基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位方法及系统与流程

本发明属于计算机视觉与边缘计算，具体涉及一种基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位方法及系统。

背景技术：

1、输电线路作为电力系统的关键基础设施，其安全稳定运行直接关系到国民经济的正常运转。传统的人工巡检方式存在效率低、成本高、危险性大等突出问题，难以满足大规模电网的运维需求。随着人工智能技术的快速发展，基于深度学习的视觉检测方法逐渐应用于输电线路巡检任务中，通过分析无人机或固定监控设备采集的图像数据，实现对杆塔、绝缘子、导线及附属金具等多目标的自动检测与定位。

2、然而，现有技术在实际应用中仍存在以下显著不足：

3、第一，模型复杂度与边缘设备资源受限之间的矛盾突出。现有的高精度目标检测模型通常参数量大、计算复杂度高，对内存、算力及功耗要求苛刻，难以直接部署于算力有限、功耗敏感的边缘计算设备上。

4、第二，模型部署的跨平台兼容性差。不同边缘芯片的指令集、算子库及推理框架各异，模型移植过程繁琐，缺乏统一的编译与封装机制，导致算法从开发到部署的周期长、成本高。

5、第三，边缘端模型更新与运维困难。电力巡检设备通常部署于高空或偏远区域，物理重启成本高、风险大，传统模型更新方式需要中断服务并重启设备，缺乏热更新与故障自愈能力。

6、第四，运行时环境适应性不足。边缘设备的负载、电量及温度等状态动态变化，现有系统缺乏根据设备状态动态调整推理策略的机制，难以在保证检测精度的同时最大化能效比。

7、第五，模型缺乏持续进化能力。现有方案多为单向流程，无法有效利用边缘端遇到的困难样本反哺模型优化，难以形成从数据采集到模型升级的闭环迭代机制。

8、针对上述技术问题，亟需提供一种能够在资源受限的边缘设备上实现高效、可靠、可进化输电线路多目标实时检测与定位的技术方案。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位方法及系统，解决现有技术中模型复杂度过高、跨平台部署困难、缺乏热更新机制、运行时能效比低及缺乏持续进化能力的技术问题。

2、第一方面，本申请实施例提供一种基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位方法，所述方法包括：

3、基于硬件感知神经结构搜索，在多维约束下自动生成采用部分卷积骨干网络与跨模态注意力融合的轻量化多尺度特征融合模型；

4、将所述模型导出为标准中间表示，针对目标平台进行混合精度量化与算子内核自动调优，编译生成包含分层元信息的跨平台统一模型包；

5、根据所述统一模型包中的分层元信息，以内存映射方式将模型功能分块按需加载并实例化为支持差分热更新与自动回滚的模型服务容器，返回该容器的模型句柄；

6、基于所述模型句柄，运行时管理器实时监测设备负载、内存、电量及温度状态，动态协同配置内存复用、异构算子调度、批处理及计算精度策略，以最优化能效比；

7、基于配置的优化策略，调用所述模型句柄驱动加速单元执行低延迟前向推理，经后处理输出包含类别、位置、置信度及配置标识的结构化检测结果；

8、根据所述结构化检测结果关联设备台账信息实现设施精准定位与识别，并将困难样本回传云端驱动模型再训练，形成边缘到云端的持续进化闭环。

9、第二方面，本申请实施例提供一种基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位系统，应用于如第一方面所述的基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位方法，所述系统包括：

10、模型生成模块：配置为基于硬件感知神经结构搜索，在多维约束下自动生成采用部分卷积骨干网络与跨模态注意力融合的轻量化多尺度特征融合模型；

11、模型编译模块：配置为将所述模型导出为标准中间表示，针对目标平台进行混合精度量化与算子内核自动调优，编译生成包含分层元信息的跨平台统一模型包；

12、模型部署模块：配置为根据所述统一模型包中的分层元信息，以内存映射方式将模型功能分块按需加载并实例化为支持差分热更新与自动回滚的模型服务容器，返回该容器的模型句柄；

13、运行时管理模块：配置为基于所述模型句柄，实时监测设备负载、内存、电量及温度状态，动态协同配置内存复用、异构算子调度、批处理及计算精度策略，以最优化能效比；

14、推理执行模块：配置为基于配置的优化策略，调用所述模型句柄驱动加速单元执行低延迟前向推理，经后处理输出包含类别、位置、置信度及配置标识的结构化检测结果；

15、持续进化模块：配置为根据所述结构化检测结果关联设备台账信息实现设施精准定位与识别，并将困难样本回传云端驱动模型再训练，形成边缘到云端的持续进化闭环。

16、第三方面，本申请实施例提供一种电子设备，包括：

17、处理器；

18、用于存储处理器可执行指令的存储器；

19、其中，所述处理器被配置为执行所述指令时实现如第一方面所述的基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位方法。

20、第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，所述程序指示设备执行如第一方面所述的基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位方法。

21、与现有技术相比，本发明具有以下有益效果：通过硬件感知神经结构搜索自动生成轻量化模型，将时延、能耗及内存占用纳入优化目标，显著降低模型复杂度；采用部分卷积骨干网络与通道选择性融合机制，在保持检测精度的同时大幅减少计算开销。通过混合精度量化与算子内核自动调优，编译生成包含分层元信息的统一模型包，支持多种边缘芯片直接加载运行，解决了模型移植的碎片化问题。通过分块内存映射加载、差分热更新及原子切换机制，实现模型更新不中断推理服务；支持预热验证与自动回滚，确保更新失败时系统可自动恢复。运行时管理器实时监测设备状态，动态协同配置内存复用、异构算子调度、批处理及计算精度策略，在满足检测精度和延迟约束的前提下最大化单位能耗处理量，延长电池供电设备的续航时间。通过困难样本判别、脱敏回传、云端增量学习及差分更新下发，形成边缘到云端的完整闭环，使模型能够在实际应用中不断优化，提升长期部署的检测性能。

1.一种基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述硬件感知神经结构搜索包括以下步骤：

3.根据权利要求1所述的方法，其特征在于，所述轻量化多尺度特征融合模型包括：

4.根据权利要求1所述的方法，其特征在于，所述混合精度量化与编译生成跨平台统一模型包包括以下步骤：

5.根据权利要求1所述的方法，其特征在于，所述根据所述统一模型包中的分层元信息，以内存映射方式将模型功能分块按需加载，包括以下步骤：

6.根据权利要求1所述的方法，其特征在于，所述支持差分热更新与自动回滚的模型服务容器包括：

7.根据权利要求1所述的方法，其特征在于，所述以最优化能效比，包括以下步骤：

8.根据权利要求1所述的方法，其特征在于，所述输出包含类别、位置、置信度及配置标识的结构化检测结果，包括以下步骤：

9.根据权利要求1所述的方法，其特征在于，所述将困难样本回传云端驱动模型再训练，形成边缘到云端的持续进化闭环，包括以下步骤：

10.一种基于边缘端轻量化人工智能模型的输电线路多目标实时检测与定位系统，应用于如权利要求1至9任一项所述的方法，其特征在于，所述系统包括：