CN113705364B - 基于人工智能的输电线路外部隐患预警系统及方法 - Google Patents

Abstract

基于人工智能的输电线路外部隐患预警系统及方法，包括安装在高压输电线路塔杆上的前端设备和监测子站主机，前端设备和监测子站主机连接，监测子站主机与远程的后台监测系统通讯连接，监测子站主机、后台监测系统与神经网络模块连接。利用部署在核心处理运算模块的轻量级网络进行异物检测，根据后台监测系统的异物检测情况，向移动终端、监测子站主机和前端设备的警示器发出不同的警戒信息。核心处理运算模块以及后台监测系统中的视频服务器均部署有智能检测外部隐患物的智能检测算法，构成了外部隐患物检测的两道防线，不仅可以及时、快速地发现外部隐患物，同时有效降低了单一智能检测算法造成的误检和漏检，提高了自动化监测的效率和精确率。

Description

基于人工智能的输电线路外部隐患预警系统及方法

技术领域

本发明涉及输电线路安全监测领域，具体涉及一种基于人工智能的输电线路外部隐患预警系统及方法。

背景技术

随着中国输电需求的持续增长和电力系统规模的不断扩大，电力系统中输电线路的安全性和稳定性越来越重要。由于输电线路大部分都架设在自然环境和工程现场下，不可避免地会受到吊车、叉车和山火等外部隐患物的侵害。若是不能及时发现并对外部隐患物进行相应处理和清除，将可能导致不可预料的电力事故，造成线路故障跳闸，影响工厂、医院等重要负荷的用电以及社会的正常运转。因此，及时发现造成线路故障的外力破坏隐患物是非常重要而且有必要的。

目前，针对输电线路的外部隐患物的检测主要有人工巡检和无人机巡检。传统的人工巡检主要通过有经验的电力工作人员对可能出现隐患的区域进行巡视。这种方法受地理环境和天气条件限制，不仅巡线时间长，检测效率低，而且很容易由于地质灾害等不可控因素威胁人身安全发生事故；无人机巡检虽然突破了地理环境等因素的限制，但由于当前的无人机不具备智能识别外部隐患物的能力，巡检拍摄回来的图片仍然需要通过有经验的电力工作人员进行筛查，检测流程不仅枯燥，而且需要耗费大量的时间，不能及时且快速发现外部隐患物。除此之外，较长的筛查时间会使人视觉疲劳，导致误检和漏检。与上述的两种传统检测方法相比，基于计算机视觉技术的外部隐患物检测方法可以大大减少判别时间，有效提高判别效率和准确率，已经成为当前输电线路安全监测领域的研究重点。然而，研究人员主要关注于外部隐患物的检测算法的研究，而对基于检测算法的监测系统的研究鲜有涉及。因此，研究一种能够及时、快速的输电线路外部隐患物智能监测系统是非常重要而且必要的。

发明内容

本发明所要解决的技术问题是提供一种基于人工智能的输电线路外部隐患预警系统及方法，通过对基于人工智能的输电线路外部隐患预警系统及方法。

为解决上述技术问题，本发明所采用的技术方案是：

基于人工智能的输电线路外部隐患预警系统，包括安装在高压输电线路塔杆上的前端设备和监测子站主机，前端设备和监测子站主机连接，监测子站主机与远程的后台监测系统通讯连接， 监测子站主机、后台监测系统与神经网络模块连接，前端设备用于采集现场环境图像，并将采集到的数据发送至监测子站主机，监测子站主机对图像进行预处理和智能分析监测后判断是否有外物入侵，并控制前端设备进行现场告警。

前端设备和监测子站主机整合在主机内，并统一置于高压输电线路塔杆上

上述的前端设备包括云台摄像机和警示器，云台摄像机与监测子站主机内的视频采集模块输入端连接，监测子站主机内还设有核心处理运算模块和通讯与传输模块，核心处理运算模块输入端与视频采集模块输出端连接，核心处理运算模块输出端与警示器连接，核心处理运算模块和通讯与传输模块通讯连接，通讯与传输模块与后台监测系统连接。

