应用于光伏电站的无人机巡检方法及系统与流程

文档序号:37829520发布日期:2024-04-30 17:39阅读:37来源:国知局
应用于光伏电站的无人机巡检方法及系统与流程

本技术涉及人工智能,具体而言,涉及一种应用于光伏电站的无人机巡检方法及系统。


背景技术:

1、随着光伏技术的迅速发展和广泛应用,光伏电站的规模和数量不断增加。光伏电站作为一种可再生能源发电设备,其运行状态直接影响到电力系统的稳定和安全。因此,为了确保光伏电站的正常运行和发电效率,对光伏设备的定期巡检变得至关重要。传统的光伏电站巡检方法主要依赖人工巡检,但这种方法存在效率低下、成本高昂以及巡检质量易受人为因素影响等问题,而且在一些复杂环境下可能存在安全隐患。并且,现有的无人机巡检方法,其巡检模型通常是固定的,缺乏对特定巡检检测实例条件下的适应性,因此可能无法准确地识别和判断设备状态。


技术实现思路

1、有鉴于此,本技术的目的在于提供一种应用于光伏电站的无人机巡检方法及系统。

2、依据本技术的第一方面,提供一种应用于光伏电站的无人机巡检方法,所述方法包括:

3、获取光伏电站的巡检图像帧序列;

4、依据光伏电站巡检模型中的图像检测网络,基于所述巡检图像帧序列,确定关键设备区域的目标巡检共性矢量;所述光伏电站巡检模型用于依据加载样本特征执行多个巡检检测实例;

5、依据所述光伏电站巡检模型中的实例适应调整单元,基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量,确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量;所述实例适应调整单元中包括共性矢量编码器和所述多个巡检检测实例分别关联的实例编码器,所述共性矢量编码器用于提取候选巡检共性矢量,所述实例编码器用于依据所述候选巡检共性矢量提取其对应的巡检检测实例的候选适应巡检检测矢量,所述巡检检测实例的目标适应巡检检测矢量基于所述巡检检测实例的候选适应巡检检测矢量确定;

6、依据所述光伏电站巡检模型中的每个巡检结果预测网络,基于所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量以及所述目标巡检共性矢量,确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果;所述光伏电站巡检模型中包括所述多个巡检检测实例分别关联的巡检结果预测网络。

7、在第一方面的一种可能的实施方式中,所述依据所述光伏电站巡检模型中的实例适应调整单元,基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量,确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量,包括:

8、依据所述实例适应调整单元中的所述共性矢量编码器,基于所述巡检图像帧序列或者所述候选图像矢量,确定所述候选巡检共性矢量;

9、依据所述实例适应调整单元中的特征划分???,基于所述候选巡检共性矢量,确定第一子候选巡检共性矢量和第二子候选巡检共性矢量;

10、依据所述实例适应调整单元中的每个所述实例编码器,基于所述第二子候选巡检共性矢量,确定所述实例编码器对应的巡检检测实例的候选适应巡检检测矢量;

11、针对每个所述巡检检测实例,基于所述第一子候选巡检共性矢量以及所述巡检检测实例的候选适应巡检检测矢量,确定所述巡检检测实例的目标适应巡检检测矢量。

12、在第一方面的一种可能的实施方式中,所述依据所述实例适应调整单元中的所述共性矢量编码器,基于所述巡检图像帧序列或者所述候选图像矢量,确定所述候选巡检共性矢量,包括:

13、依据所述共性矢量编码器中的注意力单元,对所述巡检图像帧序列或者所述候选图像矢量进行注意力权重分配,生成候选注意力矢量;

14、依据所述共性矢量编码器中的压缩单元,对所述候选注意力矢量进行压缩处理,生成候选压缩矢量;

15、依据所述共性矢量编码器中的特征解耦单元,对所述候选压缩矢量进行解耦处理,生成所述候选巡检共性矢量。

16、在第一方面的一种可能的实施方式中,所述依据所述实例适应调整单元中的每个所述实例编码器,基于所述第二子候选巡检共性矢量,确定所述实例编码器对应的巡检检测实例的候选适应巡检检测矢量,包括:

17、依据所述实例编码器中的编码控制矩阵,对所述第二子候选巡检共性矢量进行矩阵变换,生成候选变换矢量;

18、依据所述实例编码器中的特征映射矩阵,对所述候选变换矢量进行特征映射,生成所述巡检检测实例的候选适应巡检检测矢量。

19、在第一方面的一种可能的实施方式中,所述依据所述实例编码器中的编码控制矩阵,对所述第二子候选巡检共性矢量进行矩阵变换,生成候选变换矢量的步骤,包括:

20、从实例编码器中获取预先定义的编码控制矩阵,所述编码控制矩阵用于将所述第二子候选巡检共性矢量映射到适合当前巡检检测实例的特征空间;

21、将所述第二子候选巡检共性矢量与所述编码控制矩阵进行矩阵乘法运算,生成中间变换结果;

22、对所述中间变换结果应用非线性激活函数,生成非线性变换特征;

23、对所述非线性变换特征进行标准化或归一化处理后,将处理结果作为候选变换矢量输出,所述候选变换矢量是针对当前巡检检测实例优化后的特征表示。

24、在第一方面的一种可能的实施方式中,所述依据所述共性矢量编码器中的特征解耦单元,对所述候选压缩矢量进行解耦处理,生成所述候选巡检共性矢量的步骤,包括:

25、从所述共性矢量编码器中获取特征解耦单元,所述特征解耦单元用于将所述候选压缩矢量分解为多个独立的特征成分;

26、将所述候选压缩矢量输入到所述特征解耦单元中,通过线性变换或非线性变换,分解为多个解耦后的特征成分,所述特征成分之间的耦合度小于预设阈值;

27、根据解耦后的特征成分的重要性或贡献度进行特征筛选,将筛选后的特征成分进行重组后,生成候选巡检共性矢量。

28、在第一方面的一种可能的实施方式中,所述图像检测网络中包括多个深度残差单元,所述光伏电站巡检模型中包括所述多个深度残差单元分别关联的实例适应调整单元;

29、所述依据光伏电站巡检模型中的图像检测网络,基于所述巡检图像帧序列,确定关键设备区域的目标巡检共性矢量,包括:

30、依据所述图像检测网络中的每个所述深度残差单元,基于所述深度残差单元的加载样本特征,确定所述深度残差单元生成的目标巡检共性矢量;所述深度残差单元的加载样本特征为所述巡检图像帧序列、或者其它所述深度残差单元生成的目标巡检共性矢量;

31、所述依据所述光伏电站巡检模型中的实例适应调整单元,基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量,确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量,包括:

32、依据每个所述实例适应调整单元,基于所述实例适应调整单元的加载样本特征,确定所述实例适应调整单元生成的所述多个巡检检测实例分别对应的目标适应巡检检测矢量;所述实例适应调整单元的加载样本特征为所述实例适应调整单元对应的深度残差单元的加载样本特征、或者所述实例适应调整单元对应的深度残差单元生成的候选图像矢量。

33、在第一方面的一种可能的实施方式中,所述依据所述光伏电站巡检模型中的每个巡检结果预测网络,基于所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量以及所述目标巡检共性矢量,确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果,包括:

34、依据每个所述巡检结果预测网络,基于各个所述深度残差单元分别生成的目标巡检共性矢量、以及各个所述实例适应调整单元分别生成的所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量,确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果。

35、在第一方面的一种可能的实施方式中,所述光伏电站巡检模型的训练步骤,包括:

36、获取所述多个巡检检测实例分别关联的样例学习数据;所述样例学习数据中包括样例图像帧序列及其对应的标签携带数据;

37、针对每个所述巡检检测实例,依据初始化权重参数的所述光伏电站巡检模型,基于所述巡检检测实例对应的样例学习数据中的样例图像帧序列,确定所述样例学习数据对应的巡检学习结果;

38、基于所述巡检学习结果和所述样例学习数据中的标签携带数据,更新所述光伏电站巡检模型中所述实例适应调整单元包括的所述共性矢量编码器和所述巡检检测实例对应的实例编码器的网络权重信息、以及所述巡检检测实例对应的巡检结果预测网络的网络权重信息。

39、依据本技术的第二方面,提供一种应用于光伏电站的无人机巡检系统,所述应用于光伏电站的无人机巡检系统包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该应用于光伏电站的无人机巡检系统实现前述的应用于光伏电站的无人机巡检方法。

40、依据本技术的第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,在所述计算机可执行指令被执行时,实现前述的应用于光伏电站的无人机巡检方法。

41、依据上述任意一个方面,本技术的技术效果在于:

42、本技术实施例通过获取光伏电站的巡检图像帧序列,并依据专门设计的光伏电站巡检模型进行处理,实现了对光伏电站关键设备区域的高效、准确巡检。首先利用图像检测网络从巡检图像帧序列中提取出关键设备区域的目标巡检共性矢量,有效地聚焦了巡检的关键区域,提高了巡检的针对性。接着,通过实例适应调整单元对巡检图像帧序列或生成的候选图像矢量进行处理,确定了多个巡检检测实例分别对应的目标适应巡检检测矢量,通过共性矢量编码器和实例编码器的协同工作,实现了对巡检检测实例的个性化处理,进一步提高了巡检的准确性和适应性。最后,利用每个巡检结果预测网络,基于其对应的巡检检测实例的目标适应巡检检测矢量以及目标巡检共性矢量,确定了巡检检测实例的巡检预测结果,实现了对巡检结果的准确预测,为光伏电站的运行和维护提供了有力支持。由此,通过无人机巡检和智能模型处理相结合的方式,显著提高了光伏电站巡检的效率和准确性,对于光伏电站的安全运行和效能提升具有重要意义。

43、也即,本技术通过获取光伏电站的巡检图像帧序列并利用光伏电站巡检模型中的图像检测网络,确定关键设备区域的目标巡检共性矢量。接着,基于巡检图像帧序列或者候选图像矢量,通过实例适应调整单元确定多个巡检检测实例分别对应的目标适应巡检检测矢量。最后,依据每个巡检结果预测网络,基于相应的巡检检测实例的目标适应巡检检测矢量和目标巡检共性矢量,确定巡检预测结果。通过实例适应调整单元,可以根据具体的巡检图像帧序列动态调整巡检检测实例的目标适应巡检检测矢量,增强了模型的适应性和灵活性,并且根据已经确定的巡检检测实例的目标适应巡检检测矢量以及目标巡检共性矢量,准确预测巡检结果,提高了预测的准确性。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1
imtoken助记词怎么填-imtoken钱包没有收益-imtoken矿工费太贵了-im钱包官网:token.im