本發(fā)明涉及電力輸電線路故障檢測(cè)系統(tǒng)領(lǐng)域，具體是一種基于云邊協(xié)同的自學(xué)習(xí)電力輸電線路故障檢測(cè)系統(tǒng)。

背景技術(shù)：

1、隨著電力需求的不斷增長和電網(wǎng)基礎(chǔ)設(shè)施的擴(kuò)展，輸電線路的巡檢任務(wù)逐漸增加。傳統(tǒng)的人工巡檢方式由于存在效率低、成本高、風(fēng)險(xiǎn)大的問題，已逐步被基于人工智能（ai）和無人機(jī)（uav）的智能巡檢系統(tǒng)所取代。無人機(jī)巡檢系統(tǒng)通過搭載高分辨率攝像頭、紅外成像設(shè)備等傳感器，能夠?qū)崟r(shí)獲取輸電線路的圖像數(shù)據(jù)，并利用深度學(xué)習(xí)算法進(jìn)行故障檢測(cè)和分析，從而提高了巡檢效率和精度。

2、在電力巡檢系統(tǒng)中，數(shù)據(jù)的實(shí)時(shí)性和處理能力至關(guān)重要。邊緣計(jì)算技術(shù)的引入，使得部分?jǐn)?shù)據(jù)處理可以在巡檢設(shè)備端進(jìn)行，從而減少了數(shù)據(jù)傳輸?shù)难舆t，提升了系統(tǒng)響應(yīng)速度。然而，邊緣設(shè)備的計(jì)算能力相對(duì)有限，無法處理復(fù)雜的深度學(xué)習(xí)模型和大規(guī)模數(shù)據(jù)，導(dǎo)致在處理復(fù)雜場(chǎng)景或大量數(shù)據(jù)時(shí)，出現(xiàn)計(jì)算瓶頸。為了彌補(bǔ)這一缺陷，部分計(jì)算任務(wù)被轉(zhuǎn)移至云端進(jìn)行處理，但云端處理雖然強(qiáng)大，卻面臨較高的傳輸延遲和網(wǎng)絡(luò)帶寬要求，尤其是在大規(guī)模電力巡檢系統(tǒng)中，這種延遲可能影響故障檢測(cè)的實(shí)時(shí)性。

3、隨著邊緣技術(shù)的不斷發(fā)展，如何將深度學(xué)習(xí)網(wǎng)絡(luò)高效地部署在邊緣端成為一個(gè)新的挑戰(zhàn)。如果將深度學(xué)習(xí)模型完全部署在邊緣端，會(huì)導(dǎo)致計(jì)算量巨大，降低巡檢效率。

4、針對(duì)這一問題，現(xiàn)有技術(shù)文獻(xiàn)（lei?z,?ren?s,?hu?y,?et?al.?latency-awarecollaborative?perception[c]//european?conference?on?computer?vision.?cham:springer?nature?switzerland,?2022:?316-332.）中，lei?等人提出了一種延遲感知和聯(lián)合精度的分區(qū)框架，通過將部分計(jì)算任務(wù)劃分至云端和邊緣端完成，從而減少邊緣端的計(jì)算壓力。然而，這種方法需要手動(dòng)設(shè)置，智能化程度較低?，F(xiàn)有技術(shù)文獻(xiàn)（kang?y,?hauswaldj,?gao?c,?et?al.?neurosurgeon:?collaborative?intelligence?between?the?cloudand?mobile?edge[j].?acm?sigarch?computer?architecture?news,?2017,?45(1):?615-629.）中，kang?等人則提出了?neurosurgeon?系統(tǒng)，能夠自動(dòng)分割神經(jīng)網(wǎng)絡(luò)以提高系統(tǒng)性能，但其對(duì)硬件要求較高，限制了實(shí)際應(yīng)用的靈活性和普適性。

5、除了部署優(yōu)化問題外，如何確保輸電線路缺陷檢測(cè)的高精度仍是電力巡檢的核心挑戰(zhàn)之一。現(xiàn)有技術(shù)文獻(xiàn)（li?h,?liu?l,?du?j,?et?al.?an?improved?yolov3?forforeign?objects?detection?of?transmission?lines[j].?ieee?access,?2022,?10:45620-45628.）中，li?等人基于?yolov3?模型提出了一種改進(jìn)的檢測(cè)模型，在檢測(cè)性能上有一定提升?，F(xiàn)有技術(shù)文獻(xiàn)（wu?j,?cheng?s,?pan?s,?et?al.?detection?method?basedon?improved?faster?r-cnn?for?pin?defect?in?transmission?lines[c]//e3s?web?ofconferences.?edp?sciences,?2021,?300:?01011.）中，wu?等人采用基于?rcnn?的輸電線路缺陷檢測(cè)方法，在小目標(biāo)檢測(cè)上取得了較好效果。然而，這些方法普遍存在檢測(cè)精度不足、耗時(shí)較長的問題，難以滿足大規(guī)模電力巡檢對(duì)高效性和準(zhǔn)確性的要求。