前端设备中的云台摄像机可根据检测区域的不同分别采用高清网络枪机和自动跟踪球机。

监测子站主机中的视频采集模块可以对前端设备的视频信号进行视频流采集，获取包含一定帧数的视频流包，并根据不同的视频流编码方式对其进行解码，同时将获取到的当前帧图像作为输入信号发送给监测子站主机的核心处理运算模块。

监测子站主机中的通讯与传输模块采用稳定可靠的通信芯片电路模块，并配置专用的无线通讯天线以扩大信号强度，用于将核心处理运算模块输出的检测分析结果传输给后台监测系统。

上述的神经网络模块包括高精度网络模型、外部隐患数据集和轻量化网络模型，外部隐患数据集用于对高精度网络模型进行训练，高精度网络模型训练完成后部署在后台监测系统中，高精度网络模型通过轻量化操作后得到轻量化网络模型，轻量化网络模型部署在核心处理运算模块中。

神经网络模块中的高精度网络模型和轻量化网络模型结构由骨干网络、检测器颈部和检测器头部组成。

上述的后台监测系统包括数据库服务器、Web服务器和视频服务器，通讯与传输模块与三种服务器通讯连接，训练好的高精度网络模型部署在视频服务器中，视频服务器用于接收监测子站主机发送的分帧检测结果图像信号并对其进一步分析，视频服务器内高精度网络模型通过检测算法对图像信号进行再次检测，根据检测结果向监测子站主机发送相应警戒等级信号，监测子站主机控制警示器发出相应的声光报警信号，Web服务器用于对检测结果进行可视化展示，并发送信息到相关人员的手机和个人电脑，同时数据库服务器将其结果保存在数据档案中。

上述的数据库服务器和视频服务器通过Web服务器进行数据交互。

上述的Web服务器设有人机交互界面，Web服务器内设有视频播放模块、数据查询模块、统计分析模块以及设备管理模块。

上述的核心处理运算模块包括存储芯片电路单元、电源电路单元、以太网收发电路单元、串口电路单元、无线收发电路单元和看门狗电路单元，通过存储芯片电路单元保存轻量化网络模型，通过以太网收发电路单元、串口电路单元和无线收发电路单元与外部进行数据传输。

上述的监测子站主机与电源模块电连接，电源模块包括光伏板、光伏电源管理模块和蓄电池组，光伏板和蓄电池组通过光伏电源管理模块进行连接，光伏电源管理模块与监测子站主机进行连接。

使用上述基于人工智能的输电线路外部隐患预警系统的预警方法，包括以下步骤：

步骤一、采集不同区域、不同天气条件、不同光照条件以及不同季节下的外部隐患物视频数据，将其导入到后台监测系统中的视频服务器进行人工标注形成外部隐患数据集；

步骤二、使用深度学习平台中的高精度目标检测算法进行外部隐患物检测模型的训练，将训练好的模型保存至视频服务器中；

步骤三、使用深度学习平台中的模型压缩和预测库，对训练好的外部隐患物检测模型进行轻量化处理，将训练好的大模型转化为小模型，并将其保存至监测子站主机中；

步骤四、根据不同的区域，使用调试好的前端设备和监测子站主机进行输电线路周围环境的视频监控，并将监控获得的视频流通过监测子站主机的通讯与传输模块传输到后台监测系统的视频服务器和数据库服务器中，便于实时监控和存档；

步骤五、监测子站主机的视频采集模块对监控视频流进行分帧图像提取，核心处理运算模块调用轻量化神经网络模型对提取好的分帧图像按照时间顺序进行检测，当检测到外部隐患物时，保存当前帧图像，并将该图像的监控信息发送到视频服务器中；

步骤六、视频服务器接收带有外部隐患物的输电线路当前帧图像，并调用高精度检测神经网络模型对图像进行再次检测，若检测到外部隐患物的置信度低于预先设定阈值时，则向移动终端发出带有时间信息的一般等级警戒信号，并将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的最低警戒文件夹和预警记录文件夹中；

若没有检测到外部隐患物，则只将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的正常文件夹和预警记录文件夹中；

若检测到外部隐患物的置信度高于预先设定阈值时，则向移动终端发出带有时间信息的严重等级警戒信号，并发送报警信号给监测子站主机，子站通过总线协议控制警示器发出声光报警信号，并将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的严重警戒文件夹和预警记录文件夹中；

