[发明专利]基于迁移学习算法进行电网防震锤智能识别的方法及系统

说明书

本发明公开了一种基于迁移学习算法进行电网防震锤智能识别的方法及系统，属于AI识别技术领域，解决现有技术中，通过AI模型对无人机巡检电网线路采集的影像进行故障识别，在获取的样本量不够的情况下，会造成AI模型对故障的识别率低的问题。本发明基于获取的源数据和fasterrcnn算法网络进行AI建模，生成原始数据模型，其中，源数据由包含电网防震锤的JPG图片构成；基于获取的目标数据，通过迁移学习算法对原始数据模型进行迁移，生成目标数据模型，其中，目标数据由电网的防震锤特征构成；基于目标数据模型对待检测电网防震锤图片进行自动识别，得到最终的识别结果。本发明用于进行电网防震锤智能识别。

技术领域

一种基于迁移学习算法进行电网防震锤智能识别的方法及系统，用于进行电网防震锤智能识别，属于Al识别技术领域。

背景技术

随着我国经济和社会的快速发展，电力需求也与日俱增，电网作为国民经济的重要支撑，电力线路的稳定性和可靠性与人们的生活和生产活动密切相关，若电网线路出现故障，将会给社会带来不可低估的经济损失，为此电网巡检工作显得十分重要，战略地位与刚性需求非常突出。随着电网巡检多年的发展，电力巡检已从传统的人工巡检到无人机巡检。而伴随着国家战略导向下的人工智能带来的新一轮科技浪潮，基于人工智能的无人机巡检逐渐走到前台，走到实际的生产中来。

通过Al来解决目前电力巡检生产阶段的痛点，已经成为行业的共识。对无人机巡线影像数据进行Al处理，可以完全消除人为干扰因素，达到全流程自动化，极大提升巡检效率，降低运维成本。

当前采用无人机对电网线路进行精细化巡检已经在电网系统内部快速落地，而由无人机巡检电网线路采集的影像，主要通过纯人工和人工智能的方式对图像进行处理。

但是因为影像总量较多，采用纯人工的方式很枯燥且很难确保故障隐患的全面及时发现，即人工量比较大，而且效率比较低，人工主要是由经验所得，因此无法形成一套统一的判断标准；而人工智能的方式虽然能显著提高生产效率，但由于人工智能自身技术的局限性，在实际的图像识别中需要大量的样本数进行训练，才能更好的生成数据模型用于自动检测。若获取的样本量不够，将直接影响自动识别的准确性；或在现有的条件基础上实现新的目标(即新的方法)克服样本量不够的问题，源数据还是无法摆脱大数据的驱动，依然需要大量样本数据。

发明内容

针对上述研究的问题，本发明的目的在于提供一种基于迁移学习算法进行电网防震锤智能识别的方法及系统，解决现有技术中，通过Al模型对无人机巡检电网线路采集的影像进行故障识别，在获取的样本量不够的情况下，会造成Al模型对故障的识别率低的问题。

为了达到上述目的，本发明采用如下技术方案：

一种基于迁移学习算法生成目标数据模型的方法，包括如下步骤：

S1、基于获取的源数据和fasterrcnn算法网络进行Al建模，生成原始数据模型，其中，源数据由包含电网防震锤的JPG图片构成；

S2、基于获取的目标数据，通过迁移学习算法对原始数据模型进行迁移，生成目标数据模型，其中，目标数据由电网的防震锤特征构成。

进一步，所述步骤S1中fasterrcnn算法网络依次包括Resnet101层深度残差网络、faster-rcnn和Softmax层，faster-rcnn采用卷积神经网络自行产生建议框，Softmax层使用softmax loss函数。

进一步，所述步骤S1的具体步骤为：

S1.1、获取包含电网防震锤的JPG图片，作为源数据；

S1.2、将源数据依次进行清洗和标注，得到标注后的源数据；

S1.3、将标注后的源数据中的JPG图片输入到fasterrcnn算法网络进行训练，即进行Al建模，生成原始数据模型。