6、此外，現(xiàn)有的電力巡檢系統(tǒng)缺乏靈活的智能化學(xué)習(xí)和優(yōu)化機(jī)制。傳統(tǒng)的深度學(xué)習(xí)模型往往是固定的，無法根據(jù)實(shí)際巡檢情況進(jìn)行動(dòng)態(tài)調(diào)整和優(yōu)化。在面對(duì)新的巡檢環(huán)境或新的故障類型時(shí)，現(xiàn)有系統(tǒng)通常依賴人工干預(yù)來更新模型，無法實(shí)現(xiàn)快速自適應(yīng)和自動(dòng)化優(yōu)化。這導(dǎo)致了在不同環(huán)境條件下，模型的檢測(cè)精度和告警策略難以保持一致性和穩(wěn)定性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于云邊協(xié)同的自學(xué)習(xí)電力輸電線路故障檢測(cè)系統(tǒng)，以解決現(xiàn)有技術(shù)用于電力輸電線路故障檢測(cè)的邊端設(shè)備存在的處理耗時(shí)高、延遲大、難以動(dòng)態(tài)調(diào)整邊端模型和告警策略的問題。

2、為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案為：

3、基于云邊協(xié)同的自學(xué)習(xí)電力輸電線路故障檢測(cè)系統(tǒng)，包括邊端、云端和用戶端，其中：

4、所述邊端采集電力輸電線路的實(shí)時(shí)圖像樣本，并利用輕量化邊端檢測(cè)模型對(duì)圖像樣本進(jìn)行檢測(cè)識(shí)別以得到故障識(shí)別結(jié)果和故障識(shí)別結(jié)果的置信度分?jǐn)?shù)，當(dāng)故障識(shí)別結(jié)果的置信度分?jǐn)?shù)超過預(yù)設(shè)閾值t，則邊端判定電力輸電線路存在異?；蛉毕?，由邊端產(chǎn)生告警信息，并由邊端將告警信息、故障識(shí)別結(jié)果和采集的圖像樣本傳輸至所述云端；

5、所述云端接收到邊端的告警信息、故障識(shí)別結(jié)果和圖像樣本后，向用戶端轉(zhuǎn)發(fā)告警信息以及圖像樣本；

6、若用戶端對(duì)接收的圖像樣本進(jìn)行了故障標(biāo)簽標(biāo)注并提交給云端，則云端將用戶提交的故障標(biāo)簽與邊端的故障識(shí)別結(jié)果進(jìn)行比對(duì)；當(dāng)比對(duì)結(jié)果為一致，則云端將來自邊端的圖像樣本直接加入訓(xùn)練數(shù)據(jù)以擴(kuò)展訓(xùn)練數(shù)據(jù)；若比對(duì)結(jié)果為不一致，則云端以用戶提交的故障標(biāo)簽作為圖像樣本的真實(shí)標(biāo)簽，以具有所述真實(shí)標(biāo)簽的圖像樣本加入訓(xùn)練數(shù)據(jù)以擴(kuò)展訓(xùn)練數(shù)據(jù)，并增加具有真實(shí)標(biāo)簽的圖像樣本的訓(xùn)練權(quán)重；

7、若用戶端沒有向云端提交標(biāo)注的圖像樣本，則通過云端的高精度集成模型，對(duì)來自邊端的圖像樣本重新進(jìn)行故障識(shí)別分析；若云端中高精度集成模型的故障識(shí)別分析結(jié)果與邊端的故障識(shí)別結(jié)果一致時(shí)，則云端將來自邊端的圖像樣本直接加入訓(xùn)練數(shù)據(jù)以擴(kuò)展訓(xùn)練數(shù)據(jù)；若分析結(jié)果不一致，則以云端高精度集成模型的故障識(shí)別分析結(jié)果，來標(biāo)注圖像樣本，然后將標(biāo)注后的圖像樣本加入訓(xùn)練數(shù)據(jù)以擴(kuò)展訓(xùn)練數(shù)據(jù)，并增加該圖像樣本的訓(xùn)練權(quán)重；

8、最終由云端利用擴(kuò)展的訓(xùn)練數(shù)據(jù)對(duì)保存在云端的輕量化邊端檢測(cè)模型進(jìn)行增量訓(xùn)練，訓(xùn)練結(jié)束后，由云端將訓(xùn)練后的輕量化邊端檢測(cè)模型的模型參數(shù)回傳至邊端，所述邊端加載來自云端的模型參數(shù)，由此在邊端對(duì)輕量化邊端檢測(cè)模型進(jìn)行迭代優(yōu)化。

