输电线设备的外来物识别方法、装置及计算机设备
技术领域
本发明涉及网络技术领域,特别是涉及输电线设备的外来物识别方法、装置、计算机设备及存储介质。
背景技术
杆塔等输电线设备往往设置在户外,容易受到外界环境的影响,输电线设备上经常会出现外来物,例如:许多蜜蜂会选择在输电线设备上建造蜂窝,这些蜂窝会对输电线设备的电力输送造成影响,因此将其称为蜂窝缺陷。目前识别输电线设备外来物的方法一般是拍摄输电线设备的图片,通过人工检查图片的方式来确定。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:由于这些图片背景复杂、设备种类繁多,人工识别需要耗费大量的人力、物力。同时,人工检查筛选过程容易出现漏检、错检的情况。这就导致输电线设备的外来物识别效率低下。
发明内容
基于此,本发明实施例提供了输电线设备的外来物识别方法、装置、计算机设备及存储介质,能有效提高输电线设备的外来物识别效率。
本发明实施例的内容如下:
一方面,本发明实施例提供一种输电线设备的外来物识别方法,包括以下步骤:获取输电线设备的多个第一裁剪图像;所述多个第一裁剪图像由包含有输电线设备的图像裁剪得到;将所述多个第一裁剪图像输入到预先训练好的识别模型中;所述识别模型用于对输入的各个第一裁剪图像进行外来物识别,得到各个第一裁剪图像的外来物识别结果;根据各个第一裁剪图像的外来物识别结果,确定所述输电线设备的外来物识别结果;输出所述输电线设备的外来物识别结果。
在一个实施例中,所述将所述多个第一裁剪图像输入到预先训练好的识别模型中的步骤之前,还包括:获取输电线设备的标注图像;所述标注图像中包含有外来物的标注信息;对所述标注图像进行裁剪,得到多个第二裁剪图像;将所述多个第二裁剪图像作为训练样本输入到初始识别模型中;根据yolo-v3算法以及所述外来物的标注信息对所述初始识别模型进行训练,得到训练好的识别模型。
在一个实施例中,所述对所述标注图像进行裁剪,得到多个第二裁剪图像的步骤,包括:按照多种尺度对所述标注图像进行多次裁剪,得到多个第二裁剪图像。
在一个实施例中,所述将所述多个第二裁剪图像作为训练样本输入到初始识别模型中的步骤之前,还包括:对所述多个第二裁剪图像进行翻转处理,旋转处理,模糊处理,和/或,亮度增强处理。
在一个实施例中,所述外来物包括蜂窝;所述根据所述各个第一裁剪图像的外来物识别结果,确定所述输电线设备的外来物识别结果的步骤,包括:根据所述各个第一裁剪图像的外来物识别结果,确定所述包含有输电线设备的图像中的蜂窝区域;去除不符合预设条件的蜂窝区域,得到目标蜂窝区域;确定所述目标蜂窝区域在所述包含有输电线设备的图像中的位置,得到所述输电线设备的外来物识别结果。
在一个实施例中,所述去除不符合预设条件的蜂窝区域,得到目标蜂窝区域的步骤,包括:采用非极大值抑制法去除重叠的蜂窝区域,得到去重蜂窝区域;计算所述去重蜂窝区域的置信度,将置信度小于预设阈值的去重蜂窝区域去除,得到目标蜂窝区域。
在一个实施例中,所述获取输电线设备的多个第一裁剪图像的步骤之前,还包括:向拍摄设备发送图像采集指令;所述图像采集指令用于控制所述拍摄设备按照设定的拍照线路围绕所述输电线设备移动,并在移动过程中的多个位置拍摄包含有输电线设备的图像;其中,所述拍摄设备包括无人机或者直升机,无人机或者直升机搭载有摄像机;接收所述拍摄设备发送的包含有输电线设备的图像。
另一方面,本发明实施例提供一种输电线设备的外来物识别装置,包括:图像获取模块,用于获取输电线设备的多个第一裁剪图像;所述多个第一裁剪图像由包含有输电线设备的图像裁剪得到;图像识别模块,用于将所述多个第一裁剪图像输入到预先训练好的识别模型中;所述识别模型用于对输入的各个第一裁剪图像进行外来物识别,得到各个第一裁剪图像的外来物识别结果;结果确定模块,用于根据各个第一裁剪图像的外来物识别结果,确定所述输电线设备的外来物识别结果;以及,结果输出模块,用于输出所述输电线设备的外来物识别结果。
