一种用于电网巡检和监控的智能边缘检测装置的制作方法

1.本发明涉及电网巡检软硬件技术领域，具体地说，涉及一种用于电网巡检和监控的智能边缘检测装置。


背景技术：

2.无人机拥有空中视野良好，可监测范围广等优势，被广泛地应用于实际的目标检测任务中，由于无人机距离地面较远，任务中频繁出现小型目标检测效果不佳，虚检率和漏检率较高的情况；而无人机的整体重量和其续航时间具有直接关系，如何在不影响无人机续航的情况下，尽可能增加其运算处理的可能性，是目前行业内无法解决的问题，通常的手段是将数据回传至终端进行解析，但是这样往往导致故障或隐患的监测及时性受到影响，如何实时解析实现实时监控，是目前行业内需要解决的问题。巡检过程中产生的海量边缘数据，然而，对于这些海量的边缘数据无法做到快速响应、实时发现与定位风险隐患等问题，目前行业里存在着边缘数据的传输和计算、提高边缘数据感知与风险识别发现与响应困难的难题。如何在无人机巡检场景下提高边缘数据的进一步识别和响应，就亟须研究更加轻量化的边缘智能终端设备应用。
3.为了将现场作业智能边缘终端的应用推广到无人机巡检和变电站视频监控则同时提高作业人员的体验，减少操作负担，需要更加轻量化的边缘计算智能终端设备。降低能耗、降低对硬件平台性能指标的要求、降低与云端的通讯需求等，而实质上，轻量化的内核却是在做加法。产业需求决定了要完成的ai任务越来越复杂，轻量化人工智能必须通过加速运算效率、提高计算密度才能实现极致的效率。通过软硬件轻量化的边缘计算智能终端设备研发后，应用于无人机巡检、作业现场、变电站固定场所视频监控等场景下提升电网的数据采集、分析和应用能力，实现更加敏锐的“感官”和更加聪明的“大脑”，做到作业现场的潜在风险、已知风险实时识别，快速响应，提前规避。鉴于此，我们提出了一种用于电网巡检和监控的智能边缘检测装置。


技术实现要素：

4.本发明的目的在于提供一种用于电网巡检和监控的智能边缘检测装置，以解决上述背景技术中提出的问题。
5.为实现上述技术问题的解决，本发明的目的之一在于，提供了一种用于电网巡检和监控的智能边缘检测装置，作为无人机小脑安装在无人机上，包括：
6.上下对接的上壳和下壳，所述上壳用作遮罩盖，提供保护和散热；所述下壳用作盒体，内置边缘检测模组，所述边缘检测模组包括：主控板和ai算法板，所述ai算法板安装在所述主控板上，所述主控板上设置有扩展接口和通信模组；
7.所述扩展接口包括usb接口、type-c插座、tf内存插口、sim卡卡槽；
8.所述通信模组包括wifi图传模块和4g模块；
9.所述主控板接入无人机上的扩展插口，能获取无人机上的电源和无人机摄像头获
取的图像数据，利用无人机提供的电源为所述主控板和所述ai算法板上的模块供电，并将图像数据传输至所述ai算法板；
10.所述ai算法板与所述主控板之间通过通信插槽连接，用于读取图像数据，并对图像数据进行处理分析，输出处理结果并传输至通信模组或存储在内存卡内。
11.作为本技术方案的进一步改进，所述主控板的背部安装有wifi图传模块、4g模块、sim卡卡槽和tf卡卡槽；
12.所述主控板的上部安装有用于和所述ai算法板连接的通信插槽、交换机芯片、电感、网络变压器、电源元器件和保护单元元器件。
13.作为本技术方案的进一步改进，所述主控板上于边缘处设置有若干个连接至所述4g模块的天线端子接口，若干个内置fpc天线紧贴安装在所述上壳内侧壁的各个方向上，并通过引线与所述4g模块的天线端子接口、所述wifi图传模块连接。
14.作为本技术方案的进一步改进，所述ai算法板侧向侧插接在以横向侧开口形式放置的通信插槽内，并通过固定螺丝固定安装在所述主控板上；在所述上壳内侧对应于ai算法板上的芯片所在位置处设置有第一导热硅脂片，在所述下壳的底面上于wifi图传模块、4g模块的对应位置上设置有第二导热硅脂片，第一导热硅脂片和第二导热硅脂片用于将热量快速传递到外壳上。
15.作为本技术方案的进一步改进，所述上壳呈头部向尾部逐步倾斜上升的外形构造，所述上壳两侧设有导风斜面，且所述上壳的前端区域设置有若干片竖向布置的散热鳍片。
16.作为本技术方案的进一步改进，所述上壳顶部开设有圆孔，所述圆孔内设置有连接至主控板的带灯电源开关，所述下壳位于扩展接口的部位安装有能覆盖扩展接口区域的防尘挡片；或所述上壳的尾部侧面上开设有圆孔，所述圆孔用于安装连接至主控板的带灯电源开关；所述散热鳍片以插装的方式安装在所述上壳顶部前端处；
