一种输电线路缺陷识别的边缘计算装置的制作方法

1.本发明涉及电网领域，尤其涉及一种输电线路缺陷识别的边缘计算装置。


背景技术：

2.随着无人机在输电线路巡检应用逐渐普及，一方面由于无人机设备自身不具备边缘智能分析硬软件。导致无人机在线路巡检过程中仍存在需要将无人机巡检拍摄的大量图片拷贝上传至相关人工智能软件平台进行分析评估诊断，仍旧存在效率较低、流程繁琐、需要人员对人工智能软件平台使用熟悉掌握的问题。另一方面无人机在电网输电线路的巡检场景常常处于山高林远的偏远无信号区域，尤其是西北地区山高沟深地理环境复杂，存在诸多无人区无信号区的特殊情况，无法通过稳定的通信手段实现无人机数据与云端深度学习服务器相连，需要无人机本地边缘端具备相关人工智能算法能力，制约着无人机人工智能在输电巡检中更深层扩展的应用。
3.现有技术中借助人工智能技术的无人机巡检大多都是基于云服务器实现的，无人机设备自身不具备边缘智能分析硬软件。服务器端的人工智能平台仅能分析巡检拍摄上传的有限图片，无法有效利用无人机巡检视频流中更多关键图片帧进行灵活分析，存在很多误检漏检的情况。


技术实现要素：

4.鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种输电线路缺陷识别的边缘计算装置。
5.根据本发明的一个方面，提供了一种输电线路缺陷识别的边缘计算装置包括：超级计算模块、交互操作模块、灯光声音指示模块、接口模块、显示器和通信模块；
6.无人机航拍输电线路图像；
7.所述接口模块与所述无人机航拍的图像输出端连接，用于将所述输电线路图像发送至所述接口模块；
8.所述接口模块与所述超级计算模块连接，用于将所述输电线路图像发送至所述超级计算模块，所述超级计算模块处理所述输电线路图像返回处理图像结果，并将所述处理图像结果发送至所述接口模块；
9.所述超级计算模块与所述交互操作模块连接，用于根据操作输入处理图像，获得视频流；
10.所述超级计算模块与所述显示器连接，用于将所述视频流发送至显示器，用于显示；
11.所述灯光声音指示模块与所述超级计算模块连接。
12.可选的，所述计算装置还包括：电源模块，分别与所述显示器、所述超级计算模块和所述交互操作模块连接，用于供电。
13.可选的，所述装置还包括：锂电池电量智能管理系统，包括主控制电路、数据采集
及均衡电路、充放电保护及加热控制电路、通信模块和人机交互模块；
14.所述主控制电路采用stm32f103c8t6芯片；
15.所述数据采集及均衡电路与所述主控电路连接；
16.所述主控电路的输入输出接口与所述人机交互模块连接；
17.所述主控电路与所述电源模块连接，控制电源输出。
18.可选的，所述数据采集及均衡电路具体包括：电池电压采集单元和电池电流采集单元；
19.所述电池电压采集单元采用ltc6803-3芯片来进行电压采集；
20.所述电池电流采集单元采用qfo10hc350ts3霍尔传感器来进行电流采集。
21.可选的，所述霍尔传感器输出的电压是0～5v的模拟量，经过分压电阻后转化为满足stm32单片机模拟端口输入的0～3.3v的模拟量，输入至主控芯片的adc引脚。
22.可选的，所述计算装置还包括：散热模块，与所述电源模块连接，用于为所述电源模块散热。
23.可选的，所述灯光声音指示模块具体包括：电源电量指示灯、led单元和蜂鸣器单元。
24.可选的，所述交互操作模块为矩阵键盘、鼠标板和指纹识别单元。
25.可选的，所述超级计算模块为vidia jestonxaviernx超级计算模块；
26.具体包括：视觉加速器，为7路vliw视觉处理器；深度学习加速器为2个nvdla引擎；gpu为nvidiavoltatm架构搭载384cores和48tensor cores；cpu为6-core nvidia car-melv8.264-bit cpu 6mb l2 4mb l3；显存为8gb128-bit lpddr4x 51.2gb/s。
