【技术实现步骤摘要】
本专利技术涉及工程监护，特别是一种基于ai的发电厂外包工程远程监护方法及系统。
技术介绍
1、随着电力工业现代化进程的不断推进，对外包工程施工质量的监管要求也日益提高。传统人工巡视模式存在诸多痛点，如人力成本高昂、监管效率低下、管理难度大等。近年来，人工智能(ai)技术迅速发展，为建筑工地的智能化监控提供了新的技术路径。基于ai视觉技术在施工现场部署智能视频监控设备，通过图像识别和人体行为分析，可实现对违章作业行为的自动检测，大幅提升了监管效率。另外，ai技术能够融合视频、声音、环境参数等多模态数据，综合分析施工现场的复杂情况，从而提高违章行为识别的准确性。此外，将边缘计算和云计算相结合的协同处理模式，使得计算资源能够合理分配，边缘设备承担前端数据处理，云端负责复杂模型运算，从而实现高效、可靠、低延迟的远程智能监控。
2、然而，现有基于ai的远程监控方案在实际应用中仍存在一些不足之处。首先，深度学习模型计算量通常很大、能耗较高，如果直接将其部署在计算能力有限的边缘设备上，将导致设备负载过重、响应延迟加大等问题。其次，大部分现有方案缺乏对监控模型综合性能的评估及动态优化机制，无法根据实际应用场景需求动态调整模型压缩策略，从而造成计算资源利用率低下。最后，监控模型的更新和优化通常依赖中心服务器，忽视了边缘设备所积累的大量现场视频数据，未能利用这些数据提升模型的违章识别能力。因此，有必要提出一种新型的基于ai的远程监控方法，通过融合多模态数据、模型轻量化、性能评估优化和联邦学习等技术手段，来解决现有技术中的瓶颈问题，从而实
技术实现思路
1、鉴于现有的基于ai的远程监控存在，深度学习模型计算量通常很大、能耗较高，缺乏对监控模型综合性能的评估及动态优化机制，无法根据实际应用场景需求动态调整模型压缩策略的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于融合多模态数据、模型轻量化、性能评估优化和联邦学习等技术手段实现高校智能化监控。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于ai的发电厂外包工程远程监护方法，其包括在施工现场关键区域部署集成深度学习模型的边缘ai设备，并采集多模态数据；对采集的多模态数据进行预处理，并对部署在边缘设备上的深度学习模型进行剪枝和量化；利用轻量级模型融合多模态数据检测违章行为，并将边缘设备检测的嫌疑违章数据上传至云端；在云端对嫌疑违章进行分析，形成最终违章判断结果；建立评估模型，根据评估结果，动态调整压缩策略参数；利用边缘设备积累的现场视频，通过联邦学习不断提升边缘模型的违章识别能力。
5、作为本专利技术所述基于ai的发电厂外包工程远程监护方法的一种优选方案，其中：剪枝和量化包括以下步骤：对权重的重要性进行评估，剪除权重绝对值小于标准差i倍的连接；进行迭代微调，每次剪枝后使用设定的比例范围内的数据集进行快速训练；将权重和激活函数的浮点数表示转换为固定位宽的整数表示，选择8位或4位作为固定的量化比特数；根据模型执行的具体部分和数据特征，选择不同的量化精度进行动态量化。
6、作为本专利技术所述基于ai的发电厂外包工程远程监护方法的一种优选方案，其中：估模型的具体公式如下：
7、
8、其中，v表示最终的评估得分，t表示视频监控的总时间长度，e-λt表示指数衰减函数，用于赋予视频序列中时间更靠近当前的事件更高的权重，其中，λ表示衰减率，t表示时间变量，s(t)表示时间t的违章行为得分，n表示检测事件的总数，μ表示所有检测事件得分的平均值，φ(i)表示第i个检测事件的归一化违章行为得分。
9、作为本专利技术所述基于ai的发电厂外包工程远程监护方法的一种优选方案，其中：调整压缩策略参数包括：基于最新的模型评估得分、模型响应时间和模型能耗计算当前综合性能评分，具体公式如下：
10、
11、其中，c表示综合性能评分，r表示模型响应时间，e表示模型能耗，ε表示小常数，α、β和γ均表示权重系数；将当前的c与预设的目标性能评分ctarget比较，判断是否调整压缩策略参数；模型压缩策略调整的公式如下：
12、
13、其中，pnew表示新的压缩策略参数，pcurrent表示当前压缩策略参数，c表示综合性能评分，ctarget表示预设的综合性能评分，κ表示调整敏感度参数；使用复杂函数f(p,c)来调整新的压缩策略参数pnew，并应用于模型，调整新压缩策略参数pnew的具体公式如下：
14、
