CN110910440B - 一种基于电力影像数据的输电线路长度确定方法和系统 - Google Patents
一种基于电力影像数据的输电线路长度确定方法和系统 Download PDFInfo
- Publication number
- CN110910440B CN110910440B CN201910944991.1A CN201910944991A CN110910440B CN 110910440 B CN110910440 B CN 110910440B CN 201910944991 A CN201910944991 A CN 201910944991A CN 110910440 B CN110910440 B CN 110910440B
- Authority
- CN
- China
- Prior art keywords
- transmission tower
- transmission
- category
- neural network
- remote sensing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种基于电力影像数据的输电线路长度确定方法和系统,包括:根据输电杆塔的遥感影像识别所述输电杆塔的类别;基于各输电杆塔的类别确定各输电杆塔间的输电线路长度。本发明提供的技术方案实现卫星遥感、固定摄像头遥感、无人机遥感数据的全自动预处理,通过人机协同的方式快速完成电力影像数据中输电设备信息的智能提取,能够极大提高输电线路长度计算结果的可靠性,也能够提升基建管控、审计监督、巡检运维智能化水平。
Description
技术领域
本发明属于电力工程识别领域,具体涉及一种基于电力影像数据的输电线路长度确定方法和系统。
背景技术
随着能源需求的不断增大,大量交直流特高压线路展开建设并投运,公司运营的电网资产规模基数庞大且增长迅速。
在此背景下,建设与当前电网建设、运营水平相适应的项目控制监管体制是一项庞大、复杂的系统工程。输电工程评估既是项目控制系统中重要的组成部分,又是实现控制目标的重要手段,因此,为使电网建设投资效益最大化,可利用当前热门的基于深度学习的图像检测识别技术加强对电网建设工程的精益化基建管控、审计监督、巡检运维,而在这之中,输电线路长度的计算又显得尤为重要。
目前,传统电网建设工程的输电线路长度的计算是依赖监理人员前往电网建设现场开展,在工作效率、成本投入、结果可靠性方面存在不足。特别是对于部分输电线路工程,其环境地区情况复杂,海拔高、地势险峻、交通条件差,人力难以到达。而直升机、无人机等输电杆塔类型的识别方法范围小、危险性高、受环境约束强、可靠性差,在复杂环境地区时而飞行困难。这导致基于传统技术模式的基建管控、审计监督、巡检运维很难按时、按质开展,造成项目管理上的空白,给电网建设工程的精益化工作带来挑战。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于电力影像数据的输电线路长度确定方法和系统,能够利用利用卫星遥感技术对输电线路长度进行计算,从而加强对电网建设工程的精益化基建管控、审计监督、巡检运维。
本发明的目的是采用下述技术方案实现的:
一种基于电力影像数据的输电线路长度确定方法,其改进之处在于,所述方法包括:
获取输电杆塔的遥感影像;
根据输电杆塔的遥感影像识别所述输电杆塔的类别;
基于各输电杆塔的类别确定各输电杆塔间的输电线路长度。
优选的,所述输电杆塔的遥感影像包括:输电杆塔本体的遥感影像和输电杆塔影子的遥感影像。
优选的,所述输电杆塔的遥感信息通过输电工程卫星、固定摄像头或无人机获取。
进一步的,所述根据所述输电杆塔的遥感影像识别所述输电杆塔的类别,包括:
步骤1.将所述输电杆塔本体的遥感影像作为预先训练的第一多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
步骤2.若所述输电杆塔对应的各个类别的置信度存在大于预设置信度阈值的置信度,则在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别,否则,转至步骤3;
步骤3.将所述输电杆塔影子的遥感影像作为预先训练的第二多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
步骤4.在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别。
具体的,所述预先训练的第一多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔本体的遥感影像作为初始的第一多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第一多层卷积神经网络模型的输出样本,训练所述初始的第一多层卷积神经网络模型,获取所述预先训练的第一多层卷积神经网络模型。
具体的,所述预先训练的第二多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔影子的遥感影像作为初始的第二多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第二多层卷积神经网络模型的输出样本,训练所述初始的第二多层卷积神经网络模型,获取所述预先训练的第二多层卷积神经网络模型。
具体的,标注自身类别的输电杆塔对应的自身类别的真实置信度为1,标注自身类别的输电杆塔对应的非自身类别的真实置信度为0。
具体的,所述基于各输电杆塔的类别确定各输电杆塔间的输电线路长度,包括:
按下式确定第i个输电杆塔和第i+1个输电杆塔间的输电线路长度L(i,i+1):
式中,m为第i个输电杆塔和第i+1个输电杆塔间的输电线路回数,l为第i个输电杆塔和第i+1个输电杆塔间的距离,y(x)为第i个输电杆塔和第i+1个输电杆塔间的导线对应的多项式模型;
