基于边缘计算的AI图像识别、缺陷识别输电线路、配电线路大部件研究报告

基于边缘计算的AI图像识别、缺陷识别输电线路、配电线路大部件研究报告
1 研究目的和意义
1.1 背景
近十年，随着信息产业技术的飞速发展，传统行业正面临着爆炸和多元、可持续的业务需求，传统产业渴望抓住这次颠覆性的技术浪潮实现自身领域的重大突破和转型，实现数字化和智能的转变。电力作为国家的支柱能源和经济命脉,在国民经济可持续发展中起着非常重要的作用。在中国,为适应国民经济腾飞和社会进步的需求,电网技术正朝着高电压、大容量、跨区域、大电网的方向发展。
中国的电网企业与世界同行一样,面临着如何保证电网的安全可靠运行和企业资产良性运营的挑战。科学技术的进步掀起了席卷全世界、渗透到社会生活各个领域的数字化浪潮，具有颠覆性特征的新技术在多个产业领域得到重要突破。面对高涨的新技术浪潮，作为人类社会能源供给重要组成部分的电力系统,使用数字化技术寻求高质量的发展，实现对大电网互联、电压等级不断提高、电网安全与经济运行、提升企业效益、更好地服务客户等给予技术支撑成为急切的需求。
巡检工程需要人工干预，同时故障的检测需要依靠后端的服务器进行识别，存在很大的延时。若采集视频图片后进行集中处理，在实时性要求高或者网络信号覆盖不好的地方又难以运用，且海量的数据对后台服务端的计算压力十分巨大。因此，越来越多的数据需要在数据采集端进行处理，边缘计算应运而生，同时搭载AI智能设备缺陷识别无人机系统能够实时发现缺陷，对可疑目标进行预警，以提高效率和节省人力成本。
1.2 项目成果作用分析
人工智能技术的发展为电力设备缺陷的识别提供了新的方向，利用优秀的深度学习技术，以及专用的人工智能计算芯片，能够完成只能在服务器端才能完成的工作，两者的结合已经在众多的行业中落地开花，为众多的行业应用提供了创造性的突破。
本项目采用一种基于边缘计算模块实现电力设备缺陷的识别方法，以达到智能化巡检的目的。边缘计算模块分为两部分，包括边缘计算芯片和深度学习识别模型算法。通过研究电力器件的识别，并结合模型的优化，例如模型剪枝以及其他优化策略，在实现高识别率的同时，保证实时性，配合高性能低功耗的边缘计算芯片，能够达到模型识别率、模型实时性以及计算棒AI芯片功耗的平衡。此外，利用高实时性的AI智能电力设备缺陷识别可以在边缘端完成缺陷识别的同时，通过汇总缺陷以及巡线的信息，完成落地即生成巡检报告。此项目能够减少人力成本，高效地完成电力设备的巡检任务，具备十分广阔的前景。
1.3 项目成果应用和推广
本项目基于边缘计算的电力设备缺陷状态识别算法，具备较强的应用与推广价值，主要体现在：
（1）能够实现电力设备缺陷的全自动智能识别。
（2）通过部署在边缘计算AI芯片上的识别算法能够实现实时缺陷检测。
（3）无人机搭载边缘计算模块能够实现电力设备缺陷的多视角识别。
（4）支持在识别缺陷的同时生成缺陷报告，缩短巡检时间，提高时效。
（5）实现设备缺陷智能识别，减少人力成本和培训周期。
（6）减少与服务器的交互，减少运维成本。
综上所述，此次的研究内容主要包含电力设备智能识别及优化、落地生成巡检报告，全方位保障电力设备的正常运行。
1.4 效益分析
（1）项目经济效益
本项目成果应用之后能够实现电力设备缺陷的实时检测和预警，降低一线工人的巡检时间，降低人力成本和服务器的运维成本，同时提高缺陷的检测效率，保障设备的正常运行。
（2）社会效益
 贯彻国家《新一代人工智能发展规划》，助力“数字中国”和”智能国网”建设，服务国家与社会经济发展，服务社会民生。
 助力设备巡检效能的提高，提升电力设备故障的发现率，保障设备的正常平稳运行。
2 国内外研究水平综述
2.1 技术发展概述
近年来随着人工智能技术的发展，基于深度学习的方法在计算机视觉领域得到广泛的应用，使得电力线路状态智能巡检已成为可能。例如，通过深度卷积神经网络（convolutional neural networks,CNN）提取目标特征的目标检测算法可用于智能识别，并标注电力器件和缺陷进行识别。深度学习方法的成功主要依赖于数百万甚至数十亿参数构成的深度神经网络的结构，以及GPU等高计算能力的硬件设备。此外，除了设计更高性能的硬件芯片外，近些年也出现了关于直接压缩和加速深度学习模型的方法，包括量化、参数裁剪共享、设计结构化矩阵、知识蒸馏等。
2.2 国内外相关内容研究情况
2.2.1 目标检测方法研究情况
目标检测是依据一定的算法和先验信息从背景中检测出前景目标区域，并确定目标类别的一种计算机视觉手段。主要包含两大类：一类是通过传统人工特征进行检测的方法，另一类是基于深度学习特征的检测方法。
传统目标检测方法往往采取区域提议和人为构造特征的检测逻辑，大致包括三步：首先，使用滑动窗口等方法选择图像的特定部分作为候选区域；其次，提取与候选区域相关的浅层特征；最后，利用分类器进行识别。2001年Paul Viola和MichaelJones在CVPR上提出了一种用于人脸检测的经典算法——Viola-Jones(VJ)检测器，主要思想包括：快速计算多尺度的Haar特征，高效的特征筛选方法，优化的多阶段运行策略，首次实现了实时人脸检测。2005年，法国学者Dalal在CVPR上提出HOG+SVM的行人检测方法，由此Hog特征结合SVM分类器被广泛应用于图像识别中。虽然传统目标检测算法始终处于不断优化的过程中，却仍然存在难以解决的问题：一方面传统的区域选择方法没有针对性&#x