一种输电线路防外破检测预警边缘计算方法与流程

1.本发明属于电力系统智能监控的技术领域，尤其涉及一种基于图像处理和计算机视觉的输电线路防外破检测预警边缘计算方法。


背景技术：

2.随着我国城乡经济的快速发展和电网规模的不断壮大，输电线路覆盖面越来越广，经常跨越多个省份，离主干道路遥远。与变电设备系统相比，输电线路具有线长、面广和多野外的特点，容易遭受如施工机械、自然灾害等外力破坏而造成电网安全事故发生。传统的输电线路巡视主要包括人工巡视、视频拍照和直升机航拍等。但上述三种工作方式需要工作人员对线路和设备进行主观判断，容易出现漏判和误判，无法做到实时发现输电线路中的隐患并及时预警。因此，输电线路作为电网安全运行的重要组成，如何实现对输电线路外破的检测和及时预警就显得尤为重要。
3.近年来，随着人工智能、图像处理和计算机视觉技术的快速发展，输电线路的防外破检测技术研究应运而生。现有技术中提出“一种基于卷积神经网络的输电线路杆塔外力破坏检测方法”，公开了一种对输电线路杆塔外力破坏的检测方法，可实现对输电线路杆塔外力破坏的分类检测。现有技术还提出“一种基于深度学习的输电线路告警方法和装置”，利用训练好的外破目标检测模型获取所有第一外破目标的类型和位置。现有技术还提出“一种基于深度学习的输电线路告警方法和装置”，利用训练好的外破目标检测模型获取所有第一外破目标的类型和位置。现有技术还提出“输电线路星地协同外破监测预警方法、装置、设备及介质”，通过预先训练好的卷积神经网络模型对光学卫星遥感正射影像进行分析以得到预设目标的空间分布范围。
4.上述现有技术中基于深度学习进行输电线路外破目标检测的方法，由于网络模型参数大、计算复杂度高，难以满足应用工程中实时性的边缘计算需求。为了满足存储和计算能力受限的移动端或边缘嵌入式设备搭载深度学习网络模型的需要，近年来，卷积网络模型的轻量化发展应运而生。现有技术中“一种基于改进yolov4的输电线路异物检测方法”，通过引入深度可分离卷积可以将参数量缩小到普通卷积的八分之一，以实现网络模型的轻量化。现有技术中“一种基于改进yolov3的输电线路异常目标检测方法”，公开了一种输电线路异常目标检测方法，使用大量深度可分离卷积替代标准卷积以降低参数量，实现yolov3模型的轻量化。现有技术中“小目标缺陷的轻量化检测模型、方法、设备及存储介质”，融合深度可分离卷积和逐点卷积以降低模型的参数量，借助通道数成倍增长策略和通道注意力机制se设计了轻量化模块dc-se，用于削弱复杂背景对绝缘子故障的干扰。
5.上述输电线路目标检测现有技术中，通过使用深度可分离卷积替代网络模型的标准卷积，虽然可以降低模型的参数量，实现网络模型的轻量化，但同时也降低了网络模型的检测精度。特别是对输电线路所在的野外场景易受各种环境干扰，这对输电线路外破目标的检测模型算法在实时性和精度两方面提出了更高的要求。另外考虑到输电线路外破检测模型不仅需要预测外破目标的类别信息，而且还需要预测外破目标的位置信息，而深度学
习网络模型的浅层特征具有较丰富的位置信息，深层特征具有较丰富的语义类别信息。将语义丰富的深度特征与具有精确定位信息的浅层特征进行融合，可能会导致信息传播路径过于冗长而影响模型算法的性能。
6.综合以上论述，考虑到输电线路场景图像的复杂性，如何克服现有技术的不足，发明一种适用于输电线路场景，同时兼顾实时性和较高精度的输电线路外破目标检测预警边缘计算方法是本领域亟待解决的关键问题。


技术实现要素：

