CN110675395A - 输电线路智能在线监测方法 - Google Patents
输电线路智能在线监测方法 Download PDFInfo
- Publication number
- CN110675395A CN110675395A CN201910933684.3A CN201910933684A CN110675395A CN 110675395 A CN110675395 A CN 110675395A CN 201910933684 A CN201910933684 A CN 201910933684A CN 110675395 A CN110675395 A CN 110675395A
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- images
- image
- power transmission
- transmission line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及输电线路在线监测技术领域,具体涉及一种输电线路智能在线监测方法,包括以下步骤:步骤一、前端监拍装置采集图像;步骤二、前端监拍装置对采集到的图像进行分析及图像识别;步骤三、判断采集的图像是否为有隐患的图像,若为有隐患的图像则将该图像上传至后台,若不是有隐患的图像,则不上传该图像。本发明方法由前端监拍装置采集图像并对图像进行分析识别,当识别出存在隐患的图像时,将该图像传送至后台,当识别的图像没有存在隐患时,则不上传该图像。提高前端监拍装置的运行速度及图像分析的速度的同时降低了回传数据流量的消耗,减少了数据传输的流量费用,缓解了回传通信的网络压力。
Description
技术领域
本发明涉及输电线路在线监测技术领域,具体涉及一种输电线路智能在线监测方法。
背景技术
特殊场景的输电线路监测对前端设备的实时性、智能效果、功耗等要求较高,传统监测设备因为受制于硬件平台限制,智能算力较弱,单凭算法难以实现高效、准确的图像智能识别,前端智能识别效果差,需要回传拍摄的图像到后台监控中心进行分析或人工处理,要达到实时在线监测的目的则需要缩短拍摄间隔,而拍摄频率的提高则会造成大量图片回传至后台,增加后台及网络带宽的压力,造成通讯流量费用大幅增加。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供一种能够提高图像识别准确性,降低图像回传流量消耗的输电线路智能在线监测方法。
本发明为解决其技术问题所采用的技术方案为:
输电线路智能在线监测方法,包括以下步骤:
步骤一、前端监拍装置采集图像;
步骤二、前端监拍装置对采集到的图像进行分析及图像识别;
步骤三、判断采集的图像是否为有隐患的图像,若为有隐患的图像则将该图像上传至后台,若不是有隐患的图像,则不上传该图像。
所述步骤二前端监拍装置通过fast-RCNN算法对采集到的图像进行分析及图像识别。
所述步骤二前端监拍装置对采集到的图像进行分析及图像识别包括以下子步骤:
2-1):隐患图像数据收集及分类;
2-2):隐患智能预警模型标定;
2-3):隐患预警特征自动提取;
2-4):隐患图像自动识别。
步骤2-1)隐患图像数据收集及分类包括对输电通道现场采集的历史图像进行收集,并对收集的图像进行处理,将模糊不清、信息不全等存在缺陷的图像提出,从处理后的图像中,筛选出存在隐患的图像,并按照不同的隐患类型对筛选出的隐患图像进行分类,在分类的基础上,建立相应的隐患图像样本库。
步骤2-2)隐患智能预警模型标定包括在隐患图像样本库的基础上,对各种隐患类型的图片样本进行隐患模型标定。
步骤2-3)隐患预警特征自动提取包括通过深度学习算法,对各类隐患模型标定的各种隐患特征进行自动提取,然后根据提取的隐患特征分别对不同隐患模型进行训练,训练过程中动态调整训练样本库与参数集,形成闭环的模型训练修改机制,直至模型具有较高的检测准确率和运行效率,最终确定检测识别功能模块的整体环境和参数配置。
步骤2-4)隐患图像自动识别包括对采集的图像进行自动识别,将识别为隐患图像的图片进行隐患区域的标识,并做为预警图片进行存储。
所述前端监拍装置包括拍照模块、控制模块及识别模块,前端监拍装置通过拍照模块采集图像,并经过控制模块传送至识别模块对采集到的图像进行分析及图像识别。
识别模块为AI加速模块。
前端监拍装置通过无线传输方式将存在隐患的图像传送至后台。
与现有技术相比,本发明具有以下有益效果:
1)使用AI加速模块具有较为强大的算力,提高前端监拍装置的运行速度及图像分析的速度;
2)通过fast-RCNN算法能够提高图像分析识别的准确率;
3)通过前端监拍装置拍摄图像并对图像进行分析识别出存在隐患的图像,仅将识别出的存在隐患的图像传送至后台,保证实时性的同时降低回传数据流量的消耗,减少了数据传输的流量费用,缓解了回传通信的网络压力。
附图说明
图1是本发明的流程图。
图2是本发明前端监拍装置的结构框图。