27.可选的，所述接口模块具体包括：
28.hdmi接口、usb3.0接口、麦克风和扬声器接口、程序调试接口和第三视角摄像头接口；
29.所述无人机航拍输电线路图像与所述hdmi接口连接；
30.所述矩阵键盘和所述鼠标板均与所述usb3.0接口连接；
31.麦克风和扬声器均与所述麦克风和扬声器接口连接。
32.本发明提供的一种输电线路缺陷识别的边缘计算装置，所述计算装置包括：超级计算模块、交互操作模块、灯光声音指示模块、接口模块、显示器和通信模块；无人机航拍输电线路图像；所述接口模块与所述无人机航拍的图像输出端连接，用于将所述输电线路图像发送至所述接口模块；所述接口模块与所述超级计算模块连接，用于将所述输电线路图像发送至所述超级计算模块，所述超级计算模块处理所述输电线路图像返回处理图像结果，并将所述处理图像结果发送至所述接口模块；所述超级计算模块与所述交互操作模块连接，用于根据操作输入处理图像，获得视频流；所述超级计算模块与所述显示器连接，用于将所述视频流发送至显示器，用于显示；所述灯光声音指示模块与所述超级计算模块连接。能够实时的掌握巡检过程中存在的缺陷问题，第一时间实时通过人工智能的手段发现问题，上报问题，解决问题。
33.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够
更明显易懂，以下特举本发明的具体实施方式。
附图说明
34.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
35.图1为本发明实施例提供的一种输电线路缺陷识别的边缘计算装置结构图；
36.图2为本发明实施例提供的接口模块的结构示意图；
37.图3为本发明实施例提供的yolov4的网络结构示意图；
38.图4为本发明实施例提供的yolov4-tiny训练过程中的loss图；
39.图5为本发明实施例提供的锂电池电量智能管理系统的组成框图；
40.图6为本发明实施例提供的航拍视频诊断流程示意图；
41.图7为本发明实施例提供的基于bm3d算法的图像去噪流程图。
具体实施方式
42.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
43.本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。
44.下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。
45.如图1所示，边缘计算装置的设备均围绕nvidia jeston xaviernx超级计算模块展开布置：
46.根据输电线路的缺陷数据量、巡检中的处理任务量和硬件的成本进行综合优化，选用nvidia jeston xavier nx配置：视觉加速器：7路vliw视觉处理器；深度学习加速器：2个nvdla引擎；gpu：nvidiavoltatm架构搭载384cores和48tensor cores；cpu：6-core nvidia car-melv8.264-bit cpu 6mb l2 4mb l3；显存：8gb 128-bit lpddr4x 51.2gb/s。
47.电源模块选用6000mah，24v锂电池作为主电源，选用1650mah，3v干电池作为备用电源。24v电源通过l298n稳压模块变为12v，5v的电源，引出的12v电源给nvidia jeston xaviernx模块和散热风扇，显示屏幕供电；引出的5v电源为交互操作模块，供电。
