【技術實現步驟摘要】
本專利技術屬于電力設備故障檢測，具體涉及一種云邊協同的電力設備故障視頻檢測方法。
技術介紹
1、在現代電力系統中，設備的穩定運行至關重要。隨著智能電網的快速發展，電力設備的監測與故障診斷技術也在不斷演進。傳統的電力設備故障檢測方法多依賴于人工巡檢或定期維護，這不僅效率低下，而且難以應對突發故障帶來的風險。因此，如何實現實時、準確的故障檢測成為了研究的熱點。
2、近年來，視頻監控技術在電力設備監測中的應用逐漸普及。通過安裝高清攝像頭，可以實時捕捉電力設備的運行狀態。然而，單純依靠視頻監控進行故障檢測存在一些不足之處。首先，視頻數據量大，存儲和傳輸成本高，特別是在網絡帶寬有限的情況下，傳輸延遲可能導致信息丟失或檢測延時。其次，視頻中的重要信息往往被大量的冗余數據掩蓋，如何有效提取與故障相關的關鍵幀成為一個亟待解決的問題。
3、為了克服以上挑戰，學術界和工業界開始探索基于深度學習的目標檢測和跟蹤技術。特別是roi(region?of?interest)注意力機制的引入，使得目標跟蹤的精度和效率大幅提升。該機制能夠自動識別圖像中重要區域，并將計算資源集中于這些區域，從而提高故障檢測的靈敏度和準確性。
4、為了進一步提高故障檢測的效果，云邊協同計算成為一種新興的解決方案。云計算提供了強大的計算資源，適合進行復雜的深度學習模型訓練和大規模數據處理，而邊緣計算則可以在靠近數據源的地方進行實時分析，從而減少延遲和帶寬消耗。通過將這兩者有效結合，可以實現快速、實時的故障檢測。基于上述事實現狀，本專利技術希望提供
技術實現思路
1、本專利技術的目的在于提供一種云邊協同的電力設備故障視頻檢測方法，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種云邊協同的電力設備故障視頻檢測方法，包括以下步驟：
4、s1.基于注意力機制的電力設備目標跟蹤，所述目標跟蹤算法包括目標識別、興趣區域對象的移動大小變化估計、關鍵幀動態選取；
5、s2.關鍵幀的異常情況判斷，區分關鍵幀中電力設備是否出現故障；
6、s3.異常幀圖像裁剪壓縮，上傳異常幀信息；
7、s4.云端電力設備故障精細化檢測與反饋，搭建一個vit模型檢測電力設備故障類型，反饋處置方案。
8、作為優選，s1中，興趣區域是圖像或視頻幀中被標記為重要，需要進一步處理的區域；所采用的興趣區域是多個矩形區域的組合，興趣區域用于對圖像內容進行有選擇性的處理，在圖像分析中集中注意力于特定目標；對于跟蹤序列的第一幀，初始的興趣區域來自顯著性目標檢測，顯著性圖以及自注意力機制表示為：
9、x(x)＝s(p(x))
10、
11、其中，x(x)是顯著性圖，p(x)是輸入圖像，s是從圖像特征到顯著性評分的映射函數，c是查詢，j是鍵，y是值，wk是鍵的維度，z是自注意力權重；
12、對于后續幀，初始的興趣區域來自前一幀的編碼輸出；跟蹤模塊適用于n個連續幀，其中n根據編碼過程預設或動態調整；將初始的興趣區域與正在編碼的幀的運動矢量結合起來，運動矢量表示從參考幀到當前幀的位移，公式表示為
13、vec＝(i',j')-(i,j)
14、其中(i',j')是當前幀中像素的位置，(i,j)是參考幀中對應的像素位置；
15、為下一幀準確更新興趣區域的位置和大小編碼器計算出的運動矢量代表了幀與幀之間像素塊的位移。
16、作為優選，s1中所提出的基于深度學習的輕量級興趣區域跟蹤模塊，該模塊使用前一幀的全幀運動矢量和初始興趣區域坐標作為輸入；它輸出當前幀的估計興趣區域位置和尺寸；通過使用深度學習改進基于運動矢量的跟蹤，消除對運動矢量過濾器或手工制作的興趣區域大小估計等其他各種細化步驟的需求；
17、編碼器生成的運動數據被格式化為三通道輸入：水平運動矢量、垂直運動矢量，以及表示內部預測或內部預測的標志；內部區塊缺乏運動數據，因此其向量被設為零；首先選擇與幀上興趣區域部分或完全重疊的運動矢量；選定的運動矢量隨后由多層神經網絡進行處理，該網絡旨在推斷興趣區域的位移和尺寸變化。
18、在興趣區域更新階段，來自顯著性圖的初始興趣區域坐標被用作起點，網絡輸出被應用于逐幀增量調整興趣區域坐標；更新后的興趣區域坐標還用于選擇下一幀的運動矢量，以確保在啟動新的顯著性圖檢測周期之前持續跟蹤；對于涉及多個興趣區域的情況，每個興趣區域都要獨立處理。
19、作為優選，s1中，所述多層神經網絡架構由一個調整大小層、兩個卷積層和一個全連接層組成；relu函數作為卷積層輸出的激活函數。
20、作為優選，所述s2中采用輕量化的深度學習網絡在本地對電力設備進行故障檢測，采用模型修剪的方法優化模型，具體步驟如下：
