【技术实现步骤摘要】
本申请涉及自动化巡检领域，且更为具体地，涉及一种基于rpa的视频自动化巡检预警平台及其预警方法。
技术介绍
1、在电力行业中，配电杆塔是电力系统的重要组成部分，用于支撑输电线路和设备。然而，由于配电杆塔通常需要长期暴露在恶劣的环境条件下，使得配电杆塔容易受到腐蚀、老化等问题，进而导致安全隐患和电力设施的可靠性下降。因此，需要对于配电杆塔进行及时有效的电力巡检。
2、然而，传统的电力巡检通常需要巡检人员登上配电杆塔进行目视检查，这种方式存在一定的安全风险。同时，人工操作受到人员经验和主观因素的影响，可能导致漏检或误判的情况发生。并且，由于电力巡检任务繁重，巡检范围广泛，人工巡检需要耗费大量的时间和人力资源，这导致巡检周期较长，无法及时发现和处理潜在的问题，增加了电力设施的故障风险。此外，人工巡检容易受到环境条件、疲劳等因素的影响，可能导致巡检结果的准确性不高。特别是对于配电杆塔的细微问题或隐蔽缺陷，人眼很难察觉，容易被忽略或误判。
3、因此，期望一种基于rpa的视频自动化巡检预警平台。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请提供了一种基于rpa的视频自动化巡检预警平台及其预警方法，其可以实现对配电杆塔的自动化巡检和预警，从而提高电力巡检的效率和准确性，并降低人工成本和风险，为电力设施的安全运行提供保障。
2、根据本申请的一个方面，提供了一种基于rpa的视频自动化巡检预警平台，其包括：
3、巡检视频采集模块，用于获取
4、巡检视频稀疏采样模块，用于对所述配电杆塔巡检视频进行稀疏采样以得到配电杆塔巡检关键帧的序列；
5、配电杆塔表面状态特征提取模块，用于通过基于深度神经网络模型的配电杆塔表面状态特征提取器对所述配电杆塔巡检关键帧的序列进行特征提取以得到配电杆塔表面状态特征图的序列；
6、配电杆塔表面状态特征空间显化模块，用于将所述配电杆塔表面状态特征图的序列通过基于空间自注意力层的表面状态显化器以得到显著化配电杆塔表面状态特征图的序列；
7、配电杆塔表面状态全局语义关联分析模块，用于对所述显著化配电杆塔表面状态特征图的序列进行配电杆塔表面状态间语义关联分析以得到配电杆塔表面全局语义理解特征；以及
8、配电杆塔腐蚀检测和预警模块，用于基于所述配电杆塔表面全局语义理解特征，确定配电杆塔是否存在腐蚀现象，并确定是否生成预警信号。
9、在上述的基于rpa的视频自动化巡检预警平台中，所述深度神经网络模型为卷积神经网络模型。
10、在上述的基于rpa的视频自动化巡检预警平台中，所述配电杆塔表面状态特征空间显化模块，用于：
11、将所述配电杆塔表面状态特征图的序列通过基于空间自注意力层的表面状态显化器以如下显化公式进行处理以得到所述显著化配电杆塔表面状态特征图的序列；
12、其中，所述显化公式为：
13、foutput＝finput⊙fself-attention
14、fself-attention＝active{cov[aug(finput)]}
15、其中，finput为所述配电杆塔表面状态特征图的序列，fself-attentiin为空间自注意力图，active表示激活函数，cov表示卷积层，且aug表示当卷积核的大小大于一时，对所述配电杆塔表面状态特征图的序列进行的低廉增广，⊙表示按位置点乘，foutput为所述显著化配电杆塔表面状态特征图的序列。
16、在上述的基于rpa的视频自动化巡检预警平台中，所述配电杆塔表面状态全局语义关联分析模块，用于：
17、将所述显著化配电杆塔表面状态特征图的序列通过基于lstm模型的配电杆塔表面状态间语义编码器以得到配电杆塔表面全局语义理解特征向量作为所述配电杆塔表面全局语义理解特征。
18、在上述的基于rpa的视频自动化巡检预警平台中，所述配电杆塔腐蚀检测和预警模块，包括：
19、配电杆塔腐蚀现象检测单元，用于将所述配电杆塔表面全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示配电杆塔是否存在腐蚀现象；以及
20、预警信号生成单元，用于响应于所述分类结果为配电杆塔存在腐蚀现象，生成预警信号。
21、在上述的基于rpa的视频自动化巡检预警平台中，还包括用于对基于卷积神经网络模型的配电杆塔表面状态特征提取器、所述基于空间自注意力层的表面状态显化器、所述基于lstm模型的配电杆塔表面状态间语义编码器和所述分类器进行训练的训练模块。
22、在上述的基于rpa的视频自动化巡检预警平台中，所述训练模块，包括：
23、训练数据获取单元，用于获取训练数据，所述训练数据包括由电力巡检机器人采集的训练配电杆塔巡检视频，以及，配电杆塔是否存在腐蚀现象的真实值；
