[发明专利]一种基于边缘计算与深度学习的绝缘子状态识别方法

权利要求书

1.一种基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于，包括如下步骤：

步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对所述绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像；

步骤2，将预处理后的所述绝缘子图像传输至多个边缘计算节点，通过使用绝缘子状态模型进行状态分类，得到所述绝缘子图像的状态，进而得到故障绝缘子图像以及非故障绝缘子图像，所述绝缘子状态模型为改进后的融合多维度特征的ResNet101网络；

步骤3，采用作为聚合服务器AS的1个边缘计算节点将所述故障绝缘子图像传输至云中心服务器，且所述云中心服务器形成交互式界面后对所述故障绝缘子图像进行人工审核，并将识别准确的所述故障绝缘子图像发送到异物样本库，并对所述绝缘子状态模型进行进一步训练，从而更新所述绝缘子状态模型，并对所述非故障绝缘子图像传输至剩余的所述边缘计算节点进行局部模型的更新，

其中，所述聚合服务器为具备完整的模型和算法的边缘计算节点，其通过所述云中心服务器在绝缘子数据集上对所述绝缘子状态模型进行训练，而后将训练好的深度学习模型和算法传输至所述边缘计算节点得到，

所述步骤2具体包括如下子步骤：

步骤2-1，将预处理后的所述绝缘子图像传入基于Inception模块改进的数据池化层，提取完整的特征信息；

步骤2-2，将SE模块嵌入到带跳跃连接线的残差块的内部结构中，同时将CBAM模块作为即插即用的模块集成到ResNet101网络架构的第一层大层之前和最后一层大层，而后通过全连接层得到所述绝缘子图像的状态，

所述深度学习模型是基于ResNet101网络进行改进的，将Inception模块、SE模块和CBAM卷积注意力模块嵌入到所述ResNet101网络网络中，而后通过全连接层实现绝缘子状态的识别。

2.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于：

其中，所述步骤1中的所述智能巡检设备采用嵌入微型计算机的无人机。

3.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于：

其中，所述步骤1的预处理具体包括如下子步骤：

首先通过0°、90°、180°和270°旋转图像的方法进行数据扩增，将数据集扩充到原来的4倍，而后将输入的绝缘子图像统一缩放到224×224的尺寸，最后将数据做归一化处理。

4.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于：

其中，所述步骤3中的剩余的所述边缘计算节点采用联邦学习的方式，对本地数据进行处理，协同所述聚合服务器AS训练模型，从而进行局部模型的更新。