【技術實現步驟摘要】
本專利技術涉及圖像處理，具體地說是一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法。
技術介紹
1、在當前的配電網架空線路運維領域，盡管已有一些基于圖像識別技術的解決方案被應用于無人機巡檢，但仍面臨技術局限與挑戰，現有技術大多側重于單一層面的圖像解析，缺乏對巡檢數據進行深度分層挖掘與知識整合的能力，限制了其在復雜場景下的應用效能和適應性，現有技術的不足之處如下：
2、（a）層次化知識挖掘不足：現有技術通常只進行表面的圖像識別，對于圖像背后深層次的時空關聯、桿塔結構、設備狀態以及元件缺陷的綜合分析能力薄弱，難以構建全面的分層知識體系，影響了對配電網健康狀況的精確評估。
3、（b）缺陷管理缺乏系統性：桿塔及其附屬設備的缺陷識別與管理通常孤立進行，缺乏有效的數據歸集與復核機制，使得缺陷處理流程復雜低效，難以形成系統性的優化策略和及時的維修響應。
4、（c）高級應用服務支持不足：在配電數智化轉型的背景下，現有技術對高層應用服務的支撐不足，不能高效地為設備稽核、算法迭代提供高質量樣本與數據支持，限制了配電系統的智能化升級潛力。
5、鑒于此，本專利技術提出了一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，解決了上述技術問題。
技術實現思路
1、為了解決現有技術的不足，本專利技術提供了一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，本方法針對上述問題，通過智能圖像識別技術對配電網架空線路圖片進行分層挖掘知識，構建以
2、本專利技術解決其技術問題所采用的技術方案是一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，包括以下步驟：
3、s1、數據標審、模型設計、訓練及迭代優化，獲取配電網架空線路無人機巡檢數據，對巡檢數據進行人工標注形成精標注數據集，基于精標注數據集進行模型訓練、評測，根據評測結果迭代優化，直至模型效果達到實用化水平；
4、s2、基于訓好的模型對圖片數據分層挖掘知識，至少包括基礎層、時空層、桿塔層、設備層、元件層、缺陷層，實現圖片知識數據分層管理與可視化管理；
5、s3、以桿塔為單元進行缺陷識別與歸集，通過對桿塔多張圖片數據的合并、去重、過濾進行歸集，實現以桿塔為單元的缺陷分布展示、復核和推送工單；
6、s4、基于分層挖掘的知識支撐配電數智化高層應用服務、設備與元件的稽核、算法培育的樣本收集。
7、優選的，所述s1中的數據標審、模型的訓練及迭代優化，具體為：
8、根據獲取的數據制定樣本標注標準、編制體系化培訓教材和研發培訓考試系統，至少包括教程管理、題庫管理和考試管理；
9、在模型設計階段，制定貼近實際應用的算法評價標準，采用可全面展示算法能力的閉環測試方法和更貼近實戰的開環測試方法，制定可視化模型評測工具。
10、優選的，模型的設計、訓練及優化為：構建電力視覺大模型，以“文字”或“文字+示例圖像”為提示詞，對圖像中該提示詞物體進行目標檢測，使用cn-clip預訓練得到的bertbase文字編碼器作為文字指令編碼器，其參數量為100m，使用eva-02-l作為選擇的視覺編碼器通過指令圖像特征融合編碼器，輸入為文字指令編碼器的編碼結果e和圖像編碼器的編碼結果x，輸出為經過特征融合的文字編碼結果e′和圖像編碼結果x′，經過候選目標生成器，選擇前k個圖像特征對應的位置用于構造候選目標，解碼器根據“候選目標—圖像—文字”之間的信息融合，計算結果記為z=[z1,z2,…zk]，其中k為候選目標生成器輸出的候選目標個數；
11、z經過與文字編碼結果e′的相似度計算，得到分類結果；
12、經過一系列全連接計算，得到目標框的位置更新值，最終得到預測框；
13、給定目標框的真值{y1,y2,…yn}和一系列的預測框{p1,p2,…pk}，模型使用匈牙利匹配進行真值與預測框的匹配，匹配的損失函數包括分類損失和預測框的損失，匹配結果為m={m1,m2,…mn}，代表與yi成功匹配到的預測框為pmi；
14、匹配結束后，模型將對所有的{(yi,pmi)}和未匹配到的預測框{pi;i?m}計算損失函數；對{(yi,pmi)}的損失函數包括分類損失和預測框的損失，而對未匹配到的預測框則僅計算分類損失；分類損失的數學形式為focal損失函數；預測框的損失包括l1損失和giou損失；在得到損失函數之后，根據鏈式法則進行模型梯度的計算和參數的更新。
15、優選的，在模型訓練及迭代優化階段，基于電力視覺大模型進行算法培育，培育的算法至少包括缺陷、元件、設備、桿塔、周邊環境的識別。
16、優選的，所述s2中的基于訓好的模型對圖片數據分層挖掘，至少包括基礎層、時空層、桿塔層、設備層、元件層和缺陷層，實現圖片知識數據分層管理與可視化管理。
17、優選的，所述s2中的基于訓好的模型對圖片數據分層挖掘具體為:
