用于变电站异常的检测方法、设备及系统与流程

1.本发明涉及图像检测技术领域，具体地涉及一种用于变电站异常的检测方法，一种用于变电站异常的检测设备，以及一种用于变电站异常的检测系统。


背景技术：

2.目前国内变电站已经广泛地部署了视频监控视设备，通过利用获取到监控视频的帧图像来进行异常检测并进一步处理异常。传统的变电站视频监控大多通过人力来观测众多的监控设备，由于系统中的视频无法智能化及自动化的对于变电站异常以及故障进行报警，因此无法保证变电站出现异常得到及时处理和故障报警，不仅缺乏实时性，还容易由于工作人员的疏忽而漏掉。近年来，变电站也采取了一些智能检测模型(例如：生成对抗网络)检测异常状态，通过摄像头进行视频采集，提取出每一帧的图片信息然后检测异常，在自动化和智能化方面取代人工检测，节省了人力资源，但是目前采用的深层网络模型权重参数较多，计算量较大，增加了相应的存储和计算开销，使得变电站出现异常及故障的实时报警的时效性不足。除此之外，对于目前大多数监控系统存储的监控视频基本用于在发生事故后的回溯调查，并没有真正的起到监控的作用，然而边缘设备却存储了大量的监控视频，长此以往不仅增加了存储成本，还会造成系统的卡顿，进一步影响检测设备的时效性。
3.首先，现有监控系统大多由变电站前端的摄像设备、视频服务器采集图像并编码，再将编码后的数据通过网络传输到监控中心，由监控中心接收编码后的视频数据和监控数据,再通过工作人员进行监控变电站的周围情况。然而由于需要人工监视众多变电站视频监控点的图像并进行判别处理，视频监控和故障报警没有实现智能化和自动化；同时目前使用在变电站的智能检测设备虽然可以替代人力检测多个视频监控图像，发现异常会发出警报，但是采用的检测模型较为复杂。参数量多，模型较大，不仅占用了很高的存储资源而且在训练计算的时候十分耗时，导致设备缺乏实时性的反馈，延时性较高，无法保证变电站站内情况及周边环境的实时检查和事故的及时发现。其次，现有变电站使用多个摄像头全方位监控，保存的监控视频大多是变电站周围正常情况的无效视频，占用了大量存储空间。


技术实现要素：

4.本发明实施例的目的是提供一种用于变电站异常的检测方法及系统，以至少部分地解决以上问题。
5.为了实现上述目的，本发明第一方面提供了用于变电站异常的检测方法，包括：采用变电站监控图片的数据样本对基于深度学习的检测模型进行训练，得到训练好的基于深度学习的检测模型；将待检测变电站监控图片输入所述训练好的基于深度学习的检测模型，得到检测结果；其中，所述基于深度学习的检测模型包括：从所述监控图片提取待检测的图片特征的mobilenetv2网络，以及识别所述图片特征对应的异物类型的yolov3网络。
6.优选的，所述mobilenetv2网络包括以下结构：第一层和最后一层均为由conv2d函数、批归一化函数和relu6激活函数构成的卷积层；所述第一层和所述最后一层之间包括若
干倒置残差模块；所述倒置残差模块中包括依次设置的conv2d函数、批归一化函数、relu6激活函数、dwconv2d函数、批归一化函数、relu6激活函数、conv2d函数和批归一化函数；所述yolov3网络包括以下结构：多个由conv2d函数、批归一化函数和relu6激活函数所构成的卷积层。
7.优选的，所述dwconv2d函数前后各设置有一个1*1的逐点卷积函数。
8.优选的，所述倒置残差模块的数量范围为10至20。
9.优选的，所述yolov3网络中的卷积层的数量范围为20至30。
10.优选的，所述yolov3网络包括多个检测分支，每个检测分支用于检测不同尺度的物体，并输出对应的检测结果。
11.优选的，所述基于深度学习的检测模型的损失函数包括：框损失、置信度损失和分类损失。
12.优选的，所述训练好的基于深度学习的检测模型通过以下步骤得到：收集包括异物的变电站监控图片；对收集的图片进行标注；对标注后的图片进行前处理，得到数据集；将所述数据集中的训练集输入所述基于深度学习的检测模型，采用adam优化器优化调整所述基于深度学习的检测模型的参数；以所述数据集中的验证集验证经过优化调整的基于深度学习的检测模型；若验证通过，则以经过优化调整的基于深度学习的检测模型作为所述训练好的基于深度学习的检测模型。
13.优选的，所述对标注后的图片进行前处理，包括：将所述图片和图片中的异物的边缘框分别按照水平翻转、随机裁剪、随机平移、调整尺寸、边缘填充、图片归一化的步骤顺序进行处理，再将处理后的图片和处理后的图片中的异物的边缘框进行合并。