再一方面,本发明实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取输电线设备的多个第一裁剪图像;所述多个第一裁剪图像由包含有输电线设备的图像裁剪得到;将所述多个第一裁剪图像输入到预先训练好的识别模型中;所述识别模型用于对输入的各个第一裁剪图像进行外来物识别,得到各个第一裁剪图像的外来物识别结果;根据各个第一裁剪图像的外来物识别结果,确定所述输电线设备的外来物识别结果;输出所述输电线设备的外来物识别结果。
又一方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取输电线设备的多个第一裁剪图像;所述多个第一裁剪图像由包含有输电线设备的图像裁剪得到;将所述多个第一裁剪图像输入到预先训练好的识别模型中;所述识别模型用于对输入的各个第一裁剪图像进行外来物识别,得到各个第一裁剪图像的外来物识别结果;根据各个第一裁剪图像的外来物识别结果,确定所述输电线设备的外来物识别结果;输出所述输电线设备的外来物识别结果。
上述技术方案中的一个技术方案具有如下优点或有益效果:对包含有输电线设备的图像进行裁剪,得到多个第一裁剪图像;通过识别模型对这些第一裁剪图像进行分析,得到各个第一裁剪图像的外来物识别结果;进而确定输电线设备的外来物识别结果。不需要人工对包含有输电线设备的图像进行逐个分析,能自动确定出图像中的外来物,极大地提高输电线设备的外来物识别效率。
附图说明
图1为一个实施例中输电线设备的外来物识别方法的应用环境图;
图2为一个实施例中输电线设备的外来物识别方法的流程示意图;
图3为一个实施例中输电线设备的结构示意图;
图4为一个实施例中第一裁剪图像的示意图;
图5为一个实施例中蜂窝区域的示意图;
图6为一个实施例中蜂窝区域合并的示意图;
图7为一个实施例中输电线设备的外来物识别装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请提供的输电线设备的外来物识别方法可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器,也可以是终端设备,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,处理器用于提供计算和控制能力;存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统、计算机程序(该计算机程序被处理器执行时实现一种输电线设备的外来物识别方法)和数据库,该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境;数据库用于存储第一裁剪图像、外来物识别结果等数据;网络接口用于与外部的终端通过网络连接通信,例如:与拍摄设备网络连接通信,用于接收拍摄设备发送的包含有输电线设备的图像。其中,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现,终端设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例提供一种输电线设备的外来物识别方法、装置、计算机设备及存储介质。以下分别进行详细说明。
在一个实施例中,如图2所示,提供了一种输电线设备的外来物识别方法。以该方法应用于图1中的计算机设备端为例进行说明,包括以下步骤:
S201、获取输电线设备的多个第一裁剪图像;多个第一裁剪图像由包含有输电线设备的图像(包含有输电线设备的图像也可以简称为输电线设备图像)裁剪得到。
其中,输电线设备可以指线路杆塔、绝缘子、线路金具、杆塔基础、接地装置等。
包含有输电线设备的图像可以通过拍摄设备在输电线设备附近的多个位置拍摄得到。例如,拍摄一张输电线设备的总体图像(如图3所示,图3中的小黑点可以认为是外来物),另外在输电线设备的顶端、中部、底端分别拍摄图像,这些图像中的全部或部分可以作为前述包含有输电线设备的图像。
