System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电网故障识别,具体涉及一种轻量化的多无人机电网巡检故障识别方法及系统。
技术介绍
1、在无人机辅助的电网巡检领域,现有的技术大多依赖于无人机搭载的高清摄像头进行视觉检测,配合经典图像处理技术或初代机器学习模型识别电网设施的故障,如断线、异物挂载、绝缘子破损等。
2、尽管这些技术在一定程度上提高了巡检的自动化程度,但仍面临几个显著的局限性。首先,单一光谱图像的使用限制了在复杂光照条件下的识别能力,特别是在夜间或恶劣天气中,可见光图像难以捕捉到足够的细节。其次,现有模型往往缺乏深度学习技术的深度融合,尤其是在处理多模态数据方面,这导致对细微故障的检测灵敏度和识别精度不高。再者,模型训练和部署过程中,缺乏高效的数据预处理和模型优化策略,以及针对无人机资源受限环境的适配性考虑,影响了模型的实时性与泛化能力。
技术实现思路
1、针对上述现有技术的不足,本专利技术旨在提出一种轻量化的多无人机电网巡检故障识别方法及系统,重点解决了多模态数据融合、实时性与精度提升以及模型轻量化部署的难题。
2、本专利技术实施例第一方面提供一种轻量化的多无人机电网巡检故障识别方法,包括以下步骤:
3、使用双光相机收集样本图像;所述样本图像包括红外图像和可见光图像;
4、对所述样本图像进行去雾处理,得到第一处理图像;
5、对所述第一处理图像进行超分辨率重建,得到第二处理图像;
6、对所述第二处理图像进行红外图像与可见光图像的图像配准
7、对所述第三处理图像中所有与电网相关的特征进行标注,构建电网巡检数据集;
8、构建目标检测模型,使用构建的电网巡检数据集对目标检测模型进行训练,得到完成训练的目标检测模型;
9、对所述完成训练的目标检测模型进行参数压缩,得到压缩优化模型;
10、将所述压缩优化模型部署于多架无人机上,通过所述无人机对指定输电线路进行协同巡检。
11、进一步地,所述对所述样本图像进行去雾处理,得到第一处理图像,具体包括以下步骤:
12、对所述样本图像中每一像素在r通道、g通道和b通道中取最小值,生成暗通道图像;
13、对所生成的暗通道图像进行形态学腐蚀操作,得到粗透射率图像;
14、以粗透射率图像为导向图,对所述暗通道图像进行快速滤波,得到精化透射率图像;
15、在所述精化透射率图像中取亮度最高的预设亮度比例像素;以所取预设亮度比例像素r通道、g通道和b通道各自均值的最大值为大气光值;
16、对所述暗通道图像进行形态学开运算和闭运算,以所述大气光值像素均值的预设像素比例作为阈值对所述暗通道图像中的天空区域进行分割;
17、修正所述天空区域的透射率;使用修正后的透射率和所述大气光值计算去雾图像;
18、对计算得到的去雾图像进行伽马校正,调整图像的亮度和对比度,得到第一处理图像。
19、进一步地,所述对所述第一处理图像进行超分辨率重建通过快速卷积神经网络完成;所述快速卷积神经网络包括特征提取层、收缩层、特征映射层和亚像素卷积层;所述快速卷积神经网络以如下形式表示:
20、;
21、其中表示权重系数,表示偏置量,*表示卷积运算,,prelu表示prelu激活函数,y表示输入图像,f1(y)表示特征提取层的输出结果,f2(y)表示收缩层的输出结果,f3(y)-f6(y)表示特征映射层的输出结果,f(y)表示亚像素卷积层的输出结果;
22、所述特征提取层用于将所述第一处理图像进行分块处理,从分块得到的各个图像子块中提取图像特征;
23、所述收缩层用于对特征提取层所提取的图像特征进行降维处理,得到降维特征;
24、所述特征映射层用于将所述降维特征映射至特征空间;
25、所述亚像素卷积层用于将映射至特征空间的降维特征进行空间重排,得到第二处理图像。
26、进一步地,所述对所述第二处理图像进行红外图像与可见光图像的图像配准,得到第三处理图像,具体包括以下步骤:
27、收集所述双光相机的内参数和外参数;所述双光相机的内参数包括相机的焦距、主点和畸变系数,外参数包括相机的位置和朝向;
28、在所述红外图像中识别关键点,作为第一关键点,生成第一关键点的描述符作为第一描述符;
29、在所述可见光图像中识别关键点,作为第二关键点,生成第二关键点的描述符作为第二描述符;
30、对所述第一描述符和第二描述符进行最近邻距离比较,实现红外图像中关键点和可见光图像中关键点的匹配,确定匹配点集;
31、根据所述匹配点集结合所述双光相机的内参数计算红外图像和可见光图像间的基础矩阵;所述基础矩阵中记录红外图像中关键点和可见光图像中关键点的对应关系,以极线进行描述;
32、检查所述基础矩阵中红外图像和可见光图像间的极线关系是否符合预设极线约束;剔除不符合预设极限约束的极线关系并优化所述匹配点集;
33、根据优化后的匹配点集计算仿射变换矩阵;
34、通过所述仿射变换矩阵完成红外图像与可见光图像的图像配准,得到第三处理图像。
35、进一步地,所述目标检测模型包括用于特征提取的骨干网络、用于多尺度特征融合的脖颈网络和用于识别及定位的头部网络;
36、所述骨干网络采用双路cspdarknet结构,分别用于处理红外图像和可见光图像,得到三种尺度的红外特征图和三种尺度的可见光特征图;
