【技術實現步驟摘要】
本專利技術屬于電力檢測領域，特別涉及一種變電巡視場景小目標檢測及軌跡預測方法。
技術介紹
1、電力系統是國家重要基礎設施，變電站作為電力系統關鍵組成部分，在電力系統的電能轉換與分配、電能質量維護、故障隔離和恢復方面扮演著至關重要的角色。因此，電網非常重視變電站的維護和管理，變電站巡視工作也成為電力企業重要的工作之一。由于人工智能技術快速發展，變電站的巡視工作已引入人工智能技術開展設備、設施和周邊環境的監測，以確保電力系統的正常運行和安全性。然而，這些巡視方法存在一系列問題和局限，主要包括：
2、(1)監視覆蓋范圍有限：難以實現目標設備和人員的全天候、全方位監測，難以對多個小目標進行有效的跟蹤。
3、(2)識別誤報率高：由于巡視目標分辨率低、范圍大、出現頻繁等原因，易導致高誤報率。
4、(3)實時性低：傳統巡視方法大多集中于解決周期性巡視問題，通常巡視的時間間隔較長，難以提供實時監測和警報。
技術實現思路
1、針對現有技術監視覆蓋范圍有限、識別誤報率高、實時性低的問題，本專利技術提供一種變電巡視場景小目標檢測及軌跡預測方法，能高效檢測并準確跟蹤變電站場景中的小目標，減少目標檢測誤報率，提高巡視監測覆蓋范圍，同時兼顧實時性，從而提升變電巡視智能化水平，助力電力系統的管理和維護業務，改進變電站巡視的效率和安全性。
2、本專利技術采用技術方案如下：一種變電巡視場景小目標檢測及軌跡預測方法，包括如下步驟：
3、步驟1，實時采集設備、
4、步驟2，基于圖自注意力機制，構建時空軌跡預測模型，通過同時學習時間和空間信息進行目標軌跡跟蹤和預測，獲得目標軌跡的特征矩陣；
5、步驟3，基于小目標檢測結果和目標軌跡預測結果，實現獨立視角下的小目標檢測和軌跡預測；
6、步驟4，基于reid算法構建跨鏡追蹤模型，實現多個視角情況下的目標軌跡預測；
7、步驟5，將小目標檢測結果輸入跨鏡追蹤模型，通過仿射變換將目標檢測的特征矩陣和軌跡的特征矩陣進行對齊，將目標與軌跡匹配，實現目標軌跡融合。
8、本專利技術能檢測目標當前軌跡并預測目標未來軌跡，在風險發生時刻，甚至是風險來臨之前，監控人員可采取適當的行動進行防范和處理，極大地降低了因設備和人員風險造成的停電等重大事故的發生。
9、進一步地，所述潛在的小目標包括設備狀態異常、設備故障、異常行為或未經授權的人員。
10、進一步地，步驟1的具體過程為：
11、步驟1.1，利用架設在變電站內的高清攝像機，實時采集設備、環境和人員的移動狀態下的圖像和視頻數據；
12、步驟1.2，構建基于卷積神經網絡的目標檢測模型，將采集到的數據作為檢測目標的真實值，通過卷積神經網絡獲得先驗值，計算先驗值與真實值的廣義香農散度，并將其作為重疊率，選擇重疊率的值最高的k個樣本作為粗糙正樣本，其他值視為負樣本，實現先驗粗匹配，獲得粗匹配結果；該步驟能夠實現標簽分配；重疊率值最高的k個樣本是根據經驗得出，一般設置k為10，具體根據目標數量不同看適當調整；
13、步驟1.3，基于先驗粗匹配的結果，進行后驗重排序，并構建動態高斯混合模型，以過濾樣本，并實現動態精匹配，獲得目標檢測模型的參數，進而識別潛在小目標，獲得目標檢測的特征矩陣。動態高斯混合模型是均值落在物體幾何或語義中心的高斯分布。通過動態高斯混合模型，排除和目標檢測真實值距離太遠的目標。
14、通過卷積神經網絡獲得先驗值是從采集數據中學習一組代表數據分布的特征，這些特征可以用于后續的目標檢測任務。進一步地，所述卷積神經網絡包括：
15、輸入層，用于接收原始數據圖像；
16、卷積層，用于通過濾波器(即卷積核)從輸入層提取特征；濾波器在圖像上進行卷積操作，以產生特征圖；
17、激活層，用于將特征圖進行非線性映射，獲得非線性映射的特征圖；通常應用relu非線性激活函數；
18、池化層，用于壓縮非線性映射的特征圖的空間尺寸(寬度和高度)，減少模型復雜度的同時不丟失重要信息；
19、目標分類的全連接層，設置在卷積神經網絡的末尾，用于將高維特征向量表示的特征圖轉換為輸出；這些層通常與傳統的多層感知器(mlp)相似；
20、輸出層，用于根據目標檢測任務，設置輸出層神經元數量為目標類和非目標類，獲得先驗值。
21、對于小目標檢測模型的參數學習，樣本分配直接決定檢測模型的學習效果。在樣本分配過程中，基于卷積神經網絡的檢測器往往會預先設定一系列先驗值，在此之上使用卷積神經網絡預測最終的檢測結果。為了訓練卷積神經網絡，需要尋找一個先驗值和真實值之間適當的匹配方式，在此基礎上，分配正負樣本去監督卷積神經網絡的訓練。對于靜態的分配方法，正樣本標簽可以通過手動設計的匹配方法獲取，但是，靜態分配方法不能根據目標的形狀適應性地判斷正負樣本，同時無法過濾掉低質量的樣本，通常會導致次優解；本申請采用動態的分配方法，即正樣本標簽同時利用先驗值的初始值和通過卷積神經網絡獲得的先驗值獲取，采用動態調節的方式重新定義先驗值(priors)、標簽分配(labelassignment)和真實值表示(gt?representation)來減少錯誤匹配。采用一個由粗到精的方式，逐步動態分配標簽，平衡各類實例監督。