具体的,拍摄设备可以指无人机、直升机(无人机和直升机上可以搭载摄像头)等能围绕输电线设备移动并拍照的设备,另外也可以指朝向可以调节的摄像头(摄像头的视野可以围绕输电线设备移动)。
包含有输电线设备的图像可以为一张、两张也可以为多张。另外,输电线设备图像的大小可以为8K、8M等。可以对任意一张包含有输电线设备的图像进行裁剪,一张包含有输电线设备的图像可以得到两张以上的第一裁剪图像,因此通过对包含有输电线设备的图像进行裁剪可以得到多个第一裁剪图像。
对包含有输电线设备的图像进行裁剪可以是裁成不同尺寸的多个第一裁剪图像,也可以是裁成相同尺寸的多个第一裁剪图像。将包含有输电线设备的图像裁剪成的四个尺寸相同的第一裁剪图像可以如图4中的(a)、(b)、(c)、(d)所示。另外,在对包含有输电线设备的图像进行裁剪时,各个第一裁剪图像可以存在一定程度的重叠。
对包含有输电线设备的图像中的外来物进行识别的步骤如S202:将多个第一裁剪图像输入到预先训练好的识别模型中;该预先训练好的识别模型用于对输入的各个第一裁剪图像进行外来物识别,得到各个第一裁剪图像的外来物识别结果。
在S202之前,还可以包括对识别模型进行训练,得到训练好的识别模型的步骤。
S203、根据各个第一裁剪图像的外来物识别结果,确定输电线设备的外来物识别结果。
可以根据各个第一裁剪图像的外来物识别结果确定各个第一裁剪图像中是否存在外来物,如果没有,判定输电线设备的外来物识别结果为:无外来物;如果其中某个或某些第一裁剪图像中包含有外来物,进一步确定外来物在该第一裁剪图像中的位置,并据此确定外来物在包含有输电线神的图像上的位置,之后将输电线设备的外来物识别结果确定为:有外来物,外来物的位置为XXX。
S204、输出输电线设备的外来物识别结果。
对于有外来物存在的情况,也可以通过检测框的形式在包含有输电线设备的图像中标识出外来物的位置(如图5所示)。对于没有外来物的情况,可以输出“没有外来物”的信息。
包含有输电线设备的图像的数量往往较多,且外来物在整张图像的占比很小,如果直接采用原图进行训练,机器显存不够,如果对原图缩放后训练,现有算法几乎不可能检测到那么小的目标。本实施例提供的输电线设备的外来物识别方法,先对包含有输电线设备的图像进行裁剪,再识别裁剪得到的第一裁剪图像中外来物,进而确定输电线设备的外来物识别结果,不需要人工对图像进行逐个分析,能自动准确确定出输电线设备上是否存在外来物,极大地提高输电线设备的外来物识别效率、准确率以及召回率。
在一个实施例中,进一步地,S201之前,还包括以下步骤:向拍摄设备发送图像采集指令;图像采集指令用于控制拍摄设备按照设定的拍照线路围绕输电线设备移动,并在多个位置拍摄包含有输电线设备的图像;其中,拍摄设备包括无人机或者直升机,无人机或者直升机搭载有摄像机;接收拍摄设备发送的包含有输电线设备的图像。
设定的拍照线路可以由人工确定后,输入到计算机设备中。计算机设备将拍照线路编辑成程序语言写入到图像采集指令中,以控制拍摄设备按照规定的线路来移动并在移动过程中的多个位置拍摄输电设备的图像。另外,图像采集指令中还可以包括控制拍摄设备在特定位置拍照的信息。可以控制拍摄设备在输电线设备上经常出现外来物的位置(例如:经常出现鸟巢和蜂窝的顶端)进行拍摄。
具体而言,拍摄设备根据图像采集指令进行图像拍摄的过程可以为:先移动到输电线设备的顶端,拍摄若干张图像;然后移动到输电线设备的中部对某些部件拍摄若干张图像;最后移动到输电线设备的底端拍摄若干张图像,将这三个位置上拍摄的图像作为前述包含有输电线设备的图像。
由于所拍摄的包含有输电线设备的图像中可能没有外来物,也可能包含有蜂窝、鸟巢等外来物。对于包含有外来物的情况,还需要确定外来物的数量以及具体位置,因此有必要对包含有输电线设备的图像进行分析,判断外来物是否存在以及确定外来物数量、外来物形态以及外来物的具体位置。
上述实施例通过控制拍摄设备来拍摄多张输电线设备图像,能按照要求拍摄到更可能包含有外来物的图像,提高输电线设备的外来物识别效率。
在一个实施例中,输电线设备上可以配置有小体积部件;在包含有输电线设备的图像中,小体积部件的占比大于或等于5%。该小体积部件可以指绝缘子等。另外,小体积部件所占的比例下限值也可以为5%之外的其他值。