步骤七、监控人员通过移动终端接收到警戒信息后，从后台监测系统中的Web服务器调取存储的监控视频进行查看，并通知巡检人员进行现场核查和应急处理。

本发明提供的一种基于人工智能的输电线路外部隐患预警系统及方法，具有以下有益效果：

1、可以快速、及时的发现可能对输电线路安全造成侵害的外部隐患物；

2、通过监测子站主机中的轻量型嵌入式网络推理模型以及视频服务器中的大型高精度网络检测模型两者相结合，可以防止单一神经网络模型造成的误检和漏检，有效提高了自动化监测的效率和精确率。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明示例性的实施例的检测系统结构图；

图2为本发明示例性的实施例的Web服务器功能结构图；

图3为本发明示例性的实施例的检测方法流程图；

图4为本发明示例性的实施例的高精度神经网络模型结构图；

图5为本发明示例性的实施例的轻量型神经网络模型结构图。

具体实施方式

下面结合具体实施例，对本发明作进一步详细的阐述：

如图1中所示，基于人工智能的输电线路外部隐患预警系统，基于人工智能的输电线路外部隐患预警系统，包括安装在高压输电线路塔杆上的前端设备和监测子站主机，前端设备和监测子站主机连接，监测子站主机与远程的后台监测系统通讯连接， 监测子站主机、后台监测系统与神经网络模块连接，前端设备用于采集现场环境图像，并将采集到的数据发送至监测子站主机，监测子站主机对图像进行预处理和智能分析监测后判断是否有外物入侵，并控制前端设备进行现场告警。

前端设备用于侦测外物入侵、现场告警及输电线路现场环境图像信息采集，并把采集到的数据发送给监测子站主机；监测子站主机主要用于图像信息的预处理、图像智能分析检测以及子站主机与后台监测系统的通信。

上述的前端设备包括云台摄像机和警示器，云台摄像机与监测子站主机内的视频采集模块输入端连接，监测子站主机内还设有核心处理运算模块和通讯与传输模块，核心处理运算模块输入端与视频采集模块输出端连接，核心处理运算模块输出端与警示器连接，核心处理运算模块和通讯与传输模块通讯连接，通讯与传输模块与后台监测系统连接。

上述的云台摄像机采用海康威视生产的E系列5寸红外1080P同轴高清智能球机。

上述的监测子站主机中的核心处理运算模块采用Core-3399Pro-JD4 六核高性能AI 核心板。

上述的通讯与传输模块采用中兴公司基于ARM架构的ME3760芯片模块，该模块支持全网通频段。

前端设备中的云台摄像机可根据检测区域的不同分别采用高清网络枪机和自动跟踪球机。

监测子站主机中的视频采集模块可以对前端设备的视频信号进行视频流采集，获取包含一定帧数的视频流包，并根据不同的视频流编码方式对其进行解码，同时将获取到的当前帧图像作为输入信号发送给监测子站主机的核心处理运算模块。

监测子站主机中的通讯与传输模块采用稳定可靠的通信芯片电路模块，并配置专用的无线通讯天线以扩大信号强度，用于将核心处理运算模块输出的检测分析结果传输给后台监测系统。

上述的神经网络模块包括高精度网络模型、外部隐患数据集和轻量化网络模型，外部隐患数据集用于对高精度网络模型进行训练，高精度网络模型训练完成后部署在后台监测系统中，高精度网络模型通过轻量化操作后得到轻量化网络模型，轻量化网络模型部署在核心处理运算模块中。

神经网络模块中的高精度网络模型和轻量化网络模型结构由骨干网络、检测器颈部和检测器头部组成。

上述的后台监测系统包括数据库服务器、Web服务器和视频服务器，通讯与传输模块与三种服务器通讯连接，训练好的高精度网络模型部署在视频服务器中，视频服务器用于接收监测子站主机发送的分帧检测结果图像信号并对其进一步分析，视频服务器内高精度网络模型通过检测算法对图像信号进行再次检测，根据检测结果向监测子站主机发送相应警戒等级信号，监测子站主机控制警示器发出相应的声光报警信号，Web服务器用于对检测结果进行可视化展示，并发送信息到相关人员的手机和个人电脑，同时数据库服务器将其结果保存在数据档案中。