18、（1）基礎層挖掘的知識至少包括拍攝位置、拍攝方式、曝光類型、拍攝時間、入庫時間、更新時間、分辨率及圖片大小；
19、（2）時空層挖掘的知識至少包括所屬單位、產生地點、經度、緯度、季節月份、地形分類、環境安全區域、跨越情況及更新時間；
20、（3）桿塔層挖掘的知識至少包括所所屬線路、所屬桿塔、桿塔材質、桿塔功能、桿塔回路、標志牌及更新時間；
21、（4）設備層挖掘的知識至少包括設備名稱、數量及分類；
22、（5）元件層挖掘的知識至少包括元件名稱、數量及屬性或分類；
23、（6）缺陷層挖掘的知識至少包括缺陷內容、數量及屬性或分類。
24、優選的，基于基礎層的統計及可視化展示至少包括入庫圖片數量趨勢的展示、不同拍攝部位圖片數統計、不同拍攝方式圖片數分布、不同曝光方式圖片數分布。
25、優選的，基于時空層的統計及可視化展示至少包括各地市圖片數量分布、圖片產生季節月份分布、跨越情況圖片數排行、不同地形圖片數排行、不同環境安全區域圖片數排行，其中地形分類、環境安全區域及跨越情況知識首先從源數據庫中查詢是否已有人工標注，有人工標注則展示人工標注的信息，無人工標注時，用戶可通過周邊環境檢測模型進行在線推理，同時可切換模型的版本查看不同的版本的推理結果；
26、優選的，基于桿塔層的統計及可視化展示至少包括不同桿塔材質圖片數分布、不同標簽圖片數分布、不同桿塔功能圖片數分布及不同桿塔回路圖片數分布。其中桿塔材質、桿塔功能、桿塔回路、標志牌知識首先從源數據庫中查詢是否已有人工標注，有人工標注則展示人工標注的信息，無人工標注時，用戶本文檔來自技高網...
【技術保護點】
1.一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
3.根據權利要求2所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
4.根據權利要求2所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
5.根據權利要求2所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
6.根據權利要求5所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
7.根據權利要求6所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
8.根據權利要求7所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
9.根據權利要求7所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
10.根據
11.根據權利要求7所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
12.根據權利要求7所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
13.根據權利要求7所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
14.根據權利要求13所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
15.根據權利要求13所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
...【技術特征摘要】
1.一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
3.根據權利要求2所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
4.根據權利要求2所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
5.根據權利要求2所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
6.根據權利要求5所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
7.根據權利要求6所述的一種基于智能圖像識別的配電網架空線路圖片分層挖掘知識的方法，其特征在于：
8.根據權利要求7所述的一種基于智能圖像識別的配電網架空線路...
【專利技術屬性】
技術研發人員：甄超，謝恒，王海港，葛健，徐曉波，吳迪，葛錦錦，戚振彪，潘敏，王孟嬌，黃星，常峰，
申請(專利權)人：安徽明生恒卓科技有限公司，
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。