【技術實現步驟摘要】
本專利技術涉及計算機視覺與深度學習，具體為一種基于cnn深度學習的輸電通道植被侵入識別方法。
技術介紹
1、隨著現代電力系統的發展，輸電通道的安全管理變得越來越重要，輸電線路通常穿越多種地形和環境，如山區、森林等，植被生長快速且多變，易導致植被侵入輸電通道的情況發生，植被侵入可能會導致設備短路、火災甚至系統故障，嚴重影響電力系統的可靠性和安全性。
2、傳統的植被侵入監測方法主要依賴于人工巡檢或簡單的圖像處理技術，這些方法存在著效率低、易受主觀因素影響以及不能及時發現問題等缺點，隨著計算機視覺和深度學習技術的快速發展，特別是卷積神經網絡(cnn)在圖像識別領域的成功應用，為解決輸電通道植被侵入識別問題提供了新的解決方案。
3、深度學習的關鍵優勢在于其能夠自動從大規模數據中學習并提取復雜的特征，而無需人為設計和提取特征，cnn作為深度學習的代表模型之一，通過多層卷積和池化操作，能夠有效地捕捉和學習圖像中的空間層次特征，適合處理復雜的遙感影像數據，在輸電通道植被侵入識別中，cnn技術能夠識別出植被覆蓋的區域，并區分出哪些是植被已經侵入到了通道區域，這種方法不僅提高了識別的準確性，還能夠實現自動化監測和及時預警，大幅提升了電力系統的運行安全性和管理效率。
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、因此，本專利技術解決的技術問題是：現有的輸電通道植被侵入識別方法存在效率低、準確性差、實時性差，以及如何識別輸電通道潛在問題和維護需要的問題
3、為解決上述技術問題，本專利技術提供如下技術方案：一種基于cnn深度學習的輸電通道植被侵入識別方法，包括采集輸電通道實時數據，對實時數據進行預處理并整合至數據庫中；通過數據庫，構建輸電通道植被侵入評估模型，評估植被侵入對輸電通道的影響；基于輸電通道植被侵入評估結果，綜合評估輸電通道狀態，分析輸電通道潛在問題和維護需要。
4、作為本專利技術所述的基于cnn深度學習的輸電通道植被侵入識別方法的一種優選方案，其中：所述輸電通道實時數據包括環境影響圖像數據，無人機圖像數據，地面傳感器圖像數據和固定攝像頭圖像數據；環境影響圖像數據包括不同時間環境圖像數據，不同天氣條件環境圖像數據和不同季節環境圖像數據。
5、作為本專利技術所述的基于cnn深度學習的輸電通道植被侵入識別方法的一種優選方案，其中：所述預處理包括使用高斯濾波器對圖像數據進行去噪處理，表示為：
6、
7、其中，ifiltered(p,q)為高斯濾波后的圖像中坐標為(p,q)的像素值，i(p+p,q+q)為原始圖像中坐標為(p+p,q+q)的像素值，g(p,q)為高斯核中坐標為(p,q)的權重值，d為高斯核的數量；將圖像進行歸一化處理，表示為：
8、
9、其中，inorm(p,q)為標準化后的圖像中坐標為(p,q)的像素值，i(p,q)為原始圖像中坐標為(p,q)的像素值，μ為原始圖像所有像素值的平均值，σ為原始圖像所有像素值的標準差；將采集的實時數據進行標注，標記圖像中的植被侵入區域和安全區域，區分不同類型的植被以及不同類型的植被與輸電線路之間的安全距離，生成訓練集和測試集，將預處理后的數據存儲至數據庫中。
10、作為本專利技術所述的基于cnn深度學習的輸電通道植被侵入識別方法的一種優選方案，其中：所述構建輸電通道植被侵入評估模型包括通過數據庫，基于數據庫采集的數據，構建輸電通道植被侵入評估模型，表示為：
11、
12、其中，ivi為輸電通道植被侵入影響指數，n為圖像數據數量，li為第i張圖像數據，ci為第i張圖像的傳感器數據，ti為第i張圖像的采集時間，ei為第i張圖像土壤濕度環境因素，fi為第i張圖像溫度環境因素，fvi(li,ci,ti)為基于圖像數據和傳感器數據的植被侵入識別函數，gt(ti)為時間序列分析函數，hef(ei,fi)為環境因素影響函數；計算基于圖像數據和傳感器數據的植被侵入識別函數fvi(li,ci,ti)，表示為：
13、
14、其中，τ為激活函數，k為卷積核的數量，wj為第j個卷積核的權重，cnn為卷積神經網絡；基于卷積神經網絡，對圖像數據進行卷積層操作，提取特征，進行池化處理，對特征進行壓縮，進行全連接層處理，將特征展開，通過全連接層進行分類，通過注意力機制，定位植被侵入區域；計算時間序列分析函數gt(ti)，表示為：
15、
16、其中，t為時間序列長度，at為時間序列分析模型中的參數；計算環境因素影響函數hef(ei,fi)，表示為：
17、
18、其中，m為環境因素數量，em為第m個土壤濕度環境因素，fm為第m個溫度環境因素，bm為em的權重，cm為fm的權重；基于知識蒸餾，通過知識蒸餾在訓練集進行輸電通道植被侵入評估模型訓練，計算損失函數，表示為：
19、
20、其中，lkd為損失函數，α為平衡系數，lce為交叉熵損失函數，y為真實標簽，為學生模型的預測輸出，r為溫度參數，ρr為溫度參數r的softmax函數，z為教師模型輸出，zs為學生模型輸出；將輸電通道植被侵入評估模型在測試集進行模型評估，計算模型評估指標準確率，表示為：