上述的数据库服务器和视频服务器通过Web服务器进行数据交互。

如图2中所示，上述的Web服务器设有人机交互界面，Web服务器内设有视频播放模块、数据查询模块、统计分析模块以及设备管理模块。

上述的核心处理运算模块包括存储芯片电路单元、电源电路单元、以太网收发电路单元、串口电路单元、无线收发电路单元和看门狗电路单元，通过存储芯片电路单元保存轻量化网络模型，通过以太网收发电路单元、串口电路单元和无线收发电路单元与外部进行数据传输。

上述的监测子站主机与电源模块电连接，电源模块包括光伏板、光伏电源管理模块和蓄电池组，光伏板和蓄电池组通过光伏电源管理模块进行连接，光伏电源管理模块与监测子站主机进行连接，电源模块用于保证监测子站主机的正常供电。

如图3中所示，使用上述基于人工智能的输电线路外部隐患预警系统的预警方法，包括以下步骤：

步骤一、采集工程机械、山火、烟雾等5种外部隐患物在不同区域、不同天气条件、不同光照条件以及不同季节下的视频数据，将其导入到后台监测系统中的视频服务器进行人工标注形成外部隐患数据集；

步骤二、将数据集按照8:2的比例分为训练集和测试集，输入到百度PaddleDetection深度学习平台中的PP YOLOv2目标检测算法进行外部隐患物检测模型的训练，其网络结构图如图4所示，并将训练好的模型保存至视频服务器中；

步骤三、使用百度PaddleDetection深度学习框架中高度集成的PaddleInference 和Paddle Lite模型压缩和预测库，对训练好的大模型进行模型压缩和量化，将训练好的大模型转化为PP-YOLO tiny模型，并将其保存至监测子站主机的存储单元中，其网络结构图如图5所示；

步骤四、根据不同的区域，使用调试好的前端设备和监测子站主机进行输电线路周围环境的视频监控，并将监控获得的视频流通过监测子站主机的通讯与传输模块传输到后端服务器的视频服务器和数据库服务器中，便于实时监控和存档；

步骤五、监测子站主机的视频采集模块对监控视频流进行分帧图像提取，存储单元调用深度压缩的PP-YOLO tiny轻量化神经网络模型对提取好的分帧图像按照时间顺序进行检测，当检测到外部隐患物时，保存当前帧图像，并将带有外部隐患物的输电线路图像发送到视频服务器中；

步骤六、视频服务器接收带有外部隐患物的输电线路当前帧图像，并调用高精度检测神经网络模型对图像进行再次检测，若检测到外部隐患物的置信度低于预先设定阈值时，则向移动终端发出带有时间信息的一般等级警戒信号，并将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的最低警戒文件夹和预警记录文件夹中；

若没有检测到外部隐患物，则只将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的正常文件夹和预警记录文件夹中；

若检测到外部隐患物的置信度高于于预先设定阈值时，则向移动终端发出带有时间信息的严重等级警戒信号，并发送报警信号给监测子站主机，子站通过总线协议控制警示器发出声光报警信号，并将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的严重警戒文件夹和预警记录文件夹中；

步骤七、监控人员通过移动终端接收到严重警戒信息后，从后端服务器中调取存储的监控视频进行查看，并通知巡检人员进行现场核查和应急处理。

Claims (6)

1.基于人工智能的输电线路外部隐患预警系统，其特征在于，包括安装在高压输电线路塔杆上的前端设备和监测子站主机，前端设备和监测子站主机连接，监测子站主机与远程的后台监测系统通讯连接，监测子站主机、后台监测系统与神经网络模块连接，前端设备用于采集现场环境图像，并将采集到的数据发送至监测子站主机，监测子站主机对图像进行预处理和智能分析监测后判断是否有外物入侵，并控制前端设备进行现场告警；

所述的前端设备包括云台摄像机和警示器，云台摄像机与监测子站主机内的视频采集模块输入端连接，监测子站主机内还设有核心处理运算模块和通讯与传输模块，核心处理运算模块输入端与视频采集模块输出端连接，核心处理运算模块输出端与警示器连接，核心处理运算模块和通讯与传输模块通讯连接，通讯与传输模块与后台监测系统连接；