具体实施方式
下面结合附图对本发明实施例做进一步描述:
实施例1
如图1所示,输电线路智能在线监测方法,包括以下步骤:
步骤一、前端监拍装置采集图像;
步骤二、前端监拍装置对采集到的图像进行分析及图像识别;
步骤三、判断采集的图像是否为有隐患的图像,若为有隐患的图像则将该图像上传至后台,若不是有隐患的图像,则不上传该图像。
步骤二前端监拍装置通过fast-RCNN算法对采集到的图像进行分析及图像识别,具体包括以下子步骤:
2-1):隐患图像数据收集及分类;
2-2):隐患智能预警模型标定;
2-3):隐患预警特征自动提取;
2-4):隐患图像自动识别。
步骤2-1)隐患图像数据收集及分类包括对输电通道现场采集的历史图像进行收集,并对收集的图像进行处理,将模糊不清、信息不全等存在缺陷的图像提出,从处理后的图像中,筛选出存在隐患的图像,并按照不同的隐患类型对筛选出的隐患图像进行分类,在分类的基础上,建立相应的隐患图像样本库。
步骤2-2)隐患智能预警模型标定包括为了能够对隐患图像进行智能分析,需要在隐患图像样本库的基础上,对各种隐患类型的图片样本进行隐患模型标定。即针对每一类隐患类型中的相似样本,将其中的隐患位置作为隐患特征进行逐一标定,并保存标定结果。
步骤2-3)隐患预警特征自动提取包括通过深度学习算法,对各类隐患模型标定的各种隐患特征进行自动提取,然后根据提取的隐患特征分别对不同隐患模型进行训练,训练过程中动态调整训练样本库与参数集,形成闭环的模型训练修改机制,直至模型具有较高的检测准确率和运行效率,最终确定检测识别功能模块的整体环境和参数配置。
步骤2-4)隐患图像自动识别包括对采集的图像进行自动识别,将识别为隐患图像的图片进行隐患区域的标识,并做为预警图片进行存储。
前端监拍装置通过无线传输方式将存在隐患的图像传送至后台。
前端监拍装置包括拍照模块、控制模块及识别模块,前端监拍装置通过拍照模块采集图像,采集的图像由控制模块传送至识别模块对采集到的图像进行分析及图像识别。
识别模块为AI加速模块,AI加速模块中使用基于深度学习的目标检测算法中的fast-RCNN算法。该算法对多维、复杂的物体特征具有较好的建模能力,适用于复杂的输电现场情况,满足对不同的隐患个体多特征识别的需求。本实施例中AI加速模块采用华为Atlas200加速模块,内置Ascend310人工智能芯片。
本发明由前端监拍装置的拍照模块拍照进行图像采集,然后将采集到的图像经过控制模块传送至AI加速模块,AI加速模块使用基于深度学习的目标检测算法中的fast-RCNN算法对采集到的图像进行分析识别,当识别出存在隐患的图像时前端监拍装置将该图像传送至后台,当识别的图像没有存在隐患时,则不上传该图像。
实施例2
针对1000个场景分别使用设置有AI加速模块的前端监拍装置与未设置AI加速模块的前端监拍装置进行监拍,并对监拍结果的漏检率、误检率及识别准确率进行统计,其统计结果如下表:
由上表可知,设置有AI加速模块的前端监拍装置提高了对图像分析识别的准确率,同时降低了漏检率及误检率。
实施例3
将本发明方法与传统的前端监拍装置拍摄图像传送至后台分析的方法对比如下表所示:
由上表可知,本发明方法单张图像分析识别耗时更短,每月回传消耗的流量更少。
Claims (10)
1.一种输电线路智能在线监测方法,其特征在于,包括以下步骤:
步骤一、前端监拍装置采集图像;
步骤二、前端监拍装置对采集到的图像进行分析及图像识别;
步骤三、判断采集的图像是否为有隐患的图像,若为有隐患的图像则将该图像上传至后台,若不是有隐患的图像,则不上传该图像。
2.根据权利要求1所述的输电线路智能在线监测方法,其特征在于,所述步骤二前端监拍装置通过fast-RCNN算法对采集到的图像进行分析及图像识别。
3.根据权利要求2所述的输电线路智能在线监测方法,其特征在于,所述步骤二包括以下子步骤:
2-1):隐患图像数据收集及分类;
2-2):隐患智能预警模型标定;
2-3):隐患预警特征自动提取;
2-4):隐患图像自动识别。
4.根据权利要求3所述的输电线路智能在线监测方法,其特征在于,步骤2-1)隐患图像数据收集及分类包括对输电通道现场采集的历史图像进行收集,并对收集的图像进行处理,将模糊不清、信息不全等存在缺陷的图像提出,从处理后的图像中,筛选出存在隐患的图像,并按照不同的隐患类型对筛选出的隐患图像进行分类,在分类的基础上,建立相应的隐患图像样本库。
5.根据权利要求4所述的输电线路智能在线监测方法,其特征在于,步骤2-2)隐患智能预警模型标定包括在隐患图像样本库的基础上,对各种隐患类型的图片样本进行隐患模型标定。
6.根据权利要求5所述的输电线路智能在线监测方法,其特征在于,步骤2-3)隐患预警特征自动提取包括对各类隐患模型标定的各种隐患特征进行自动提取,然后根据提取的隐患特征分别对不同隐患模型进行训练,训练过程中动态调整训练样本库与参数集,形成闭环的模型训练修改机制,直至模型具有较高的检测准确率和运行效率,最终确定检测识别功能模块的整体环境和参数配置。
