[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

说明书

本发明提供一种基于边缘计算与深度学习的绝缘子状态识别方法，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，将预处理后的绝缘子图像传输至多个边缘计算节点进行状态分类，得到故障绝缘子图像以及非故障绝缘子图像；步骤3，采用作为聚合服务器的边缘计算节点将故障绝缘子图像传输至云中心服务器，且云中心服务器形成交互式界面后对故障绝缘子图像进行人工审核，并将识别准确的故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对非故障绝缘子图像传输至剩余的边缘计算节点进行局部模型的更新。

技术领域

本发明属于电力设备状态识别技术领域，具体涉及一种基于边缘计算与深度学习的绝缘子状态识别方法。

背景技术

绝缘子是电力系统正常运行必不可缺的元器件，是支持输电线路正常运行的重要保障，因此对绝缘子状态的实时检测十分有必要。随着人工智能技术、边缘计算、深度学习等技术的不断发展，这些技术应用在计算机视觉领域进行绝缘子状态识别成为可能。

现有的绝缘子状态识别方法将海量的数据传输到云中心，由云服务器根据已训练的深度学习模型完成绝缘子状态的识别，存在无法满足实时性的要求、成本高、误判率高等问题。因此，需要设计一种能够解决上述问题的方法。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于边缘计算与深度学习的绝缘子状态识别方法。

本发明提供了一种基于边缘计算与深度学习的绝缘子状态识别方法，具有这样的特征，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，将预处理后的绝缘子图像传输至多个边缘计算节点，通过使用改进后的融合多维度特征的ResNet101网络进行状态分类，得到绝缘子的状态，进而得到故障绝缘子图像以及非故障绝缘子图像；步骤3，采用作为聚合服务器AS的1个边缘计算节点将故障绝缘子图像传输至云中心服务器，且云中心服务器形成交互式界面后对故障绝缘子图像进行人工审核，并将识别准确的故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对非故障绝缘子图像传输至剩余的边缘计算节点进行局部模型的更新，其中，聚合服务器AS为具备完整的模型和算法的边缘计算节点，其通过云中心服务器在绝缘子数据集上对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至边缘计算节点得到。

在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤1中的智能巡检设备采用嵌入微型计算机的无人机。

在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，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。

在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤2具体包括如下子步骤：步骤2-1，将预处理后的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绝缘子图像的状态。

在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤3中的剩余的边缘计算节点采用联邦学习的方式，对本地数据进行处理，协同聚合服务器训练模型，从而进行局部模型的更新。