14.优选的，所述将变电站的监控图片输入训练好的基于深度学习的检测模型，得到检测结果，包括：通过第一线程从监控视频流中读取并捕获出每帧监控图片；通过第二线程将所述监控图片输入所述训练好的基于深度学习的检测模型；通过第三线程获取所述训练好的基于深度学习的检测模型的检测结果，并将所述检测结果处理后进行显示，同时基于所述检测结果对所述监控视频流进行分类处理。
15.在本发明的第二方面，还提供了一种用于变电站异常的检测设备，包括处理器和存储器；所述存储器存储有可被所述处理器读取的计算机程序；其中，所述处理器执行所述计算机程序时，实现前述的用于变电站异常的检测方法的步骤。
16.优选的，所述用于变电站异常的检测设备为芯片。
17.在本发明的第三方面，还提供了一种用于变电站异常的检测系统，所述检测系统包括：图像采集模块，用于对变电站周围的监控环境进行视频采集和视频编码；广播报警模块，用于对变电站的施工人员、非法进入人员和非法进入车辆进行提醒；通讯传输模块，用于将图像采集模块所采集的视频数据传到监控中心的图像检测模块中，将需要广播的消息传到广播报警模块中，以及将包含异常和故障的视频上传云端保存；所述图像检测模块，用于采用前述的用于变电站异常的检测方法对所述视频数据进行实时检测，得到检测结果；语音报警模块，用于针对检测结果中的不同异常状况发出不同的提示警报；数据处理模块，用于根据所述图像检测模块的检测结果对视频数据进行管理。
18.优选的，所述图像检测模块还包括：协议解析子模块，用于解析通讯传输模块的协议；数据解包子模块，用于将接收的包括编码视频的数据包进行解包；视频解码子模块，用
于将解包后的编码视频进行视频解码；图像预处理子模块，用于将视频解码后的图像进行预处理；模型导入子模块，用于基于深度学习的检测模型的训练和导入；目标检测子模块，用于采用训练好的基于深度学习的检测模型进行检测。
19.本发明第四方面提供了一种机器可读存储介质，存储有计算机程序；所述程序被处理器执行时前述的用于变电站异常的检测方法的步骤。
20.本发明第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的用于变电站异常的检测方法。
21.通过上述技术方案，具有以下有益效果：
22.(1)本发明着重于解决变电站内部及周围异常及故障检测的实时性和高效性，利用轻量级的检测模型，减轻模型的计算量和复杂程度，高效的将检测到的异常进行报警，使得变电站的工作人员及时处理问题。
23.(2)本发明通过定时筛选存储和异常图片匹配的视频信息，过滤无效视频信息，意在解决监控系统内部无效视频的存储，节省资源和存储空间。
24.(3)本发明设计了一个针对于不同异常情况及故障的报警提示，对于不同情况的异常会选择在变电站广播和在远程警报等不同方式预警，意在提升变电站工作人员处理问题的高效性。
25.本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
26.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
27.图1示意性示出了根据本发明实施方式的用于变电站异常的检测方法的步骤示意图；
28.图2示意性示出了根据本发明实施方式的基于深度学习的检测模型的结构示意图；
29.图3示意性示出了根据本发明实施方式的mobilenetv2网络的结构示意图；
30.图4示意性示出了根据本发明实施方式的yolov3网络的结构示意图；
31.图5示意性示出了根据本发明实施方式的用于变电站异常的检测系统的模块示意图；
32.图6示意性示出了根据本发明实施方式的用于变电站异常的检测系统的具体结构图。
具体实施方式
33.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
34.图1示意性示出了根据本发明实施方式的用于变电站异常的检测方法的步骤示意图，如图1所示。一种用于变电站异常的检测方法，包括：
35.s01，采用变电站监控图片的数据样本对基于深度学习的检测模型进行训练，得到
训练好的基于深度学习的检测模型；训练好的基于深度学习的检测模型具有以下功能，对输入的变电站监控图片进行检测，输出该变电站监控图片相似度最高的标签，该标签为数据样本中的标签之一。其中，所述基于深度学习的检测模型包括：从所述监控图片提取待检测的图片特征的mobilenetv2网络，以及识别所述图片特征对应的异物类型的yolov3网络。不同的网络结构各有优缺，mobilenetv2网络作为一个轻量级卷积神经网络，在实现分类/目标检测/语义分割上具有很好的效果。yolov3网络是速度和精度最均衡的目标检测网络，能够解决多个尺度下的物体检测的问题。