7.根据权利要求6所述的输电线路智能在线监测方法,其特征在于,步骤2-4)隐患图像自动识别包括对采集的图像进行自动识别,将识别为隐患图像的图片进行隐患区域的标识,并做为预警图片进行存储。
8.根据权利要求2所述的输电线路智能在线监测方法,其特征在于,所述前端监拍装置包括拍照模块、控制模块及识别模块,前端监拍装置通过拍照模块采集图像,并经过控制模块传送至识别模块对采集到的图像进行分析及图像识别。
9.根据权利要求8所述的输电线路智能在线监测方法,其特征在于,识别模块为AI加速模块。
10.根据权利要求1所述的输电线路智能在线监测方法,其特征在于,所述前端监拍装置通过无线传输方式将存在隐患的图像传送至后台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910933684.3A CN110675395A (zh) | 2019-09-29 | 2019-09-29 | 输电线路智能在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910933684.3A CN110675395A (zh) | 2019-09-29 | 2019-09-29 | 输电线路智能在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675395A true CN110675395A (zh) | 2020-01-10 |
Family
ID=69080220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910933684.3A Withdrawn CN110675395A (zh) | 2019-09-29 | 2019-09-29 | 输电线路智能在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675395A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582323A (zh) * | 2020-04-17 | 2020-08-25 | 山东信通电子股份有限公司 | 一种输电线路通道检测方法、装置及介质 |
CN111695493A (zh) * | 2020-06-10 | 2020-09-22 | 国网山东省电力公司电力科学研究院 | 一种输电线路隐患的检测方法及系统 |
CN111783968A (zh) * | 2020-06-30 | 2020-10-16 | 山东信通电子股份有限公司 | 一种基于云边协同的输电线路监测方法及系统 |
CN112261274A (zh) * | 2020-10-28 | 2021-01-22 | 卓旺(安徽)航空科技产业股份有限公司 | 基于4k视频5g传输的施工现场安全监护移动高速球机 |
CN112257740A (zh) * | 2020-09-05 | 2021-01-22 | 赛飞特工程技术集团有限公司 | 基于知识图谱的图像隐患识别方法及其系统 |
CN112395980A (zh) * | 2020-11-17 | 2021-02-23 | 华北电力大学扬中智能电气研究中心 | 一种输电线路监测方法、装置、设备及介质 |
CN113065508A (zh) * | 2021-04-20 | 2021-07-02 | 上海环能新科节能科技股份有限公司 | 一种用于特高压输电线路通道隐患发现与识别的边缘计算方法 |
CN113486779A (zh) * | 2021-07-01 | 2021-10-08 | 国网北京市电力公司 | 输电线路全景智能巡检系统 |
CN113949849A (zh) * | 2021-12-02 | 2022-01-18 | 广西电网有限责任公司钦州供电局 | 基于人工智能的输电通道可视化监拍系统 |
CN114024574A (zh) * | 2021-12-31 | 2022-02-08 | 山东信通电子股份有限公司 | 一种用于输电线路的隐患状态识别方法及设备 |
-
2019
- 2019-09-29 CN CN201910933684.3A patent/CN110675395A/zh not_active Withdrawn
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582323A (zh) * | 2020-04-17 | 2020-08-25 | 山东信通电子股份有限公司 | 一种输电线路通道检测方法、装置及介质 |
CN111695493B (zh) * | 2020-06-10 | 2023-12-08 | 国网山东省电力公司电力科学研究院 | 一种输电线路隐患的检测方法及系统 |
CN111695493A (zh) * | 2020-06-10 | 2020-09-22 | 国网山东省电力公司电力科学研究院 | 一种输电线路隐患的检测方法及系统 |