所述的神经网络模块包括高精度网络模型、外部隐患数据集和轻量化网络模型，外部隐患数据集用于对高精度网络模型进行训练，高精度网络模型训练完成后部署在后台监测系统中，高精度网络模型通过轻量化操作后得到轻量化网络模型，轻量化网络模型部署在核心处理运算模块中；

所述的后台监测系统包括数据库服务器、Web服务器和视频服务器，通讯与传输模块与三种服务器通讯连接，训练好的高精度网络模型部署在视频服务器中，视频服务器用于接收监测子站主机发送的分帧检测结果图像信号并对其进一步分析，视频服务器内高精度网络模型通过检测算法对图像信号进行再次检测，根据检测结果向监测子站主机发送相应警戒等级信号，监测子站主机控制警示器发出相应的声光报警信号，Web服务器用于对检测结果进行可视化展示，并发送信息到相关人员的手机和个人电脑，同时数据库服务器将其结果保存在数据档案中。

2.根据权利要求1所述的基于人工智能的输电线路外部隐患预警系统，其特征在于，所述的数据库服务器和视频服务器通过Web服务器进行数据交互。

3.根据权利要求2所述的基于人工智能的输电线路外部隐患预警系统，其特征在于，所述的Web服务器设有人机交互界面，Web服务器内设有视频播放模块、数据查询模块、统计分析模块以及设备管理模块。

4.根据权利要求1所述的基于人工智能的输电线路外部隐患预警系统，其特征在于，所述的核心处理运算模块包括存储芯片电路单元、电源电路单元、以太网收发电路单元、串口电路单元、无线收发电路单元和看门狗电路单元。

5.根据权利要求1所述的基于人工智能的输电线路外部隐患预警系统，其特征在于，所述的监测子站主机与电源模块电连接，电源模块包括光伏板、光伏电源管理模块和蓄电池组，光伏板和蓄电池组通过光伏电源管理模块进行连接，光伏电源管理模块与监测子站主机进行连接。

6.使用上述权利要求3所述的基于人工智能的输电线路外部隐患预警系统的预警方法，其特征在于，包括以下步骤：

步骤一、采集不同区域、不同天气条件、不同光照条件以及不同季节下的外部隐患物视频数据，将其导入到后台监测系统中的视频服务器进行人工标注形成外部隐患数据集；

步骤二、使用深度学习平台中的高精度目标检测算法进行外部隐患物检测模型的训练，将训练好的模型保存至视频服务器中；

步骤三、使用深度学习平台中的模型压缩和预测库，对训练好的外部隐患物检测模型进行轻量化处理，将训练好的大模型转化为小模型，并将其保存至监测子站主机中；

步骤四、根据不同的区域，使用调试好的前端设备和监测子站主机进行输电线路周围环境的视频监控，并将监控获得的视频流通过监测子站主机的通讯与传输模块传输到后台监测系统的视频服务器和数据库服务器中，便于实时监控和存档；

步骤五、监测子站主机的视频采集模块对监控视频流进行分帧图像提取，核心处理运算模块调用轻量化神经网络模型对提取好的分帧图像按照时间顺序进行检测，当检测到外部隐患物时，保存当前帧图像，并将该图像的监控信息发送到视频服务器中；

步骤六、视频服务器接收带有外部隐患物的输电线路当前帧图像，并调用高精度检测神经网络模型对图像进行再次检测，若检测到外部隐患物的置信度低于预先设定阈值时，则向移动终端发出带有时间信息的一般等级警戒信号，并将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的最低警戒文件夹和预警记录文件夹中；

若没有检测到外部隐患物，则只将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的正常文件夹和预警记录文件夹中；

若检测到外部隐患物的置信度高于预先设定阈值时，则向移动终端发出带有时间信息的严重等级警戒信号，并发送报警信号给监测子站主机，子站通过总线协议控制警示器发出声光报警信号，并将包含该图像的视频流和子站后端预警比较结果按照时间顺序分别保存在数据库服务器的严重警戒文件夹和预警记录文件夹中；

步骤七、监控人员通过移动终端接收到警戒信息后，从后台监测系统中的Web服务器调取存储的监控视频进行查看，并通知巡检人员进行现场核查和应急处理。

Images