其中,每两个输电杆塔间的输电线路回数通过输电杆塔类别与输电线路回数之间的预设对应关系确定。
一种基于电力影像数据的输电线路长度的计算系统,其改进之处在于,所述系统包括:
获取单元,用于获取输电杆塔的遥感影像;
识别单元,用于根据输电杆塔的遥感影像识别所述输电杆塔的类别;
确定单元,基于各输电杆塔的类别确定各输电杆塔间的输电线路长度。
优选的,所述输电杆塔的遥感影像包括:输电杆塔本体的遥感影像和输电杆塔影子的遥感影像。
优选的,所述输电杆塔的遥感影像通过输电工程卫星、固定摄像头或无人机获取。
进一步的,所述识别单元包括:
本体识别模块,具体用于将所述输电杆塔本体的遥感影像作为预先训练的第一多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
若所述输电杆塔对应的各个类别的置信度存在大于预设置信度阈值的置信度,则在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别,否则,转至影子识别模块;
影子识别模块,具体用于将所述输电杆塔影子的遥感影像作为预先训练的第二多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别。
具体的,所述预先训练的第一多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔本体的遥感影像作为初始的第一多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第一多层卷积神经网络模型的输出样本,训练所述初始的第一多层卷积神经网络模型,获取所述预先训练的第一多层卷积神经网络模型。
具体的,所述预先训练的第二多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔影子的遥感影像作为初始的第二多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第二多层卷积神经网络模型的输出样本,训练所述初始的第二多层卷积神经网络模型,获取所述预先训练的第二多层卷积神经网络模型。
具体的,标注自身类别的输电杆塔对应的自身类别的真实置信度为1,标注自身类别的输电杆塔对应的非自身类别的真实置信度为0。
具体的,所述确定模块具体用于:
按下式确定第i个输电杆塔和第i+1个输电杆塔间的输电线路长度L(i,i+1):
式中,m为第i个输电杆塔和第i+1个输电杆塔间的输电线路回数,l为第i个输电杆塔和第i+1个输电杆塔间的距离,y(x)为第i个输电杆塔和第i+1个输电杆塔间的导线对应的多项式模型;
其中,每两个输电杆塔间的输电线路回数通过输电杆塔类别与输电线路回数之间的预设对应关系确定。
与最接近的现有技术相比,本发明具有的有益效果体现在:
本发明涉及一种基于电力影像数据的输电线路长度确定方法和系统,基于卫星遥感、固定摄像头遥感、无人机遥感等信息对输电杆塔类型进行识别,实现卫星遥感、固定摄像头遥感、无人机遥感数据的全自动预处理,通过人机协同的方式快速完成电力影像数据中输电设备信息的智能提取,能够极大提高输电杆塔类型识别结果的可靠性,也能够提升基建管控、审计监督、巡检运维智能化水平。
附图说明
图1是本发明实施例中一种基于电力影像数据的输电线路长度确定方法的流程图;
图2是本发明实施例中一种基于电力影像数据的输电线路长度的确定系统的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本实施例提供了一种基于电力影像数据的输电线路长度确定方法,如图1所示,所述方法包括以下步骤:
S100.获取输电杆塔的遥感影像;
S101.根据输电杆塔的遥感影像识别所述输电杆塔的类别;
S102.基于各输电杆塔的类别确定各输电杆塔间的输电线路长度。
其中,所述输电杆塔的遥感影像包括:输电杆塔本体的遥感影像和输电杆塔影子的遥感影像;所述输电杆塔的遥感信息通过输电工程卫星、固定摄像头或无人机获取。
进一步的,对所述输电杆塔的遥感信息进行数据解析,将其格式转存为影像数据,并对所述影像数据进行图像的切分处理,得到输电杆塔的遥感影像。
进一步的,所述根据所述输电杆塔的遥感影像识别所述输电杆塔的类别,包括:
步骤1.将所述输电杆塔本体的遥感影像作为预先训练的第一多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
步骤2.若所述输电杆塔对应的各个类别的置信度存在大于预设置信度阈值的置信度,则在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别,否则,转至步骤3;
步骤3.将所述输电杆塔影子的遥感影像作为预先训练的第二多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
步骤4.在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别。
具体的,所述预先训练的第一多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔本体的遥感影像作为初始的第一多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第一多层卷积神经网络模型的输出样本,训练所述初始的第一多层卷积神经网络模型,获取所述预先训练的第一多层卷积神经网络模型。
具体的,所述预先训练的第二多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔影子的遥感影像作为初始的第二多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第二多层卷积神经网络模型的输出样本,训练所述初始的第二多层卷积神经网络模型,获取所述预先训练的第二多层卷积神经网络模型。
