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

技术特征：
1.一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，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；具体方法，包括如下步骤：步骤一：获取变电站基建进度标识物检测模型；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；步骤二：变电站标识物智能识别与工程进度分析；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、所处过程这些信息；步骤三：结果展示与存储；最后对检测结果前端展示和本地化存储备份。2.根据权利要求1所述的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：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；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。3.根据权利要求1或2所述的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：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；具体方法，包括如下步骤：步骤s11：获取现场视频数据；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；步骤s12：数据处理及样本标注；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；步骤s13：标识物检测模型网络搭建及参数初始化；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，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；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；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；
数据预处理包括：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：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；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；步骤s17：判断训练轮次是否达到预设值；当训练轮次达到设定值时，结束训练，跳转至步骤s18；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；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；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。4.根据权利要求3所述的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：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：步骤s21：终端采集设备获取数据；步骤s22：数据预处理；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；其中，尺寸缩放的目标尺寸是(1333，800)，归一化的公式是：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；步骤s23：模型测试；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、置信度得分这些检测结果；步骤s24：模型检测结果汇总；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；步骤s25：进度识别算法识别标识物信息；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：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，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；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；步骤s26：输出当前标识物进度，施工进度、所处过程这些信息。

技术总结
本发明公开了一种基于深度学习的变电站基建进度智能监测方法。它包括如下步骤：步骤一：提取变电站基建进度标识物；首先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；步骤二：变电站标识物智能识别与工程进度分析；再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、所处过程这些信息；步骤三：结果展示与存储；最后对检测结果前端展示和本地化存储备份。本发明具有实现变电站施工进度的自动化识别，提高工程进度管理的效率的优点。优点。优点。


技术研发人员：马莉 周明 周蠡 孙利平 卢生炜 王枫 许汉平 熊川羽 付江缺 程正逢 李双江 廖晓红 熊一 高晓晶 李智威 陈然 周英博 张赵阳 骆元鹏 张奇 邢旭东 李红明 曹鹏财 江桥 易乐安 龚盼攀 钱磊 王海青
受保护的技术使用者：中国电力工程顾问集团中南电力设计院有限公司
技术研发日：2022.11.01
技术公布日：2023/2/3