[发明专利]输电线路智能巡检机器人缺陷识别系统及识别方法

说明书

本发明提供了一种输电线路智能巡检机器人缺陷识别系统，所述系统包括SDlite‑MobilenetV3轻量级网络、TensorFlow框架、TensorRT技术以及NVIDIA Jetson Nano嵌入式平台，本发明还利用所述系统提供一种缺陷识别方法，所述输电线路智能巡检机器人缺陷识别方法的目标检测模型采用SSDlite‑MobilenetV3轻量级网络，基于TensorFlow框架完成搭建及训练，采用TensorRT技术实现推理加速，在嵌入式平台NVIDIA Jetson Nano中完成部署，实时推理视频通过视频流方式推送至服务器，实现输电线路目标实时检测，通过本发明，能减少10ms的延迟，提高了运算速度，且没有任何精度损失，在保证了精度的前提下降低了运算消耗。

技术领域

本发明属于输电线路故障识别领域，具体地讲是一种输电线路智能巡检机器人缺陷识别系统及识别方法。

背景技术

2019年国网公司提出建设世界一流能源互联网，打造“三型两网”企业的战略目标。2019年，国网公司提出构建输变配电设备物联网的建设方案，将其定位为能源互联网的重要组成部分。输变电智能巡检将成为广泛应用在电力物联网建设方向，带动整个巡检管理模式的变革，提升运行检修效率。根据中电联统计数据，截至2019年底，初步统计全国电网35千伏及以上输电线路回路长度194万千米，比上年增长3.4％。电网规模日益扩大和运检人员结构性缺员之间的矛盾日益突出。随着输电线路巡检精细化管理和信息技术的发展，机器人巡检已成为重要的手段，输电线路设备图像数据作为最直观的信息手段在设备状态评价中大量被使用。通过对线路巡检机器人所采集图像数据进行实时目标检测与缺陷分析成为输电线路设备状态评价两项最关键的工作，而实时目标检测作为前序工作尤为重要。对于图像处理来说，输电线路环境复杂，户外光照阴影瞬息万变，设备目标多样普遍重叠，实现实时目标检测异常困难。近年来，伴随人工智能机器学习技术发展，深度学习算法广泛应用于电力相关领域中，这也为实时检测输电线路设备目标提供了可能。

输电线路巡检机器人由自身携带的电池提供动力，其硬件资源及重量都成为输电线路制约因素，现有缺陷识别算法主要有MobileNetV1及MobileNetV2算法，MobileNet v1是一种基于流水线结构，使用深度级可分离卷积构建的轻量级神经网络，通过两个超参数(通道数和分辨率)的引入使得开发人员可以基于自己的应用和资源限制选择合适的模型。MobileNetV2是MobileNetV1的升级版，通过改进，可以用较少的运算量得到较高的精度。上述量算法复杂，运算速度慢，对小型嵌入式输电线路巡检机器人硬件资源有限而言，识别效率低下，不满足高效率缺陷识别的要求。

MobileNet是谷歌专为移动与嵌入式硬件设计的轻量化网络，而MobileNetV3是Google 2019发布的，综合了MobileNetV1的深度可分离卷积、MobileNetV2的具有线性瓶颈的逆残差结构以及MnasNet的轻量级注意力模型三种网络结构优点的轻量化卷积网络模型，非常适用于部署在嵌入式设备中实现边缘智能视觉推理。SSDLite卷积神经网络是一种新的提出的新型卷积神经网络，用于智能物体检测任务，利用SSDlite-MobilenetV3算法实现输电线路巡检机器人的缺陷识别，综合二者的优点，使运算网络轻量化，加速推理运算速度。

注释：

TensorFlow-是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习(machine learning)；

TensorRT-是一个高性能的深度学习推理(Inference)优化器，可以为深度学习应用提供低延迟、高吞吐率的部署推理；

NVIDIA Jetson Nano-是适用于边缘人工智能开发的小型AI计算机。

发明内容