37、所述脖颈网络包括通道注意力模块和特征交互网络;其中所述通道注意力模块用于对红外特征图和可见光特征图进行特征的加权融合,得到三种尺度的融合特征图;所述特征交互网络用于将所述融合特征图的底层特征和顶层特征进行交互,得到三种尺度的交互特征图;
38、所述头部网络包括分类分支、回归分支和置信度分支;所述分类分支用于预测交互特征图所属故障类别的概率分布;所述回归分支用于表示交互特征图预测的边界坐标;所述置信度分支用于表示交互特征图预测的置信度。
39、进一步地,所述使用构建的电网巡检数据集对目标检测模型进行训练,具体包括以下步骤:
40、从训练数据集中采样一批大小为n的样本和标签,包括可见光图像样本vis={ v1, v2,……, vn}、与之一一对应的红外图像样本ir={ i1, i2,……, in},以及它们对应的标签y={ y1, y2,……, yn};
41、将可见光图像样本vis输入双流网络中的可见光骨干网络,红外图像样本ir输本文档来自技高网...
【技术保护点】
1.一种轻量化的多无人机电网巡检故障识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述对所述样本图像进行去雾处理,得到第一处理图像,具体包括以下步骤:
3.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述对所述第一处理图像进行超分辨率重建通过快速卷积神经网络完成;所述快速卷积神经网络包括特征提取层、收缩层、特征映射层和亚像素卷积层;所述快速卷积神经网络以如下形式表示:
4.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述对所述第二处理图像进行红外图像与可见光图像的图像配准,得到第三处理图像,具体包括以下步骤:
5.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述目标检测模型包括用于特征提取的骨干网络、用于多尺度特征融合的脖颈网络和用于识别及定位的头部网络;
6.根据权利要求5所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述使用构建的电网巡检数据集对
7.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述对所述完成训练的目标检测模型进行参数压缩,具体包括以下步骤:
8.一种轻量化的多无人机电网巡检故障识别系统,其特征在于,包括多架安装如权利要求1-8所述压缩优化模型的无人机,组成无人机集群;所述无人机上搭载双光相机,所述双光相机用于采集输电线路的红外图像和可见光图像;所述无人机通过所述压缩优化模型对输电线路的红外图像和可见光图像进行故障识别。
9.根据权利要求8所述的一种轻量化的多无人机电网巡检故障识别系统,其特征在于,所述无人机连接云端服务器;当所述无人机检测到输电线路存在故障时,将出现故障的输电线路红外图像和可见光图像以及故障识别结果一同作为故障信息上传至云端服务器;云端服务器根据上传数据确定故障的优先级和响应策略。
10.根据权利要求9所述的一种轻量化的多无人机电网巡检故障识别系统,其特征在于,在所述无人机将出现故障的输电线路红外图像和可见光图像以及故障识别结果一同作为故障信息上传至云端服务器的同时,所述无人机还通过无人机集群内部的通信网络将故障信息广播给其他无人机,其他无人机根据预设协同策略对出现故障的输电线路周围进行巡检。
...【技术特征摘要】
1.一种轻量化的多无人机电网巡检故障识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述对所述样本图像进行去雾处理,得到第一处理图像,具体包括以下步骤:
3.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述对所述第一处理图像进行超分辨率重建通过快速卷积神经网络完成;所述快速卷积神经网络包括特征提取层、收缩层、特征映射层和亚像素卷积层;所述快速卷积神经网络以如下形式表示:
4.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述对所述第二处理图像进行红外图像与可见光图像的图像配准,得到第三处理图像,具体包括以下步骤:
5.根据权利要求1所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述目标检测模型包括用于特征提取的骨干网络、用于多尺度特征融合的脖颈网络和用于识别及定位的头部网络;
6.根据权利要求5所述的一种轻量化的多无人机电网巡检故障识别方法,其特征在于,所述使用构建的电网巡检数据集对目标检测模型进行训练,具体包括以下步骤:
7.根据...
【专利技术属性】
技术研发人员:曾纪钧,李俊伟,周昉昉,李如雄,裴求根,孙仝,孔天文,苏华权,李凯,
申请(专利权)人:广东电网有限责任公司信息中心,
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。