变电站设备状态识别无人值守巡检系统基于智能视频分析技术和深度学习技术,变电站设备状态识别无人值守巡检系统通过现场已经装好的监控摄像机实时对变电站的设备状态进行监测识别,例如,对隔离开关的分合状态进行实时检测、识别开关柜刀闸的位置和状态、识别鸟巢等外来物体、识别表计的正确安装等。一旦系统检测到设备状态异常或存在缺陷,系统会立即触发报警,提醒相关人员采取及时的处理措施,避免事故的发生。通过智能化的设备状态识别,系统能够提升变电站的运维效率和安全管理水平。
在YOLOv1提出之前,R-CNN系列算法在目标检测领域独占鳌头。R-CNN系列检测精度高,但是由于其网络结构是双阶段(two-stage)的特点,使得它的检测速度不能满足实时性,饱受诟病。为了打破这一僵局,设计一种速度更快的目标检测器是大势所趋。2016年,Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段(one-stage)的目标检测网络。它的检测速度非常快,每秒可以处理45帧图片,能够轻松地实时运行。由于其速度之快和其使用的特殊方法,作者将其取名为:You Only Look Once(也就是我们常说的YOLO的全称),并将该成果发表在了CVPR 2016上,从而引起了广泛地关注。YOLO 的核心思想就是把目标检测转变成一个回归问题,利用整张图作为网络的输入,仅仅经过一个神经网络,得到bounding box(边界框) 的位置及其所属的类别。
变电站作为能源输配系统重要的部分,对设备状态和作业人员的安全进行监测和管理非常重要,一次小小的不安全行为,都可能会造成大事故。为了提升变电站的安全性和管理效率,基于智能视频分析技术和深度学习技术的变电站设备状态识别无人值守巡检系统应运而生。该系统利用现场已经装好的监控摄像机,实现对变电站作业人员行为分析和设备状态缺陷分析等功能。通过智能化的处理和识别,系统可以有效识别管理站内各类人员行为,例如未佩戴安全帽、未穿工作服、未穿戴绝缘手套、吸烟、人员倒地等还可以对环境状态智能监测:火灾、烟雾、室内地面积水等。
class Detect(nn.Module):
stride = None # strides computed during build
onnx_dynamic = False # ONNX export parameter
def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer
super().__init__()
self.nc = nc # number of classes
self.no = nc + 5 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
self.inplace = inplace # use in-place ops (e.g. slice assignment)
def forward(self, x):
z = [] # inference output
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
y = x[i].sigmoid()
if self.inplace:
y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, y[..., 4:]), -1)
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1), x)
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
else:
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
.view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
return grid, anchor_grid
变电站设备状态识别无人值守巡检系统广泛应用于各类变电站场景,包括输电变电站、配电变电站、风电变电站等。传统上,对变电站的设备状态监测主要依赖人工巡视和设备视觉检查,存在人为疏忽和漏检的问题。而变电站设备状态识别无人值守巡检系统通过充分的数据训练和算法优化,系统具备很高的识别准确性和实时性,能够适应不同变电站的监测需求和复杂环境。同时,系统还支持告警信息的自定义设置和后台管理功能,满足不同场所和管理要求的安全防护需求,可以有效降低安全事故的发生。