另外,在包含有输电线设备的图像中,输电线设备的占比大于或等于设定阈值(这个设定阈值可以是50%、70%等)。在某些情况下,一张包含有输电线设备的图像中可能会包含一个以上的输电线设备,保证其中一个的占比大于设定阈值即可。
上述实施例的输电线设备的外来物识别方法,拍摄设备在拍摄输电线设备时,保证每张图像只集中拍摄一个输电线设备,且其中的小体积部件在图像中的占比足够大,这样得到的输电线设备图像能保证蜂窝缺陷在图像中足够明显,保证蜂窝缺陷识别的准确性。
在一个实施例中,将多个第一裁剪图像输入到预先训练好的识别模型中的步骤之前,还包括:获取输电线设备的标注图像;标注图像中包含有外来物的标注信息;对标注图像进行裁剪,得到多个第二裁剪图像;将多个第二裁剪图像作为训练样本输入到初始识别模型中;根据yolo-v3算法以及外来物的标注信息对初始识别模型进行训练,得到训练好的识别模型。
其中,yolo-v3算法为一种通过卷积、池化、全连接等一系列操作自动提取待检测目标特征的深度学习分类检测算法,采用yolo-v3算法训练得到的识别模型能准确地对包含有输电线设备的图像进行外来物识别。
标注图像指的是对包含有输电线设备的图像进行外来物标注之后得到的图像。可以是直接在图像上画上检测框。进一步地,对标注图像进行裁剪,得到多个第二裁剪图像的步骤,包括:按照多种尺度对标注图像进行多次裁剪,得到多个第二裁剪图像。具体的,分别按照1440*1440、1024*1024、800*800这三种尺度对标注图像进行裁剪,得到多种尺寸的多个第二裁剪图像。以1440*1440这个尺度为例,对于8K标注图像,可以裁剪出20多张小图(重叠200个像素),即20多张第二裁剪图像。
另外,由于收集到的标注图像样本有限,为增加模型训练的效果,可以对第二裁剪图像进行多种处理,将不同状态下的第二裁剪图像作为训练样本,以增加训练样本的数量。具体的,将多个第二裁剪图像作为训练样本输入到初始识别模型中的步骤之前,还包括:对多个第二裁剪图像进行翻转处理,旋转处理,模糊处理,和/或,亮度增强处理。
训练得到识别模型的具体过程可以包括以下步骤:
1、随机裁剪:获取输电线设备的图像,通过标注框的形式标注出该图像中的外来物,得到标注图像。分别按照1440*1440、1024*1024、800*800这三种尺度对标注图像进行裁剪,得到多种尺寸的多个第二裁剪图像。另外,由于带有标注目标框的样本有限,因此容易误检,为了降低误检,将标注图像中随机裁剪出的没有外来物的样本作为负样本。上述裁剪得到的图像作为第二裁剪图像1。
2、数据增强:对第二裁剪图像进行上下左右翻转、模糊、亮度等增强操作,得到第二裁剪图像2。
3、模型训练:考虑到运行速度和识别准确率的平衡,采用yolo-v3算法来进行识别模型的训练,将上述第二裁剪图像1和第二裁剪图像2作为训练样本输入到初始识别模型中进行训练,训练结束得到训练好的识别模型。该识别模型的网络结构为darknet-53,输入为800*800,参数设置为:
learning_rate=0.001,max_batches=10000,policy=steps,steps=[6000,8000],
Anchors=[46,41,89,76,116,121,217,127,155,184,213,253,333,235,289,379,451,485];
其中,learning_rate表示学习速率,max_batches表示模型训练最大迭代次数,policy和steps表示步长,anchors表示训练阶段预设的候选区域。
上述实施例为训练识别模型的过程,通过深度学习的方式得到训练好的识别模型,且该识别模型能准确地确定出图像中输电线设备上是否存在外来物。