48.灯光指示模块，5g通信模块和接口模块由nvidia jeston xavier nx板载的5v电源供电。
49.交互操作模块选用4乘4矩阵键盘和触摸式鼠标板作为交互输入的模块。同时，搭载指纹识别模块用来进行操作人员的身份验证。
50.灯光声音指示模块包括电源电量指示灯，led模块，蜂鸣器模块。当人工智能算法测出故障时，nvidia jeston xaviernx将led模块和蜂鸣器模块的使能位输入有效值，led
模块开始闪烁，蜂鸣器开始报警，提示无人机飞手及时规划无人机航线。
51.如图2所示，采用hdmi接口作为无人机航拍图像的输入端口。同时，选用usb3.0作为键盘鼠标的连接端口。选用type-c接口作为程序调试，程序烧录，数据下载与导出的接口。
52.软件环境
53.边缘端算法部署平台采用ubantu20.04.5操作平台，使用linux version 4.9.20-tegra的linux内核，数据库采用mysql 8.5.26版本。yolov4-tiny算法的搭建基于opencv4.5.1，cmake3.6.1，cudatoolkit8.0，tenserflow2.0等框架，基于python3.3开发。
54.无人机航拍视频编码传输方案
55.视频流传输方案采用了编解码标准中规定的国际电联h.264编码协议。h264压缩技术采用了以下几种方法对视频数据进行压缩。包括：
56.(1)帧内预测压缩，解决的是空域数据冗余问题。
57.(2)帧间预测压缩(运动估计与补偿)，解决的是时域数据冗余问题。
58.(3)整数离散余弦变换(dct)，将空间上相关性变为频域上无关数据然后进行量化。
59.(4)cabac压缩。
60.经过压缩后的帧分为：i帧，p帧和b帧；i帧为关键帧，采用帧内压缩技术；p帧为向前参考帧，在压缩时，只参考前面已经处理的帧。采用帧音压缩技术；b帧为双向参考帧，在压缩时，它即参考前面的帧，又参考它后面的帧。采用帧间压缩技术。
61.yolov4-tiny目标识别算法：
62.yolov4的网络结构是基于darknet-53的特征提取结构，具体如图3所示。
63.将yolov4的总体结构分为两个部分，分别为主干特征提取网络和预测卷积操作。主干特征提取网络的主要功能是提取目标物体的特征，其实也就是不断卷积的过程。输入416
×
416
×
3的图片，其中416
×
416为图片大小，3为通道数，然后对图片不断进行下采样的操作，将输入图片的高和宽不断压缩，将通道数不断扩张，从而获得一堆特征层，表示输入进来的图片的特征。
64.如图4所示，选取最后三个特征层，输入到第二部分的预测卷积操作，三个特征层的大小分别为：13
×
13
×
1024、26
×
26
×
512、52
×
52
×
256。预测卷积操作是首先将13
×
13
×
1024的特征层进行五次卷积，将得到的结果分别进行两种处理：一种是在两次卷积后进行分类预测和回归预测，检测图片中是否存在真实物体，若存在真实物体再判断这个物体的种类以及调整先验框；另一种是在进行上采样后将特征层转换为26
×
26
×
256，然后与26
×
26
×
512的特征层进行堆叠对比，这实际也是构建特征金字塔的过程，利用特征金字塔可进行多尺度特征融合提取更有效的特征。而对堆叠的结果的操作同13
×
13
×
1024特征层的操作相同。这样的网络结构十分简单，也正是因为这样，yolo网络的识别速度极快。又因为检测是以整个图像作为输入，内部数据的联系相对紧密，这样一来就可以降低对背景的错误识别概率，同时网络的适应性较好，在测试集与训练集内的数据不完全相同时依然有较好的识别效果，与同期的识别算法相比，yolov4的准确率能达到两倍以上。
65.如图5所示，锂电池电量智能管理系统的硬件组成主要包括控制主电路、数据采集及均衡电路、充放电保护及加热控制电路、通信功能模块、人机交互模块，采集的数据包括