15、其中，f(p,c)表示调整后的压缩策略参数值，cbase表示基准性能评分，c表示当前综合性能评分，p表示当前的压缩策略参数，p表示积分变量。
16、作为本专利技术所述基于ai的发电厂外包工程远程监护方法的一种优选方案，其中：判断是否调整压缩策略参数的判断条件如下：当c＜ctarget，表示当前模型的性能未达到预期目标，需要通过调整压缩策略参数来提升性能；当c≥ctarget，表示当前模型的性能满足或超过预期目标，保持当前压缩策略参数不变。
17、作为本专利技术所述基于ai的发电厂外包工程远程监护方法的一种优选方案，其中：通过联邦学习不断提升边缘模型的违章识别能力的步骤包括：初始化一个全局人员违章行为检测模型，参数为θ；服务器从所有边缘设备k中基于模型性能指标，选择总量中10％-20％性能最差的边缘设备作为当前轮次的训练节点集合q；服务器将当前全局模型参数θ分发给训练节点集合q中的每个工地边缘设备k，使用训练节点k的本地违章行为视频数据集dk，对模型进行e个epochs的完整训练，得到新的模型参数θk；引入fedprox正则项，限制新模型与全局模型的距离；边缘设备k计算模型参数的增量δθk；训练节点k，并将模型增量δθk上传至服务器；服务器根据每个训练节点的数据量nk，对所有增量进行加权平均；服务器将更新后的全局模型参数θ分发给所有边缘设备；重复上述过程，直至模型收敛或达到预期性能。
18、作为本专利技术所述基于ai的发电厂外包工程远程监护方法的一种优选方案，其中：嫌疑违章数据的判定方法如下：计算违章行为的可能性h，公式如下：
19、h＝f(x1,x2,...,xn)
20、其中，h表示违章行为的可能性，f表示融合多模态数据后的评估函数，xi表示模态i对应的特征向量；
21、当h＞τ时，数据被标记为嫌疑违章数据；
22、当h≤τ时，数据不做进一步处理；
23、其中，τ表示判断违章行为的阈值。
24、第二方面，本专利技术实施例提供了一种基于ai的发电厂外包工程远程监护系统，其包括采集模块，用于在施工现场关键区域部署集成深度学习模型的边缘ai设备，采集多模态数据；预处理模块，用于对采集的多模态数据进行预处理，对部署在边缘设备上的深度学习模型进行剪枝和量化；检测模块，利用轻量级模型融合多模态数据检测违本文档来自技高网...
【技术保护点】
1.一种基于AI的发电厂外包工程远程监护方法，其特征在于：包括，
2.如权利要求1所述的基于AI的发电厂外包工程远程监护方法，其特征在于：所述剪枝和量化包括以下步骤：
3.如权利要求1所述的基于AI的发电厂外包工程远程监护方法，其特征在于：所述评估模型的具体公式如下：
4.如权利要求3所述的基于AI的发电厂外包工程远程监护方法，其特征在于：所述动态调整压缩策略参数包括：
5.如权利要求4所述的基于AI的发电厂外包工程远程监护方法，其特征在于：是否调整所述压缩策略参数的判断条件如下：
6.如权利要求5所述的基于AI的发电厂外包工程远程监护方法，其特征在于：所述通过联邦学习不断提升边缘模型的违章识别能力的步骤包括：
7.如权利要求1所述的基于AI的发电厂外包工程远程监护方法，其特征在于：所述嫌疑违章数据的判定方法如下：
8.一种基于AI的发电厂外包工程远程监护系统，基于权利要求1～7任一所述的基于AI的发电厂外包工程远程监护方法，其特征在于：还包括，
9.一种计算机设备，包括存储器和处理器
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于AI的发电厂外包工程远程监护方法的步骤。
...【技术特征摘要】
1.一种基于ai的发电厂外包工程远程监护方法，其特征在于：包括，
2.如权利要求1所述的基于ai的发电厂外包工程远程监护方法，其特征在于：所述剪枝和量化包括以下步骤：
3.如权利要求1所述的基于ai的发电厂外包工程远程监护方法，其特征在于：所述评估模型的具体公式如下：
4.如权利要求3所述的基于ai的发电厂外包工程远程监护方法，其特征在于：所述动态调整压缩策略参数包括：
5.如权利要求4所述的基于ai的发电厂外包工程远程监护方法，其特征在于：是否调整所述压缩策略参数的判断条件如下：
6.如权利要求5所述的基于ai的发电厂外包工程远程监护方法，其特征在于：所述通过联邦学习不断提升边缘模型的违章...
【专利技术属性】
技术研发人员：李寰，宋维尧，李杰，丁子益，杜涛，
申请(专利权)人：华能国际电力股份有限公司德州电厂，
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。