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

本发明涉及电网巡检软硬件，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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、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；

4、所述扩展接口包括usb接口、type-c插座、tf内存插口、sim卡卡槽；

5、所述通信模组包括wifi图传模块和4g模块；

6、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；

7、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。

8、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；

9、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。

10、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。

11、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。

12、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。

13、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；

14、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。

15、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。

16、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：

17、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；

18、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；

19、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。

20、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；

21、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。

22、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；

23、能对绝缘子自爆及破损进行检测分析；

24、能对防震锤进行检测并识别；

25、能对线路异物进行检测；

26、能对高压杆塔异物进行检测；

27、能对绝缘子与杆塔连接进行检测。

28、与现有技术相比，本发明的有益效果：

29、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；

30、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。