电压、温度和电流。
66.主控制电路选用stm32f103c8t6作为锂电池电量智能管理系统的主控芯片，该芯片应当采用“cortex-m3”32位的risc内核，供电电压为5v，工作频率为144mhz，i/o端口为37，其字节的闪存应当大于128k字节、sram应当大于20k字节，其16位定时器应当大于3个。
67.对stm32f103c8t6的补充：
68.本文stm32f103c8t主控芯片应该具有以下参数：
69.(1)本文选用的stm32f103c8t主控芯片应当支持多时钟系统，同时供电电源应支持
70.2.5v到5.2v的供电电源，主控板应当具有通电复位和掉电复位功能，并自带可编程电压监视功能。
71.(2)本文选用的stm32f103c8t主控芯片在外部应当接入4-16mhz的高精度晶振，并携带带有校准功能的22khz的lse振荡器，在内部应当具有8mhz的低精度rc振荡器，并携带带有校准功能的42khz的lsi振荡器。
72.(3)本文选用的stm32单片机应当具有三个功耗模式，分别是：sleep模式，该模式下应当关闭cortex-m3内核，同时保持外设开启，同时开启电压调节器；stop模式，该模式下应当关闭cortex-m3内核与外设，同步保存缓冲区与寄存器内部数据，电压调节器可选择开启与关闭状态，同时关闭所有外部设备时钟和cpu时钟；standby模式，该模式将功耗降至最低，将2v以下供电模块全部断开，关闭电压调节器，清空冲区与寄存器内部数据，当该模式退出时，应当重新运行程序。
73.(4)本文选用的stm32单片机应当具备128k字节闪存程序存储器，并携带最小25k字节的缓存区。
74.(5)本文选用的stm32单片机应当拥有最低12个通信接口和4个定时器，并支持swd串行单线调试功能和jtag数据下载接口。
75.(6)主本文选用的stm32f103c8t主控芯片的i/o口可以输出状态指示位，提示当前电池电量状态，当出现电量充足时工作灯应当常量，可以将其闪烁的频率视为0，当电池电量从80％下降到20％，其闪烁的频率应当从0到5hz逐渐加快，当电量小于10％，故障灯常量，提示电量不足。
76.当周围环境的温度小于8℃时，加热灯常量，显示电池温度过低。
77.本发明采ltc6803-3芯片来进行电压采集。ltc6803ig-3芯片供电电压为3.3v。同时，在芯片采集引脚处滤波电路以滤除电路中的高频干扰。
78.ltc6803ig-3芯片的低侧4个端口miso、csbi、mosi、srck与主控芯片stm32相连。在每个电压信号采集的输入口都接有电感和一个稳压二极管，电感通过铁氧化磁性材料来保护二极管。
79.本发明采用qfo10hc350ts3霍尔传感器来进行电流采集，其最大测量直流电流不应小于200a，工作温度范围最小值不应低于-20℃，最大值不能小于125℃，辅助供电为5.5v，响应时间不能小于10us。
80.霍尔传感器输出的电压是0～5v的模拟量，经过分压电阻后转化为可以满足stm32单片机模拟端口输入的0～3.3v的模拟量，然后输入至主控芯片的adc引脚。
81.当管理系统开启以后，要首先进行系统的初始化配置。然后开依次进行spi、ad转
换、串口、io口等外设和电池管理芯片ltc6803ig-3的初始化。初始化变量并进行清除故障标志位，对系统温度传感器、霍尔传感器及ltc6803ig-3进行自检，自检通过后检查负载状态，确保负载正常，而非短路异常情况。然后开始电池电压、电流、温度的监测并进行rs485通讯，将将对电池组的监控数据、状态、参数等通过rs485通信。如果监测正常则进入下一步的充放电控制管理流程，最后返回至继续监控电池状态程序。