7.鉴于上述问题，本发明提出了一种适用于输电线路场景以实现输电线路防外破目标检测预警的边缘计算方法。该方法包括：建立输电线路图像数据集，以实现对输电线路外破目标检测模型的训练学习、验证和测试；构建轻量化输电线路外破检测模型，以检测出施工机械、塔吊、吊车、山火、飞鸟等输电线路外破目标的类别和位置信息；输电线路安全区域检测，以检测出上述采集的图像中输电线路并标识出安全区域；输电线路防外破预警模块设计，根据上述检测的输电线路外破目标类别和位置信息、输电线路安全区域，设计预警策略并产生预警提示信号。
8.具体地，本发明采用如下技术方案以实现上述输电线路防外破检测预警方法，包括：
9.s1、建立输电线路图像数据集，以实现对输电线路外破目标检测模型的训练学习、验证和测试。
10.s2、建立轻量化输电线路外破检测模型，以实现施工机械、塔吊、吊车、山火、飞鸟等输电线路外破目标的类别和位置信息的检测。上述轻量化输电线路外破检测模型包括特征提取主干网络、特征融合增强模块和外破目标位置和类别预测模块。考虑到在输电线路场景图像中，一般吊车、塔吊、施工机械等外破设备多为大目标，浅层特征有利于大目标的检测。特征金字塔(feature pyramid networks,fpn)虽然可以将语义丰富的特征与精确的定位信息结合起来，但可能会导致信息传播路径过于冗长。残差学习通过残差块和恒等映射一方面可以降低模型的复杂度，另一方面可以起到松弛不同网络层之间的信息传播。因此在上述模型中，以残差连接为主构建特征提取主干网络。在上述特征融合增强模块，采用自底向上传播路径增强浅层位置信息向深层传递，同时采用自顶向下路径增强丰富的语义类别信息的传播。
11.s3、输电线路安全区域检测模块设计，以实现上述所采集的输电线路场景图像中输电路线的检测和安全区域的标识。包括输电线路图像预处理、边缘检测、输电线路检测和输电线路安全区域标识等步骤。
12.s4、输电线路防外破预警模块设计，根据上述检测的输电线路外破目标类别和位置信息、输电线路安全区域标识，设计预警策略以产生预警提示信号。
13.进一步地，步骤s1包括：
14.s1-1、采集输电线路场景下图像；
15.具体地，在输电线路塔杆上合适位置固定摄像机，采集一定数量的包括或分别包括施工机械、塔吊、吊车、山火、飞鸟等输电线路外破目标图像；
16.s1-2、输电线路图像预处理；
17.具体地，对上述输电线路场景图像进行滤波、去噪、格式转换等预处理；
18.s1-3、输电线路图像数据集；
19.具体地，将上述预处理之后的输电线路图像进行标注，并划分为训练集、验证集和测试集；
20.s1-4、输电线路图像数据集增强；
21.具体地，对上述步骤s1-3中划分的训练集、验证集，采用图像增强技术进行扩充增强，用来对输电线路外破目标检测模型的训练学习和验证。
22.进一步地，步骤s2包括：
23.s2-1、构建输电线路外破检测模型特征提取主干网络；
24.具体地，将上述s1-4数据集增强后的输电线路图像作为输入，对其进行卷积、池化等操作，以逐层提取图像有效特征。通过引入残差连接，建立残差块，降低模型的复杂度。上述残差块包括残差部分和恒等映射部分，残差部分包括两个或两个以上卷积操作，恒等映射部分通过短连接可以直接将输入连接到输出部分。上述短连接可以起到松弛不同层之间的特征信息传播作用，有利于输电线路外破目标的位置特征信息和类别特征信息的融合。
25.s2-2、输电线路外破检测模型特征融合模块；
26.具体地，特征融合模块用来汇聚上述s2-1主干网络提取的不同层特征，结合自底向上和自顶向下的方法以实现不同层的特征融合。