其中,标注自身类别的输电杆塔对应的自身类别的真实置信度为1,标注自身类别的输电杆塔对应的非自身类别的真实置信度为0。
具体的,所述基于各输电杆塔的类别确定各输电杆塔间的输电线路长度,包括:
按下式确定第i个输电杆塔和第i+1个输电杆塔间的输电线路长度L(i,i+1):
式中,m为第i个输电杆塔和第i+1个输电杆塔间的输电线路回数,l为第i个输电杆塔和第i+1个输电杆塔间的距离,y(x)为第i个输电杆塔和第i+1个输电杆塔间的导线对应的多项式模型;
其中,相同类别的输电杆塔间以及不同类别的输电杆塔间的输电线路回数可根据进行预先设定,因此通过步骤S101识别出输电杆塔的类别后,即可获得输电杆塔间的输电线路回数。
y(x)可以采用非线性函数,可以通过拟合或预先设定的方法确定非线性函数中的系数,然后根据实际工况中x值计算得到y值,其中x为测量点距离起点塔的水平距离,y为测量点的导线弧垂,即y=ax2+bx+c,x∈[p,q],其中q-p=l,则有y'=2ax+b;
本例中以测量点距离起点塔(本例中起点塔设为第i个输电杆塔)的距离x为500米,第i个输电杆塔和第i+1个输电杆塔间测量点的导线弧垂(即测量点)y为5米,第i个输电杆塔和第i+1个输电杆塔间的输电线路回数为1为例,可得 则
即第i个输电杆塔和第i+1个输电杆塔间的输电线路长度为500.133米。
基于一种基于电力影像数据的输电线路长度确定方法,本实施例还提供了一种基于电力影像数据的输电线路长度的计算系统,如图2所示,所述系统包括:
获取单元,用于获取输电杆塔的遥感影像;
识别单元,用于根据输电杆塔的遥感影像识别所述输电杆塔的类别;
确定单元,基于各输电杆塔的类别确定各输电杆塔间的输电线路长度。
其中,所述输电杆塔的遥感影像包括:输电杆塔本体的遥感影像和输电杆塔影子的遥感影像;所述输电杆塔的遥感影像通过输电工程卫星、固定摄像头或无人机获取。
进一步的,对输电杆塔的遥感信息进行数据解析,将其格式转存为影像数据,并对所述影像数据进行图像的切分处理,得到输电杆塔的遥感影像。
进一步的,所述识别单元包括:
本体识别模块,具体用于将所述输电杆塔本体的遥感影像作为预先训练的第一多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
若所述输电杆塔对应的各个类别的置信度存在大于预设置信度阈值的置信度,则在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别,否则,转至影子识别模块;
影子识别模块,具体用于将所述输电杆塔影子的遥感影像作为预先训练的第二多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别。
具体的,所述预先训练的第一多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔本体的遥感影像作为初始的第一多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第一多层卷积神经网络模型的输出样本,训练所述初始的第一多层卷积神经网络模型,获取所述预先训练的第一多层卷积神经网络模型。
具体的,所述预先训练的第二多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔影子的遥感影像作为初始的第二多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第二多层卷积神经网络模型的输出样本,训练所述初始的第二多层卷积神经网络模型,获取所述预先训练的第二多层卷积神经网络模型。
其中,标注自身类别的输电杆塔对应的自身类别的真实置信度为1,标注自身类别的输电杆塔对应的非自身类别的真实置信度为0。
具体的,所述确定模块具体用于:
按下式确定第i个输电杆塔和第i+1个输电杆塔间的输电线路长度L(i,i+1):
式中,m为第i个输电杆塔和第i+1个输电杆塔间的输电线路回数,l为第i个输电杆塔和第i+1个输电杆塔间的距离,y(x)为第i个输电杆塔和第i+1个输电杆塔间的导线对应的多项式模型;
其中,每两个输电杆塔间的输电线路回数通过输电杆塔类别与输电线路回数之间的预设对应关系确定,y(x)是根据第i个输电杆塔和第i+1个输电杆塔间的距离和第i个输电杆塔和第i+1个输电杆塔间的导线弧垂确定的。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种基于电力影像数据的输电线路长度确定方法,其特征在于,所述方法包括:
获取输电杆塔的遥感影像;
根据输电杆塔的遥感影像识别所述输电杆塔的类别;
所述根据所述输电杆塔的遥感影像识别所述输电杆塔的类别,包括:
步骤1.将所述输电杆塔本体的遥感影像作为预先训练的第一多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
步骤2.若所述输电杆塔对应的各个类别的置信度存在大于预设置信度阈值的置信度,则在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别,否则,转至步骤3;
步骤3.将所述输电杆塔影子的遥感信息影像作为预先训练的第二多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
步骤4.在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别;
基于各输电杆塔的类别确定各输电杆塔间的输电线路长度;
所述基于各输电杆塔的类别确定各输电杆塔间的输电线路长度,包括:
按下式确定第i个输电杆塔和第i+1个输电杆塔间的输电线路长度L(i,i+1):
式中,m为第i个输电杆塔和第i+1个输电杆塔间的输电线路回数,l为第i个输电杆塔和第i+1个输电杆塔间的距离,y(x)为第i个输电杆塔和第i+1个输电杆塔间的导线对应的多项式模型;