82.装置具体的图像处理流程：
83.针对航拍视频，本专利装置有如下诊断流程，全过程如图6所示：(1)系统上电，芯片与硬件开始初始化自检，自检顺序应按照优先nvidia jeston xavier nx超级计算模块启动，然后由nvidia jeston xaviernx超级计算模块逐一向：电源模块、散热模块、显示屏幕、灯光声音模块、交互操作模块、接口模块、5g通信模块发送自检状态位，数据通过spi总线进行传输。
84.(2)航拍视频流通过hdmi线接入边缘诊断装置中，诊断装置的接口模块针对视频流编码格式进行解析，并对输入图像的光谱通道进行标记，设置状态标志位flag1，若通道仅包含可见光，则标记为1，若通道同时包含可见光与红外，则标记为0，并将状态标志位添加到视频流通道命名中。
85.(3)输入到nvidia jeston xaviernx超级计算模块中，通过opencv库进行待诊断图像的逐帧抽取，具体方式为通过调用opencv库中的cv2.imwrite()函数将图像保存至缓存区，并指定存盘的地址。
86.(4)完成帧抽取后，依次对抽取得到的单张图像进行：图像去噪、逆光修正两项图像预处理操作。具体预处理方式为：首先构建图像去噪队列a与图像逆光修正队列b(最长20项元素)，将抽取的图像流按照a1～a19、b1～b19的顺序排列，然后，依次抽取a1、b1图像进行图像去噪处理与逆光修正，并覆盖到a0、b0，之后，将b2～b19图像编号调整为b1～b18，将a2～a19图像编号调整为b1～b18，将a0拷贝至b19，并将b0输出到下一流程。
87.(5)对图像进行光谱通道判定：若为红外、可见光双光谱图像，则进行红外光谱融合诊断，并将诊断的结果从交互界面输出；否则，进行下一步流程。
88.(6)针对可见光图像进行边缘增强处理，增强输电杆塔缺陷的几何外形特征。
89.(7)使用上文中yolov4算法进行深度学习故障诊断，生成输电杆塔缺陷候选框。
90.(8)通过边缘诊断装置装设的显示屏幕显示诊断结果，并通过灯光声音指示模块对存在的缺陷进行报警。
91.(9)由设备的使用人员即输电线路巡检人员在现场观看显示屏幕的诊断结果，并通过交互模块输入诊断结果是否正确，若诊断结果不正确，则通过交互模块人为修改诊断结果，并通过5g模块将结果上传至云端调度中心；若诊断结果正确，则直接通过5g模块将结果上传至云端调度中心。
92.特殊的应用个例：
93.(1)当便携装置所在的环境中5g信号较弱时，具体判定方法为数据上传的速度小于50k/s，装置激活离线模式，单独启用边缘计算模式，关闭云边协同模式。首先，装置将关闭5g通信模块，减少整理功耗，其次，装置将加载缺陷诊断数据本地存储功能，将航拍数据与深度学习算法诊断结果以图片的形式存储，并按照：“无人机经度-无人机纬度-无人机海拔高度-无人机离地高度-拍摄年份-拍摄日期-拍摄时间-线路电压等级-线路名称-杆塔杆
号-缺陷简述-该照片原始名称”的格式将图片命名。并将照片按照缺陷类型进行分类存储，在每种类型下，将照片按照拍摄时间依次降序排列，形成数据包。待巡检任务结束后，将离线数据通过手动拷贝的方式将数据包上传至数据中心。
94.(2)当输入的视频流帧率过高时，具体判定方法为输入视频帧率大于20fps，装置激活流量卸载模式，使用opencv进行逐帧抽取时保持20张/秒的速率。
95.(3)当便携装置电量低于20％时，装置激活节能模式。首先，调试nvidia jeston xaviernx超级计算模块至低功耗模式，降低计算功率至70％，其次，将显示屏幕亮度降低至额定功率的50％，最后，装载yolov4-tiny算法总体规模最小的神经网络模型，以进一步降低功率，同时，中断当前缺陷诊断功能，并通过显示屏幕提示使用者及时补充边缘诊断装置的电量，提示结束后，若使用者选择继续使用，则继续激活装置缺陷诊断功能。
