[发明专利]一种配网工程强化管控方法

说明书

本发明公开了一种配网工程强化管控方法，步骤如下：S1、设定监理机器人的线路s和速度v；S2、按照线路s和速度v拍摄监理视频，记录相机的运动方程F；S3、对采集的视频进行标注制作标准场景图像库；S4、制作成配网施工现场目标数据集；S5、训练YOLOV5s深度神经网络得到训练权重；S6、制作标准场景图像库的负样本；S7、将基于概率相似度的MatchNet神经网络在正负样本上进行训练；S8、监理机器人按照线路x和速度v以及相机运动方程F进行监理；S9、将拍摄图像与标准场景库图片采用基于概率相似度的MatchNet神经网络比对；S10、将异常的图片用训练好的YOLOV5s深度神经网络进行异常检测；S11、输出比对异常的结果。该方案提高了异常监控的准确度和效率。

技术领域

本发明涉及电力工程管控技术领域，具体的，涉及一种配网工程强化管控方法。

背景技术

随着社会经济的快速发展,人们对电力资源的需求量越来越大。同时，配网工程是电力行业和公司基建工作的重要组成部分。而现有的配网工程作业存在着安全管控技术落后的问题，难以及时发现安全隐患，因此亟需提升配网工程的强化管控技术。

近年来，基于深度学习的计算机视觉技术在配网强化管控方面的应用也越来越多，如电杆倾斜、拉线角度不足、设备安装高度不足等等进行异常检测与预警处理等。T.Würf等人针对3D图像识别问题，提出了一种新的三维断层重建的深度学习框架，将过滤反投影类型的算法映射到神经网络，可将3D图像准确投影为2D图像并进行识别。L.Chen等人采用ATROUS卷积显式的控制CNN中计算特征响应，提出了ASPP算法在多个尺度上稳健分割图像，结合DCNNs和概率图形模型，从而改进了目标图像边界定位方法，提高图像含义识别的准确率。乔俊峰等人通过分析配电网全景监测的实现要素，研究大数据技术与配电网监测的兼容性，提出了基于大数据技术实现配电网全景监测的实现方法。李军锋等人通过CNN提取了电力设备图像特征，借鉴传统机器学习方法，提出了结合深度学习的随机森林分类方法，采用大量电力设备图像对模型进行测试，结果表明对于绝缘子、变压器、断路器等电力设备其平均识别准确率有显著提高。

以上研究成果对强化配网工程管控具有重要意义。但是现有的技术仍然存在着一定的局限性，首先是以上方法并没有做到系统化，仅仅只是图像处理技术对配网现场目标的检测；其次，以上方法所采用的深度学习神经网络算法对设备算力要求非常高，难以在嵌入式设备上部署；最后，以上方法仅仅适用于配网现场的局部目标，无法对整个配网现场进行实时的异常监控，智能化程度较低。

发明内容

本发明的目的是解决现有的工程管理方法智能化程度较低，无法对配网现场进行全时域监控的问题，提出了一种配网工程强化管控方法，基于深度学习的目标检测技术和图像匹配技术，采用配网监理机器人实现对配网现场的质量安全实时管控，降低了传统人工管控的隐患，提高了异常监控的准确度和效率。

为实现上述技术目的，本发明提供的一种技术方案是，一种配网工程强化管控方法，包括如下步骤：

步骤S1、设定监理机器人在配网施工现场的监理线路s和监理速度v；

步骤S2、搭载RGB相机的监理机器人按照步骤S1中设定的线路s和速度v监理，拍摄监理视频，记录相机的运动方程F；

步骤S3、对采集的视频标注出每一帧所涉及配网现场目标的种类、数量和位置，形成标准场景图像库；

步骤S4、采集步骤S3中所涉及的配网现场目标，制作成配网施工现场目标数据集；

步骤S5、将YOLOV5s深度神经网络在步骤S4中的数据集上进行训练，得到训练权重；

步骤S6、制作步骤S3中标准场景图像库的负样本；

步骤S7、将基于概率相似度的MatchNet神经网络在正负样本上进行训练，得到最终的网络；

步骤S8、监理机器人按照步骤S1中设定的线路和速度以及步骤S2中记录的相机运动方程F进行监理；