在一个实施例中,外来物包括蜂窝;根据各个第一裁剪图像的外来物识别结果,确定输电线设备的外来物识别结果的步骤,包括:根据各个第一裁剪图像的外来物识别结果,确定包含有输电线设备的图像中的蜂窝区域;去除不符合预设条件的蜂窝区域,得到目标蜂窝区域;确定目标蜂窝区域在包含有输电线设备的图像中的位置,得到输电线设备的外来物识别结果。其中,得到输电线设备的外来物识别结果的过程可以理解为:把裁剪图像中检测的外来物位置还原到包含有输电线设备的图像这个大图上。蜂窝区域可以通过检测框的形式来标识。
其中,去除不符合预设条件的蜂窝区域,得到目标蜂窝区域的步骤,包括:采用非极大值抑制法(nms)去除重叠的蜂窝区域,得到去重蜂窝区域;计算去重蜂窝区域的置信度,将置信度小于预设阈值的去重蜂窝区域去除,得到目标蜂窝区域。
去重蜂窝区域的置信度可以是训练好的识别模型中的输出参数。也可以是由常用的公式计算得到的数据。去掉置信度低的蜂窝区域,能有效降低蜂窝的误检率。置信度的预设阈值可以根据实际情况确定,例如,可以为0.5。
另外,对于距离较近的多个蜂窝区域,它们指代的可能是同一个蜂窝,因此可以对它们进行合并处理。如图6所示,所确定的两个区域指代的是同一个蜂窝,因此将其合并为一个蜂窝区域。
进一步地,对输电线设备的进行外来物识别的具体实现过程可以为:
1、裁剪:把输电线设备图像裁剪成重叠200个像素的第一裁剪图像,第一裁剪图像的大小为1440*1440。
2、测试:利用训练好的识别模型对每个第一裁剪图像中的蜂窝区域进行定位和识别,各个第一裁剪图像中识别出的蜂窝通过检测框标识出来。
3、位置还原:把第一裁剪图像上检测到的蜂窝位置还原到原始的包含有输电线设备的图像上。
4、检测框去重:采用非极大值抑制法去掉重叠的蜂窝区域。
5、去掉置信度低的检测框:把置信度小于阈值0.5的蜂窝区域去掉,得到最终检测结果,将最终确定的目标蜂窝区域显示在包含有输电线设备的图像上。
上述输电线设备的外来物识别方法,在确定第一裁剪图像的外来物识别结果后,将其中的部分蜂窝区域去除,留下能准确表示蜂窝所在位置的目标蜂窝区域,因此,能准确地确定出输电线设备上蜂窝缺陷。
为了更好地理解上述方法,以下详细阐述一个本发明输电线设备的外来物识别方法的应用实例。
模型训练:
1、随机裁剪:获取包含有杆塔的图像,通过标注框的形式标注出该图像中的蜂窝,得到标注图像。分别按照1440*1440、1024*1024、800*800这三种尺度对标注图像进行裁剪,得到多种尺寸的多个第二裁剪图像。
2、数据增强:对第二裁剪图像进行上下左右翻转、模糊、亮度等增强操作,得到经过增强操作的第二裁剪图像。
3、模型训练:考虑到运行速度和识别准确率的平衡,根据yolo-v3算法来进行识别模型的训练,将第二裁剪图像以及经过增强操作的第二裁剪图像作为训练样本进行模型训练,得到训练好的识别模型。
蜂窝缺陷识别:
4、裁剪:把8k的杆塔图像裁剪成重叠200个像素的第一裁剪图像,第一裁剪图像的大小为1440*1440。
5、测试:利用训练好的识别模型对每个第一裁剪图像中的蜂窝进行定位和识别,各个第一裁剪图像中识别出的蜂窝区域通过检测框标识出来。
6、位置还原:把第一裁剪图像上检测到的蜂窝位置还原到原始的杆塔图像上。
7、检测框去重:采用非极大值抑制去掉重叠的检测框。
8、去掉置信度低的检测框:把置信度小于阈值0.5的检测框去掉,得到最终检测结果,将最终确定的目标蜂窝区域的检测框显示在原始的杆塔图像上。
本实施例,对输电线图像进行标注、分割、训练、检测、识别。不需要人工对包含有输电线设备的图像进行逐个分析,能自动确定出图像中的蜂窝缺陷,极大地提高输电线设备的蜂窝缺陷识别效率。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的输电线设备的外来物识别方法相同的思想,本发明还提供输电线设备的外来物识别装置,该装置可用于执行上述输电线设备的外来物识别方法。为了便于说明,输电线设备的外来物识别装置实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图7所示,输电线设备的外来物识别装置包括图像获取模块701、图像识别模块702、结果确定模块703和结果输出模块704,详细说明如下:
图像获取模块701,用于获取输电线设备的多个第一裁剪图像;多个第一裁剪图像由包含有输电线设备的图像裁剪得到。
图像识别模块702,用于将多个第一裁剪图像输入到预先训练好的识别模型中;识别模型用于对输入的各个第一裁剪图像进行外来物识别,得到各个第一裁剪图像的外来物识别结果。
结果确定模块703,用于根据各个第一裁剪图像的外来物识别结果,确定输电线设备的外来物识别结果。
以及,结果输出模块704,用于输出输电线设备的外来物识别结果。
本实施例,不需要人工对输电线设备的图像进行逐个分析,能自动确定出图像中的外来物,极大地提高输电线设备的外来物识别效率。
在一个实施例中,还包括:标注图像获取模块,用于获取输电线设备的标注图像;标注图像中包含有外来物的标注信息;裁剪模块,用于对标注图像进行裁剪,得到多个第二裁剪图像;模型训练模块,用于将多个第二裁剪图像作为训练样本输入到初始识别模型中;根据yolo-v3算法以及外来物的标注信息对初始识别模型进行训练,得到训练好的识别模型。
在一个实施例中,裁剪模块,还用于按照多种尺度对标注图像进行多次裁剪,得到多个第二裁剪图像。
在一个实施例中,还包括:图像处理模块,用于对多个第二裁剪图像进行翻转处理,旋转处理,模糊处理,和/或,亮度增强处理。
在一个实施例中,外来物包括蜂窝;结果确定模块703,包括:区域确定子模块,用于根据各个第一裁剪图像的外来物识别结果,确定包含有输电线设备的图像中的蜂窝区域;区域去除子模块,用于去除不符合预设条件的蜂窝区域,得到目标蜂窝区域;识别结果确定子模块,用于确定目标蜂窝区域在包含有输电线设备的图像中的位置,得到输电线设备的外来物识别结果。
在一个实施例中,区域去除子模块,包括:第一去除单元,用于采用非极大值抑制法去除重叠的蜂窝区域,得到去重蜂窝区域;第二去除单元,用于计算去重蜂窝区域的置信度,将置信度小于预设阈值的去重蜂窝区域去除,得到目标蜂窝区域。
在一个实施例中,还包括:图像采集模块,用于向拍摄设备发送图像采集指令;图像采集指令用于控制拍摄设备按照设定的拍照线路围绕输电线设备移动,并在移动过程中的多个位置拍摄包含有输电线设备的图像;其中,拍摄设备包括无人机或者直升机,无人机或者直升机搭载有摄像机;图像接收模块,用于接收拍摄设备发送的包含有输电线设备的图像。
需要说明的是,本发明的输电线设备的外来物识别装置与本发明的输电线设备的外来物识别方法一一对应,在上述输电线设备的外来物识别方法的实施例阐述的技术特征及其有益效果均适用于输电线设备的外来物识别装置的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述示例的输电线设备的外来物识别装置的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将输电线设备的外来物识别装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取输电线设备的多个第一裁剪图像;多个第一裁剪图像由包含有输电线设备的图像裁剪得到;将多个第一裁剪图像输入到预先训练好的识别模型中;识别模型用于对输入的各个第一裁剪图像进行外来物识别,得到各个第一裁剪图像的外来物识别结果;根据各个第一裁剪图像的外来物识别结果,确定输电线设备的外来物识别结果;输出输电线设备的外来物识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将多个第一裁剪图像输入到预先训练好的识别模型中的步骤之前,还包括:获取输电线设备的标注图像;标注图像中包含有外来物的标注信息;对标注图像进行裁剪,得到多个第二裁剪图像;将多个第二裁剪图像作为训练样本输入到初始识别模型中;根据yolo-v3算法以及外来物的标注信息对初始识别模型进行训练,得到训练好的识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:按照多种尺度对标注图像进行多次裁剪,得到多个第二裁剪图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对多个第二裁剪图像进行翻转处理,旋转处理,模糊处理,和/或,亮度增强处理。
