本发明涉及电缆施工,具体为基于深度学习的电缆路径施工识别方法。
背景技术:
1、在电力传输系统中,高压电缆由于其电气和机械性能而具有重要意义。由于施工防护不当导致的电缆外破损伤会威胁电力系统的稳定运行。为了避免严重事故,需要对施工外破进行精准识别和有效提醒。
2、传统外破识别方法多采用电缆终端塔、线路路径安装监拍,采用人工神经网络、支持向量机等传统智能方法进行施工车辆、工器具识别,此类方法有施工点识别不准确、识别速度慢以及不能有效提醒施工人员等缺点。图1展示了传统方法未能有效识别110千伏高压电缆线路路径上施工挖掘机。
技术实现思路
1、为了解决背景技术中存在的技术问题,本发明提供基于深度学习的电缆路径施工识别方法,提出一种改进的卷积神经网络(cnn)方法来识别高压电缆路径上的施工车辆、工器具,识别出施工点以后通过语音播报注意事项以及运维单位联系电话。本发明采用一个由476处监拍拍摄的电缆路径图像数据库进行参数训练,在调整了超参数和最终模型后,该系统在测试阶段达到了95%的准确率。
2、本发明解决其技术问题所采用的技术方案是:
3、基于深度学习的电缆路径施工识别方法,包括:
4、a.基础数据库,采用了一个由多处监拍的电缆路径图像数据库进行参数训练,该数据库是一个包含多张图片的数据集,这些图像以一定分辨率进行记录;
5、b.数据预处理
6、基础数据库的在用于评估训练的图像之间随机划分如下:
7、若干张1类,带施工点的图像,用于训练;
8、若干张2类,不带施工点的图像,用于训练;
9、若干张1类,带施工点的图像,用于验证;
10、若干张2类,不带施工点的图像,用于验证;
11、对于数据的归一化,使用了最小-最大技术,如方程(1)所示:
12、
13、c.训练和验证
14、通过卷积神经网络进行训练和验证
15、d.识别提醒
16、识别出高压电缆路径上有施工车辆、工器具。
17、进一步的,训练和验证采用cnn-12卷积神经网络(cnn-12),cnn-12有12层,4个卷积,4个池化层,1个全连接层,具有512个神经元的致密层。选用python编程语言,调用tensorflow库,训练方法采用反向传播算法,采用随机梯度下降(stochastic gradientdescent,sgd)算法来更新网络参数,如公式2所示。
18、
19、式中,θ表示模型的参数,α表示学习率,表示损失函数对θ的梯度,x(i);y(i)表示第i个样本的输入输出。
20、进一步的,采用一个由476处监拍的电缆路径图像数据库进行参数训练,该数据库是一个包含82000张图片的数据集,这些图像以1920×1080高分辨率进行记录。
21、进一步的,基础数据库中的82000幅图像,在用于评估训练的图像之间随机划分如下:
22、40000张1类,带施工点的图像,用于训练;
23、40000张2类,不带施工点的图像,用于训练;
24、1000张1类,带施工点的图像,用于验证;
25、1000张2类,不带施工点的图像,用于验证。
26、进一步的,识别出高压电缆路径上有施工车辆、工器具,自动触发语音播报功能,交代施工注意事项以及运维单位联系电话。
27、本发明的有益效果:
28、本文采用深度学习进行施工车辆、工器具识别的方法,具有识别准确率高、识别速度快而且可以有效提醒施工人员等优点,避免了施工外破引起的电缆损伤进而引起电力系统故障的发生。同时该方法可以第一时间提醒施工人员,避免了运维人员发现不及时、到达现场速度慢等问题的发生。
1.基于深度学习的电缆路径施工识别方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的电缆路径施工识别方法,其特征在于,
3.根据权利要求1所述的基于深度学习的电缆路径施工识别方法,其特征在于,
4.根据权利要求3所述的基于深度学习的电缆路径施工识别方法,其特征在于,
5.根据权利要求1所述的基于深度学习的电缆路径施工识别方法,其特征在于,