发明内容

本发明所要解决的技术问题是提供一种基于TX2设备的电力复合绝缘子憎水性分类方法。

发明的技术解决方案如下：

一种基于TX2设备的电力复合绝缘子憎水性分类方法，包括以下步骤：

步骤一，首先由图像采集装置(1)采集数据；

步骤二，数据集存储；

步骤三，构建训练模型；

步骤四，数据增强，数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成；

步骤五，模型转换，首先将model.pth转换为model.onnx，再将model.onnx转换为model.trt；

步骤六，数据传输，数据传输链路使用MQTT作为通信协议，由图像采集装置(1)向TX2端侧推理设备(4)传输图像数据；

步骤七，模型推理，是训练RepVGG模型完成后，对模型做等价转换，实现方式为：

y＝x+g(x)+f(x)转换为y＝h(x)，

其中，x其表示每层的输入，f(x)表示3×3卷积，

g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。

步骤八，模型移植，模型移植为TRT量化后的模型，实现方法为：

x_Q＝clamp(0，N_levels-1，x_int)

其中，x_int表示浮点型值x映射为整型值，x表示输入的浮点型变量，Δ表示量化的步长，z表示零点，x_Q表示量化后的定点值，N_levels＝256，clamp用于限定量化取值范围。

步骤2所述的数据集存储，是将图像大小为640×640、图像通道为RGB的绝缘子带水珠的图片，按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度，来标记划分憎水性等级，按照4∶1比例划分训练集和测试集，并存放于不同文件夹下。

步骤3中的模型训练时，将RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个RepVGG Block，具体实现方式为：

y＝x+g(x)+f(x)转换为y＝h(x)，

其中，x其表示每层的输入，f(x)表示3×3卷积，

g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。

方法对应的系统由图像采集装置、数据传输链路、训练服务器、TX2端侧推理设备、显示模块组成；

所述图像采集装置用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像；所述训练服务器用于数据增强、数据集存储、训练RepVGG分类模型、模型转换；所述数据传输链路用于向TX2端侧推理设备传输图像数据；所述TX2端侧推理设备用于模型移植和数据推理；所述显示模块用于对接收到的分类结果进行显示。

所述数据增强包含颜色变换和几何变换，颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成；几何变换由图像翻转，图像旋转，图像随机裁剪，图像随机缩放组成。

所述数据集存储，是将图像大小为640×640，图像通道为RGB的绝缘子带水珠的图片，按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度，来标记划分憎水性等级，按照4∶1比例划分训练集和测试集，并存放于不同文件夹下。

所述数据传输链路使用MQTT作为通信协议。

所述模型转换技术路线为：首先将model.pth转换为model.onnx，再将model.onnx转换为model.trt。

所述训练RepVGG分类模型，在进行模型在训练时，为RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个RepVGGBlock；实现方式为：

所述模型推理，是训练RepVGG模型完成后，对模型做等价转换，实现方式为：y＝x+g(x)+f(x)转换为y＝h(x)，其中，

x表示每层的输入，f(x)表示3×3卷积；

g(x)是一个1×1的卷积，h(x)恒等映射分支的输出。

所述模型移植为TRT量化后的模型，实现方法为：

x_Q＝clamp(0，N_levels-1，x_int)

其中，x_int表示浮点型值x映射为整型值，x表示输入的浮点型变量，Δ表示量化的步长，z表示零点，x_Q表示量化后的定点值，N_levels＝256，clamp用于限定量化取值范围。

有益效果：

本发明的基于TX2设备的电力复合绝缘子憎水性分类方法，对应的是一种基于RepVGG和TX2端侧设备的复合绝缘子憎水性分类系统，与现有的技术相比，具有以下有益效果：

首先，提出了一套复合绝缘子憎水性图像智能分类方法，实现了不同天气、不同地形条件下的复合绝缘子憎水性图像自动分类；其次，利用模型量化技术，有效地减小了模型的尺寸和使用内存，推高推理速度；此外，基于TensorRT加速推理技术和Tx2边缘设备，能够解决实际场景中，计算资源不能大规模部署的问题，实现了边缘侧的复合绝缘子憎水性图像实时分类。