其中,每两个输电杆塔间的输电线路回数通过输电杆塔类别与输电线路回数之间的预设对应关系确定。
2.如权利要求1所述的方法,其特征在于,所述输电杆塔的遥感影像包括:输电杆塔本体的遥感影像和输电杆塔影子的遥感影像。
3.如权利要求1所述的方法,其特征在于,所述输电杆塔的遥感影像通过输电工程卫星、固定摄像头或无人机获取。
4.如权利要求1所述的方法,其特征在于,所述预先训练的第一多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔本体的遥感影像作为初始的第一多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第一多层卷积神经网络模型的输出样本,训练所述初始的第一多层卷积神经网络模型,获取所述预先训练的第一多层卷积神经网络模型。
5.如权利要求1所述的方法,其特征在于,所述预先训练的第二多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔影子的遥感影像作为初始的第二多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第二多层卷积神经网络模型的输出样本,训练所述初始的第二多层卷积神经网络模型,获取所述预先训练的第二多层卷积神经网络模型。
6.如权利要求4或5所述的方法,其特征在于,标注自身类别的输电杆塔对应的自身类别的真实置信度为1,标注自身类别的输电杆塔对应的非自身类别的真实置信度为0。
7.一种基于电力影像数据的输电线路长度的计算系统,其特征在于,所述系统包括:
获取单元,用于获取输电杆塔的遥感影像;
识别单元,用于根据输电杆塔的遥感影像识别所述输电杆塔的类别;
所述识别单元包括:
本体识别模块,具体用于将所述输电杆塔本体的遥感影像作为预先训练的第一多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
若所述输电杆塔对应的各个类别的置信度存在大于预设置信度阈值的置信度,则在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别,否则,转至影子识别模块;
影子识别模块,具体用于将所述输电杆塔影子的遥感影像作为预先训练的第二多层卷积神经网络模型的输入,获取所述输电杆塔对应的各个类别的置信度;
在所述输电杆塔对应的各个类别的置信度中选择最大置信度对应的类别作为所述输电杆塔的类别;
确定单元,基于各输电杆塔的类别确定各输电杆塔间的输电线路长度;
所述确定单元包括:
按下式确定第i个输电杆塔和第i+1个输电杆塔间的输电线路长度L(i,i+1):
式中,m为第i个输电杆塔和第i+1个输电杆塔间的输电线路回数,l为第i个输电杆塔和第i+1个输电杆塔间的距离,y(x)为第i个输电杆塔和第i+1个输电杆塔间的导线对应的多项式模型;
其中,每两个输电杆塔间的输电线路回数通过输电杆塔类别与输电线路回数之间的预设对应关系确定。
8.如权利要求7所述的系统,其特征在于,所述输电杆塔的遥感影像包括:输电杆塔本体的遥感影像和输电杆塔影子的遥感影像。
9.如权利要求7所述的系统,其特征在于,所述输电杆塔的遥感影像通过输电工程卫星、固定摄像头或无人机获取。
10.如权利要求7所述的系统,其特征在于,所述预先训练的第一多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔本体的遥感影像作为初始的第一多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第一多层卷积神经网络模型的输出样本,训练所述初始的第一多层卷积神经网络模型,获取所述预先训练的第一多层卷积神经网络模型。
11.如权利要求7所述的系统,其特征在于,所述预先训练的第二多层卷积神经网络模型的训练过程包括:
将标注自身类别的输电杆塔影子的遥感影像作为初始的第二多层卷积神经网络模型的输入样本,将标注自身类别的输电杆塔对应的各个类别的真实置信度作为初始的第二多层卷积神经网络模型的输出样本,训练所述初始的第二多层卷积神经网络模型,获取所述预先训练的第二多层卷积神经网络模型。
12.如权利要求10或11所述的系统,其特征在于,标注自身类别的输电杆塔对应的自身类别的真实置信度为1,标注自身类别的输电杆塔对应的非自身类别的真实置信度为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944991.1A CN110910440B (zh) | 2019-09-30 | 2019-09-30 | 一种基于电力影像数据的输电线路长度确定方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944991.1A CN110910440B (zh) | 2019-09-30 | 2019-09-30 | 一种基于电力影像数据的输电线路长度确定方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910440A CN110910440A (zh) | 2020-03-24 |
CN110910440B true CN110910440B (zh) | 2023-04-07 |
Family
ID=69815132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910944991.1A Active CN110910440B (zh) | 2019-09-30 | 2019-09-30 | 一种基于电力影像数据的输电线路长度确定方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910440B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111726577A (zh) * | 2020-05-29 | 2020-09-29 | 孝感市光源电力集团有限责任公司 | 基于无人机巡查的配电网工程审计方法 |