36.s02，将待检测变电站监控图片输入所述训练好的基于深度学习的检测模型，得到检测结果；此步骤可以在线实施，将实时监控得到的待检测变电站监控图片输入前一步骤中的训练好的基于深度学习的检测模型，通过该检测模型的识别和判断，输出对应的检测结果。
37.本实施方式通过mobilenetv2 yolov3的网络结构，采用mobilenetv2作为骨干网络，被用于提取特征；采用yolov3作为本检测模型中的头网络，被用于根据骨干网络提取到的特征来进行目标检测。以此减轻了检测模型的计算量和复杂程度，从而使变电站监测更加高效。
38.图2示意性示出了根据本发明实施方式的基于深度学习的检测模型的结构示意图，如图2所示。mobilenetv2网络包括若干倒置残差模块expanded_conv；yolov3网络包括若干conv卷积函数、pred_sbbox、pred_mbbox、pred_lbbox等检测分支。其具体结构将在后文详述。
39.图3示意性示出了根据本发明实施方式的mobilenetv2网络的结构示意图，如图3所示。所述mobilenetv2网络包括以下结构：第一层为卷积层conv，该层中包括conv2d函数、批归一化函数和relu6激活函数；最后一层为卷积层conv_1，同样包括conv2d函数、批归一化函数和relu6激活函数。第一层和最后一层之间包括若干倒置残差模块expanded_conv，每个倒置残差模块expanded_conv均包括依次设置的conv2d函数、批归一化函数(batchnorm)、relu6激活函数、dwconv2d函数、批归一化函数(batchnorm)、relu6激活函数、conv2d函数和批归一化函数(batchnorm)。其中mobilenetv2是一种轻量级的网络结构，在算法层面相比vgg、darknet等网络有效减少了存储与计算开销，是适用于移动端或嵌入式设备的高效模型。
40.图4示意性示出了根据本发明实施方式的yolov3网络的结构示意图，如图4所示。该yolov3网络包括以下结构：多个由conv2d函数、批归一化函数(batchnorm)和relu6激活函数所构成的卷积层。yolov3是一种运用深卷积神经网络学习的特征来检测目标的检测器，其通过预先划定的候选区粗略的覆盖整个图片，在每个候选区中预测对象边框与类别。
41.在本发明提供的一种实施方式中，倒置残差模块expanded_conv中的dwconv2d函数的前后各设置一个1*1的逐点卷积函数，其作用在于对输入先升维再降维，增强梯度的传播，并减少了推理期间的内存占用。
42.在本发明提供的一种实施方式中，所述倒置残差模块的数量取值为10至20，yolov3网络中的卷积层的数量取值为20至30。经过反复的试验，在倒置残差模块的数量取值为17，yolov3网络中的conv层的数量取值为23时，能够得到在较好的检测效果和较快的检测速度之间得到平衡。
43.在本发明提供的一种实施方式中，所述yolov3网络包括多个检测分支，每个检测分支用于检测不同尺度的物体，并输出对应的检测结果。同样如图4所示，pred_lbbox、pred_mbbox、pred_sbbox这三个分支分别用来检测大物体、中等物体和小物体，分别为对应大、中、小三种尺度的检测结果，upsample为完成上采样的工作，route为融合层。
44.在本发明提供的一种实施方式中，所述基于深度学习的检测模型的损失函数包括：框损失、置信度损失和分类损失。一个好的损失函数能够使深度学习模型更加精准和鲁棒，同时减少训练复杂度。其中损失函数包括框损失lobx、置信度损失lobj和分类损失lcls。
[0045][0046][0047][0048]
loss＝lbox lobj lcls
[0049]
其中，s2表示图片输入到神经网络分成的网格数，b表示每个网格产生的候选框数量，表示如果在i，j处的box有目标，其值为1，否则为0。表示如果i，j处的box没有目标，其值为1，否则为0。x，y，为框的中心点坐标，w，h为框的宽度和长度。c为置信度。
[0050]