17.所述主控板、所述ai算法板的边缘处均通过若干颗螺钉进行安装，其中，用于安装固定主控板和下壳之间的所述螺钉上还套有防水环。
18.作为本技术方案的进一步改进，所述下壳通过快拆支架底座和快拆支架安装于无人机上，所述下壳底部、无人机背部均设置有若干个预留螺孔，快拆支架底座通过螺丝安装在下壳底部的预留螺孔内，所述快拆支架通过若干螺丝固定在无人机背部的预留螺孔上，所述快拆支架底座能够顺着所述快拆支架上的滑槽推入固定安装或拔出拆除。
19.本发明的目的之二在于，提供了上述ai算法板所能够进行的轻量化算法，具体为，所述ai算法板包括：
20.所述ai算法板的芯片，用于接收图像采集设备获取的图像数据，并进行处理，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，能基于所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，获得电力设施的目标识别后的目标数据；
21.算法模块，连接至所述ai算法板的芯片和通信模组，用于对目标数据进行算法轻量化处理，能通过高效网络结构处理、模型剪枝处理、权值量化处理、知识蒸馏处理，轻量化数据体量，并对不同目标图像进行划分、分类和识别：能使用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；能识别电力设施的目标，并进行风险识别智能检测，所述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，并将识别结果输送至通信模组；
22.通信模组接收到算法模块的识别结果后，将数据结果传输至电力终端系统，通信包括有线传输或无线传输。
23.作为本技术方案的进一步改进，所述算法模块中，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，能对所述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；
24.所述识别模型的使用包括，能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。
25.作为本技术方案的进一步改进，在所述算法模块中，能对图像目标数据中的小目标进行检测分析；
26.能对绝缘子自爆及破损进行检测分析；
27.能对防震锤进行检测并识别；
28.能对线路异物进行检测；
29.能对高压杆塔异物进行检测；
30.能对绝缘子与杆塔连接进行检测。
31.与现有技术相比，本发明的有益效果：
32.1.该用于电网巡检和监控的智能边缘检测装置中，在硬件方面，通过流水线设计、存储模式设计等手段进行硬件架构的创新，能够适配无人机，安装在无人机并且调用无人机的供电运行轻量化的数据处理，在保障不影响无人机巡检的常规续航的前提下，满足无人机巡检应用场景；
33.2.该用于电网巡检和监控的智能边缘检测装置中，在软件方面，通过算法创新和轻量化模型设计、矩阵分解、稀疏表示、量化计算来实现模型的微型化和计算加速，通过轻量化ai智能算法减少算力限制，实现无人机巡检的视频监控巡检作业。
附图说明
34.图1为本发明中示例性的用于电网巡检和监控的智能边缘检测装置作为无人机小脑安装在无人机上的使用状态示意图；
35.图2为本发明中示例性的用于电网巡检和监控的智能边缘检测装置的主要构成结构示意图；
36.图3为本发明中示例性的用于电网巡检和监控的智能边缘检测装置的结构爆炸图；
37.图4为本发明中示例性的无人机小脑的主控板的正面结构立体图；
38.图5为本发明中示例性的无人机小脑的主控板的底面结构立体图；
39.图6为本发明中示例性的无人机小脑的主控板和ai算法板的连接结构示意图；
40.图7为本发明中示例性的无人机小脑的内置fpc天线的结构安装立体图；
41.图8为本发明中示例性的无人机小脑的内置fpc天线的安装效果示意图；
42.图9为本发明中示例性的无人机小脑的结构剖面图；
43.图10为本发明中示例性的无人机小脑底部安装快拆支架底座的示意图；
44.图11为本发明中示例性的在无人机顶部安装快拆支架的结构示意图；
45.图12为本发明中示例性的快拆快装无人机小脑的操作示意图；
46.图13为本发明中示例性的整体使用状态立体图；
47.图14为本发明实施例2中示例性的结构构成示意图。