96.当便携装置电量低于5％时，装置进入极限模式，首先，保持nvidia jeston xaviernx计算模块的低功耗模式，其次，强制关闭装置当前缺陷诊断功能，最后，关闭装置5g通信功能，同时，开启视频录制模式，将输入的航拍视频流进行离线保存。待电量大于20％时，再次激活缺陷诊断功能。
97.(4)当检测的对象中包含有销钉、销钉孔、螺帽、小型异物等尺寸小于50*50像素的小型目标时，装置中加载小型目标识别方法，具体如下：
98.步骤1:将航拍图像切分为200*200像素的子图片。对于1920*1080像素的输入图像，在图像横向边缘填充黑色像素，在图像纵向边缘进行裁剪，从而将图像的分辨率调整至2000*1000像素，并将图像分割为50等份；对于4096*2160像素的输入图像，在图像横向、纵向边缘进行裁剪，从而将图像分辨率调整至4000*2000像素，并将图像分割为200等份。
99.步骤2:将分割得到的小型图片集按照从上到下，从左到右的顺序进行编号，例如：第一行第一列图像编号为1，第一行第二列图像编号为2，与原始的大体积图片相比，小图片中销钉、销钉孔、螺帽、小型异物等小型目标展示较为清晰。
100.步骤3:通过deeplab 语义分割算法针对销钉、销钉孔、螺帽、小型异物等对象进行语义分割，得到背景图像和小型目标主体图像。将背景图像检测的覆盖范围用空白像素填充。
101.步骤4:采用yolov4-tiny目标检测算法进行检测，针对每个200*200小图片进行识别，识别对象包括销钉缺失、销钉滑脱、螺帽缺失、螺帽滑脱、小型异物悬挂、导线边缘散股断股等。形成的检测结果包括缺陷类别、目标检测框中心点坐标、矩形框的长度宽度，同一图像组的缺陷序号。
102.步骤5:将检测后形成的结果按照步骤2中标注的顺序进行拼接，形成原始的大体积图片，并将检测的结果展示于显示模块中，进行缺陷的认为判定。
103.步骤6：若现场图片较多，并且巡检任务繁重，无法通过人工排查的方法进行二次检测，则将步骤2中得到的小型图片组通过边缘计算装置中装设的5g传输模块将小型图片组上传至云平台，并依靠云平台中装设的大型神经网络和高算力工作站，实现小型目标的精确检测。
104.这样的方法兼具了边缘计算的快速和云计算的准确，可以有效的提升小型目标的加测率，解决输电线路小型缺陷识别率低、漏检率高的难题。
105.(5)在一定使用时间后，边缘计算装置需要更新深度学习算法模型，以进一步提升
识别的准确性。
106.算法更新的原因包括两种：一是数据集数量在巡检过程中得到积累，数量和种类有所拓展，二是深度学习算法得到改进，其网络结构与权重系数发生变化。
107.对于巡检数据集拓展的情况，采用迁移学习的方法，借助原有的权重模型进行补充训练。将拓展数据集作为将原有的数据集定义为原域，将原有数据集与扩增数据集的整体定义为迁移域，迁移学习具体方法如下：
108.步骤1：将扩增数据集按照原有数据集的大小进行缩放，并按照原有数据集的命名格式继续命名。本发明专利中原有数据集命名方式为：图片序号-缺陷装置所在经度-缺陷装置所在纬度-无人机所在经度-无人机所在维度-杆塔号-缺陷类别-缺陷序号
109.步骤2：可以采用标注软件lableimg。该软件可以通过人工筛选，标注缺陷所在矩形框的中心坐标与尺寸大小，并为标注框备注缺陷类型，并在标注结束后统计每种缺陷的数量与分布特性。
110.步骤3：将原始扩增数据集记为数据集0，图片数量为n，参数k1记为镜像扩增系数。将数据集0进行镜像扩增变换得到数据集1，扩增后数据集1的数量为k1n。扩增方法为：在数据集0中随机抽取(k
1-1)n张对每一张图片进行一次镜像翻转，得到一个扩增图像，上述镜像扩增系数k1合理取值为1.5～2。