21、
22、其中，accuracy為準確率，tp為真陽性，tn為真陰性，fp為假陽性，fn為假陰性；計算模型評估指標召回率，表示為：
23、
24、其中，recall為召回率；計算模型評估指標精確率，表示為：
25、
26、其中，precision為精確率；計算模型評估指標f1分數，表示為：
27、
28、其中，f1為精確率和召回率的調和平均值。
29、作為本專利技術所述的基于cnn深度學習的輸電通道植被侵入識別方法的一種優選方案，其中：評估植被侵入對輸電通道的影響包括基于輸電通道植被侵入評估模型輸出值，評估植被侵入對輸電通道的影響；當ivi等于0時，表示沒有植被侵入，對輸電通道沒有影響；當ivi大于0小于1時，表示存在植被侵入，對輸電通道有影響，需要維護人員進行處理；當ivi等于1時，表示植被侵入嚴重，對輸電通道造成重大影響，需要維護人員進行緊急處理。
30、作為本專利技術所述的基于cnn深度學習的輸電通道植被侵入識別方法的一種優選方案，其中：所述綜合評估輸電通道狀態包括括基于輸電通道植被侵入評估結果，將輸電通道植被侵入評估模型輸出值ivi作為輸入參數，綜合評估輸電通道狀態，計算輸電通道狀態綜合評分s，表示為：
31、
32、其中，n為輸電通道數量，εl為第l個輸電通道植被侵入權重，ivil為第l個輸電通道植被侵入影響指數，βl為第l個輸電通道維護需求因子，dl為第l個輸電通道故障次數；當輸電通道狀態綜合評分s等于0時，表示狀態最差，需要立即維護；當輸電通道狀態本文檔來自技高網...
【技術保護點】
1.一種基于CNN深度學習的輸電通道植被侵入識別方法，其特征在于，包括：
2.如權利要求1所述的基于CNN深度學習的輸電通道植被侵入識別方法，其特征在于：所述輸電通道實時數據包括環境影響圖像數據，無人機圖像數據，地面傳感器圖像數據和固定攝像頭圖像數據；
3.如權利要求2所述的基于CNN深度學習的輸電通道植被侵入識別方法，其特征在于：所述預處理包括使用高斯濾波器對圖像數據進行去噪處理，表示為：
4.如權利要求3所述的基于CNN深度學習的輸電通道植被侵入識別方法，其特征在于：所述構建輸電通道植被侵入評估模型包括通過數據庫，基于數據庫采集的數據，構建輸電通道植被侵入評估模型，表示為：
5.如權利要求4所述的基于CNN深度學習的輸電通道植被侵入識別方法，其特征在于：所述評估植被侵入對輸電通道的影響包括基于輸電通道植被侵入評估模型輸出值，評估植被侵入對輸電通道的影響；
6.如權利要求5所述的基于CNN深度學習的輸電通道植被侵入識別方法，其特征在于：所述綜合評估輸電通道狀態包括基于輸電通道植被侵入評估結果，將輸電通道植被侵入評估模型
7.如權利要求6所述的基于CNN深度學習的輸電通道植被侵入識別方法，其特征在于：所述分析輸電通道潛在問題和維護需要包括基于輸電通道狀態綜合評分結果，利用數據庫中的歷史數據和實時數據，進行數據挖掘和分析，發現輸電通道的潛在問題和風險因素，基于數據挖掘結果，預測輸電通道的維護需求，根據分析結果，優化輸電通道的運維策略。
8.一種采用如權利要求1～7任一所述的基于CNN深度學習的輸電通道植被侵入識別方法的系統，其特征在于：包括數據處理模塊，植被侵入評估模塊，綜合評估模塊；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的基于CNN深度學習的輸電通道植被侵入識別方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的基于CNN深度學習的輸電通道植被侵入識別方法的步驟。
...【技術特征摘要】
1.一種基于cnn深度學習的輸電通道植被侵入識別方法，其特征在于，包括：
2.如權利要求1所述的基于cnn深度學習的輸電通道植被侵入識別方法，其特征在于：所述輸電通道實時數據包括環境影響圖像數據，無人機圖像數據，地面傳感器圖像數據和固定攝像頭圖像數據；
3.如權利要求2所述的基于cnn深度學習的輸電通道植被侵入識別方法，其特征在于：所述預處理包括使用高斯濾波器對圖像數據進行去噪處理，表示為：
4.如權利要求3所述的基于cnn深度學習的輸電通道植被侵入識別方法，其特征在于：所述構建輸電通道植被侵入評估模型包括通過數據庫，基于數據庫采集的數據，構建輸電通道植被侵入評估模型，表示為：
5.如權利要求4所述的基于cnn深度學習的輸電通道植被侵入識別方法，其特征在于：所述評估植被侵入對輸電通道的影響包括基于輸電通道植被侵入評估模型輸出值，評估植被侵入對輸電通道的影響；
6.如權利要求5所述的基于cnn深度學習的輸電通道植被侵入識別方法，其特征在于：所述綜合評估輸電通道狀態包括基于輸電通道植被侵入評估結果，將輸電通道植被侵入...
【專利技術屬性】
技術研發人員：謝春，時磊，李瑾，劉博迪，葉銳，何熒，顧澤，邱實，
申請(專利權)人：貴州電網有限責任公司，
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。