48.图中：1-上壳；11-导风斜面；12-散热鳍片；13-带灯电源开关；14-防尘挡片；2-下壳；21-快拆支架底座；22-快拆支架；23-螺钉；24-防水环；25-圆孔；3-主控板；31-usb接口；32-type-c插座；33-tf内存插口；34-sim卡卡槽；35-wifi图传模块；36-4g模块；37-通信插槽；38-tf卡卡槽；39-内置fpc天线；310-交换机芯片；311-电感；312-网络变压器；313-电源元器件；314-保护单元元器件；315-天线端子接口；316-第二导热硅脂片；4-ai算法板；416-第一导热硅脂片。
具体实施方式
49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.实施例1
51.如图1-图13所示，本实施例提供了一种用于电网巡检和监控的智能边缘检测装置，包括：
52.上下对接的上壳1和下壳2，上壳1用作遮罩盖，提供保护和散热；下壳2用作盒体，内置边缘检测模组，边缘检测模组包括：主控板3和ai算法板4，ai算法板4安装在主控板3上，主控板3上设置有扩展接口和通信模组；
53.扩展接口包括usb接口31、type-c插座32、tf内存插口33、sim卡卡槽34；
54.通信模组包括wifi图传模块35和4g模块36；
55.主控板3接入无人机上的扩展插口，能获取无人机上的电源和无人机摄像头获取的图像数据，利用无人机提供的电源为主控板3和ai算法板4上的模块供电，并将图像数据传输至ai算法板4；
56.ai算法板4与主控板3之间通过通信插槽37连接，用于读取图像数据，并对图像数据进行处理分析，输出处理结果并传输至通信模组或存储在内存卡内。
57.其中，上壳1和下壳2能够合盖成一体结构，主控板3和ai算法板4呈叠放结构放置在上下壳内，使用时将数据线接入无人机扩展插口和type-c插座32，不仅接入无人机电源，还能获取无人机自带的摄像头的图像数据，即可实现对无人机小脑的供电和图像传输；主控板3用于对整个无人机小脑的数据传输、元器件的连接和操控，wifi图传模块35和4g模块36分别用于无线数据通信传输，实时无线传输应用远距离图传的无线图像采集与传输系
统，wifi图传模块35进行远距离图像采集，通过tcp协议将采集到的图像通过tcp协议传送到相关设备，图像传输稳定，能够实现实时无线图像传；sim卡卡槽34内置通讯卡，能够接入4g网络实现数据的传输；ai算法板4则用于对数据图像进行处理分析识别，并输出处理结果和识别结果等数据。
58.本实施例中，主控板3的背部安装有wifi图传模块35、4g模块36、sim卡卡槽34和tf卡卡槽38；
59.主控板3的上部安装有用于和ai算法板4连接的通信插槽37、交换机芯片310、电感311、网络变压器312、电源元器件313和保护单元元器件314。
60.其中，交换机芯片310是一种用于电(光)信号转发的网络设备的集成芯片，主要功能包括物理编址、网络拓扑结构、错误校验、帧序列以及流控；电感311在电路中主要起到滤波、振荡、延迟、陷波等作用，还有筛选信号、过滤噪声、稳定电流及抑制电磁波干扰等作用；网络变压器312在以太网设备中的作用主要有信号传输、阻抗匹配、波形修复、信号杂波抑制和高电压隔离等作用；电源元器件313、保护单元元器件314主要是对于主控板3进行供电和保护。
61.进一步地，主控板3上于边缘处设置有若干个连接至4g模块36的天线端子接口315，若干个内置fpc天线39紧贴安装在上壳1内侧壁的各个方向上，并通过引线与4g模块36的天线端子接口315、wifi图传模块35连接；这样的天线布置结构能够保证信号的强度和远距离传输稳定性。
62.进一步地，ai算法板4侧向侧插接在以横向侧开口形式放置的通信插槽37内，并通过固定螺丝固定安装在主控板3上；在上壳1内侧对应于ai算法板4上的芯片所在位置处设置有第一导热硅脂片416，在下壳2的底面上于wifi图传模块35、4g模块36的对应位置上设置有第二导热硅脂片316，第一导热硅脂片416和第二导热硅脂片316用于将热量快速传递到外壳上；导热硅脂片能够快速对元器件进行散热传递，能够快速地将热量传递到外壳上进行散热。
63.进一步地，上壳1呈头部向尾部逐步倾斜上升的外形构造，上壳1两侧设有导风斜面11，能够更好地降低飞行风阻；且上壳1的前端区域设置有若干片竖向布置的散热鳍片12，散热鳍片12的下方即是第一导热硅脂片416，从而实现快速地对ai算法板4上的芯片进行散热；另一方面，热硅脂片还能起到一定的防振效果。
