CN110942455A - 输电线路开口销缺失检测方法、装置和计算机设备 - Google Patents
输电线路开口销缺失检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110942455A CN110942455A CN201911174093.9A CN201911174093A CN110942455A CN 110942455 A CN110942455 A CN 110942455A CN 201911174093 A CN201911174093 A CN 201911174093A CN 110942455 A CN110942455 A CN 110942455A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- picture
- area
- cotter pin
- power transmission
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008034 disappearance Effects 0.000 claims abstract 3
- 238000001514 detection method Methods 0.000 claims description 248
- 238000009434 installation Methods 0.000 claims description 84
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明涉及一种输电线路开口销缺失检测方法、装置、计算机设备和存储介质，通过获取目标区域的输电线路图片，并根据第一目标检测算法，检测出该输电线路图片中包括开口销安装位置的区域，再根据第二目标检测算法，在该包括开口销安装位置的区域内检测是否有开口销，当检测到开口销缺失时，可以在输电线路图片中添加标记。本申请提供的方案可以通过深度学习图像识别技术智能识别输电线路图片中是否存在开口销缺失并给出缺失的具体位置，提高了检测开口销缺失的效率。
Description
技术领域
本发明涉及图像识别技术领域，特别是涉及一种输电线路开口销缺失检测方法、装置、计算机设备和计算机可读存储介质。
背景技术
对于电力工作者来说，电力安全是首先需要保证的事情，而保证电力安全的一个重要的环节就是要保证输电线路的安全，其中，再检查输电线路时，往往需要检测输电线路的开口销是否缺失，目前，检查输电线路开口销往往使用无人机进行巡检，无人机巡检过程中会产生大量图片，而有缺失开口销的图片就在其中，传统的检测输电线路开口销缺失的方法通常是通过人工检查无人机巡检拍摄的图片，而开口销缺失目标小，极其隐蔽，人眼通常难以发现。
因此，传统的检测输电线开口销缺失的方法存在检测不准确的缺陷。
发明内容
基于此，有必要针对传统技术检测输电线开口销缺失的方法不准确的技术问题，提供一种输电线路开口销缺失检测方法、装置、计算机设备和计算机可读存储介质。
一种输电线路开口销缺失检测方法，包括步骤：
获取目标区域内的输电线路图片；
根据第一目标检测算法，检测出所述输电线路图片中包括开口销安装位置的区域；
根据第二目标检测算法，在所述包括开口销安装位置的区域内检测是否有开口销；
当检测到所述开口销缺失时，对所述输电线路图片添加预设标记。
在一个实施例中，所述获取目标区域内的输电线路图片之后，包括：
裁切所述输电线路图片，得到所述输电线路图片对应的多个局部图片；
所述根据第一目标检测算法，检测所述输电线路图片中包括开口销安装位置的区域，包括：
根据第一目标检测算法，分别检测所述多个局部图片中是否包括开口销安装位置的区域。
在一个实施例中，所述裁切所述输电线路图片，得到所述输电线路图片对应的多个局部图片，包括：
获取上一个裁剪区域边缘位置的预设数量的像素点；
确定下一个裁剪区域；所述下一个裁剪区域与所述上一个裁剪区域的大小相同且存在重叠区域，所述重叠区域为所述预设数量的像素点所在的区域；
根据所述下一个裁剪区域，继续裁剪所述输电线路图片，得到所述下一个裁剪区域的局部图片。
在一个实施例中，所述根据第一目标检测算法，分别检测所述多个裁剪后的局部图片中是否包括开口销安装位置的区域之后，包括：