CN111950343B (zh) * | 2020-06-24 | 2024-03-22 | 中国电力科学研究院有限公司 | 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 |
CN112380944B (zh) * | 2020-11-06 | 2021-12-21 | 中国电力科学研究院有限公司 | 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 |
CN112883840B (zh) * | 2021-02-02 | 2023-07-07 | 中国人民公安大学 | 基于关键点检测的输电线路提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489629A (zh) * | 2018-12-07 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 一种输电线路杆塔的安全监测方法 |
WO2019109771A1 (zh) * | 2017-12-05 | 2019-06-13 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析系统 |
-
2019
- 2019-09-30 CN CN201910944991.1A patent/CN110910440B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019109771A1 (zh) * | 2017-12-05 | 2019-06-13 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析系统 |
CN109489629A (zh) * | 2018-12-07 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 一种输电线路杆塔的安全监测方法 |
Non-Patent Citations (3)
Title |
---|
基于多维关联信息融合的架空输电线路雷害风险评估方法;谢从珍等;《中国电机工程学报》;20181105(第21期);全文 * |
考虑降雨诱发次生地质灾害的电网风险评估方法;邓创等;《电网技术》;20161205(第12期);全文 * |
输电线路小型电动无人机巡检模式及成本分析;齐铭;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110910440A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 | |
CN111931565A (zh) | 一种基于光伏电站uav的自主巡检与热斑识别方法及系统 | |
CN111178206A (zh) | 一种基于改进yolo的建筑预埋件检测方法及系统 | |
CN109829908B (zh) | 基于双目影像的电力线下方地物安全距离检测方法及设备 | |
CN110969719A (zh) | 一种自动巡检方法、系统、终端设备及存储介质 | |
CN115275870B (zh) | 一种基于高空线路维护的巡检系统 | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN110705397A (zh) | 一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法 | |
CN112380945B (zh) | 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统 | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
CN116363088A (zh) | 基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质 | |
Che et al. | Inspection of Electric Transmission Line Fault Based on UAV Lidar. | |
CN114916059A (zh) | 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法 | |
CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 | |
CN114445395B (zh) | 基于互联网和大数据的配电线路树障智能定位方法和装置 | |
CN111354028A (zh) | 基于双目视觉的输电通道隐患物识别追踪方法 | |
CN117392571B (zh) | 一种基于无人机图像的架空输配电线路验收方法及系统 | |
WO2021220502A1 (ja) | 3次元モデル生成装置、方法及びプログラム | |
CN117726959A (zh) | 基于智能图像识别的无人机电力线路安全巡检系统及方法 | |
CN115346081A (zh) | 基于多数据融合的输电线路点云数据分类方法 | |
CN117353460A (zh) | 一种电力线路巡检方法、装置、设备及介质 | |
CN117809297A (zh) | 基于三维重建的输电线路危险源智能识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |