一种基于深度学习的变电站基建进度智能监测方法与流程

1.本发明涉及一种基于深度学习的变电站基建进度智能监测方法。


背景技术：

2.电网是国民经济的重要命脉，是现代能源供应体系中的重要组成部分，随着电力工业的蓬勃发展，变电站基建处于高速增长阶段，变电站的规模越来越大，工程建设的管理也越来越复杂。基建施工进度监测是开展投资估算等工作的前提条件，在整个电力项目建设过程中，变电站工程的施工进度监测在其中具有非常重要的作用。但是，在电网基建过程中，变电站基建施工进度监测与管理面临着诸多挑战。具体表现在：(1)变电站基建进度监测的特殊性，在施工监测的过程中，因为需涉及到多方的共同协商合作，这也为保证施工进度监测带来了一定程度的困难。(2)变电站基建进度的多变性，环境因素如天气、地方政策，人为因素如施工方人员配备与安全保障未满足、设备供应不及时等因素极易造成进度的缓慢和延期，给基建进度的如期进行增加难度。变电站基建施工进度监测的重要性、特殊性和多变性说明寻求一种快速全面进行变电站工程的施工进度监测方法已势在必行。
3.传统的变电站项目对基建进度的管理主要通过施工单位编制的进度横道图及日报、周报、月报进行整体施工进度汇报，再由施工监理单位进行现场核对及验收，最后将施工进度汇总数据提交给建设单位。但是施工现场面积大且结构复杂，靠传统的方法检察，管理施工进度将耗费大量人力物力。现有技术《基于bim技术的大型复杂项目协同管理平台研究》(张云超，《建筑施工》，2016，38(10):1479-1482)通过对项目进度管理过程中的重难点研究，结合bim技术，实现了基建过程中施工进度的动态管理，以及安全质量和资料的全流程管理。现有技术《室内三维点云与bim集成的建筑施工进度监测方法》(刘莎莎等，地理信息世界，2019，26(5):107-112)提出了一种室内三维点云与bim集成的建筑施工进度监测方法，可实现建筑施工进度半自动核查。现有技术《golparvarfard m。a framework for model-driven acquisition and analytics of visual data using uavs for automated construction progress monitoring》(lin j j.et al.international workshop on computing in civil engineering，2015：156-164)设计了基于bim的水利工程施工进度与质量实时监测系统。利用单片机与bim进度管理模块，设定约束条件进行水利工程施工质量监测，但因其bim模型的建立耗时耗力，并不能及时的展现施工进度信息。近年来，随着sfm(structure from motion，运动恢复结构)等三维重建技术的快速发展，基于三维点云的进度监视方法成为主流研究趋势。现有技术《automated progress monitoring using unordered daily construction photographs and ifc-based building information models》(mahami h.et al.journal of computing in civil engineering，2012，29(1)：1-19)采用sfm技术生成现场建筑点云，通过现场布置的控制点恢复现场点云的尺度和基准平面，并利用点云软件将现场点云生成cad模型，将其与计划bim模型进行比较以判断现场施工进度。现有技术利用sfm-mvs(multi view stero，多视图立体匹配)技术生成稠密的现场建筑点云，采用手动n点配准方法实现现场建筑点云和计划bim点云的对
齐，并对两点云进行几何占有判断，以得到现场施工进度。
4.传统的进度管理方法中需要监理单位到现场核实施工进度，并将验收结果以资料的形式提交到建设单位，进度核验与反馈的过程较长，信息具有一定滞后性，影响管理人员对整个项目的把控准确度，影响后续对工程物料、设备的入场安排。基于bim技术的进度识别方法中，bim技术主要用于施工进度的可视化分析，它依托于通过传感技术、三维点云技术获取施工现场数据，并不能直接作为施工进度的自动识别手段。目前，数字化监控视频图像是变电站工程施工建设的重要数据获取手段，但这些图像数据主要用于施工安全与违规操作的监控，没有得到充分利用(基于bim技术的进度识别方法中，bim技术主要用于施工进度的可视化，而不是进度信息的获取手段)。基于点云技术的三维重建技术能够重建施工现场的三维数据，而进度的分析需要与计划bim点云进行对比分析，此外现场点云存在对现场建筑设备的表征错漏较为严重的问题。而且，变电站施工面积较以上场景更大，现场设备、仪器、线路等结构复杂，遮挡严重。
5.因此，开发一种针对变电站实现精确、高效、且能自动识别变电站基建施工进度的工程进度自动化监测方法很有必要。


技术实现要素：

6.本发明的目的是为了提供一种基于深度学习的变电站基建进度智能监测方法，为一种结合图像处理、深度学习与统计分析等技术实现变电站基建施工进度智能识别、可根据施工现场的监控视频数据实时分析当前施工进度的智能监测方法，本发明利用终端监控设备获取工程施工现场数据，通过图像处理和机器学习算法实现变电站施工过程中关键标识物的自动识别，再根据电站项目施工进度计划表分析判断当前施工进度，实现变电站施工进度的实时、高精度自动化识别，提高工程进度管理的效率。
7.为了实现上述目的，本发明的技术方案为：一种基于深度学习的变电站基建进度智能监测方法，其特征在于：基于图像处理技术和深度学习算法实现变电站基建关键标识物智能识别(其中，深度学习算法用来做标识物的识别)，并使用进度分析算法对标识物检测结果与进度计划表进行对分分析，进而进行变电站基建施工进度分析，实现变电站基建施工进度的自动化识别；
8.具体方法，包括如下步骤：
9.步骤一：获取变电站基建进度标识物检测模型；
10.首先根据变电站基建计划获取基建施工进度划分情况并选择具有代表性的标识物，针对各标识物进行数据标注制作样本并用于标识物检测模型的训练；
11.步骤二：变电站标识物智能识别与工程进度分析；
12.使用标识物检测模型提取布控球设备获取的视频数据中的标识物，将标识物检测结果输入进度识别算法，与计划进度表进行对比分析，输出当前标识物进度，施工进度、所处过程等信息；
13.步骤三：结果展示与存储；
14.最后对检测结果前端展示和本地化存储备份。
15.在上述技术方案中，在步骤一中，标识物检测模型包括骨干网络backbone、特征聚合层neck和解码器decoder；
16.backbone从输入图像中提取不同分辨率的语义特征图，再将语义特征图经过neck部分对特征图进行混合和重构得到新的特征图，最后使用decoder(即head)部分对从neck中获取的特征图进行预测，实现标识物目标的定位与分类。
17.在上述技术方案中，在步骤一中，标识物检测模型的获取方法为：通过终端数据采集设备，采集现场视频数据，对视频数据进行处理及标注后得到各类标识物的标注样本集，再将标注样本集划分为训练集和验证集输入标识物检测模型进行训练、测试和优化，最终得到变电站关键标识物的检测模型；
18.具体方法，包括如下步骤：
19.步骤s11：获取现场视频数据；
20.通过现场部署的固定/移动/摄像头这些终端数据采集设备，采集不同施工进度的变电站的现场视频数据；
21.步骤s12：数据处理及样本标注；
22.对步骤s11获取的视频数据进行切片、重复度筛选、人工标注操作后得到各类标识物的标注样本集；
23.步骤s13：标识物检测模型网络搭建及参数初始化；
24.标识物检测模型由骨干网络backbone、特征混合层neck和解码器head构成，其中backbone结构选择resnet50算法,neck结构取自mlp和vit的混合器中的23层结构，head结构选择d2det算法；模型训练时重要的参数机器设置为：训练轮次为20，优化器为随机梯度下降(sgd)，初始学习率为0.002，学习率衰减方式为线性衰减，衰减权重为0.001；
25.步骤s14：将样本集按照7：1：2的比例划分为训练集、验证集和测试集；
26.步骤s15：对训练集样本进行数据预处理，再输入步骤s12和步骤s13构建的网络结构中进行训练；
27.数据预处理主要包括：随机翻转、尺寸缩放和归一化；其中，随机反转的概率为0.5，尺寸缩放的目标尺寸是(1333，800)，归一化的公式是：
[0028][0029]
其中，mean＝[123.675,116.28,103.53]，std＝[58.395,57.12,57.375]，x[r,g,b]是原图像的像素值，y[r,g,b]是归一化后的像素值，r、g、b代表红、绿、蓝通道；
[0030]
步骤s16：每个训练轮次完成时都使用验证集测试标识物检测模型，并使用准确率，召回率和f1值三种评价指标对标识物检测模型进行评价并保存该标识物检测模型；
[0031]
准确率(precision)是预测正确的数量与预测总数量的比值，反映预测结果的误检率；
[0032]
召回率(recall)是预测正确的数量与实际目标数据的比值，反映出预测结果中的漏检率。
[0033]
f1值的反映准确率与召回率的整体效果，用于平衡漏检率与误检率，计算方法为：
[0034]
f1＝(2
×
precision
×
recall)
÷
(precision
×
recall)；
[0035]
步骤s17：判断训练轮次是否达到预设值；
[0036]
当训练轮次达到设定值时，结束训练，跳转至步骤s18；
[0037]
当训练轮次未达到设定值时，网络自动调整学习率，跳转至步骤s15；
[0038]
步骤s18：分析各轮次验证集的评价指标，选取f1值最高的轮次的模型作为最优模型；
[0039]
步骤s19：使用步骤s17的标识物检测模型对测试集进行测试并计算评价指标，针对f1值较低的标识物类别进行离线数据增强，增加样本多样性，再次执行步骤s15～步骤s18，从而实现标识物检测模型优化。
[0040]
在上述技术方案中，在步骤二中，变电站标识物智能识别与工程进度分析的方法如下：
[0041]
步骤s21：终端采集设备获取数据；
[0042]
步骤s22：数据预处理；
[0043]
通过终端采集设备获取的视频数据进行一帧一帧的读取并进行尺寸缩放和归一化处理操作；
[0044]
其中，尺寸缩放的目标尺寸是(1333，800)，归一化的公式是：
[0045][0046]
其中，mean＝[123.675,116.28,103.53]，std＝[58.395,57.12,57.375]，x[r,g,b]是原图像的像素值，y[r,g,b]是归一化后的像素值，r、g、b代表红、绿、蓝通道；
[0047]
步骤s23：模型测试；
[0048]
经步骤s22处理后的数据经过标识物检测模型测试，输出标识物名称、坐标、置信度得分等检测结果；
[0049]
步骤s24：模型检测结果汇总；
[0050]
将检测结果根据置信度筛选出可信度较高的目标并进行统计、得到每一类标识物的数量；
[0051]
步骤s25：进度识别算法识别标识物信息；
[0052]
使用基于电站施工计划表实现的进度识别算法进行施工进度的分析，最终实现对变电站工程进度管理中施工过程、施工阶段以及关键标识物的施工进度的检测，具体方法为：
[0053]
将步骤s24获取的标识物类别及对应的数量与计划标识物类别及其对应的数量进行标识物进度分析，得到标识物的进度信息，
[0054]
然后将标识物及其进度信息与计划施工阶段及各阶段对应的标识物进行施工进度分析，查询已检测到的标识物所处的施工阶段，并且前一个阶段对应的标识物都已100％完成，则可获取当前施工所处阶段；
[0055]