111.步骤4：对数据集1进行颜色变换得到数据集2，扩增后数据集2的数量为k1k2n，参数k2记为颜色变换扩增系数。扩增方法为：在数据集0中随机抽取(k
2-1)n张对每一张图片进行一次颜色变换，将灰色或黄色的地面变换为黑色或深蓝色，得到一个扩增图像，从而增强杆塔与地面的对比度，上述颜色变换扩增系数k2合理取值为1.3～1.5。
112.步骤5：对数据集2进行拼接变换，变换得到数据集3，扩增后数据集3的数量为k1k2k3n，参数k3记为拼接扩增系数。扩增方法为：在数据集2中随机抽取(k
3-1)4n～(k
3-1)6n张，并在抽取的图象中按照4～6张拼接的方法，得到一组扩增图像，从而显著增强yolov4模型的识别能力，上述拼接扩增系数k3合理取值为6～7。
113.步骤6：经过步骤3、4、5扩增得到的数据集与原始数据集一起，重新按照步骤1的方式进行命名，并将扩增得到的数据集在深度学习的环境中重新进行训练。优选的，训练环境配置如下：cmake版本为3.8，cuda版本为10.0，opencv版本位2.6，cudnn版本为7.0，显卡为2080ti，cpu i79700k，训练轮数达到200轮或50轮内loss网络损失波动在5％之间时停止训练。
114.步骤7：将重新训练后得到的权重文件通过移动存储器接入边缘计算装置，并通过交互模块实现模型权重的替换，从而完成一次深度学习算法模型更新。
115.对于深度学习算法得到改进的情况，进行模型的重新训练与权重替换。
116.步骤1：将原始数据集在深度学习的环境中针对新的深度学习算法重新进行训练。优选的，训练轮数达到500轮或50轮内loss网络损失波动在3％之间时停止训练。
117.步骤2：将重新训练后得到的权重文件通过移动存储器接入边缘计算装置，并通过交互模块实现模型权重的替换，从而完成一次深度学习算法模型更新。
118.采用以上算法流程有以下好处：
119.(1)在接口模块中预置光谱通道标记功能，在后续的图像处理过程中通过判定标志位进而调用不同的诊断算法：针对红外、可见光双光谱图像采用融合诊断算法，针对单独
可见光图像采用yolov4-tiny目标诊断算法，使得装置具有了处理红外和可见光两种航拍影像的能力。
120.(2)针对输电线路航拍时常见的起雾、噪点、强光等干扰因素，采用了图像去噪、逆光修正算法，增强了装置抵抗环境干扰的能力，优化了装置与算法的鲁棒性，使得装置在面对人眼难以分辨的检测目标时仍能有效识别，有效降低线路缺陷漏检率。
121.(3)针对输电线路航拍时背景与主体特征相近的情况，采用图像边缘增强算法，强化销钉缺失、线路异物等输电线路小目标缺陷特征，有效提高线路缺陷检出率。
122.(4)在边缘端装置诊断结束后，加设人工手动校正与云端校正两种修正方法，避免系统误判，有效降低线路缺陷误检率。
123.图像去噪算法具体为bm3d算法，其流程如图7所示，主要分为两阶段，第一阶段为基于图像切片的硬阈值滤波，第二阶段为基于图像切片的维纳滤波具体过程阐述如下：
124.第一步：在原始噪声图像上，在目标切片周围搜索相似的图像切片。第二步：记录切片中的各个切片在原始图像上的坐标，组合将相似的多张图像切片合成为单个组。
125.第三步：在由于组的元素为3d元素，需要对组进行3d变换，在一个2d的dct变换基础上加上一个1d的haar变换。
126.第四步：在单个组的基础上进行硬阈值滤波。
127.第五步：在完成硬阈值滤波的基础上进行3d反变换。
128.第六步：对切片的误差部分进行加权平均，加权权重来自于硬阈值滤波过程中的系数，根据记录的各个切片中的坐标将组恢复成完整预去噪图像。
129.第七步：在第一阶段预去噪图像基础上，在切片附近寻找相似的切片，构建组1；在原图像的基础上构建组2。
130.第八步：对两组分别进行维纳滤波，并对滤波完成后的图像进行融合。