在本发明提供的一种实施方式中，所述训练好的基于深度学习的检测模型通过以下步骤得到：收集包括异物的变电站监控图片；对收集的图片进行标注；对标注后的图片进行前处理，得到数据集；将所述数据集中的训练集输入所述基于深度学习的检测模型，采用adam优化器优化调整所述基于深度学习的检测模型的参数；以所述数据集中的验证集验证经过优化调整的基于深度学习的检测模型；若验证通过，则以所述经过优化调整的基于深度学习的检测模型作为所述训练好的基于深度学习的检测模型。具体包括，收集组成数据集的图片，利用摄像机拍摄或者网络收集人、汽车、烟头、安全帽、烟火、火焰、施工机械、塔吊、吊车、导线异物对应的图片作为数据集，本发明使用的mobilenetv2 yolov3网络旨在检测这10类目标，这里采集了14000张图片作为数据集。标注图片数据，对数据集图片进行标注，用x1，y1，x2，y2，c这5维向量表示框。其中x1，y1为框左下坐标，x2，y2为右上框坐标，c表示类别。对图片和标注数据前处理操作。将图和框分别按照水平翻转、随机裁剪、随机平移、调整尺寸、边缘填充、图片归一化这六个步骤顺序进行处理，再进行合并以增强和规范化图片数据，以此增强和规范化图片数据特征。进行训练集和测试集的划分，训练集占80％，测试集占20％，并将训练集和测试集分别放在两个文件夹中。数据集使用voc格式进行网络训练，需要修改voc.names文件，按照图片的实际检测类名填写，一行一个类名。修改mobilenetv2 yolov3网络的配置文件包括训练集的类数，路径和类别名称以及filter参数。训练mobilenetv2 yolov3网络模型，将训练集的数据输入当网络中，利用adam优化器优化调参，得到异物检测模型。将训练好的模型在测试集上进行测试，如果测试结果满足要求，则可以采用该模型进行图像检测，否则重新训练该mobilenetv2 yolov3网络模型。
[0051]
在本发明提供的一种实施方式中，所述将变电站的监控图像输入训练好的基于深度学习的检测模型，得到检测结果，包括：通过第一线程从监控视频流中读取并捕获出每帧监控图片；通过第二线程将所述监控图片输入所述训练好的基于深度学习的检测模型；通过第三线程获取所述训练好的基于深度学习的检测模型的检测结果，并将所述检测结果处理后进行显示，同时基于所述检测结果对所述监控视频流进行分类处理。图像检测模块设置三个线程，一个线程从视频流中读取并捕获出每一帧图片；一个线程将图片传入检测模型进行检测；一个线程将检测结果取出，处理后进行显示，同时检测的视频流分段定时保存并以时间命名。通过同一设备上的不同线程实现基于深度学习的检测处理，具有实时性好的优点。
[0052]
在本发明提供的一种实施方式中，还提供了一种用于变电站异常的检测设备，包括处理器和存储器；所述存储器存储有可被所述处理器读取的计算机程序；其中，所述处理器执行所述计算机程序时，实现前述的用于变电站异常的检测方法的步骤。
[0053]
所述用于变电站异常的检测设备为芯片。该芯片中包括处理器和存储器，并能够实现前述的用于变电站异常的检测方法的步骤。采用芯片进行实施，具有集成性高和性能稳定的优点。
[0054]
图5示意性示出了根据本发明实施方式的用于变电站异常的检测系统的模块示意图，所述检测系统包括：
[0055]
图像采集模块，用于对变电站周围的监控环境进行视频采集和视频编码；广播报警模块，用于对变电站的施工人员、非法进入人员和非法进入车辆进行提醒；通讯传输模块，用于将图像采集模块所采集的视频数据传到监控中心的图像检测模块中，将需要广播的消息传到广播报警模块中，以及将包含异常和故障的视频上传云端保存；图像检测模块，用于采用前述的用于变电站异常的检测方法对所述视频数据进行实时检测，得到检测结果；语音报警模块，用于针对检测结果中的不同异常状况发出不同的提示警报；以及数据处理模块，用于根据所述图像检测模块的检测结果对视频数据进行管理。
[0056]
具体的，其中图像采集模块由多个网络摄像机全方位的对变电站周围进行视频采集和视频编码；其中广播报警模块用于在变电站周围进行报警广播，提醒变电站的施工人员操作不合规范和闯入的人员和车辆应远离；其中通讯传输模块利用网络交换机，通过rtsp协议将图像采集模块编码的数据传到监控中心的图像检测模块中、将需要广播的消息传到广播报警模块中、将含有异常和故障的视频上传云端保存；图像检测模块功能包括：解析通讯传输模块的协议、将传来的数据进行解包、将采集的视频解码、训练检测模型、将检测的图像进行预处理、利用训练好的实时检测模型进行异常和故障检测；其中语音报警模块包含多项语音提示音，针对变电站出现的不同的异常状况发出不同的提示警报，有针对性的处理异常和故障情形；其中数据处理模块包括对检测到异常和故障图片的存储、视频信息的定期存储和删除、保存的图片和视频时间匹配处理。
[0057]
图6示意性示出了根据本发明实施方式的用于变电站异常的检测系统的具体结构图，如图6所示。所述图像检测模块还包括：协议解析子模块，用于解析通讯传输模块的协议；数据解包子模块，用于将接收的包括视频编码的数据包进行解包；视频解码子模块，用于将解包后的已编码视频进行视频解码；图像预处理子模块，用于将视频解码后的图像进行预处理；模型导入子模块，用于基于深度学习的检测模型的训练和导入；以及目标检测子