最后将当前施工阶段与计划施工过程及包含阶段进行施工过程分析，获取当前施工所处过程；
[0056]
步骤s26：输出当前标识物进度，施工进度、所处过程等信息。
[0057]
本发明步骤一中的视频数据可以通过无人机摄像、航空摄影设备获取。
[0058]
本发明中的进度识别称为进度分析算法，该算法的输入是标识物识别结果与施工进度计划表，通过数据的统计与逻辑判断实现。
[0059]
本发明具有如下优点：
[0060]
(1)本发明为基于图像处理技术和深度学习算法通过识别变电站施工进度中关键
标识物进而进行变电站施工进度分析的方案或是基于图像处理技术与深度学习算法实现变电站基建施工进度的智能识别方法；本发明通过进度识别算法实现变电站施工进度的自动化识别，减少进度管理中阶段性工程验收的时间和成本，减少进度管理中阶段性工程验收的时间和成本，提高基建进度检测与验收的效率和速度，提高工程进度管理效率，满足变电站基建进度的实时化、自动化的监测需求，符合电网管理由信息化到数字化的全面跃迁和加速演变的发展趋势和历史进程；
[0061]
(2)本发明可以为不同规模变电站提供定制化、个性化的监测服务，客户可以根据自己的基建进度计划表，轻松制定监测节点和监测目标(不同规模变电站中主变压器，配电装置等设备的数量不同，在进度识别算法中可以根据变电站计划设备量设置目标标识物及数量，进度分析即能满足客户需求)；
[0062]
(3)本发明能够对监测结果数据进行汇总，形成数据沉淀，既能实现监测数据的可追溯，又为电网今后的投资计划，投资决策，施工方案等提供参考和数据基础。
[0063]
本发明针对变电站的建设施工进行识别，且本发明的施工进度划分精细，本发明既能识别主变压器、也能识别主变构支架及设备基础，本发明通过先对建设构支架及设备基础进行识别、再识别主变压器的安装阶段，从而实现对变电站的建设施工全过程的实时智能自动高精度监测；本发明识别的标识物还包括避雷针、事故油池、站用电室、继电小室和消防室等，本发明通过对施工进度的精细划分，使施工进度判断更加准确。
附图说明
[0064]
图1为本发明的基于深度学习的变电站基建进度智能监测方法的流程图。
[0065]
图2为本发明中的标识物检测模型框架图。
[0066]
图3为本发明中的标识物检测模型的获取流程图。
[0067]
图4为本发明中的变电站标识物智能识别与工程进度分析流程图。
[0068]
图5为本发明中的进度识别算法识别标识物信息的流程图。
具体实施方式
[0069]
下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
[0070]
参阅附图可知：一种基于深度学习的变电站基建进度智能监测方法，基于图像处理技术和深度学习算法实现变电站基建关键标识物智能识别，并使用进度分析算法对标识物检测结果与进度计划表进行对分分析，进而进行变电站基建施工进度分析，实现变电站基建施工进度的自动化识别；
[0071]
具体方法，包括如下步骤：
[0072]
变电站基建过程主要划分为变电站土建建设以及变电站电器安装两大类施工过程，进一步细化又可分为七个施工阶段，在各个施工阶段选择代表性的施工目标作为各阶段的代表性标识物，共19个进度节点标识物，具体内容如表1所示：
[0073]
表1变电站施工进度划分及代表性标识物
[0074][0075]
步骤一：获取变电站基建进度标识物检测模型；
[0076]
首先根据变电站基建计划获取基建施工进度划分情况并选择具有代表性的标识物，针对各标识物进行数据标注制作样本并用于标识物检测模型的训练；
[0077]
步骤二：变电站标识物智能识别与工程进度分析；
[0078]
使用标识物检测模型提取布控球设备获取的视频数据中的标识物(标识物提取方式为：通过标识物检测模型检测现场视频数据，预测现场标识物类别与坐标)，将标识物检测结果输入进度识别算法，与计划进度表进行对比分析，输出当前标识物进度，施工进度、所处过程等信息；本发明通过进度识别算法实现变电站施工进度的自动化识别，减少进度管理中阶段性工程验收的时间和成本，提高工程进度管理效率；同时，本发明将现场进度与施工计划进行对比分析，评估施工效率，实现工程计划与实际进度的动态纠偏，为各阶段工程物料的配置提供及时有效的参考信息，资金预算管理提供及时的数据支撑；