9、進(jìn)一步的，所述邊端中的輕量化邊端檢測(cè)模型通過深度可分離卷積和剪枝優(yōu)化來提取電力輸電線路圖像樣本中的特征，并基于區(qū)域建議網(wǎng)絡(luò)生成候選區(qū)域，然后分類識(shí)別故障類型，并對(duì)每個(gè)故障識(shí)別結(jié)果賦予置信度分?jǐn)?shù)。

10、進(jìn)一步的，所述邊端中的輕量化邊端檢測(cè)模型包括特征提取部分、區(qū)域建議網(wǎng)絡(luò)、分類模塊。

11、進(jìn)一步的，所述特征提取部分包括十個(gè)卷積核和三個(gè)深度可分離卷積。

12、進(jìn)一步的，所述邊端中的輕量化邊端檢測(cè)模型引入輕量化策略，使用l1范數(shù)衡量通道權(quán)重的重要性，以剔除通道權(quán)重小于閾值的通道。

13、進(jìn)一步的，所述邊端中的輕量化邊端檢測(cè)模型訓(xùn)練時(shí)采用focal?loss作為損失函數(shù)。

14、進(jìn)一步的，所述云端還動(dòng)態(tài)調(diào)整邊端的預(yù)設(shè)閾值?t并傳輸至邊端。

15、進(jìn)一步的，所述云端中的高精度集成模型為結(jié)合投票融合策略的主干檢測(cè)模型，其中主干檢測(cè)模型是由retinanet、swin?transformer、detr、yolov5組成的。

16、本發(fā)明為邊端設(shè)備設(shè)計(jì)了一個(gè)輕量化邊端檢測(cè)模型，以提高邊緣端處理巡檢圖像以及告警的效率和準(zhǔn)確率。

17、該輕量化邊端檢測(cè)模型還通過云端和用戶端，來檢測(cè)能力與響應(yīng)速度。具體的，邊端設(shè)備負(fù)責(zé)實(shí)時(shí)采樣圖像樣本與故障檢測(cè)識(shí)別，當(dāng)檢測(cè)到異常時(shí)，發(fā)送告警信息、故障識(shí)別結(jié)果和圖像樣本數(shù)據(jù)至云端和用戶端；云端接收樣本后，利用由retinanet、swintransformer、detr、yolov5組成主干檢測(cè)模型并結(jié)合投票融合策略形成的高精度集成模型，進(jìn)行進(jìn)一步故障檢測(cè)與判斷；用戶端可對(duì)圖像樣本數(shù)據(jù)進(jìn)行人工標(biāo)注，提供可靠的人工標(biāo)簽以輔助保存在云端的輕量化邊端檢測(cè)模型進(jìn)行訓(xùn)練；云端保存的輕量化邊端檢測(cè)模型根據(jù)用戶反饋在云端進(jìn)行高效的自學(xué)習(xí)增量訓(xùn)練，訓(xùn)練得到的模型參數(shù)回轉(zhuǎn)至邊端用來更新邊端的輕量化邊端檢測(cè)模型。

18、本發(fā)明系統(tǒng)還可根據(jù)云端學(xué)習(xí)結(jié)果和用戶反饋動(dòng)態(tài)調(diào)整告警策略，來動(dòng)態(tài)調(diào)整邊端的預(yù)設(shè)閾值?t，以保證在不同環(huán)境下（如大霧、夜間等）高精度檢測(cè)并減少誤報(bào)與漏報(bào)。

19、在邊端的輕量化邊端檢測(cè)模型中的特征提取部分，本發(fā)明引入了十個(gè)卷積核，并且引入了三層深度可分離卷積將傳統(tǒng)卷積操作拆解為兩個(gè)步驟：深度卷積和逐點(diǎn)卷積。相比于標(biāo)準(zhǔn)卷積，本發(fā)明輕量化邊端檢測(cè)模型中的特征提取部分，通過引入深度可分離卷積大幅度減少了參數(shù)量和計(jì)算量，有助于減輕邊緣端設(shè)備的計(jì)算負(fù)擔(dān)。對(duì)于每個(gè)輸入通道，本發(fā)明輕量化邊端檢測(cè)模型中的特征提取部分使用單獨(dú)的卷積核進(jìn)行卷積操作，不與其他通道混合，從而減少了計(jì)算量。通過1x1卷積核進(jìn)行通道間的信息融合，進(jìn)一步提升輕量化邊端檢測(cè)模型表達(dá)能力的同時(shí)，保持計(jì)算效率。

20、本發(fā)明結(jié)合了邊緣計(jì)算、云計(jì)算以及自學(xué)習(xí)機(jī)制，能夠在不同環(huán)境下動(dòng)態(tài)調(diào)整檢測(cè)模型和告警策略，提升電力巡檢系統(tǒng)的檢測(cè)精度和實(shí)時(shí)性，減少誤報(bào)和漏報(bào)，從而提高電力輸電線路巡檢的智能化水平和效率。