CN111783968A (zh) * | 2020-06-30 | 2020-10-16 | 山东信通电子股份有限公司 | 一种基于云边协同的输电线路监测方法及系统 |
CN111783968B (zh) * | 2020-06-30 | 2024-05-31 | 山东信通电子股份有限公司 | 一种基于云边协同的输电线路监测方法及系统 |
CN112257740A (zh) * | 2020-09-05 | 2021-01-22 | 赛飞特工程技术集团有限公司 | 基于知识图谱的图像隐患识别方法及其系统 |
CN112261274A (zh) * | 2020-10-28 | 2021-01-22 | 卓旺(安徽)航空科技产业股份有限公司 | 基于4k视频5g传输的施工现场安全监护移动高速球机 |
CN112395980A (zh) * | 2020-11-17 | 2021-02-23 | 华北电力大学扬中智能电气研究中心 | 一种输电线路监测方法、装置、设备及介质 |
CN113065508A (zh) * | 2021-04-20 | 2021-07-02 | 上海环能新科节能科技股份有限公司 | 一种用于特高压输电线路通道隐患发现与识别的边缘计算方法 |
CN113486779A (zh) * | 2021-07-01 | 2021-10-08 | 国网北京市电力公司 | 输电线路全景智能巡检系统 |
CN113949849A (zh) * | 2021-12-02 | 2022-01-18 | 广西电网有限责任公司钦州供电局 | 基于人工智能的输电通道可视化监拍系统 |
CN114024574A (zh) * | 2021-12-31 | 2022-02-08 | 山东信通电子股份有限公司 | 一种用于输电线路的隐患状态识别方法及设备 |
CN114024574B (zh) * | 2021-12-31 | 2022-04-01 | 山东信通电子股份有限公司 | 一种用于输电线路的隐患状态识别方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675395A (zh) | 输电线路智能在线监测方法 | |
CN111860533B (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
CN108109137A (zh) | 车辆部件的机器视觉检测系统及方法 | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN105469105A (zh) | 一种基于视频监控的香烟烟雾检测方法 | |
CN111385297B (zh) | 无线设备指纹识别方法、系统、设备及可读存储介质 | |
CN110400293B (zh) | 一种基于深度森林分类的无参考图像质量评价方法 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN115620212A (zh) | 一种基于监控视频的行为识别方法及系统 | |
CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN116012701A (zh) | 一种基于矾花检测的水处理加药控制方法及装置 | |
CN114186617B (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
CN116092119A (zh) | 基于多维度特征融合的人体行为识别系统及其工作方法 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN202815869U (zh) | 一种车载微机图像视频数据提取装置 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN114662594B (zh) | 一种目标特征识别分析系统 | |
CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
CN116223502A (zh) | 一种粗骨料含泥量智能检测装置及检测方法 | |
CN114202720A (zh) | 一种基于目标识别的实时检测鸡蛋数量的系统及方法 | |
CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 | |
CN111881922A (zh) | 一种基于显著性特征的绝缘子图像识别方法及系统 | |
CN112241694A (zh) | 基于CenterNet实现的未佩戴安全带识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200110 |