21、第一步，在卷積層之后增加批標準化層，在批標準化層網絡中加入稀疏因子，通過訓練對批標準化層進行稀疏處理；采用統計排序方法對稀疏訓練模型中所有批標準化層的權值進行排序，通過獲取指定數量的保留批標準化層得到有序的權值閾值；
22、第二步，遍歷模型中批標準化層的權值，得到每一層的掩碼值。在剪枝操作中，在每一層的掩碼之后構造一個新的模型結構，得到批標準化層的權值掩碼非零值的指標，得到原卷積層中各通道的權值和偏置，將非零指標對應的批標準化層和線性層分配給新模型的每一層；目標函數loss的公式為：
23、
24、其中，l是基本損失，q是損失權重，λ為l1正則化系數，g為l1正則化函數，γ為仿射變換參數；
25、第三步，除了基本損耗外，引入l1正則化項來獲得批標準化層的稀疏性，其中li約束函數g僅應用于批標準化層的γ系數；在反向傳播和更新梯度時，γ系數的導數需要添加系數符號和懲罰系數的乘積項；
26、第四步，經過網絡的稀疏訓練，得到一個比例因子接近于零的網絡；通過比例修剪，去除連接到通道的輸入；經過重復訓練，完成整個網絡的輕量壓縮過程。
27、作為優選，所述s3中圖像的裁剪依據興趣區域進行裁剪，裁剪后的圖像只保留與電力設備故障相關部分，從而減小圖像的尺寸；將壓縮后的圖像文件及其相關信息封裝成一個數據包，通過請求將數據包發送到指定的服務器端點；在請求中附帶圖像文件和元數據，以便服務器能夠正確解析和存儲數據；接收服務器的響應，確認上傳是否成功。
28、作為優選，所述s4中，搭建一個混合神經網絡用于電力設備具體故障檢測，該網絡由一個深度神經網絡與transformer網絡組成，深度神經網絡部分首先將本地上傳的異常幀分解為圖像塊，以適應不同大小和分辨率的輸入；然后，預先訓練的模型處理每個圖像塊，包括卷積神經網絡層和深度、寬度和分辨率的平衡調整，以提取空間特征并減少計算負擔；transformer網絡部分根據需要對提取出的幀特征序列進行轉換或重構；然后，通本文檔來自技高網...
【技術保護點】
1.一種云邊協同的電力設備故障視頻檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種云邊協同的電力設備故障視頻檢測方法，其特征在于：S1中，興趣區域是圖像或視頻幀中被標記為重要，需要進一步處理的區域；所采用的興趣區域是多個矩形區域的組合，興趣區域用于對圖像內容進行有選擇性的處理，在圖像分析中集中注意力于特定目標；對于跟蹤序列的第一幀，初始的興趣區域來自顯著性目標檢測，顯著性圖以及自注意力機制表示為：
3.根據權利要求1所述的一種云邊協同的電力設備故障視頻檢測方法，其特征在于：S1中所提出的基于深度學習的輕量級興趣區域跟蹤模塊，該模塊使用前一幀的全幀運動矢量和初始興趣區域坐標作為輸入；它輸出當前幀的估計興趣區域位置和尺寸；通過使用深度學習改進基于運動矢量的跟蹤，消除對運動矢量過濾器或手工制作的興趣區域大小估計等其他各種細化步驟的需求；
4.根據權利要求1所述的一種云邊協同的電力設備故障視頻檢測方法，其特征在于：S1中，所述多層神經網絡架構由一個調整大小層、兩個卷積層和一個全連接層組成；ReLU函數作為卷積層輸出的激活函數。
...【技術特征摘要】
1.一種云邊協同的電力設備故障視頻檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種云邊協同的電力設備故障視頻檢測方法，其特征在于：s1中，興趣區域是圖像或視頻幀中被標記為重要，需要進一步處理的區域；所采用的興趣區域是多個矩形區域的組合，興趣區域用于對圖像內容進行有選擇性的處理，在圖像分析中集中注意力于特定目標；對于跟蹤序列的第一幀，初始的興趣區域來自顯著性目標檢測，顯著性圖以及自注意力機制表示為：
3.根據權利要求1所述的一種云邊協同的電力設備故障視頻檢測方法，其特征在于：s1中所提出的基于深度學習的輕量級興趣區域跟蹤模塊，該模塊使用前一幀的全幀運動矢量和初始興趣區域坐標作為輸入；它輸出當前幀的估計興趣區域位置和尺寸；通過使用深度學習改進基于運動矢量的跟蹤，消除對運動矢量過濾器或手工制作的興趣區域大小估計等其他各種細化步驟的需求；
4.根據權利要求1所述的一種云邊協同的電力設備故障視頻檢測方法，其特征在于：s1中，所述多層神經網絡架構由一個調整大小層、兩個卷積層和一個全連接層組成；relu函數作為卷積層輸出的激活函數。
5.根據權利要求1所述的一種云邊協同的電力設備故障視頻檢測...
【專利技術屬性】
技術研發人員：秦建松，張磊，章立宗，陸曉東，汪磊，王子弋，周松，董欽，張碩彬，金鋼，顧煜明，徐達，羅寧，裘索，金旸棟，朱杰，黃紫英，鄭偉，車艷紅，孫余冰，
申請(專利權)人：紹興建元電力集團有限公司，
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。