根据第一目标检测算法，在所述局部图片中得到多个安装检测区域，所述安装检测区域为第一目标检测算法检测出的包括所述开口销安装位置的区域；
获取所述多个安装检测区域中的第一目标检测区域，所述第一目标检测区域为最大概率属于所述开口销安装位置的区域；
获取与所述第一目标检测区域存在重叠的区域；
在所述局部图片中去除与所述第一目标检测区域的重叠率大于第一预设阈值的区域；
和\或
在所述局部图片中去除置信度小于第二预设阈值的区域。
在一个实施例中，所述根据第一目标检测算法，在所述局部图片中得到多个安装检测区域之后，还包括：
获取所述多个安装检测区域的长宽像素点数量；
当所述安装检测区域的长宽像素点数量均小于预设数量时，去除所述安装检测区域。
在一个实施例中，根据第二目标检测算法，在所述包括开口销安装位置的区域内检测是否有开口销之后，包括：
根据第二目标检测算法，在多个所述安装检测区域中得到多个部件检测区域，所述部件检测区域为包括所述开口销的区域；
获取所述多个部件检测区域中第二目标检测区域，所述第二目标检测区域为最大概率属于所述开口销的部件检测区域；
获取与所述第二目标检测区域存在重叠的部件检测区域；
在所述裁剪后的局部图片中去除与所述第二目标检测区域重叠率大于第一预设阈值的部件检测区域；
和\或
在所述裁剪后的局部图片中去除置信度小于第三预设阈值的部件检测区域。
在一个实施例中，所述当检测到所述开口销缺失时，对所述输电线路图片添加预设标记，包括：
获取第一位置信息；所述第一位置信息为所述包括开口销安装位置的区域在所述局部图片中的位置信息；
将所述第一位置信息映射到所述输电线路图片中相应的第二位置信息；
在所述第二位置信息展示所述包括开口销安装位置的区域的第一标识；
在所述第一标识中添加预设标记。
在一个实施例中，所述第一目标检测算法为YoloV3目标检测算法，所述第二目标检测算法为cascade_rcnn目标检测算法；
和/或，
所述包括开口销安装位置的区域为包括连接金具和/或挂点金具的区域。
一种输电线路开口销缺失检测装置，包括：
获取模块，用于获取目标区域内的输电线路图片；
第一检测模块，用于根据第一目标检测算法，检测出所述输电线路图片中包括开口销安装位置的区域；
第二检测模块，用于根据第二目标检测算法，在所述包括开口销安装位置的区域内检测是否有开口销；
标记模块，用于当检测到所述开口销缺失时，对所述输电线路图片添加预设标记。
一种计算机设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的输电线路开口销缺失检测方法。
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如上所述的输电线路开口销缺失检测方法。
上述输电线路开口销缺失检测方法、装置、计算机设备和存储介质，通过获取目标区域的输电线路图片，并根据第一目标检测算法，检测出该输电线路图片中包括开口销安装位置的区域，再根据第二目标检测算法，在该包括开口销安装位置的区域内检测是否有开口销，当检测到开口销缺失时，可以在输电线路图片中添加标记。相对于传统的需要人工在输电线路图片中检查开口销是否缺失的方法，本申请提供的方案可以通过深度学习图像识别技术智能识别输电线路图片中是否存在开口销缺失并给出缺失的具体位置，提高了检测开口销缺失的效率。
附图说明
图1为一个实施例中输电线路开口销缺失检测方法的应用场景图；
图2为一个实施例中输电线路开口销缺失检测方法的流程示意图；
图3为另一个实施例中输电线路开口销缺失检测方法的流程示意图；
图4为一个实施例中输电线路开口销缺失检测装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
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。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本发明提供的输电线路开口销缺失检测方法，可以应用于如图1所示的应用场景中，图1为一个实施例中输电线路开口销缺失检测方法的应用场景图，其中，终端102通过网络与服务器104通过网络进行通信。终端102可以通过网络从服务器104中获取输电线路图片，并根据第一目标算法和第二目标算法处理该输电线路图片，当检测到输电线路图片中的开口销缺失时，可以在该输电线路图片上添加标记，代表该位置缺失了开口销。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104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。