在一个实施例中,外来物包括蜂窝;处理器执行计算机程序时还实现以下步骤:根据各个第一裁剪图像的外来物识别结果,确定包含有输电线设备的图像中的蜂窝区域;去除不符合预设条件的蜂窝区域,得到目标蜂窝区域;确定目标蜂窝区域在包含有输电线设备的图像中的位置,得到输电线设备的外来物识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用非极大值抑制法去除重叠的蜂窝区域,得到去重蜂窝区域;计算去重蜂窝区域的置信度,将置信度小于预设阈值的去重蜂窝区域去除,得到目标蜂窝区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:向拍摄设备发送图像采集指令;图像采集指令用于控制拍摄设备按照设定的拍照线路围绕输电线设备移动,并在移动过程中的多个位置拍摄包含有输电线设备的图像;其中,拍摄设备包括无人机或者直升机,无人机或者直升机搭载有摄像机;接收拍摄设备发送的包含有输电线设备的图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取输电线设备的多个第一裁剪图像;多个第一裁剪图像由包含有输电线设备的图像裁剪得到;将多个第一裁剪图像输入到预先训练好的识别模型中;识别模型用于对输入的各个第一裁剪图像进行外来物识别,得到各个第一裁剪图像的外来物识别结果;根据各个第一裁剪图像的外来物识别结果,确定输电线设备的外来物识别结果;输出输电线设备的外来物识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取输电线设备的标注图像;标注图像中包含有外来物的标注信息;对标注图像进行裁剪,得到多个第二裁剪图像;将多个第二裁剪图像作为训练样本输入到初始识别模型中;根据yolo-v3算法以及外来物的标注信息对初始识别模型进行训练,得到训练好的识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:按照多种尺度对标注图像进行多次裁剪,得到多个第二裁剪图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对多个第二裁剪图像进行翻转处理,旋转处理,模糊处理,和/或,亮度增强处理。
在一个实施例中,外来物包括蜂窝;计算机程序被处理器执行时还实现以下步骤:根据各个第一裁剪图像的外来物识别结果,确定包含有输电线设备的图像中的蜂窝区域;去除不符合预设条件的蜂窝区域,得到目标蜂窝区域;确定目标蜂窝区域在包含有输电线设备的图像中的位置,得到输电线设备的外来物识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用非极大值抑制法去除重叠的蜂窝区域,得到去重蜂窝区域;计算去重蜂窝区域的置信度,将置信度小于预设阈值的去重蜂窝区域去除,得到目标蜂窝区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:向拍摄设备发送图像采集指令;图像采集指令用于控制拍摄设备按照设定的拍照线路围绕输电线设备移动,并在移动过程中的多个位置拍摄包含有输电线设备的图像;其中,拍摄设备包括无人机或者直升机,无人机或者直升机搭载有摄像机;接收拍摄设备发送的包含有输电线设备的图像。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,作为独立的产品销售或使用。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本发明实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,不能理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。