27.考虑到输电线路外破检测模型不仅需要预测外破目标的类别信息，而且还需要预测外破目标的位置信息。准确的外破目标位置信息为是否实施预警提供了重要的依据。上述具有丰富的位置信息的浅层特征，有利于输电线路场景图像中外破大目标如一般吊车、塔吊、施工机械等施工设备的识别。因此本特征融合模块借鉴了路径聚合网络(path aggregation network,panet)自底向上和自顶向下的特征聚合方法，同时借鉴yolov4中张量连接的方式以实现特征堆叠。特征融合模块包括自底向上的路径增强、自适应池化和全连接融合。
28.进一步，具体地，上述自底向上的路径增强在fpn基础上增加自顶向上的浅层特征信息逐层传播路径，以实现外破大目标如一般吊车、塔吊等施工机械的位置信息的传播。
29.进一步，具体地，上述自适应池化通过简单连接为每一个候选框聚合多层特征信息，避免了fpn中任意分配不同特征信息的缺点，有利于输电线路外破检测模型输出更加准确的位置和类别信息。
30.进一步，具体地，上述全连接融合由主分支和次分支组成，上述主分支包括4个3
×
3卷积和一个解卷积，用来预测外破目标的类别掩码信息，次分支包括两个3
×
3卷积和一个全连接层，用来预测外破目标(前景)与背景分割的位置掩码信息。更一步地，上述主分支输出的类别掩码与次分支输出的位置掩码通过单位加和运算和激活函数sigmoid输出外破目标的特征掩码。
31.s2-3、轻量化输电线路外破检测模型预测模块；
32.具体地，本模块考虑一阶检测器yolo-head对上述s2-2特征融合模块输出的多尺度特征进行回归和分类预测，以实现输电线路外破目标的类别和位置信息。
33.s2-4、轻量化输电线路外破检测模型训练和验证；
34.具体地，用自然图像数据集对上述轻量化卷积神经网络模型进行预训练以得到预
训练模型，然后使用迁移学习技术用上述步骤s1-4中增强的输电线路图像数据集中的训练集对上述预训练模型进行精调，以得到训练好的轻量化卷积神经网络模型，最后用上述步骤s1-4中增强的输电线路图像数据集中的验证集进行验证。
35.进一步地，步骤s3包括：
36.s3-1、测试集中输电线路场景图像预处理；
37.具体地，为了进一步提高输电线路场景图像中外破检测预警的实时性，在测试阶段，首先将上述步骤s1-3中划分的测试集中每一张输电线路场景图像进行灰度化处理；然后对上述灰度化处理的图像进行滤波、去噪等预处理操作。
38.s3-2、输电线路检测；
39.具体地，对上述s3-1步骤预处理之后的图像采用边缘检测算子进行边缘检测，得到包含丰富边缘信息的二值图像，并对上述二值图像进行滤波、去噪等后处理以消除边缘检测图像中的噪声点、散点和断线等。
40.具体地，对上述步骤得到的边缘二值图像进行直线检测以实现对输电线路的检测。
41.s3-3、输电线路安全区域检测；
42.具体地，对上述s3-3步骤得到的输电线路直线图像进行处理以得到包含或非包含输电线路的若干矩形区域，并对重复框、多余框等进行抑制。设计符合输电线路几何特征的几何约束策略进一步筛选以得到输电线路区域位置信息，并将上述检测到的输电线路区域周界向外扩张，已得到留有裕量的输电线路安全局域警戒界线。
43.进一步地，步骤s4包括：
44.s4-1、输电线路外破目标检测；
45.具体地，用上述步骤s1-3中划分的测试集中每一张输电线路场景图像输入到上述s2-4步骤中训练验证好的轻量化卷积神经网络模型进行测试，以得到施工机械、塔吊、吊车、山火、飞鸟等输电线路外破目标的类别和位置信息。
46.s4-2、输电线路防外破预警判决；
