CN108573228A - 一种输电线路异物入侵监测方法及装置 - Google Patents

Abstract

本发明实施例提供的一种输电线路异物入侵监测方法及装置，属于图像处理技术领域。该方法包括：获取待处理图像数据；获取所述待处理图像数据中的特征图；获取所述特征图中与预设目标物体匹配的目标候选区域；基于所述目标候选区域与所述特征图进行分类识别，获取识别结果；基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。通过先获取待处理图像数据；再获取所述待处理图像数据中的特征图；接着再获取所述特征图中与预设目标物体匹配的目标候选区域；然后基于所述目标候选区域与所述特征图进行分类识别，获取识别结果；最后基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。从而有效地提高了对异物源识别的准确率。

Description

一种输电线路异物入侵监测方法及装置

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种输电线路异物入侵监测方法及装置。

背景技术

目前输电线路分布范围广，常常穿越城市和乡村，且随着经济的快速发展，城乡基础建设越来越频繁，其运行常受到人们生产和建筑单位施工的干扰，在地广人稀的地方，也易受到自然生长的树木、农作物碰触，以及一些针对铁塔和线缆的偷盗行为的干扰，从而造成对输电线路的破坏、大面积停电等现象。因此，如何解决上述问题是目前亟需解决的技术难题。

发明内容

本发明提供的一种输电线路异物入侵监测方法及装置，旨在改善上述问题。

本发明提供的输电线路异物入侵监测方法，应用于服务器，包括：获取待处理图像数据；获取所述待处理图像数据中的特征图；获取所述特征图中与预设目标物体匹配的目标候选区域；基于所述目标候选区域与所述特征图进行分类识别，获取识别结果；基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。

可选地，所述的获取所述特征图中与预设目标物体匹配的目标候选区域，包括：获取所述特征图中与预设目标物体匹配的多个候选区域；基于候选区域融合提取算法对所述多个候选区域进行融合，生成目标候选区域。

可选地，所述的基于所述目标候选区域与所述特征图进行分类识别，获取识别结果，包括：基于所述目标候选区域与所述特征图进行分类识别，获取所述目标候选区域中的每个区域特征；获取每个所述区域特征所对应的权重值；基于分类方法对每个带权重值的所述区域特征进行分类，获取识别结果。

可选地，所述的获取所述待处理图像数据中的特征图，包括：基于预设的深度神经网络模型提取所述待处理图像数据中的特征图。

可选地，所述的预设的深度神经网络模型的建立包括：将异物源抽象为所有阻断电力线特征的物体，在电力线区域内模拟生成各种不规则形状的异物源来补充样本数据；基于所述样本数据建立样本库，所述样本库包括异物源样本库和绝缘子样本库；基于所述样本库以及预设训练参数进行深度神经网络训练，得到预设的深度神经网络模型。

本发明提供的输电线路异物入侵监测装置，应用于服务器，包括：数据获取单元，用于获取待处理图像数据；特征提取单元，用于获取所述待处理图像数据中的特征图；目标区域提取单元，用于获取所述特征图中与预设目标物体匹配的目标候选区域；数据处理单元，用于基于所述目标候选区域与所述特征图进行分类识别，获取识别结果；数据判断单元，用于基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。

可选地，所述目标区域提取单元具体用于：获取所述特征图中与预设目标物体匹配的多个候选区域；基于候选区域融合提取算法对所述多个候选区域进行融合，生成目标候选区域。

可选地，所述数据处理单元具体用于：基于所述目标候选区域与所述特征图进行分类识别，获取所述目标候选区域中的每个区域特征；获取每个所述区域特征所对应的权重值；基于分类方法对每个带权重值的所述区域特征进行分类，获取识别结果。

可选地，所述特征提取单元具体用于：基于预设的深度神经网络模型提取所述待处理图像数据中的特征图。

可选地，所述的预设的深度神经网络模型的建立包括：将异物源抽象为所有阻断电力线特征的物体，在电力线区域内模拟生成各种不规则形状的异物源来补充样本数据；基于所述样本数据建立样本库，所述样本库包括异物源样本库和绝缘子样本库；基于所述样本库以及预设训练参数进行深度神经网络训练，得到预设的深度神经网络模型。

上述本发明提供的一种输电线路异物入侵监测方法及装置，通过先获取待处理图像数据；再获取所述待处理图像数据中的特征图；接着再获取所述特征图中与预设目标物体匹配的目标候选区域；然后基于所述目标候选区域与所述特征图进行分类识别，获取识别结果；最后基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。从而有效地提高了对异物源识别的准确率。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的服务器与用户终端进行交互的示意图；

