一种基于分类网路的电力复合绝缘子憎水性分类系统的制作方法

1.本发明涉及一种基于分类网路的电力复合绝缘子憎水性分类系统，属于图像分类和机器视觉领域。


背景技术：

2.复合绝缘子凭借其重量轻、强度高、不易破碎、耐污性能好等显著优点被广泛地应用于电力系统中。
3.但由于复合绝缘子所处环境的影响，长时间使用，多半会造成绝缘子憎水性等级的变化。若不及时检测检修，复合绝缘子憎水性等级的下降将会导致耐污闪能力降低，进一步会影响电力系统运行稳定性。
4.目前，在绝缘子憎水性检测领域，已经开展了大量研究。但是总体过程较为繁琐、识别效率较低。
5.因此，有必要设计一种基于分类网路的电力复合绝缘子憎水性分类系统。


技术实现要素：

6.本发明所要解决的技术问题是提供一种基于分类网路的电力复合绝缘子憎水性分类系统。
7.发明的技术解决方案如下：
8.一种基于分类网路的电力复合绝缘子憎水性分类系统，由图像采集装置、数据传输链路、训练服务器、tx2端侧推理设备、显示模块组成；
9.所述图像采集装置用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像；所述训练服务器用于数据增强、数据集存储、训练repvgg分类模型、模型转换；所述数据传输链路用于向tx2端侧推理设备传输图像数据；所述tx2端侧推理设备用于模型移植和数据推理；所述显示模块用于对接收到的分类结果进行显示。
10.所述数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成。
11.所述数据集存储，是将图像大小为640
×
640，图像通道为rgb的绝缘子带水珠的图片，按照hcl
‑
hc3、hc4
‑
hc5、hc6
‑
hc7三个尺度，来标记划分憎水性等级，按照4∶1比例划分训练集和测试集，并存放于不同文件夹下。
12.所述数据传输链路使用mqtt作为通信协议。
13.所述模型转换技术路线为：首先将model.pth转换为model.onnx，再将model.onnx转换为model.trt。
14.所述训练repvgg分类模型，在进行模型在训练时，为repvgg网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个repvgg block；实现方式为：
15.所述模型推理，是训练repvgg模型完成后，对模型做等价转换，实现方式为：y＝x g(x) f(x)转换为y＝h(x)，其中，
16.x表示每层的输入，f(x)表示3
×
3卷积；
17.g(x)是一个1
×
1的卷积，h(x)恒等映射分支的输出。
18.所述模型移植为trt量化后的模型，实现方法为：
[0019][0020]
x
q
＝clamp(0，n
levels
‑
1，x
int
)
[0021]
a，x≤a
[0022]
clamp(a，b，x)＝{x，a≤x≤b；
[0023]
b，x≥b
[0024]
其中，x
int
表示浮点型值x映射为整型值，x表示输入的浮点型变量，δ表示量化的步长，z表示零点，x
q
表示量化后的定点值，n
levels
＝256，clamp用于限定量化取值范围。
[0025]
有益效果：
[0026]
本发明的基于分类网路的电力复合绝缘子憎水性分类系统，是一种基于repvgg和tx2端侧设备的复合绝缘子憎水性分类系统，与现有的技术相比，具有以下有益效果：
[0027]
首先，提出了一套复合绝缘子憎水性图像智能分类的系统，实现了不同天气、不同地形条件下的复合绝缘子憎水性图像自动分类；其次，利用模型量化技术，有效地减小了模型的尺寸和使用内存，推高推理速度；此外，基于tensorrt加速推理技术和tx2边缘设备，能够解决实际场景中，计算资源不能大规模部署的问题，实现了边缘侧的复合绝缘子憎水性图像实时分类。
附图说明
[0028]
图1为本发明整体结构示意图；
[0029]
图2为绝缘子憎水性图像；
[0030]
图3为repvgg block结构图。
具体实施方式
[0031]
以下将结合附图和具体实施例对本发明做进一步详细说明：
[0032]
实施例1：如图1
‑
3，基于分类网路的电力复合绝缘子憎水性分类系统，由图像采集装置、数据传输链路、训练服务器、tx2端侧推理设备、显示模块组成。图像采集装置1用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像；所述训练服务器3用于数据增强、数据集存储、训练repvgg分类模型、模型转换；所述数据传输链路2用于向tx2端侧推理设备(4)传输图像数据；所述tx2端侧推理设备4用于模型移植和数据推理；所述显示模块(5)用于对接收到的分类结果进行显示。
[0033]
在本发明实施例中，整套基于repvgg和tx2端侧设备的复合绝缘子憎水性分类系统(即基于分类网路的电力复合绝缘子憎水性分类系统)，对应的工作流程如下：
[0034]
步骤一，首先由图像采集装置(1)采集数据，复合绝缘子憎水性图像如图2所示，。
[0035]
步骤二，数据集存储，是将图像大小为640
×
640，图像通道为rgb的绝缘子带水珠的图片，按照hc1
‑
hc3、hc4
‑
hc5、hc6
‑
hc7三个尺度，来标记划分憎水性等级，按照4∶1比例划分训练集和测试集，并存放于不同文件夹下。
[0036]
步骤三，构建训练模型，在进行模型在训练时，为repvgg网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个repvgg block，结构如图3所示，具体实现方式为：
[0037]
y＝x g(x) f(x)转换为y＝h(x)，
[0038]
其中，x其表示每层的输入，f(x)表示3
×
3卷积，
[0039]
g(x)是一个1
×
1的卷积，h(x)恒等映射分支的输出。
[0040]
步骤四，数据增强，数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成。
[0041]
步骤五，模型转换，所述模型转换技术路线为：首先将model.pth转换为model.onnx，再将model.onnx转换为model.trt。
[0042]
步骤六，数据传输，数据传输链路使用mqtt作为通信协议，由图像采集装置(1)向tx2端侧推理设备(4)传输图像数据。
[0043]
步骤七，模型推理，是训练repvg6模型完成后，对模型做等价转换，实现方式为：
[0044]
y＝x g(x) f(x)转换为y＝h(x)，
[0045]
其中，x其表示每层的输入，f(x)表示3
×
3卷积，
[0046]
g(x)是一个1
×
1的卷积，h(x)恒等映射分支的输出。
[0047]
步骤八，模型移植，模型移植为trt量化后的模型，实现方法为：
[0048][0049]
x
q
＝clamp(0，n
levels
‑
1，x
int
)
[0050]
a，x≤a
[0051]
clamp(a，b，x)＝x，a≤x≤b
[0052]
b，x≥b
[0053]
其中，x
int
表示浮点型值x映射为整型值，x表示输入的浮点型变量，δ表示量化的步长，z表示零点，x
q
表示量化后的定点值，n
levels
＝256，clamp用于限定量化取值范围。
[0054]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。