64.进一步地，上壳1顶部开设有圆孔25，圆孔25内设置有连接至主控板3的带灯电源开关13，在接通电源数据线的情况下，按压带灯电源开关13，能够快速启动无人机小脑实现对无人机的数据连接，同时其灯件会常亮表示处于开机状态；下壳2位于扩展接口的部位安装有能覆盖扩展接口区域的防尘挡片14，能对usb接口31、type-c插座32进行日常的防尘防水。
65.进一步地，下壳2通过快拆支架底座21和快拆支架22安装于无人机上，下壳2底部、无人机背部均设置有若干个预留螺孔，快拆支架底座21通过螺丝安装在下壳2底部的预留螺孔内，快拆支架22通过若干螺丝固定在无人机背部的预留螺孔上，快拆支架底座21能够顺着快拆支架22上的滑槽推入固定安装或拔出拆除；
66.安装好快拆支架22在无人机顶部，快拆支架底座21安装在无人机小脑底盘后，即可实现快速地对接安装：需要安装时，顺着快拆支架22两侧开槽的开口，将对应的快拆支架
底座21的卡条插入开槽内拉到底即可完成固定，必要时配合锁销，防止其滑出，实现快装快拆，便于收纳和使用时安装。
67.实施例2
68.如图14所示，本实施例在实施例1的基础上，对上壳1进行改进，具体为：
69.上壳1的尾部侧面上开设有圆孔25，圆孔25用于安装连接至主控板3的带灯电源开关13；散热鳍片12以插装的方式安装在上壳1顶部前端处；安装在侧面的带灯电源开关13，能提高开关与壳体之间缝隙的防水性能，必要时在该缝隙内可以套装防水圈，散热鳍片12单独加工生产，后期单独装配在上壳1上。
70.优选地，主控板3、ai算法板4的边缘处均通过若干颗螺钉23进行安装，其中，用于安装固定主控板3和下壳2之间的螺钉23上还套有防水环24。
71.因螺栓会有开孔，为了进一步提高设备的密封性能，在螺栓与壳体上的开孔之间，通过防水环24的设置，可以进一步提高设备的防水性、防尘性，整体结构又牢固稳定。
72.实施例3
73.本实施例在实施例1或实施例2的基础上，提供了ai算法板4所能够进行的轻量化算法，具体为，ai算法板4包括：
74.ai算法板4的芯片，用于接收图像采集设备获取的图像数据，并进行处理，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，能基于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，获得电力设施的目标识别后的目标数据；
75.算法模块，连接至ai算法板4的芯片和通信模组，用于对目标数据进行算法轻量化处理，能通过高效网络结构处理、模型剪枝处理、权值量化处理、知识蒸馏处理，轻量化数据体量，并对不同目标图像进行划分、分类和识别：能使用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；能识别电力设施的目标，并进行风险识别智能检测，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，并将识别结果输送至通信模组；
76.通信模组接收到算法模块的识别结果后，将数据结果传输至电力终端系统，通信包括有线传输或无线传输。
77.其中，ai算法板4的芯片包括：图像数据集处理，能将获取、收集到的图像信息数据化，并对每一幅图像赋予唯一对应的标签，对图像进行标注和注释并构成训练的数据训练集；深度学习训练处理，使用卷积神经网络，将数据图像降维处理使其能够被训练，构建包括卷积层、池化层、全连接层组成的卷积网络，其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，通过若干个全连接层完成分类；深度学习训练过程处理，使用自下上升非监督学习：采用无标定数据或有标定数据，分层训练各层参数，先用无标定数据训练第一层，训练时先学习第一层的参数，由于模型能力的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；使用自顶向下的监督学习，通过带标签的数据去训练，误差自顶向下传输，对网络进行微调，基于得到的各层参数进一步微调整个多层模型的参数。
78.本实施例中，算法模块中，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，能对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；
79.识别模型的使用包括，能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；