22、進一步地，步驟1.2中，對于先驗值與真實值兩個樣本的高斯分布n1和n2，廣義香農散度定義為：
23、g(n1,n2)＝(1-α)kl(n1,n2)+αkl(n1,n2)??(1)；
24、式中，kl(.)表示kl散度；g(.)表示廣義香農散度；α表示混合參數；
25、高斯分布n1和n2的概率密度函數(pdf)的表達式為：
26、
27、其中x是隨機變量，μ為高斯分布的均值，σ2是分布的方差。
28、進一步地，步驟1.3中，動態精匹配用概率來度量：
29、
30、式中，pi表示目標精匹配的概率；c(.)表示預測的分類分值，iou表示預測目標位置；si和真實值gti的交并比；i表示第i個目標。
31、進一步地，步驟2中構建時空軌跡預測模型的具體過程為：
32、步驟2.1，構建并行編碼器：采用兩個全連接層嵌入位置信息，并將嵌入后的特征并行傳遞給時間transformer和空間transformer，從目標的歷史軌跡信息中提取包含位置和對象的時空信息；用一個全連接層合并時間和空間transformer特征，以便通過全連接層輸出得到時空編碼特征；
33、步驟2.2，構建串行編碼器：采用時間transformer和空間transformer串行，空間transformer利用時間信息對空間交互構建串行編碼器本文檔來自技高網...
【技術保護點】
1.一種變電巡視場景小目標檢測及軌跡預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，所述潛在的小目標包括設備狀態異常、設備故障、異常行為或未經授權的人員。
3.根據權利要求1所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，步驟1的具體過程為：
4.根據權利要求3所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，所述構建基于卷積神經網絡的目標檢測模型包括：
5.根據權利要求3所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，步驟1.2中，對于先驗值與真實值兩個樣本的高斯分布N1和N2，廣義香農散度定義為：
6.根據權利要求3所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，步驟1.3中，動態精匹配用概率來度量：
7.根據權利要求所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，步驟2中構建時空軌跡預測模型的具體過程為：
8.根據權利要求1所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，步驟4的具體
9.根據權利要求8所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，Deepsort重識別方法確定同一目標的具體過程如下：
10.根據權利要求1所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，步驟5中，所采用的仿射變換具體為：
...【技術特征摘要】
1.一種變電巡視場景小目標檢測及軌跡預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，所述潛在的小目標包括設備狀態異常、設備故障、異常行為或未經授權的人員。
3.根據權利要求1所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，步驟1的具體過程為：
4.根據權利要求3所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，所述構建基于卷積神經網絡的目標檢測模型包括：
5.根據權利要求3所述的變電巡視場景小目標檢測及軌跡預測方法，其特征在于，步驟1.2中，對于先驗值與真實值兩個樣本的高斯分布n1和n2，廣義香農散度定...
【專利技術屬性】
技術研發人員：王劭鶴，韓睿，李文博，馮寶，錢平，戴哲仁，錢少鋒，
申請(專利權)人：國網浙江省電力有限公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。