(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210857229.1 (22)申请日 2022.07.20 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 黄悦华　陈照源　陈庆　刘恒冲　 陈晨　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 易书玄 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06T 7/00(2017.01)G06Q 10/00(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于边缘计算的输电线路故障实时检 测方法 (57)摘要 一种基于边缘计算的输电线路故障实时检 测方法， 包括以下步骤： 步骤一： 获取巡检图像数 据集， 数据集包含绝缘子自爆、 防震锤脱落、 鸟巢 图像； 步骤二： 对步骤一得到的巡检图像进行扩 充； 步骤三： 对扩充后的数据集使用LabelImg标 注工具进行标注； 步骤四： 对YOL Ov5s基础模型中 获取数据特征的卷积操作过程进行改进； 步骤 五： 调整目标框定位损失函数； 步骤六： 设置图片 尺寸， 动量项、 学习率、 批次大小、 训练次数、 权重 衰减正则项， 对改进的YOL Ov5s模型进行训练； 步 骤七： 将训练好的模型植入边缘设备中， 对巡检 模糊图像进行故障检测， 得到性能评估数值。 本 发明提供一种基于边缘计算的输电线路故障实 时检测方法， 提升故障检测速度和检测精度。 权利要求书2页 说明书7页 附图8页 CN 115311558 A 2022.11.08 CN 115311558 A 1.一种基于边 缘计算的输电线路故障实时检测方法， 其特 征在于， 包括以下步骤： 步骤一： 获取巡检图像数据集， 数据集包 含绝缘子自爆、 防震锤脱落、 鸟巢图像； 步骤二： 对步骤一得到的巡检图像进行扩充； 步骤三： 对 扩充后的数据集使用Label Img标注工具进行 标注； 步骤四： 对YOLOv5s基础模型中获取 数据特征的卷积 操作过程进行改进； 步骤五： 调整目标框 定位损失函数； 步骤六： 设置图片尺寸， 动量项、 学习率、 批次大小、 训练次数、 权重衰减正则项， 对改进 的YOLOv5s模型进行训练； 步骤七： 将训练好的模型植入边缘设备中， 对巡检模糊图像进行故障检测， 得到性能评 估数值。 2.根据权利要求1所述一种基于边缘计算的输电线路故障实时检测方法， 其特征在于， 所述步骤二中为了防止后续的模型训练出现过拟合， 影响故障检测效果， 对样本做了以下 数据增强： 影视 分割、 马赛克 处理、 随机镜像、 随机旋转来产生相似但又有不同的训练样本， 从而扩大训练数据集的规模， 提高模型训练后的泛化能力。 3.根据权利要求1所述一种基于边缘计算的输电线路故障实时检测方法， 其特征在于， 所述步骤四中获取数据特征的卷积操作过程进行改进使用的是Ghsot模块技术， 获取需要 的n个特征图具体步骤如下： 1)先通过有限的常规卷积得到m个特 征图Y'： Y'＝X*ω'+b              (4) 其中Y'表示输出为m个高度和宽度分别为h'和w'的特征图， 卷积滤波器为ω'， *代表卷 积操作， b是偏差项， m≤n。 卷积核大小、 步长、 空间大小等 参数与常规卷积一 致。 2)为了得到一共需要的n个特征图， 使用一系列简单线性计算在特征图Y'的基础上生 成的s个特 征： yi,j＝Φi,j(yi')， i∈[1,m ],j∈[1,s ]         (7) 其中yi'代表特征图Y'中的第i个直接拼接的 图， 一共m个； Φi,j代表第j个线 性操作生成 的第j个特 征图yi,j， 故利用yi,j可以生成m ×s＝n个特征图； 3)最后将特 征图Y'与特 征图yi'在指定维度直接拼接得到所需要的n个特 征图。 4.根据权利要求1所述一种基于边缘计算的输电线路故障实时检测方法， 其特征在于， 所述步骤五中， 目标框 定位损失函数设置为： 将交叉熵损失替换为基于KL散度的分布损失函数： 其中， QD(x)为真实标签坐标概率分布， PΦ(x)为预测坐标概率分布， 两者概率分布重合 度越高模型鲁棒性越好； x为坐标样本取值， xe为预测坐标位置， xg为目标框坐标真值， Φ表 示一组要学习的参数， σ 为分布的标准差， D为表达xg的参数合 集。权　利　要　求　书 1/2 页 2 CN 115311558 A 25.根据权利要求1所述一种基于边缘计算的输电线路故障实时检测方法， 其特征在于， 所述步骤六中训练模型的具体参数设置为： 输入图像尺寸统一调整为640 ×640像素， 加快 模型训练速度； 训练时采用动量项为0.9的异步随机梯度下降法， 在前150轮将训练中的学 习率设置为0.001， 随着迭代轮数的增加， 在后150轮将训练的学习率降到0.0001； 为了防止 模型过拟合， 将权重衰减正则项设置为0.0005， 经过300轮的模型迭代训练， 得到最终的模 型权重。 6.根据权利要求1所述一种基于边缘计算的输电线路故障实时检测方法， 其特征在于， 所述步骤七中， 将改进的YOLOv5s算法植入边缘设备中， 对输电巡检模糊图像进行检测， 通 过模型参数量， 平均精度均值， 帧率， 验证 检测模型精度、 大小、 速度部署在边 缘计算设备。权　利　要　求　书 2/2 页 3 CN 115311558 A 3