80.其中，高效网络结构处理包括：能在模型的训练阶段，结合深度可分离卷积对网络架构进行轻量化；深度可分离卷积针对每个输入通道采用不同的卷积核，就是说一个卷积核对应一个输入通道，这个过程产生的feature map通道数和输入的通道数一样；
81.模型剪枝处理包括：能在训练的过程当中，对网络的通道维度进行剪枝；在模型进行bn进行网络归一化参数分布后，通过l1正则化对bn上可训练参数γ进行约束，使其趋于0，后续剔除输出为0的通道，减少训练参数，进行稀疏训练，达到对网络剪枝的目的；
82.权值量化处理包括：能在模型进行训练后，得出模型的格式为pt文件格式，其权重和相关参数的格式为float型；为了提高识别效率，需要转为onnx格式和终端支持的bin格式文件，在onnx格式模型文件转bin文件时，通过int8整型量化，使其网络权重和激活值的取值范围映射到(-127～128)，减少计算量，提升网络识别效率；
83.知识蒸馏处理包括：能使用一个大型预先训练的网络来训练一个更小的网络；一旦对一个繁琐笨重的网络模型进行了训练，就可以使用另外一种训练，将知识从繁琐的模型转移到更适合部署的小模型。
84.具体地，算法模块能对图像目标数据中的小目标进行检测分析，能基于yolov5卷积神经网络，建立一个无人机航拍数据集，并使用维度聚类方法设计合适的锚框，将广义交并比应用于网络的坐标损失函数中，替代原本的和方差损失，将yolov5网络4倍降采样特征图与经过上采样的8倍降采样特征图进行拼接，建立新的4倍降采样的目标检测层，获得小目标的检测数据；能对图像目标数据中的输电线目标进行检测分析，再对输电塔与输电线路进行图像提取和识别，构建输电塔正负训练集和测试集，以便能够通过上述算法，归纳出输电塔与其他目标在图像特征上的不同之处，从而进行输电线路的识别运算；能基于hough直线检测的结果，将直线与输电塔进行连接，如果连接成功，则说明该直线为电力线的图像；如果连接失败，则该线条被判定为干扰目标从而被除去。
85.其中，深度学习训练，包括自下上升非监督学习，采用无标定数据或有标定数据分层训练各层参数，进行特征学习，自顶向下的监督学习，通过带标签的数据训练，误差自顶向下传输，对网络进行微调，基于得到的各层参数进一步微调整个多层模型的参数；微调整个多层模型的参数还包括：能用无标定数据训练第一层，训练时先学习第一层的参数，由于模型能力的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。
86.进而，算法模块还包括能对识别模型进行模型压缩，能使用精细模型的设计、模型
裁剪或核的稀疏化进行模型压缩，模型裁剪为结构性剪枝：卷积核剪枝、通道剪枝和层级剪枝，只需改变网络中卷积核和特征通道的数目，所得到的模型就可以运行；模型每一层的输出通过一个全局池化将特征图转换为一个长度为filter数量c的向量，对于n张图像可以得到一个n*c的矩阵，对于每一个filter，将它分为m个bin，统计每个bin的概率，然后计算它的熵值；利用熵值来判定filter的重要性，再对不重要的filter进行裁剪；第j个feature map熵值的计算方式如下：
[0087][0088]
式中，m为指标个数，pi为第i个样本占该指标的比重；
[0089]
裁剪完一层，通过少数几个迭代来恢复部分的性能，当所有层都裁剪完之后，再通过较多的迭代来恢复整体的性能。
[0090]
进一步地，在算法模块中，能对绝缘子自爆及破损进行检测分析，包括如下步骤：收集巡检视频中获得的绝缘子图片，将这图片进行旋转、加噪、镜像操作进行扩充，将扩充完成的绝缘子图片作为真实绝缘子样本库；利用生成式对抗网络gan对得到的真实绝缘子样本库中的图片进行预处理，把缺陷绝缘子图片与各种复杂背景融合，扩充缺陷绝缘子数据集得到绝缘子样本扩充库，将该数据划分为训练集和测试集，利用标注工具labellmg对选出的训练集进行标注，并保存标注完成后绝缘子图片的信息，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的测试集，得到绝缘子缺陷检测结果；针对缺陷绝缘子的不明显特征问题，提出改进yolov5s网络对目标进行检测，通过在颈部网络头部添加se注意力机制，使得网络更关注目标特征，提高网络的特征提取能力；
[0091]
能对防震锤进行检测并识别，包括如下步骤：收集巡检视频中含有防震锤的视频数据，并逐帧取图生成防震锤数据集；再通过网络来源的防震锤图像数据补充；对收集到的防震锤图像数据进行预处理操作，将数据扩充生成相似的图像；对收集到的数据集中的防震锤进行标注，得到含有目标物的候选框的坐标；将预处理后的数据集标注好并输入到mobilenetv3网络处理，提取r、g、b维度三种维度的特征图；将征图输入到yolov5模块进行训练；将训练后的神经网络模型参数输入边缘终端；边缘终端对输电线路上的防震锤进行检测；