47.具体地，将上述s4-1步骤检测的每一个外破目标的检测框区域与上述s3-4步骤得到的输电线路安全局域警戒区域进行数学运算的交集操作，若上述交集操作的结果不为空，则产生预警信号，否则不产生预警信号。
48.与现有技术相比，本发明具有如下益处：
49.1、本发明基于搭建的轻量化卷积神经网络可实现施工机械、塔吊、吊车、山火、飞鸟等多个输电线路外破目标的类别和位置信息的较高精度的检测，模型参数量较少，计算成本相对较低，已训练模型有望集成在边缘计算设备上可实现输电线路外破目标的实时性和较高精度检测；
50.本发明将具有较高检测精度的轻量化卷积神经网络模型与基于传统图像处理中的边缘检测、霍夫变换、最小外接矩形等技术的输电线路安全区域检测方法相结合，可实现输电线路防外破目标的及时预警。
附图说明
51.为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介
绍。
52.图1-4为本发明一实施例提供的输电线路防外破检测预警边缘计算方法各步骤示意图。
53.图5为本发明一实施例提供的输电线路防外破检测预警边缘计算方法流程示意图。
具体实施方式
54.为了便于本领域技术人员的理解，如下结合具体实施例对本发明作进一步的详细描述。下列具体实施例仅用于说明本发明，而不是全部实施例，不应视为限定本发明的范围。
55.本实施例提供了一种输电线路防外破检测预警方法，具体实施包括如下步骤：s1、建立输电线路图像数据集；s2、建立轻量化卷积神经网络模型；s3、检测输电线路安全区域；s4、检测输电线路外破目标及预警判决。
56.进一步地，步骤s1包括：
57.s1-1、采集输电线路场景下图像；
58.具体地，在输电线路塔杆上合适位置固定安装摄像机，采集输电线路场景下图像。
59.s1-2、输电线路图像预处理；
60.具体地，对上述输电线路场景下图像进行筛选，剔除不包括施工机械、塔吊、吊车、山火、飞鸟等外破目标的图像，剔除模糊、严重遮挡的图像；考虑到输电线路场景复杂，易受干扰、噪声或恶劣天气的影响，采用图像增强技术如滤波、去噪等技术对每一张输电线路场景下图像进行增强，并进行数据格式转换等预处理操作。
61.s1-3、建立输电线路图像数据集；
62.具体地，采用labelimg标注软件对将上述s1-2步骤预处理之后的输电线路图像进行人工标注，用矩形框包络输电线路图像中外破目标如施工机械、塔吊、吊车、山火、飞鸟、导线异物等的位置并标识类别标签。将上述标注之后的输电线路图像数据集按照7:2:1的比例划分为训练集、验证集和测试集。
63.s1-4、输电线路图像数据集增强；
64.具体地，对上述步骤s1-3中划分的训练集、验证集，采用图像增强技术如亮度增强、裁剪和旋转等操作进行扩充增强，将输电线路图像数据集1350张增强到4000张左右，用来对输电线路外破目标检测模型的训练学习和验证。
65.进一步地，步骤s2包括：
66.s2-1、轻量化输电线路外破检测主干网络；
67.具体地，考虑模型的参数量、推理速度及对输电线路场景图像特征信息提取的鲁棒性，本实施例以选择resnet50作为轻量化输电线路外破检测模型的特征提取主干网络为实施举例。
68.s2-2、输电线路外破检测模型特征融合模块；
69.具体地，本实施例选用yolov4的neck部分作为特征增强模块，主要结构是spp模块和panet模块，其利用主干网络特征提取获得的三层不同尺度的特征层进行初步的特征融合加强，再将加强后的三种不同尺度大小的特征图通过上采样进行特征融合，再通过一个