模块，用于采用训练好的基于深度学习的检测模型进行检测。其对应于图6中的协议解析、数据解包、视频解码、图像预处理、模型导入和目标检测等子模块，其在系统中的位置也如图所示。
[0058]
在本发明提供一种可选实施方式中，所述根据所述图像检测模块的检测结果对视频数据进行管理，包括：对检测到异常和故障的视频数据进行存储；对存储的视频数据和拍照的图片依据时间进行匹配处理；以及根据所述匹配处理的结果进行删除或者存储云端。视频和图片依据时间不匹配的进行删除，匹配的存储云端。其对应于图6中的定时保持视频、定时清理、匹配、云端保存、保存图片及时间戳等子模块，其在系统中的位置也如图所示。
[0059]
通过以上实施方式，本发明旨在解决变电站无法对异物和故障进行实时检测，计算量大、复杂度高、效率低下和对于监控拍摄大量无效监控视频造成存储冗余、资源浪费的问题；同时提出一种轻量级的针对不同的异常检测发出不同报警提示的预警策略。为了使本领域技术人员更好地理解本发明，现提供一个实施方式如下，该实施方式包括以下步骤：
[0060]
(1)训练一个可以实时目标检测的网络模型，这里我们选择开源的mobilenetv2 yolov3网络作为检测网络。
[0061]
(2)搭建mobilenetv2 yolov3网络结构框架。其中mobilenetv2是一种轻量级的网络结构，在算法层面相比vgg、darknet等网络有效减少了存储与计算开销，是适用于移动端或嵌入式设备的高效模型。yolov3是一种运用深卷积神经网络学习的特征来检测目标的检测器，其通过预先划定的候选区粗略的覆盖整个图片，在每个候选区中预测对象边框与类别。本发明将mobilenetv2作为骨干网络，被用于提取特征；yolov3作为本模型中的头网络，被用于根据骨干网络提取到的特征来进行目标检测。
[0062]
(3)mobilenetv2采取了可分解的深度可分离卷积，有效地将计算量减少至原来的1/8。其次，mobilenetv2引入了新的层模块：具有线性瓶颈的倒置残差。该结构对数据先升维到指定维度后，对其进行深度卷积提取特征后再降维，保持了在低维空间上的特征。mobilenetv2网络搭建具体由19层，第一层和最后一层为conv和conv_1，他们包括conv2d卷积、batchnorm批归一化和relu6激活函数，中间的17层为倒置残差模块，它包括conv2d卷积、batchnorm批归一化、relu6激活函数、dwconv2d深度卷积、batchnorm批归一化、relu6激活函数、conv2d卷积和batchnorm批归一化组成，其中dwconv2d为深度卷积，前后搭配一个1*1的逐点卷积层，对输入先升维再降维，增强梯度的传播，并减少了推理期间的内存占用。
[0063]
(4)yolov3引入了残差网络，使得网络的层数进一步加深；同时，其利用多尺度特征进行对象检测，将感受野不断缩小以方便检测小尺寸的对象，网络具体搭建方式为，它包括23层conv卷积层，每层卷积层包括：conv2d卷积、batchnorm批归一化和relu6激活函数，这里网络分了三个分支分别用来检测大物体、中等物体和小物体。其中，pred_lbbox、pred_mbbox、pred_sbbox分别为对应大、中、小三种尺度的检测结果，upsample为上采样的工作，route为融合层。
[0064]
(5)收集数据集，利用摄像机拍摄或者网络收集人、汽车、烟头、安全帽、烟火、火焰、施工机械、塔吊、吊车、导线异物对应的图片作为数据集，本发明使用的mobilenetv2 yolov3网络旨在检测这10类目标，这里采集了14000张图片作为数据集。
[0065]
(6)标注图片数据，对数据集图片进行标注，用x1，y1，x2，y2，c这5维向量表示框。
其中x1，y1为框左下坐标，x2，y2为右上框坐标，c表示类别。
[0066]
(7)对图片和标注数据前处理操作。将图和框分别按照水平翻转、随机裁剪、随机平移、调整尺寸、边缘填充、图片归一化这六个步骤顺序进行处理，再进行合并以增强和规范化图片数据。
[0067]
(8)进行训练集和测试集的划分，训练集占80％，测试集占20％，并将训练集和测试集分别放在两个文件夹中。
[0068]
(9)数据集使用voc格式进行网络训练，需要修改voc.names文件，按照图片的实际检测类名填写，一行一个类名。
[0069]
(10)修改mobilenetv2 yolov3网络的配置文件包括训练集的类数，路径和类别名称以及filter参数。
[0070]
