将权重的值小于设定权重阈值的卷积层通道剪掉，得到训练好的改进YOLOv3网络；将所述验证集输入所述训练好的改进YOLOv3网络，对所述训练好的改进YOLOv3网络中的参数进行调整，得到所述积水检测模型。3.根据权利要求2所述的一种变电站周边区域积水检测方法，其特征在于，所述第一MobileNetV2模块和所述第三MobileNetV2模块，均包括：依次连接的第三卷积层、第一深度可分离卷积层和第四卷积层；所述第三卷积层的输入端与所述第四卷...
【专利技术属性】
技术研发人员：吕丛生，李钊枢，赵斌，常志兴，李大鹏，关英俊，侯磊，关羽，
申请(专利权)人：国网黑龙江省电力有限公司黑河供电公司，
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。