下采样又重构三种尺度大小的特征图，采用自底向上和自顶向下的结合方法实现多层特征的融合。
70.s2-3、轻量化输电线路外破检测模型预测模块；
71.具体地，本实施例使用yolo head部分作为输电线路外破目标检测预测模块，其主要功能是得到输出之后，与真实数据标注相比较，计算出损失函数(其损失函数主要是由三部分组成：
①
定位损失
②
置信度损失
③
分类损失)，然后根据需要对数据格式进行重塑，同时对原始格点坐标做相应的激活，利用上述更有效的有效特征层获得输电线路场景外破图像边界框和类别预测。
72.s2-4、轻量化输电线路外破检测模型训练和验证；
73.具体地，本实施例用自然场景coco数据集对上述轻量化输电线路外破检测模型进行预训练得到预训练模型，然后使用迁移学习技术用上述步骤s1-4中增强的输电线路图像数据集中的训练集对上述预训练模型进行精调，以得到训练好的轻量化卷积神经网络模型，最后用上述步骤s1-4中增强的输电线路图像数据集中的验证集进行验证。
74.进一步地，步骤s3包括：
75.s3-1、测试集中输电线路场景图像预处理；
76.具体地，为了进一步提高输电线路场景图像中外破检测预警的实时性，在测试阶段，首先将上述步骤s1-3中划分的测试集中每一张输电线路场景图像进行灰度化处理；然后对上述灰度化处理的图像进行滤波、去噪等预处理操作。
77.s3-2、输电线路检测；
78.具体地，对上述s3-1步骤预处理之后的图像采用边缘检测算子进行边缘检测，得到包含丰富边缘信息的二值图像。考虑到canny算子采用了非极大值抑制和双阈值方法，边缘检测效果较好，本实施例采用canny算子进行边缘检测以排除了非边缘点的干扰。
79.具体地，对上述包含边缘信息的二值图像进行滤波、去噪等图像后处理以消除边缘检测图像中的噪声点、散点和断线等。进一步地，对上述后处理之后的边缘二值图像进行霍夫变换进行直线检测以实现对输电线路的检测。
80.s3-3、输电线路安全区域检测；
81.具体地，对上述s3-2步骤得到的输电线路直线图像采用最小外接矩形(minimum bounding rectangle,mbr)算法进行操作，得到包含或非包含输电线路的若干矩形区域，然后采用贪心非极大值抑制(non-maximum suppression，nms)算法抑制重复框、多余框。由于输电线路区域具有明显的长宽和区域等几特征，设计符合输电线路几何特征的几何约束策略如长宽比等信息进一步筛选以得到输电线路区域信息，并将上述检测到的输电线路区域周界向外扩张，已得到留有裕量的输电线路安全局域警戒界线。
82.进一步地，步骤s4包括：
83.s4-1、输电线路外破目标检测；
84.具体地，用上述步骤s1-3中划分的测试集中每一张输电线路场景图像输入到上述s2-4步骤中训练验证好的轻量化卷积神经网络模型进行测试，以得到施工机械、塔吊、吊车、山火、飞鸟等输电线路外破目标的类别和位置信息。
85.s4-2、输电线路防外破预警判决；
86.具体地，将上述s4-1步骤检测的每一个外破目标的检测框区域与上述s3-3步骤得
到的输电线路安全局域警戒区域进行数学运算的交集操作，若上述交集操作的结果不为空，则产生预警信号，否则不产生预警信号。
87.尽管本发明的内容已经通过上述优选实施例作了详细介绍，但是应当认识到上述的描述不应被认为是对本发明的限制。

技术特征：