[0092]
能对线路异物进行检测，包括如下步骤：收集巡检视频中含有塑料袋的视频数据，并逐帧取图生成数据集；再通过网络来源的塑料袋图像，加入数据集中；对收集到的数据进行预处理操作，将数据扩充生成相似的图像；对采集的数据集中的塑料袋进行标注，得到含有目标物的候选框的坐标；将预处理后的数据集标注好并输入到mobilenetv3网络处理，提取三种维度的特征图；将特征图输入到yolov5模块进行训练；将训练后最优的神经网络模型参数输入边缘终端；边缘终端对输电线路上的塑料袋进行检测；
[0093]
能对高压杆塔异物进行检测，包括如下步骤：基于深度学习算法通过selective search法提取杆塔图像候选区域；再基于unet网络模型，通过预训练和重训练进行样本和网络参数的调整和优化；unet是基于fcn的一个语义分割网络，包括下采样和上采样；按照
machine，svm)，对所得到的不同图像进行划分，从而对不同的目标进行识别和分类。
[0102]
为了进行输电图像的识别，可以通过航拍图像、一般检测图像、网络照片等图像数据，构建输电塔正负训练集和测试集，以便能够通过上述算法，归纳出输电塔与其他目标在图像特征上的不同之处，从而进行输电线路的识别运算。
[0103]
其三，输电塔的svm识别：
[0104]
svm同样是一种常用、有效的图像识别与分类算法。该方法通过在不同类别的数据点之间寻找一个界限，将整个数据空间分为两个部分。通过在数据空间中计算各个点的位置，就可以完成这些数据的分类与识别操作。
[0105]
在使用svm对数据点进行检验时，只需与法向量点乘，然后判断正负即可。因此svm在进行数据判别的时候，运算速度较快。
[0106]
本实施例对输电塔的pca特征使用svm进行了识别，svm能够将输电塔与其他目标较好地区别开来，尤其是航拍目标的特征点，能够清晰地分布在中心线的两侧。这是由于航拍图像与地面检测时所采集的图像相比，图像特征清晰完整，且角度不同所致。这更加说明了航拍检测的优势所在。通过更多航拍与地面采集图像的训练与测试，本文对算法的识别准确率进行了统计，随着主成分特征分量的增加，识别结果变得越来越准确，同时运行速度也越来越慢。因此，在准确率和性能方面，应当找到一个较为平衡的位置。此处选定7个特征分量进行分类识别，准确率可以达到90％。对于进一步增强识别的准确性，可以通过无人机检测系统运行后采集到的大量航拍图像，来进行进一步的训练过程。
[0107]
其四，输电线的判别：
[0108]
经过上述过程的输电塔识别之后，结合hough直线检测的结果，将直线与输电塔进行连接，如果连接成功，则说明该直线为电力线的图像。如果连接失败，则该线条被判定为干扰目标从而被除去。基于识别出的电力目标，进行风险识别智能检测，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。
[0109]
其中，识别模型的使用还包括对识别模型进行模型压缩，能使用精细模型的设计、模型裁剪或核的稀疏化进行模型压缩，模型裁剪，寻找一种有效的评判手段，来判断参数的重要性，将不重要的connection或者filter进行裁剪来减少模型的冗余，同样也分为regular和irregular的方式。
[0110]
如在拍摄高压杆塔图像时，拍摄环境过于复杂，检测目标与背景重叠较多，草丛、树木、房屋等干扰因素较多。采集图像时，无人机的拍摄距离、图像中鸟巢目标的占比、背景中的暗淡光线都会对图像检测形成干扰。则先基于深度学习算法通过selective search法提取杆塔图像候选区域；再基于caffenet网络模型，通过预训练和重训练进行样本和网络参数的调整和优化，最终智能识别图像中鸟巢的存在，并精确定位。其中，所用图像均来源于无人机拍摄。该算法实现图像的实时采集、实时监测和实时识别。这将极大地减轻工作人员的巡检负担，提高输电线路的维护效率。
[0111]
本发明经过研发，基于电力终端产生的海量边缘数据，通过研制边缘智能终端解决了云、边、端协问题，同时对于这些海量的边缘数据能做到快速响应、实时发现与定位问题，并且能够和大多数市售的无人机进行组合搭配使用，同时又兼顾续航问题，又提高了对巡检过程中的图像识别率，提高了无人机巡检和监控的质量。
