云边协同框架下结合深度学习与随机森林的电力设备识别.pdf
《云边协同框架下结合深度学习与随机森林的电力设备识别.pdf》由会员分享,可在线阅读,更多相关《云边协同框架下结合深度学习与随机森林的电力设备识别.pdf(5页珍藏版)》请在咨信网上搜索。
1、Microcomputer Applications Vol.39,No.8,2023文章编号:10 0 7-7 57 X(2 0 2 3)0 8-0 10 6-0 5云边协同框架下结合深度学习与随机森林的电力设备识别汪杨凯,许悦,许涛,韩继东,李云越(国网湖北省电力有限公司超高压公司,湖北,武汉430 0 0 0)摘要:针对变电站巡检系统中电力设备识别准确率不高和识别时间过长的问题,提出了一种部署在云边协同框架下结合深度学习和随机森林的图像识别方法。该方法使用初始标记图像在云端完成随机森林分类器和改进卷积神经网络的训练;将完成训练的分类器下发至部署于变电站处的边缘计算设备以完成电力设备的本地
2、识别;将完成识别的图像异步上传至云端以选代更新优化分类器和改进卷积神经网络。通过不同算法和不同运行环境的对比测试检验了所提方法的性能。结果表明,所提方法的电力设备平均识别精度为8 6.6%,优于基于传统卷积神经网络和Softmax分类器的图像识别算法,所提方法运行于云边协同框架的平均运行时间比运行于单机运行环境的缩短约33.7%。关键词:云边协同;卷积神经网络;随机森林;图像识别中图分类号:TP391Power Equipment Identification Combined with Deep Learning and Random(Exta-high Voltage Company of
3、 State Grid Hubei Electric Power Co.,Ltd.,Wuhan 430oo0,China)Abstract:Aiming at the problems of low recognition accuracy and long recognition time of power equipment in the substationinspection system,an image recognition method that combines deep learning and random forest deployed under the cloud-
4、sidecollaboration framework is proposed.This method uses the initial labeled image to complete the training of the random forestclassifier and the improved convolutional neural network in the cloud,and delivers the trained classifier to the edge computingdevice deployed at the substation to complete
5、 the local identification of the power device.The recognized images are asyn-chronously uploaded to the cloud to iteratively update and optimize the classifier and improve the convolutional neural network.The performance of the proposed method is verified through comparative tests of different algor
6、ithms and different operatingenvironments.The results show that the average recognition accuracy of the proposed method for power equipment is 86.6%,which is better than image recognition algorithms based on traditional convolutional neural networks and Softmax classifiers.The average running time o
7、f the proposed method running on a cloud-side collaborative framework is longer than running on astand-alone machine.The operating environment has been shortened by approximately 33.7%.Key words:cloud edge collaboration;convolutional neural network;random forest;image recognition0引言智能化巡检能够提高变电站运维过程自
8、动化、智能化、安全性,同时大幅降低运维成本,是变电站巡检的发展方向。变电站智能化巡检的一个重要技术基础是电力设备的图像识别,即在给定的图像中精确识别电力设备的类别,以便后续开展设备运行状态的深入分析。当前主流电力设备图像识别方法是利用部署在云计算中心的经典卷积神经网络(CNN)对图像样本进行分析,实现电力设备的分类识别。这种方法在变电站智能化巡检系统作者简介:汪杨凯(198 1一),男,硕士,高级工程师,研究方向为变电运维管理;许悦(198 6 一),男,本科,高级工程师,研究方向为电力系统及自动化;许涛(197 8 一),男,硕士,高级工程师,研究方向为电力系统及自动化;韩继东(197 6
9、一),男,本科,高级工程师,研究方向为变电运维管理;李云越(1993一),男,硕士,工程师,研究方向为电气工程。106.研究与设计文献标志码:AForest under the Cloud-side Collaboration FrameworkWANG Yangkai,XU Yue,XU Tao,HAN Jidong,LI Yunyue微型电脑应用2 0 2 3年第39 卷第8 期的实际应用中存在诸多问题 1-3。首先是网络传输压力大。由于需要将大量变电站图像数据上传至云计算中心,造成较长的传输延迟,对设备图像分析的实时性带来巨大压力。其次是基于经典CNN的图像识别方法在面对变电站图像时存在
10、图像特征抽象程度低,因此图像识别准确性较低。为此本文研究实现了结合深度学习模型和随机森林分类器的图像识别算法,并通过云端算法训练和边缘端算法执行的云边协同部署方式,以期解决上述问题。在算法部署方面,通过整合云计算中心和边缘计算设备,实现识别模型的云端训练和边缘端执行,提高图像识别算法执行效率;在特Microcomputer Applications Vol.39,No.8,2023征提取方面,通过对2 个并行CNN输出向量的交叉融合得到抽象程度更高、可分辨度更优的电力设备图像特征;在分类算法方面,本文借鉴传统机器学习方法的优势,结合随机森林(RF)的优点,研究和实现了结合CNN和RF的电力设备
11、智能识别算法。最后通过不同算法的识别准确率对比和不同运行环境下所提算法的运行时间对比来检验运行在云边协同框架下所提算法的性能。1基于云边协同的电力设备图像识别1.1云边协同框架云边协作框架通过整合云计算中心和边缘计算设备,实现图像识别模型的云端训练和边缘端执行。云边协作框架的总体结构如图1所示。识别模型下发云计算层边缘计算层!边缘计算设备1边缘计算设备2终端设备层A摄像机&摄像机图1所提电力设备图像识别方法的云边协同框架首先,云计算中心使用初始的标记图像样本,完成各种场景下的变电站电力设备识别模型的参数训练,生成识别模型,并定期下发到边缘计算设备。其次,边缘计算设备执行下发的模型,完成电力设备
12、图像的本地识别,并上传标记的图像样本用以模型更新。预先存储的电力设备标记图片首先上传到云计算中心作为初始训练数据。边缘计算层的标记图像样本上传到云计算层以及检测模型的下发都不需要实时通信,仅在网络带宽使用率较低的时间段才进行数据上传下载,使得现有的网络资源能够接入更多的边缘节点。如果某张图片被检测为某种特定类型的电力设备并经过验证,这些数据将被标记并上传到云计算中心,以更新模型参数。1.2电力设备特征提取特征提取在图像识别过程中必不可少 4-6 。变电站环境中电力设备种类众多、颜色单一、外系雷同,而且图像背景包含很多无关目标,因此电力设备图像的特征提取是影响识别准确率的关键因素。为此对经典CN
13、N模型进行改进,以期提升变电站图像的特征提取能力。所改进的模型如图2 所示。从网络结构上看,该模型可分割为2 个无关联、并行的CNN:C NN。和CNNb。C NNa 的输人图像为长宽均裁剪为2 56 的图像;CNN,的输人图像为经过HSV变换后的V通道图像。CNN。和CNN,独立对输入图像进行特征抽象,输出的特征向量经过交叉混合后构成最终的特征向量。2 个CNN输人不同通道的图像是为了保证输出特征向量有所区别,以增加特征提取的鲁棒性。研究与设计256原图2562个CNN的网络结构相同,均由9 个卷积层和全连接层组成,第15层为卷积层,参数如表1所示。表1卷积层参数层数属性卷积核数卷积维度卷积
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 协同 框架 结合 深度 学习 随机 森林 电力设备 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。