[0079]
步骤三：结果展示与存储；
[0080]
最后对检测结果前端展示和本地化存储备份(如图1所示)。
[0081]
进一步地，在步骤一中，标识物检测模型包括骨干网络backbone、特征聚合层neck和解码器decoder；
[0082]
标识物检测模型的框架关系为：backbone从输入图像中提取不同分辨率的语义特征图，再将语义特征图经过neck部分对特征图进行混合和重构得到新的特征图，最后使用decoder(即head)部分对从neck中获取的特征图进行预测，实现标识物目标的定位与分类；
[0083]
骨干网络backbone选用resnet50算法；本发明在模型选取上重点选择小样本模型，保证在数据量有限的情况下，可训练出泛化能力较好的模型框架，最终形成模型框架如图2所示。backbone选择经典分类神经网络框架，考虑到电缆沟识别过程中的目标物(如电缆沟井盖、电缆沟沟槽、电缆沟缆线等)大部分均为非刚性结构，因此选择resnet50算法作为backbone，既能有效提取纹理特征和结构特征，又能解释上层语义信息，同时了兼顾模型的性能和速度。在neck结构的选取上充分考虑传输和数据增强中的的对抗噪声，从mlp和vit的混合器中剥离23层框架结构，对模型整体进行了重构；head结构选择d2det算法实现目标的精确定位和准确分类。该算法不同于传统回归和基于锚框的方法，采用了密集局部回归与判别性roi池化方法，能够使定位更加精确，分类更加准确。
[0084]
进一步地，在步骤一中，标识物检测模型的获取方法为：通过终端数据采集设备，采集现场视频数据，对视频数据进行处理及标注后得到各类标识物的标注样本集，再将标注样本集划分为训练集和验证集输入标识物检测模型(该目标检测算法模型是在现有目标检测技术的基础上搭建的，为现有技术)进行训练、测试和优化，最终得到变电站关键标识物的检测模型；
[0085]
具体方法，包括如下步骤：
[0086]
步骤s11：获取现场视频数据；
[0087]
通过现场部署的固定/移动/摄像头等终端数据采集设备，采集不同施工进度的变电站的现场视频数据；本发明将图像识别应用于变电站施工进度监测中可有效提高变电站施工监测效率；
[0088]
步骤s12：数据处理及样本标注；
[0089]
对步骤s11获取的视频数据进行切片、重复度筛选、人工标注等预处理操作后得到各类标识物的标注样本集；
[0090]
步骤s13：标识物检测模型网络搭建及参数初始化；
[0091]
标识物检测模型由骨干网络backbone、特征混合层neck和解码器head构成，其中backbone结构选择resnet50算法,neck结构取自mlp和vit的混合器中的23层结构，head结构选择d2det算法；模型训练时重要的参数机器设置为：训练轮次为20，优化器为随机梯度下降(sgd)，初始学习率为0.002，学习率衰减方式为线性衰减，衰减权重为0.001；
[0092]
步骤s14：将样本集按照7：1：2的比例划分为训练集、验证集和测试集；
[0093]
步骤s15：对训练集样本进行数据预处理，再输入步骤s12和步骤s13构建的网络结构中进行训练；
[0094]
数据预处理主要包括：随机翻转、尺寸缩放和归一化；其中，随机反转的概率为0.5，尺寸缩放的目标尺寸是(1333，800)，归一化的公式是：
[0095][0096]
其中，mean＝[123.675,116.28,103.53]，std＝[58.395,57.12,57.375]，x[r,g,b]是原图像的像素值，y[r,g,b]是归一化后的像素值，r、g、b代表红、绿、蓝通道；