[0112]
其中，轻量化人工智能算法，是指以一系列轻量化技术为驱动提高芯片、平台和算法的效率，在更紧密的物理空间上实现低功耗的人工智能训练和应用部署，不需要依赖于云端的交互就能实现智能化操作的人工智能，从而减轻边缘计算智能终端设备。结合边缘设备管理平台管理边缘计算智能终端设备和ai算法模块，通过边缘应用程序串联边缘计算智能终端设备和边缘设备管理平台、ai算法模块，将边缘计算智能终端设备通过ai算法识别的作业风险展示到边缘应用程序上，通过边缘应用程序以更好用户体验方式展示给端作业人员。
[0113]
此时，通过在无人机上搭载超轻量化的智能终端设备解决：现场实时定位隐患位置并及时处理的问题；解决因无人机算力不足导致关键隐患的检测能力不佳的问题；通过超轻量化边缘计算智能终端的轻量化ai组件，解决当前为更好地确认隐患需反复飞而续航能力受限的问题。并且，通过研究边缘终端管理应用平台，解决轻量化的边缘计算智能终端设备异地管理、检测、算法部署、系统更新等问题。另外，通过研究图形化系统界面，统一管理多个，多组边缘计算智能终端ai算法更新、部署、终端状态监控、系统更新等。
[0114]
本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤的过程可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0115]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.一种用于电网巡检和监控的智能边缘检测装置，作为无人机小脑安装在无人机上，其特征在于，包括：上下对接的上壳(1)和下壳(2)，所述上壳(1)用作遮罩盖，提供保护和散热；所述下壳(2)用作盒体，内置边缘检测模组，所述边缘检测模组包括：主控板(3)和ai算法板(4)，所述ai算法板(4)安装在所述主控板(3)上，所述主控板(3)上设置有扩展接口和通信模组；所述扩展接口包括usb接口(31)、type-c插座(32)、tf内存插口(33)、sim卡卡槽(34)；所述通信模组包括wifi图传模块(35)和4g模块(36)；所述主控板(3)接入无人机上的扩展插口，能获取无人机上的电源和无人机摄像头获取的图像数据，利用无人机提供的电源为所述主控板(3)和所述ai算法板(4)上的模块供电，并将图像数据传输至所述ai算法板(4)；所述ai算法板(4)与所述主控板(3)之间通过通信插槽(37)连接，用于读取图像数据，并对图像数据进行处理分析，输出处理结果并传输至通信模组或存储在内存卡内。2.根据权利要求1所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，所述主控板(3)的背部安装有wifi图传模块(35)、4g模块(36)、sim卡卡槽(34)和tf卡卡槽(38)；所述主控板(3)的上部安装有用于和所述ai算法板(4)连接的通信插槽(37)、交换机芯片(310)、电感(311)、网络变压器(312)、电源元器件(313)和保护单元元器件(314)。3.根据权利要求2所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，所述主控板(3)上于边缘处设置有若干个连接至所述4g模块(36)的天线端子接口(315)，若干个内置fpc天线(39)紧贴安装在所述上壳(1)内侧壁的各个方向上，并通过引线与所述4g模块(36)的天线端子接口(315)、所述wifi图传模块(35)连接。4.根据权利要求3所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，所述ai算法板(4)侧向侧插接在以横向侧开口形式放置的通信插槽(37)内，并通过固定螺丝固定安装在所述主控板(3)上；在所述上壳(1)内侧对应于ai算法板(4)上的芯片所在位置处设置有第一导热硅脂片(416)，在所述下壳(2)的底面上于wifi图传模块(35)、4g模块(36)的对应位置上设置有第二导热硅脂片(316)，第一导热硅脂片(416)和第二导热硅脂片(316)用于将热量快速传递到外壳上。5.根据权利要求4所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，所述上壳(1)呈头部向尾部逐步倾斜上升的外形构造，所述上壳(1)两侧设有导风斜面(11)，且所述上壳(1)的前端区域设置有若干片竖向布置的散热鳍片(12)。