在一个实施例中，提供了一种输电线路开口销缺失检测方法，参考图2，图2为一个实施例中输电线路开口销缺失检测方法的流程示意图，以该方法应用于图1中的终端为例进行说明，该输电线路开口销缺失检测方法可以包括以下步骤：
步骤S101，获取目标区域内的输电线路图片。
其中，输电线路图片可以通过无人机拍摄获取，无人机可以通过巡视并拍摄图片得到输电线路的图片，目标区域可以是包含无人机巡视范围的区域。无人机拍摄得到的输电线路图片可以存储在服务器104中，也可以存储在终端102中，终端102可以通过服务器104或从本地获取上述输电线路图片。其中输电线路图片可以是一张也可以是多张，输电线路图片的分辨率可以根据实际情况调整，例如可以是8000*6000像素。
步骤S102，根据第一目标检测算法，检测出输电线路图片中包括开口销安装位置的区域。
其中，第一目标检测算法可以是图像识别检测算法，在一些实施例中，第一目标检测算法可以为YoloV3目标检测算法。其中，YoloV3目标检测算法是一种计算机图像检测算法，可以实现对小物体的精确检测，本实施例中，使用YoloV3目标检测算法时，可以令基础网络为darknet-53，网络输入800*800。在一些实施例中，上述包括开口销安装位置的区域可以为包括连接金具和/或挂点金具的区域。其中，连接金具可以是在连接各类电力设备的工具，例如可以是将绝缘子、悬垂线夹、耐张线夹及保护金具等连接组合成悬垂或耐张串组的金具，挂点金具可以是在超高压输电线路用于使金具串与铁塔相连的第一个金具，由于开口销目标较小，且大部分集中在连接金具和/或挂点金具处，并且这两个地方的销钉相比其他地方更重要，因此可以先在输电线路图片中检测连接金具和/或挂点金具的区域。终端102可以根据上述第一目标检测算法，在输电线路的图片中检测出包括开口销安装位置的区域，终端102可以通过添加检测框的方式标识该区域。通过该步骤，终端102首先检测包括开口销安装位置的区域，可以提高检测的效率，避免直接检测开口销而导致检测准确度和效率降低的缺陷。
步骤S103，根据第二目标检测算法，在包括开口销安装位置的区域内检测是否有开口销。
在一个实施例中，上述第二目标检测算法可以是cascade_rcnn目标检测算法，使用该算法时可以将基础网络设定为resnet50，网络输入可以是1312*800，cascade_rcnn目标检测算法是一种使用不同的IOU阈值，训练多个级联的检测器的目标检测算法，其中心思想是使用不同的IOU阈值划分正负样本，让每一个场景的检测器都专注于检测IOU在某一范围内的目标，因为输出IOU普遍大于输入IOU，因此检测效果会越来越好。其中，IOU阈值可以是交互比阈值，在物体检测中需要定位出物体的检测框，或者说包围盒，在检测中不仅需要定位出目标物体的检测框，还要识别检测框内的物体就是目标物体，由于算法不可能完全和人工标注的数据完全匹配，因此存在IOU阈值，其表示了检测框和标准答案的重叠度。上述开口销安装区域可以是连接金具和/或挂点金具，当终端102根据第一目标检测算法检测出上述包括开口销安装位置的区域时，还可以根据上述第二目标检测算法在上述包括开口销安装位置的区域检测是否有开口销，本步骤通过在包括开口销安装位置的区域检测是否有开口销，缩小了检测范围，提高了检测开口销的效率。
步骤S104，当检测到开口销缺失时，对输电线路图片添加预设标记。
其中，开口销缺失可以是在原本应该安装开口销的位置中没有检测出开口销的情况，例如可以是丢失或者损坏。上述输电线路图片可以是输电线路的原题，可以是无人机巡视拍摄到的原始图片，也可以是裁剪后的小图。当终端102在指定区域内检测不到上述开口销时，可以在上述输电线路图片中添加预设标记，例如可以是文字标记或者图像标记，提示相关人员该位置缺失了开口销。