[0097]
步骤s16：每个训练轮次完成时都使用验证集测试标识物检测模型，并使用准确率，召回率和f1值三种评价指标对标识物检测模型进行评价并保存该标识物检测模型；
[0098]
准确率(precision)是预测正确的数量与预测总数量的比值，反映预测结果的误检率；
[0099]
召回率(recall)是预测正确的数量与实际目标数据的比值，反映出预测结果中的漏检率。
[0100]
f1值的反映准确率与召回率的整体效果，用于平衡漏检率与误检率，计算方法为：
[0101]
f1＝(2
×
precision
×
recall)
÷
(precision
×
recall)；
[0102]
s17：判断训练轮次是否达到预设值；
[0103]
当训练轮次达到设定值时，结束训练，跳转至步骤s18；
[0104]
当训练轮次未达到设定值时，网络自动调整学习率，跳转至步骤s15；
[0105]
步骤s18：分析各轮次验证集的评价指标，选取f1值最高的轮次的模型作为最优模型；
[0106]
步骤s19：使用步骤s17的标识物检测模型对测试集进行测试并计算评价指标，针对f1值较低的标识物类别进行离线数据增强，增加样本多样性，再次执行步骤s15～步骤s18，从而实现标识物检测模型优化，获取标识物检测模型(如图3所示)。
[0107]
更进一步地，在步骤二中，变电站标识物智能识别与工程进度分析的方法如下：
[0108]
步骤s21：终端采集设备获取数据；
[0109]
步骤s22：数据预处理；
[0110]
通过终端采集设备获取的视频数据进行一帧一帧的读取并进行数据预处理操作；
[0111]
其中，尺寸缩放的目标尺寸是(1333，800)，归一化的公式是：
[0112][0113]
其中，mean＝[123.675,116.28,103.53]，std＝[58.395,57.12,57.375]，x[r,g,b]是原图像的像素值，y[r,g,b]是归一化后的像素值，r、g、b代表红、绿、蓝通道；
[0114]
步骤s23：模型测试；
[0115]
经步骤s22处理后的数据经过标识物检测模型测试、并输出标识物名称、坐标，置信度得分等检测结果；
[0116]
步骤s24：模型检测结果汇总；
[0117]
将检测结果根据置信度筛选出可信度较高的目标(即标识物类别)进行统计、得到每一类标识物的数量；
[0118]
步骤s25：进度识别算法识别标识物信息；
[0119]
使用基于电站施工计划表实现的进度识别算法进行施工进度的分析，最终实现对变电站工程进度管理中施工过程、施工阶段以及关键标识物的施工进度的检测，具体方法为：
[0120]
将步骤s24获取的标识物类别及对应的数量与计划标识物类别及其对应的数量进行标识物进度分析，得到标识物的进度信息，如：
[0121]
主变压器进度＝主变压器识别数量/主变压器计划数量*100％；
[0122]
然后将标识物及其进度信息与计划施工阶段及各阶段对应的标识物进行施工进
度分析，查询已检测到的标识物所处的施工阶段，并且前一个阶段对应的标识物都已100％完成，则可获取当前施工所处阶段；
[0123]
最后将当前施工阶段与计划施工过程及包含阶段进行施工过程分析，获取当前施工所处过程(如图5所示)；
[0124]
步骤s26：输出当前标识物进度，施工进度、所处过程等信息(如图4所示)。
[0125]
为了能够更加清楚的说明本发明所述的基于深度学习的变电站基建进度智能监测方法与现有技术相比所具有的优点，工作人员将这两种技术方案进行了对比，其对比结果如下表2所示：
[0126]
表2对比结果
[0127][0128]
由上表2可知，本发明所述的基于深度学习的变电站基建进度智能监测方法与现有技术相比，监测精度高(识别准确率约为100％)，能进行实时、高精度自动化识别、识别效率高、可视化程度高、且操作简便(本发明保存现场图像数据即能实现可视化)。
[0129]
其它未说明的部分均属于现有技术。