1.一种输电线路防外破检测预警边缘计算方法，其特征在于，所述方法包括如下步骤：s1、建立输电线路图像数据集，以实现对输电线路外破目标检测模型的训练学习、验证和测试；s2、建立轻量化输电线路外破检测模型，以实现施工机械、塔吊、吊车、山火、飞鸟的输电线路外破目标的类别和位置信息的检测；所述轻量化输电线路外破检测模型包括特征提取主干网络、特征融合增强模块和外破目标位置和类别预测模块；在上述模型中，以残差连接为主构建特征提取主干网络，在上述特征融合增强模块中，采用自底向上传播路径增强浅层位置信息向深层传递，同时采用自顶向下路径增强丰富的语义类别信息的传播；s3、建立输电线路安全区域检测模块，以实现所采集的输电线路场景图像中输电路线的检测和安全区域的标识，包括输电线路图像预处理、边缘检测、输电线路检测和输电线路安全区域标识的步骤；s4、建立输电线路防外破预警模块，根据检测的输电线路外破目标类别和位置信息、输电线路安全区域标识，设计预警策略以产生预警提示信号。2.根据权利要求1所述的一种输电线路防外破检测预警边缘计算方法，其特征在于：进一步地，步骤s1包括：s1-1、采集输电线路场景下图像；在输电线路塔杆上合适位置固定摄像机，采集一定数量的包括或分别包括施工机械、塔吊、吊车、山火、飞鸟等输电线路外破目标图像；s1-2、输电线路图像预处理；对输电线路场景图像进行滤波、去噪、格式转换的预处理；s1-3、输电线路图像数据集；将预处理之后的输电线路图像进行标注，并划分为训练集、验证集和测试集；s1-4、输电线路图像数据集增强；对步骤s1-3中划分的训练集、验证集，采用图像增强技术进行扩充增强，用来对输电线路外破目标检测模型的训练学习和验证。3.根据权利要求2所述的一种输电线路防外破检测预警边缘计算方法，其特征在于：进一步地，步骤s2包括：s2-1、构建输电线路外破检测模型特征提取主干网络；将s1-4数据集增强后的输电线路图像作为输入，对其进行卷积、池化的操作，以逐层提取图像有效特征；通过引入残差连接，建立残差块，降低模型的复杂度，所述残差块包括残差部分和恒等映射部分，残差部分包括两个或两个以上卷积操作，恒等映射部分通过短连接直接将输入连接到输出部分，上述短连接起到松弛不同层之间的特征信息传播作用，有利于输电线路外破目标的位置特征信息和类别特征信息的融合；s2-2、输电线路外破检测模型特征融合模块；特征融合模块用来汇聚s2-1主干网络提取的不同层特征，结合自底向上和自顶向下的方法以实现不同层的特征融合；考虑到输电线路外破检测模型不仅需要预测外破目标的类别信息，而且还需要预测外破目标的位置信息，准确的外破目标位置信息为是否实施预警提供了重要的依据，上述具有丰富的位置信息的浅层特征，有利于输电线路场景图像中外破大目标的一般吊车、塔吊、
施工机械、施工设备的识别，因此特征融合模块借鉴了路径聚合网络panet自底向上和自顶向下的特征聚合方法，同时借鉴yolov4中张量连接的方式以实现特征堆叠，特征融合模块包括自底向上的路径增强、自适应池化和全连接融合；s2-3、轻量化输电线路外破检测模型预测模块；预测模块考虑一阶检测器yolo-head对上述s2-2特征融合模块输出的多尺度特征进行回归和分类预测，以实现输电线路外破目标的类别和位置信息；s2-4、轻量化输电线路外破检测模型训练和验证；用自然图像数据集对轻量化卷积神经网络模型进行预训练以得到预训练模型，然后使用迁移学习技术用步骤s1-4中增强的输电线路图像数据集中的训练集对预训练模型进行精调，以得到训练好的轻量化卷积神经网络模型，最后用步骤s1-4中增强的输电线路图像数据集中的验证集进行验证。4.根据权利要求3所述的一种输电线路防外破检测预警边缘计算方法，其特征在于：进一步地，所述自底向上的路径增强在fpn基础上增加自顶向上的浅层特征信息逐层传播路径，以实现外破大目标的一般吊车、塔吊的施工机械的位置信息的传播。