基于边缘计算的机场变电站下异常目标检测与识别研究

作     者：赵枳晴 

作者单位：中国民用航空飞行学院 

学位级别：硕士

导师姓名：潘磊;刘一

授予年度：2024年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0814[工学-土木工程] 

主      题：异常目标检测 ViBe YOLO 边缘计算 轻量化模型 机场变电站 

摘      要：远郊无人值守机场变电站近年来频发因异常目标入侵而导致的安全事故,其中异常目标主要包括猫、狗、蛇、鼠、松鼠、鸟等动物,甚至还包括未经授权的人员。如何快速准确的对异常目标进行检测预警,已成为预防以上安全事故的关键。随着以深度学习为代表的人工智能算法发展,国内外专家学者提出了多种目标检测方法。然而,现有的方法主要是面向通用目标检测,应用于机场变电站场景下的异常目标检测方法仍存在诸多问题,包括:1)现阶段缺乏机场变电站异常目标入侵的数据集,无法驱动相关人工智能算法模型的训练;2)现有的目标检测方法主要面向通用场景,难以满足机场变电站场景中针对异常目标的高精度检测需求;3)现有的目标检测方法对硬件需求较高,无法直接部署在机场变电站边缘设备中,难以满足低算力、高实时的实际应用需求。 针对上述问题,本文从实际应用需求出发,对机场变电站异常目标检测方法展开了深入的研究,构建了基于边缘计算的机场变电站下异常目标实时检测模型,并将研究成果部署应用于机场变电站中,以期能进一步提升机场变电站下全天候异常目标监测的智能化水平。本文的主要研究内容如下: 1)针对现阶段尚无机场变电站多目标入侵数据集的问题,构建了业内首个机场变电站异常目标数据集SAITD(Substation Abnormal Invasion Target Datasets),共包括了七个类别:鸟、蛇、鼠、猫、狗、松鼠和人。通过在实地安装部署摄像头,采集了真实环境下的机场变电站异常目标数据,并进行了全面、科学的数据标注,完成了SAITD的构建,为后续的算法研究以及模型训练与验证奠定了坚实的数据基础。 2)针对现有目标检测方法无法满足机场变电站场景下异常目标高精度检测的需求,本文提出了动静流YOLOv5异常目标检测与识别模型YOLOv5-Substation。具体地说,首先基于Vi Be算法提取背景静流特征,并基于该特征背景建模后再进行前景检测,依据图像中运动目标的动流特征,对高动态目标进行初筛,从而提升算法的鲁棒性与检测精度;其次,添加了微小尺度目标特征提取层,并将上采样轻量化算子CARAFE引入其中,在扩大模型感受野的同时,保留原特征图中的多尺度目标语义信息,提升整体算法的检测精度。 3)针对识别算法边缘端部署问题,对原有混合模型YOLOv5-Substation进行轻量化改造、剪枝及蒸馏,提出了一个适用于机场变电站边缘检测设备的轻量化异常入侵目标检测模型。具体来说,首先使用网络剪枝(Network-slimming)策略对原有模型进行了优化剪枝,并在其基础上进行知识蒸馏,进一步降低了模型硬件需求且提高了实时性。实验表明,轻量化后的目标检测模型部署于边缘端后,检测推理速度提升了41.9%,可为智能电网的全速运行提供强有力的数据基础、技术支撑与安全保障。