6.根据权利要求5所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，所述上壳(1)顶部开设有圆孔(25)，所述圆孔(25)内设置有连接至主控板(3)的带灯电源开关(13)，所述下壳(2)位于扩展接口的部位安装有能覆盖扩展接口区域的防尘挡片(14)；或所述上壳(1)的尾部侧面上开设有圆孔(25)，所述圆孔(25)用于安装连接至主控板(3)的带灯电源开关(13)；所述散热鳍片(12)以插装的方式安装在所述上壳(1)顶部前端处；所述主控板(3)、所述ai算法板(4)的边缘处均通过若干颗螺钉(23)进行安装，其中，用于安装固定主控板(3)和下壳(2)之间的所述螺钉(23)上还套有防水环(24)。7.根据权利要求6所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，所述下壳(2)通过快拆支架底座(21)和快拆支架(22)安装于无人机上，所述下壳(2)底部、无人机背部均设置有若干个预留螺孔，快拆支架底座(21)通过螺丝安装在下壳(2)底部的预留
螺孔内，所述快拆支架(22)通过若干螺丝固定在无人机背部的预留螺孔上，所述快拆支架底座(21)能够顺着所述快拆支架(22)上的滑槽推入固定安装或拔出拆除。8.根据权利要求1所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，所述ai算法板(4)包括：所述ai算法板(4)的芯片，用于接收图像采集设备获取的图像数据，并进行处理，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，能基于所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，获得电力设施的目标识别后的目标数据；算法模块，连接至所述ai算法板(4)的芯片和通信模组，用于对目标数据进行算法轻量化处理，能通过高效网络结构处理、模型剪枝处理、权值量化处理、知识蒸馏处理，轻量化数据体量，并对不同目标图像进行划分、分类和识别：能使用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；能识别电力设施的目标，并进行风险识别智能检测，所述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，并将识别结果输送至通信模组；通信模组接收到算法模块的识别结果后，将数据结果传输至电力终端系统，通信包括有线传输或无线传输。9.根据权利要求8所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，所述算法模块中，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，能对所述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；所述识别模型的使用包括，能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。10.根据权利要求9所述的用于电网巡检和监控的智能边缘检测装置，其特征在于，在所述算法模块中，能对图像目标数据中的小目标进行检测分析；能对绝缘子自爆及破损进行检测分析；能对防震锤进行检测并识别；能对线路异物进行检测；能对高压杆塔异物进行检测；能对绝缘子与杆塔连接进行检测。

技术总结
本发明涉及电网巡检软硬件技术领域，具体地说，涉及一种用于电网巡检和监控的智能边缘检测装置。包括：上壳和下壳，下壳内置边缘检测模组，边缘检测模组包括：主控板和AI算法板，AI算法板安装在主控板上，主控板上设置有扩展接口和通信模组；主控板接入无人机上的扩展插口，能获取无人机上的电源和无人机摄像头获取的图像数据。本发明设计能够适配无人机，可以调用无人机的供电运行轻量化的数据处理，在保障不影响无人机巡检的常规续航的前提下，满足无人机巡检应用场景；通过算法创新和轻量化模型设计、矩阵分解、稀疏表示、量化计算来实现模型的微型化和计算加速，通过轻量化AI智能算法减少算力限制，实现无人机巡检的视频监控巡检作业。作业。作业。


技术研发人员：常荣 李邦源 郑博文 张志生 游绍华 毛正雄 宁浩宇
受保护的技术使用者：云南电网有限责任公司玉溪供电局
技术研发日：2023.03.07
技术公布日：2023/7/21