5.根据权利要求3所述的一种输电线路防外破检测预警边缘计算方法，其特征在于：进一步地，所述自适应池化通过简单连接为每一个候选框聚合多层特征信息，避免了fpn中任意分配不同特征信息的缺点，有利于输电线路外破检测模型输出更加准确的位置和类别信息。6.根据权利要求3所述的一种输电线路防外破检测预警边缘计算方法，其特征在于：进一步地，所述全连接融合由主分支和次分支组成，主分支包括4个3
×
3卷积和一个解卷积，用来预测外破目标的类别掩码信息，次分支包括两个3
×
3卷积和一个全连接层，用来预测外破目标与背景分割的位置掩码信息；更进一步地，主分支输出的类别掩码与次分支输出的位置掩码通过单位加和运算和激活函数sigmoid输出外破目标的特征掩码。7.根据权利要求3所述的一种输电线路防外破检测预警边缘计算方法，其特征在于：进一步地，步骤s3包括：s3-1、测试集中输电线路场景图像预处理；为了进一步提高输电线路场景图像中外破检测预警的实时性，在测试阶段，首先将步骤s1-3中划分的测试集中每一张输电线路场景图像进行灰度化处理；然后对上述灰度化处理的图像进行滤波、去噪的预处理操作；s3-2、输电线路检测；对s3-1步骤预处理之后的图像采用边缘检测算子进行边缘检测，得到包含丰富边缘信息的二值图像，并对上述二值图像进行滤波、去噪的后处理以消除边缘检测图像中的噪声点、散点和断线；具体地，对上述步骤得到的边缘二值图像进行直线检测以实现对输电线路的检测；s3-3、输电线路安全区域检测；对s3-2步骤得到的输电线路直线图像进行处理以得到包含或非包含输电线路的若干矩形区域，并对重复框、多余框进行抑制，设计符合输电线路几何特征的几何约束策略进一步筛选以得到输电线路区域位置信息，并将检测到的输电线路区域周界向外扩张，已得到留有裕量的输电线路安全局域警戒界线。
8.根据权利要求7所述的一种输电线路防外破检测预警边缘计算方法，其特征在于：进一步地，步骤s4包括：s4-1、输电线路外破目标检测；用步骤s1-3中划分的测试集中每一张输电线路场景图像输入到s2-4步骤中训练验证好的轻量化卷积神经网络模型进行测试，以得到施工机械、塔吊、吊车、山火、飞鸟的输电线路外破目标的类别和位置信息；s4-2、输电线路防外破预警判决；将s4-1步骤检测的每一个外破目标的检测框区域与s3-4步骤得到的输电线路安全局域警戒区域进行数学运算的交集操作，若上述交集操作的结果不为空，则产生预警信号，否则不产生预警信号。

技术总结
本发明提供一种输电线路防外破检测预警边缘计算方法，该方法包括：建立输电线路图像数据集，以实现对输电线路外破目标检测模型的训练学习、验证和测试；构建轻量化输电线路外破检测模型，以检测出施工机械、塔吊、吊车、山火、飞鸟等输电线路外破目标的类别和位置信息；输电线路安全区域检测，以检测出上述采集的图像中输电线路并标识出安全区域；输电线路防外破预警模块设计，根据上述检测的输电线路外破目标类别和位置信息、输电线路安全区域，设计预警策略并产生预警提示信号。本发明可实现施工机械、塔吊、吊车、山火、飞鸟等多个输电线路外破目标的类别和位置信息的较高精度的检测，可实现输电线路外破目标的实时性和较高精度检测。精度检测。精度检测。


技术研发人员：高永亮 袁斌 姚新宇 董卓元 周鹏杰 曾健 李晋 高若楠 陈曦 张军强 李栋 盛飞 谢斌
受保护的技术使用者：国网陕西省电力有限公司经济技术研究院
技术研发日：2023.05.17
技术公布日：2023/9/12