【技术实现步骤摘要】
本专利技术涉及输电线路异物识别，特别是涉及一种基于边缘计算与深度学习的输电线路异物识别系统及方法。
技术介绍
1、由于输电线路所处环境复杂，风筝、机械施工等异物入侵成为线路故障的重要原因。近些年，输电线路信息化和智能化运检建设不断完善，部分关键输电线路已基本完成在线监测设备的安装，可有效监测异物入侵状况。但海量入侵监测图像的识别分析存在准确率较低等问题。
2、深度学习近年来被应用到输电线路异物监测识别中，并取得了一定的效果。例如利用图像识别技术实现输电线路山火的自动识别；利用多网络特征融合和随机森林相结合的异物检测，基于改进yolov4网络的复杂场景下输电线路异物识别模型等方法。但现有方法目标检测能力差且受环境影响较大。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于边缘计算与深度学习的输电线路异物识别系统及方法解决了现有方法存在目标检测能力差且受环境影响较大的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于边缘计算与深度学习的输电线路异物识别系统，包括图像采集设备、边缘计算终端和云智能平台，所述边缘计算终端分别与图像采集设备和云智能平台连接，所述图像采集设备用于采集输电线路巡检图像，所述边缘计算终端用于对采集的图像数据进行处理，所述云智能平台利用采集的图像数据，对改进的网络进行训练，并将训练后的网络发送至边缘计算终端。
3、上述方案的有益效果是：本专利技术提出的输电线路异物识别系统主要包括图像采集
4、除此之外，本专利技术还采用的技术方案为：一种基于边缘计算与深度学习的输电线路异物识别方法，包括以下步骤：
5、s1：利用图像采集设备采集输电线路巡检图像数据；
6、s2：利用云智能平台对改进的yolov7网络进行训练，并将训练后的yolov7网络发送至边缘计算终端；
7、s3：利用边缘计算终端将采集的输电线路巡检图像数据进行图像增强处理，并利用改进的yolov7网络对增强处理后的图像进行异物识别，获得输电线路异物类型，完成基于边缘计算与深度学习的输电线路异物识别。
8、上述方案的有益效果是：针对现有大多数方法存在的小目标检测能力差且环境影响大等问题，提出了一种基于边缘计算与深度学习的输电线路异物识别方法，由于传统集中式的信息处理模式效率低且不符合输电线路范围广的特点，所提方法基于边缘计算设计了输电线路异物识别系统，以就近快速处理海量数据。
9、进一步地，s2中采用极化自注意力机制和wise-iou损失函数对yolov7进行优化。
10、上述进一步方案的有益效果是：为了充分提取图像特征，所提方法采用极化自注意力(polarized self-attention，psa)机制改进yolov7网络以进行双通道特征提取，同时利用wise-iou损失提高网络模型的泛化能力，进一步提高了异物识别的可靠性。
11、进一步地，极化自注意力机制采用并联型模式。
12、上述进一步方案的有益效果是：通过上述技术方案，帮助模型捕获图像中重要的上下文信息，提高对目标的敏感度，并将注意力集中在目标区域上，减少背景干扰，使模型在处理具有复杂背景和多个目标的图像时更具鲁棒和有效性。
13、进一步地，wise-iou损失函数lwiou为：
14、
15、其中，xba和yba为锚框的中心点坐标，xot和yot为目标框的中心点坐标，*表示计算图分离操作，wi和hi为重叠区域的宽度及高度，liou为第一参数。
16、上述进一步方案的有益效果是：wise-iou通过距离度量构建了距离注意力，具有两层注意力机制，解决了ciou将长宽比加入损失函数的设计不合理的问题。wise-iou通过分离最小包围框的宽高，削弱了几何因素的惩罚，实现了较少的训练干预，提高了模型的泛化能力。
17、进一步地，s3中采用mosaic-9方法进行图像增强处理。
18、上述进一步方案的有益效果是：mosaic增强是一种广泛使用的图像处理技术，通过将图像分成多个块或者将多个图像合成一个图像来提高图像质量，从而增强网络的鲁棒性和准确性。由于输电线路巡检图像通常包含大量的背景、特征信息以及多种尺寸的目标，这对算法的泛化能力及训练时输入图像的特征、背景信息的多样性提出了较高的要求。
本文档来自技高网...【技术保护点】
1.一种基于边缘计算与深度学习的输电线路异物识别系统，其特征在于，包括图像采集设备、边缘计算终端和云智能平台，所述边缘计算终端分别与图像采集设备和云智能平台连接，所述图像采集设备用于采集输电线路巡检图像，所述边缘计算终端用于对采集的图像数据进行处理，所述云智能平台利用采集的图像数据，对改进的网络进行训练，并将训练后的网络发送至边缘计算终端。
2.一种基于边缘计算与深度学习的输电线路异物识别方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的基于边缘计算与深度学习的输电线路异物识别方法，其特征在于，所述S2中采用极化自注意力机制和Wise-IoU损失函数对YOLOv7进行优化。
4.根据权利要求3所述的基于边缘计算与深度学习的输电线路异物识别方法，其特征在于，所述极化自注意力机制采用并联型模式。
5.根据权利要求3所述的基于边缘计算与深度学习的输电线路异物识别方法，其特征在于，所述Wise-IoU损失函数LWIoU为：
6.根据权利要求2所述的基于边缘计算与深度学习的输电线路异物识别方法，其特征在于，所述S3中采用M
...【技术特征摘要】
1.一种基于边缘计算与深度学习的输电线路异物识别系统，其特征在于，包括图像采集设备、边缘计算终端和云智能平台，所述边缘计算终端分别与图像采集设备和云智能平台连接，所述图像采集设备用于采集输电线路巡检图像，所述边缘计算终端用于对采集的图像数据进行处理，所述云智能平台利用采集的图像数据，对改进的网络进行训练，并将训练后的网络发送至边缘计算终端。
2.一种基于边缘计算与深度学习的输电线路异物识别方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的基于边缘计算与深度学习的输电线路异物识别方...
【专利技术属性】
技术研发人员：钟加勇，稂龙亚，崔秋实，王雪文，刘丁豪，牛强，许丹，温东旭，张子谦，
申请(专利权)人：国网重庆市电力公司电力科学研究院，
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。