24、训练巡检视频稀疏采样单元，用于对所述训练配电杆塔巡检视频进行稀疏采样以得到训练配电杆塔巡检关键帧的序列；
25、训练配电杆塔表面状态特征提取单元，用于通过所述基于卷积神经网络模型的配电杆塔表面状态特征提取器对所述训练配电杆塔巡检关键帧的序列进行特征提取以得到训练配电杆塔表面状态特征图的序列；
26、训练配电杆塔表面状态特征空间显化单元，用于将所述训练配电杆塔表面状态特征图的序列通过所述基于空间自注意力层的表面状态显化器以得到训练显著化配电杆塔表面状态特征图的序列；
27、训练配电杆塔表面状态全局语义关联分析单元，用于将所述训练显著化配电杆塔表面状态特征图的序列通过所述基于lstm模型的配电杆塔表面状态间语义编码器以得到训练配电杆塔表面全局语义理解特征向量；
28、分类损失单元，用于将所述训练配电杆塔表面全局语义理解特征向量通过所述分类器以得到分类损失函数值；以及
29、损失训练单元，用于以所述分类损失函数值来对所述基于卷积神经网络模型的配电杆塔表面状态特征提取器、所述基于空间自注意力层的表面状态显化器、所述基于lstm模型的配电杆塔表面状态间语义编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练配电杆塔表面全局语义理解特征向量进行优化。
30、在上述的基于rpa的视频自动化巡检预警平台中，所述分类损失单元，用于：
31、通过所述分类器以如下分类训练公式对所述训练配电杆塔表面全局语义理解特征向量进行处理以得到训练分类结果；
32、其中，所述分类训练公式为：
33、softmax{(wn,bn):…:(w1,b1)|x}
34、其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述训练配电杆塔表面全局语义理解特征向量；以及
35、计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
36、根据本文档来自技高网...
【技术保护点】
1.一种基于RPA的视频自动化巡检预警平台，其特征在于，包括：
2.根据权利要求1所述的基于RPA的视频自动化巡检预警平台，其特征在于，所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的基于RPA的视频自动化巡检预警平台，其特征在于，所述配电杆塔表面状态特征空间显化模块，用于：
4.根据权利要求3所述的基于RPA的视频自动化巡检预警平台，其特征在于，所述配电杆塔表面状态全局语义关联分析模块，用于：
5.根据权利要求4所述的基于RPA的视频自动化巡检预警平台，其特征在于，所述配电杆塔腐蚀检测和预警模块，包括：
6.根据权利要求5所述的基于RPA的视频自动化巡检预警平台，其特征在于，还包括用于对基于卷积神经网络模型的配电杆塔表面状态特征提取器、所述基于空间自注意力层的表面状态显化器、所述基于LSTM模型的配电杆塔表面状态间语义编码器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的基于RPA的视频自动化巡检预警平台，其特征在于，所述训练模块，包括：
8.根据权利要求7所述的基于
9.一种基于RPA的视频自动化巡检预警方法，其特征在于，包括：
10.根据权利要求9所述的基于RPA的视频自动化巡检预警方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
...【技术特征摘要】
1.一种基于rpa的视频自动化巡检预警平台，其特征在于，包括：
2.根据权利要求1所述的基于rpa的视频自动化巡检预警平台，其特征在于，所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的基于rpa的视频自动化巡检预警平台，其特征在于，所述配电杆塔表面状态特征空间显化模块，用于：
4.根据权利要求3所述的基于rpa的视频自动化巡检预警平台，其特征在于，所述配电杆塔表面状态全局语义关联分析模块，用于：
5.根据权利要求4所述的基于rpa的视频自动化巡检预警平台，其特征在于，所述配电杆塔腐蚀检测和预警模块，包括：
6.根据权利要求5所述的基于rpa的视频自动...
【专利技术属性】
技术研发人员：徐扬，张哲宇，吴海涛，吴家奇，李雪，蒋小莉，阚鋆汇，
申请(专利权)人：国网安徽省电力有限公司淮南供电公司，
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。