[0001] 本发明涉及输电线路巡检技术领域，尤其涉及一种基于输电线路自主巡检的机载轻量化边缘计算方法、系统、装置和存储介质。

[0002] 长久以来，我国电网庞大的输电线路网络巡检工作主要依赖人工巡视方式进行。巡检成果的时效性、安全性、准确性是人巡时代长期困扰电网运维部门的难题。近些年，无人机作为一种高科技的巡检利器在电网行业中得到迅速推广与应用。

[0003] 无人机沿线路飞行，并同步拍照或者激光扫描，结合数据处理软件，可以快速、准确地发掘线路中的隐患缺陷。

[0004] 但是在巡检过程中，对采集的图片进行识别处理时的运算量非常大，现有技术中一般是把巡检的图片储存起来等巡检结束后一同进行识别检查，还有是把巡检的图像实时传输到后台终端进行实时识别，还有一种是在巡检过程中实时进行识别等巡检结束后把识别结果传输到后台终端，但是这三种方式均存在缺陷，第一种方式的缺陷为识别延时大，第二种方式的缺陷为通信流量浪费大，第三种方式的缺陷为需要大量耗费巡检设备的电量和数据处理能力。

[0023] 为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

[0024] 需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

[0025] 请参阅图1，图1显示了本发明提供的一种基于输电线路自主巡检的机载轻量化边缘计算方法，其特征在于：包括以下步骤：步骤S1、收集和整理与巡检任务相关的训练数据集；
步骤S2、根据训练数据集，通过深度学习框架darknet构建具有轻量化模型的Yolov4算法训练关键拍照部位模型；
步骤S3、获取评估数据集，并使用评估数据集对训练后的模型进行评估，根据评估指标获得确定模型；
步骤S4、准备巡检设备，根据拍照规范，对杆塔进行精细化自主巡检获得的图像建立拍摄库和档案库，训练结束后采用确定模型进行识别；对于巡检计划中的重点巡检位置，将采集的数据实时传输到训练好的模型中，实现对关键拍照部位进行实时识别，并在出现问题时及时发出警报。

[0026] 在上述步骤S1中，训练数据集包括杆塔全貌、塔头、塔基、通道，以及杆塔上的连接金具、绝缘子、防震锤、间隔棒、附属设施图片。

[0027] 对训练数据集中的图片通过旋转、缩放、水平翻转、噪声操作进行数据增强；还可以融入天气特征，比如雨、雾、雪等场景下的图片，获得不同天气条件下的场景图片，保证样本的多样性，提高识别精度。

[0028] 在上述步骤S2中，（1）将darknet框架Yolov4网络模型中传统的卷积层使用卷积层的可分离卷积代替，获得修改后模型；
（2）使用修改后的模型，采用不同的学习率和训练次数在GPU计算平台上进行模型的训练，并通过交叉验证方法调整训练参数；，达到最佳的训练效果。

[0029] 在上述步骤S3中，评估数据集为经过人工识别及认证过的巡检过程中产生的图片。

[0030] 评估指标包括模型的准确率和召回率，当两者均达到设定值后则进行下一照部位模型的评估；如果评估结果不理想，可以进一步调整模型参数和训练参数。

[0031] 在上述步骤S4中，根据输电线路的情况，制定巡检计划，并根据巡检计划对拍摄设备进行调试和设置。

[0032] （1）构建拍摄计划：根据输电线路的情况，制定拍摄计划，并确定需要巡检的杆塔位置和拍摄强度等要求；（2）准备拍摄设备：准备拍摄设备，例如高分辨率数字相机、定位设备、云台等，并根据巡检计划进行调试和设置；
（3）进行现场拍摄：到达杆塔位置后，先进行安全检查和环境检查，确保安全，然后按照预定计划对杆塔全貌、塔头、塔基、通道等部位进行拍照，确保无疏漏；
（4）拍摄连接金具、绝缘子、附属设施等：对连接金具、绝缘子、附属设施、防震锤、间隔棒等部位，利用拍摄设备进行详细拍摄，并按照要求对不同角度、不同方位等进行拍摄；
（5）数据处理和整理：将拍摄到的所有图片进行整理，用于后续的数据分析，建立拍摄库和档案库，训练结束后采用确定模型进行识别。

[0033] （6）在巡检过程中，对于巡检计划中的重点巡检位置，将采集的数据实时传输到训练好的模型中，实现对关键拍照部位进行实时识别，并在出现问题时及时发出警报。

[0034] 为解决上述技术问题，本发明采用的一个技术方案是：一种基于输电线路自主巡检的机载轻量化边缘计算系统，包括自主巡检模块、数据采集模块、数据处理模块和识别分析模块，其中：自主巡检模块：根据制定的巡检计划进行巡检操作；
数据采集模块：根据拍照规范对巡检部位进行图像采集；
数据处理模块：将拍摄到的所有图片进行整理，并对进行精细化自主巡检获得的图像建立拍摄库和档案库；
潜力评估模块：采用确定模型对关键拍照部位进行实时识别，并在出现问题时及时发出警报。

[0035] 进一步的，所述潜力评估模块包括：模型构建模块：将darknet框架Yolov4网络模型中传统的卷积层使用卷积层的可分离卷积代替，获得修改后模型；
模型训练模块：根据训练数据集，采用不同的学习率和训练次数在GPU计算平台上进行模型的训练，并通过交叉验证方法调整训练参数；
模型评估模块：根据评估数据集，并使用评估数据集对训练后的模型进行评估，根据评估指标获得确定模型。

[0036] 上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本申请不再赘述。

[0037] 以上仅为本发明的实施例，并非因此限值本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。