图2为本发明实施例提供的一种电子设备的结构框图；

图3为本发明第一实施例提供的输电线路异物入侵监测方法的流程图；

图4为本发明第二实施例提供的输电线路异物入侵监测装置的功能模块示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，是本发明实施例提供的用户终端200与服务器100进行交互的示意图。所述服务器100通过网络与一个或多个用户终端200进行通信连接，以进行数据通信或交互。所述服务器100可以是网络服务器、数据库服务器等。所述用户终端200可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant，PDA)等。

如图2所示，为本发明实施例提供的一种电子设备的结构框图。所述电子设备300包括输电线路异物入侵监测装置400、存储器302、存储控制器303、处理器304及外设接口305。

所述存储器302、存储控制器303、处理器304及外设接口305各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述输电线路异物入侵监测装置400包括至少一个可以软件或固件(firmware)的形式存储于所述存储器302中或固化在所述电子设备300的操作系统(operating system，OS)中的软件功能模块。所述处理器304用于执行存储器302中存储的可执行模块，例如所述输电线路异物入侵监测装置400包括的软件功能模块或计算机程序。

其中，存储器302可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read－Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read－Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read－Only Memory，EEPROM)等。其中，存储器302用于存储程序，所述处理器304在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器100所执行的方法可以应用于处理器304中，或者由处理器304实现。

处理器304可能是一种集成电路芯片，具有信号的处理能力。上述的处理器304可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口305将各种输入/输入装置耦合至处理器304以及存储器302。在一些实施例中，外设接口305、处理器304以及存储控制器303可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

请参阅图3，是本发明第一实施例提供的输电线路异物入侵监测方法的流程图。所述输电线路异物入侵监测方法应用于服务器，下面将对图3所示的具体流程进行详细阐述。

步骤S101，获取待处理图像数据。

其中，所述待处理图像数据可以是通过摄像机等拍摄设备所采集的。在此，不作具体限定。

步骤S102，获取所述待处理图像数据中的特征图。

作为一种实施方式，基于预设的深度神经网络模型提取所述待处理图像数据中的特征图。其中，所述预设的深度神经网络模型的建立包括：将异物源抽象为所有阻断电力线特征的物体，在电力线区域内模拟生成各种不规则形状的异物源来补充样本数据；基于所述样本数据建立样本库，所述样本库包括异物源样本库和绝缘子样本库；基于所述样本库以及预设训练参数进行深度神经网络训练，得到预设的深度神经网络模型。

在本实施例中，为了提高准确率和处理效率，优选地，基于PVALite特征提取网络提取所述待处理图像数据中的特征图。

步骤S103，获取所述特征图中与预设目标物体匹配的目标候选区域。

其中，所述预设目标物体是指属于预设的异物源样本库中的异物源。例如，可以是风筝，或塑料袋，或树枝等。在此，不作具体限定。

作为一种实施方式，获取所述特征图中与预设目标物体匹配的多个候选区域；基于候选区域融合提取算法对所述多个候选区域进行融合，生成目标候选区域。

在本实施例中，通过采用多种候选区域融合提取算法提取不同目标候选区留存置信度最大的候选区域进行区域分类，可以有效提高数据的可靠性，进而提高异物监测的准确率。例如，多种候选区域融合提取算法可以是selective search(选择性搜索算法)和/或Edge Box算法等。在此，不作具体限定。

步骤S104，基于所述目标候选区域与所述特征图进行分类识别，获取识别结果。

作为一种实施方式，先基于所述目标候选区域与所述特征图进行分类识别，获取所述目标候选区域中的每个区域特征，即将所述目标候选区域与所述特征图进行比对，以获取所述目标候选区域中的每个区域特征；再获取每个所述区域特征所对应的权重值；最后基于分类方法对每个带权重值的所述区域特征进行分类，获取识别结果。

其中，通过增加异物类别的训练权重，可以有效降低目标异物源漏检，进一步提高异物监测的准确率。

步骤S105，基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。

在本实施例中，通过对识别结果进行判断可以有效地对识别结果进行监管，进一步提高输出的监测结果的准确率。

在本实施例中，优选地，当判断所述识别结果中出现异物入侵时，发送报警信息，以使工作人员能够尽快处理该异物，为供电提供了安全保障。例如，当判断所述识别结果中没有出现异物入侵时，则不发送报警信息，但是发送监测信息，以使工作人员了解当前情况，进而为供电安全提供保障。

请参阅图4，是本发明第二实施例提供的输电线路异物入侵监测装置的功能模块示意图。所述输电线路异物入侵监测装置400应用于服务器，所述输电线路异物入侵监测装置400包括数据获取单元410、特征提取单元420、目标区域提取单元430、数据处理单元440和数据判断单元450。

