[发明专利]一种用于电网巡检和监控的边缘智能检测方法

权利要求书

1.一种用于电网巡检和监控的边缘智能检测方法，其特征在于，包括如下步骤：

步骤1、通过摄像头持续获取采集到的图像数据并传输至处理端；

步骤2、处理端对图像数据进行图像识别和提取，提取图像中的主要信息数据；

步骤3、基于上述主要信息数据组成的向量对目标物体进行区别划分，将二维图像降为一维向量并通过支持向量机对所得到的不同目标图像进行划分、分类和识别，获得电力目标识别；其中，划分、分类和识别的过程包含算法轻量化过程；

进而，对不同目标图像的识别还包括目标图像数据集和识别模型；目标图像数据集的制作包括将图像信息数据化、对每一幅图像贴上对应的目标信息标签；

同时，识别模型的使用包括：将复杂的模型降低模型偏差、用大数据提升统计估计的准确度、用可扩展的梯度下降算法求解大规模优化问题；利用目标图像数据集的局部特征抽取的算法融入到了神经网络中，获得目标图像中局部数据的关联性的特征，构成用于训练的数据文件，使用卷积神经网络进行深度学习训练，卷积网络包括卷积层、池化层、全连接层，其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类；

步骤4、基于识别出的电力目标，进行风险识别智能检测；其中，风险识别智能检测包括绝缘子自爆及破损检测，防震锤检测，线路异物监测，高压杆塔异物的检测、绝缘子与杆塔连接检测中的一种或多种组合。

2.根据权利要求1所述的用于电网巡检和监控的边缘智能检测方法，其特征在于，所述步骤3中，对不同目标图像进行划分、分类和识别的处理具体包括：

使用SVM算法对数据点进行检验，与法向量点乘判断正负，对输电塔的PCA特征进行识别，同时对其他目标进行识别，并分类处理；其中，对其他目标进行识别包括：

按类别收集巡检视频中获得的各类目标图片，将这些目标图片进行旋转、加噪、镜像操作进行扩充，将扩充完成的目标图片作为真实目标样本库；

利用生成式对抗网络gan对得到的真实目标样本库中的图片进行预处理，把缺陷目标图片与各种复杂背景融合，扩充缺陷目标数据集得到目标样本扩充库，将该数据划分为训练集和测试集；

利用标注工具labellmg对上述选出的训练集进行标注，并保存标注完成后目标图片的信息，得到样本数据；

对目标检测网络yolov5进行改进，利用得到的样本数据对改进后的目标检测网络yolov5进行迭代训练，得到最佳的目标检测网络权重数据以及测试集的基准网络；

利用得到的测试集的基准网络处理上述选出的测试集，得到目标缺陷检测结果。