131.第九步：在完成维纳滤波的基础上进行3d反变换。
132.第十一步：对切片的误差部分进行加权平均，加权权重来自于维纳滤波过程中的系数，根据记录的各个切片中的坐标将组恢复成完整去噪图像。
133.图像边缘增强算法，具体步骤如下：
134.第一步：为降噪对图像进行平滑处理，对图像进行高斯滤波。
135.第二步：用sobel算子进行边缘检测，提取出边缘特征分量并存放至像素矩阵a中。
136.第三步：用prewitt算子进行边缘检测，提取出边缘特征分量并加和至像素矩阵a中。
137.第四步：用roberts算子进行边缘检测，提取出边缘特征分量并加和至像素矩阵a中。
138.第五步：把原图像用拉普拉斯算子的模板处理。
139.第六步：把a图像归零，并将图像的rgb值定义为三层二维数组。
140.第七步：提取图像r分量，并把a的r分量用拉普拉斯算子模板处理。
141.第八步：提取图像g分量，并把a的g分量用拉普拉斯算子模板处理。
142.第九步：提取图像b分量，并把a的b分量用拉普拉斯算子模板处理。
143.第十步：令b＝i-a
144.第十一步：图像与原有图像进行加和，得到最终图像。
145.1.本文采用的5g无线传输模块具备深度学习模型下载功能与航拍图像上传功能，同时具备航迹任务发送、巡检台账数据发送、无人机突发事件报表发送等附加功能，优选的，其传输参数如下：
146.(1)5g无线传输模块应采用串口数据传输模式与透明数据传输模式，其中，透明数据传输模式应当对原始数据进行保留处理，串口数据传输模式下应当按照规定的协议对原始数据进行编码。
147.(2)5g无线传输模块应支持wpa-psk/aes、wep和wpa2-psk/aes三种无线加密方式，优选的，优先采用wpa2-psk/aes模式，其次选用wpa-psk/aes模式。
148.(3)5g无线传输模块在接入网络时，应当由nvidia jestonxaviernx超级计算模块通过串口设置为ap模式，将参数发送至接收端的无线传输模块，并将参数设置为sta模式接入，从而保证边缘诊断设备在云端的编码唯一性。
149.6.本文采用的边缘计算装置数据传输时的加密方式：
150.(1)节点初始化，生成公共系统参数p和a，根据d-h算法生成公钥和私钥，并发送一个包含p和a的信号帧。
151.(2)门锁终端节点收到信号帧，分离p和a，根据d-h算法生成其公钥和私钥，然后将包含公钥的帧发送给节点。
152.(3)节点根据d-h算法接收并生成通信密钥，并将其公钥发送给最终网关节点。
153.(4)网关的终端节点应从该节点接收数据帧的公钥，并根据d-h算法生成通信密钥。
154.(5)门锁终端节点根据xxtea加密算法，使用通信密钥对flash存储器中的密码进行加密，并将该帧发送到节点。
155.(6)节点收到解密的数据，比较flash存储器中的密码以检查其一致性，在用通信密钥加密后，给门锁终端模块分配一个识别号。
156.(7)在收到识别号码后，门锁终端模块应记录一个ack，并对节点作出回应。在收到ack消息后，节点应存储识别号和门锁终端的地址，以便对网络进行成功的加密认证。
157.有益效果：
158.(1)基于输电线路缺陷识别的边缘计算装置，无人机飞手能够及时获得目标识别算法的实时反馈，根据检测到的缺陷及时重新规划无人机航线。
159.(2)将ai算力由云端分配到了边缘端，将轻量型目标识别算法部署在巡检现场，解决了不同人工智能框架训练的模型在服务器上部署难度大的问题。
160.(3)当网络信号较差时，边缘端缺陷识别装置依然能完成缺陷的离线识别，降低了对信号的依赖。
161.以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。