(11)训练mobilenetv2 yolov3网络模型，将训练集的数据输入当网络中，利用adam优化器优化调参，得到异物检测模型。其中损失函数包括框损失lobx、置信度损失lobj和分类损失lcls。
[0071][0072][0073][0074]
loss＝lbox lobj lcls
[0075]
其中，s2表示图片输入到神经网络分成的网格数，b表示每个网格产生的候选框数量，表示如果在i，j处的box有目标，其值为1，否则为0。表示如果i，j处的box没有目标，其值为1，否则为0。x，y为框的中心点坐标，w，h为框的宽度和长度。c为置信度。
[0076]
(12)将训练好的模型在测试集上进行测试，如果测试结果满足要求，则继续向下执行步骤十三，否则回到步骤十一。
[0077]
(13)变电站视频图像的采集，配置网络摄像头，采集的视频编码为h264格式，使用双码流技术(主码流和辅码流)保证本地传输和远程传输清晰流畅的图像和视频信息。
[0078]
(14)图像检测模块通过访问网络ip对应的网络摄像头，可以根据网络直连或者路由交换机进行连接，进行视频信息数据的传输。
[0079]
(15)图像检测模块解析网络传输层协议，得到数据包，并解包数据得到编码后的视频数据。
[0080]
(16)图像检测模块解码视频数据，并转换成rgb视频图像，并对图像进行预处理(包括裁剪、翻转、去噪声等)。
[0081]
(17)图像检测模块设置三个线程，一个线程从视频流中读取并捕获出每一帧图片；一个线程将图片传入检测模型进行检测；一个线程将检测结果取出，处理后进行显示，同时检测的视频流分段定时保存并以时间命名。
[0082]
(18)检测模型判断是否有点电站的异常及故障对应的目标类别，如果有，则以时
间命名保存包含该类别的图片。
[0083]
(19)检测模块判断检测的类别，如果是烟火、火焰、施工机械、吊车、导线异物、塔吊等异常情况则在控制端发出系统警报，通知工作人员处理；如果识别类型为汽车，将报警提示“请远离变电站”通过通讯传输模块在变电站周围广播出来；如果识别类别为人和烟头，如果识别人物图像再进一步检测其是否佩戴安全帽，如果没有佩戴，将报警提示“人员行为异常”通过通讯传输模块在变电站周围广播出来。
[0084]
(20)在数据处理模块每隔一段时间，将保存时的视频和保存的图片进行匹配判断，如果匹配则将视频和图片上传到云端服务器。
[0085]
(21)数据处理模块定时清理保存其内部的无效视频信息。
[0086]
在本发明提供的一种实施方式中，提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的用于变电站异常的检测方法。
[0087]
在本发明提供的一种实施方式中，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的用于变电站异常的检测方法。
[0088]
本发明通过提供多种实施方式，建立轻量级模型，减少了检测推理的计算量和模型对应的存储量，提升变电站的异常和故障检测报警的实时性效率。对于摄像监控数据存储的高效利用，减少无效信息的存储，节省资源。对于不同情况的异常检测进行不同的警告或者广播以保证应对异常的高效性和准确性。图像进入模型的前处理操作，增强和规范化图片数据特征，优化了网络结构，建立轻量级更加精准的网络模型。
[0089]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0090]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0091]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0092]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0093]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网
络接口和内存。
[0094]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0095]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0096]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0097]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。