数据获取单元410，用于获取待处理图像数据。

特征提取单元420，用于获取所述待处理图像数据中的特征图。

其中，所述特征提取单元420具体用于：基于预设的深度神经网络模型提取所述待处理图像数据中的特征图。

其中，所述的预设的深度神经网络模型的建立包括：将异物源抽象为所有阻断电力线特征的物体，在电力线区域内模拟生成各种不规则形状的异物源来补充样本数据；基于所述样本数据建立样本库，所述样本库包括异物源样本库和绝缘子样本库；基于所述样本库以及预设训练参数进行深度神经网络训练，得到预设的深度神经网络模型。

目标区域提取单元430，用于获取所述特征图中与预设目标物体匹配的目标候选区域。

其中，所述目标区域提取单元430具体用于：获取所述特征图中与预设目标物体匹配的多个候选区域；基于候选区域融合提取算法对所述多个候选区域进行融合，生成目标候选区域。

数据处理单元440，用于基于所述目标候选区域与所述特征图进行分类识别，获取识别结果。

其中，所述数据处理单元440具体用于：基于所述目标候选区域与所述特征图进行分类识别，获取所述目标候选区域中的每个区域特征；获取每个所述区域特征所对应的权重值；基于分类方法对每个带权重值的所述区域特征进行分类，获取识别结果。

数据判断单元450，用于基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。

综上所述，本发明提供的一种输电线路异物入侵监测方法及装置，通过先获取待处理图像数据；再获取所述待处理图像数据中的特征图；接着再获取所述特征图中与预设目标物体匹配的目标候选区域；然后基于所述目标候选区域与所述特征图进行分类识别，获取识别结果；最后基于所述识别结果判断所述待处理图像数据中是否出现异物入侵，从而有效地提高了对异物源识别的准确率。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (10)

1.一种输电线路异物入侵监测方法，应用于服务器，其特征在于，包括：

获取待处理图像数据；

获取所述待处理图像数据中的特征图；

获取所述特征图中与预设目标物体匹配的目标候选区域；

基于所述目标候选区域与所述特征图进行分类识别，获取识别结果；

基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。

2.根据权利要求1所述的方法，其特征在于，所述的获取所述特征图中与预设目标物体匹配的目标候选区域，包括：

获取所述特征图中与预设目标物体匹配的多个候选区域；

基于候选区域融合提取算法对所述多个候选区域进行融合，生成目标候选区域。

3.根据权利要求1所述的方法，其特征在于，所述的基于所述目标候选区域与所述特征图进行分类识别，获取识别结果，包括：

基于所述目标候选区域与所述特征图进行分类识别，获取所述目标候选区域中的每个区域特征；

获取每个所述区域特征所对应的权重值；

基于分类方法对每个带权重值的所述区域特征进行分类，获取识别结果。

4.根据权利要求1所述的方法，其特征在于，所述的获取所述待处理图像数据中的特征图，包括：

基于预设的深度神经网络模型提取所述待处理图像数据中的特征图。

5.根据权利要求4所述的方法，其特征在于，所述的预设的深度神经网络模型的建立包括：

将异物源抽象为所有阻断电力线特征的物体，在电力线区域内模拟生成各种不规则形状的异物源来补充样本数据；

基于所述样本数据建立样本库，所述样本库包括异物源样本库和绝缘子样本库；

基于所述样本库以及预设训练参数进行深度神经网络训练，得到预设的深度神经网络模型。

6.一种输电线路异物入侵监测装置，应用于服务器，其特征在于，包括：

数据获取单元，用于获取待处理图像数据；

特征提取单元，用于获取所述待处理图像数据中的特征图；

目标区域提取单元，用于获取所述特征图中与预设目标物体匹配的目标候选区域；

数据处理单元，用于基于所述目标候选区域与所述特征图进行分类识别，获取识别结果；

数据判断单元，用于基于所述识别结果判断所述待处理图像数据中是否出现异物入侵。

7.根据权利要求6所述的装置，其特征在于，所述目标区域提取单元具体用于：

获取所述特征图中与预设目标物体匹配的多个候选区域；

基于候选区域融合提取算法对所述多个候选区域进行融合，生成目标候选区域。

8.根据权利要求6所述的装置，其特征在于，所述数据处理单元具体用于：

基于所述目标候选区域与所述特征图进行分类识别，获取所述目标候选区域中的每个区域特征；

获取每个所述区域特征所对应的权重值；

基于分类方法对每个带权重值的所述区域特征进行分类，获取识别结果。

9.根据权利要求6所述的装置，其特征在于，所述特征提取单元具体用于：

基于预设的深度神经网络模型提取所述待处理图像数据中的特征图。

10.根据权利要求9所述的装置，其特征在于，所述的预设的深度神经网络模型的建立包括：

将异物源抽象为所有阻断电力线特征的物体，在电力线区域内模拟生成各种不规则形状的异物源来补充样本数据；

基于所述样本数据建立样本库，所述样本库包括异物源样本库和绝缘子样本库；

基于所述样本库以及预设训练参数进行深度神经网络训练，得到预设的深度神经网络模型。