上述输电线路开口销缺失检测方法，获取目标区域的输电线路图片，并根据第一目标检测算法，检测出该输电线路图片中包括开口销安装位置的区域，再根据第二目标检测算法，在该包括开口销安装位置的区域内检测是否有开口销，当检测到开口销缺失时，可以在输电线路图片中添加标记。相对于传统的需要人工在输电线路图片中检查开口销是否缺失的方法，本申请提供的方案可以通过深度学习图像识别技术智能多级识别输电线路图片中是否存在开口销缺失并给出缺失的具体位置，提高了检测开口销缺失的效率。
在一个实施例中，获取目标区域内的输电线路图片之后，包括：裁切输电线路图片，得到输电线路图片对应的多个局部图片；根据第一目标检测算法，检测输电线路图片中包括开口销安装位置的区域，包括：根据第一目标检测算法，分别检测多个局部图片中是否包括开口销安装位置的区域。
本实施例中，终端102可以将上述输电线路图片进行裁切，通常情况下，上述输电线路图片的原图的分辨率都比较大，例如可以是8000*6000像素，而开口销通常只有10*10像素左右，在分辨率过大的图片中难以识别如此小的物体，因此可以对上述输电线路图片进行裁切。另外，终端102可以在裁切后的每个输电线路图片的局部图片中使用上述第一目标检测算法对包括开口销安装位置的区域进行检测。在一个实施例中，上述裁切输电线路图片，得到输电线路图片对应的多个局部图片，包括：获取上一个裁剪区域边缘位置的预设数量的像素点；确定下一个裁剪区域；下一个裁剪区域与上一个裁剪区域的大小相同且存在重叠区域，重叠区域为预设数量的像素点所在的区域；根据下一个裁剪区域，继续裁剪输电线路图片，得到下一个裁剪区域的局部图片。本实施例中，终端102可以在裁切上述输电线路图片时，获取上一个裁剪区域的边缘位置的预设数量的像素点，在裁切下一个裁剪区域时，可以令下一个裁剪区域也同样包含上述预设数量的像素点，即下一个裁剪区域可以和上一个裁剪区域存在重叠的区域，而重叠的区域可以是上述预设数量的像素点代表的区域。其中，当需要裁剪的局部图片不存在上一个裁剪区域时，可以无需获取上述预设数量的像素点，直接进行裁切，预设数量的像素点可以根据具体情况设定，例如可以是200像素，即上述每个局部图片可以存在200像素的重叠区域，另外，裁切后的每个局部图片的分辨率可以是根据具体情况设定，例如可以是1440*1440。通过本实施例，终端102可以对上述输电线路图片进行裁切，在每个局部图片中检测上述包括开口销安装位置的区域，相比于在原始输电线路图片中检测，在局部图片中检测可以减少检测的信息量，提高了检测精度和效率。
在一个实施例中，根据第一目标检测算法，分别检测多个裁剪后的局部图片中是否包括开口销安装位置的区域之后，包括：根据第一目标检测算法，在局部图片中得到多个安装检测区域，所述安装检测区域为第一目标检测算法检测出的包括开口销安装位置的区域；获取多个安装检测区域中的第一目标检测区域，第一目标检测区域为最大概率属于开口销安装位置的区域；获取与第一目标检测区域存在重叠的区域；在局部图片中去除与所述第一目标检测区域的重叠率大于第一预设阈值的区域。
本实施例中，上述第一目标检测算法可以在局部图片中检测多个安装检测区域，这些安装检测区域都可能是包括开口销安装位置的区域，然而检测出的区域并不一定是准确的开口销安装位置的区域，因此，终端102在检测到的多个安装检测区域后，可以通过添加预设标记方式标记出预选的可能为开口销安装位置的区域，例如可以用检测框的方式表示，终端102可以通过NMS(non maximum suppression，非极大值抑制)去除和属于目标物体的标记重叠率过大的标记，终端102可以根据分类器对上述局部图片中的预设标记进行排序，选出第一目标检测区域，该第一目标检测区域可以是最大概率属于目标物体的预设标记，例如可以是开口销安装位置的标记，再获取与该第一目标检测区域重叠的区域，重叠的区域可以有多个，通过NMS算法，获取上述重叠的区域与上述第一目标检测区域的重叠率，当重叠率大于第一预设阈值时，可见将该区域的预设标记从图片中去除。其中，第一预设阈值可以根据实际情况设定。在一个实施例中，根据第一目标检测算法，分别检测多个裁剪后的局部图片中是否包括开口销安装位置的区域之后，包括：根据第一目标检测算法，在局部图片中得到多个安装检测区域，安装检测区域为第一目标检测算法检测出的包括开口销安装位置的区域；获取多个安装检测区域中的第一目标检测区域，第一目标检测区域为最大概率属于开口销安装位置的区域；获取与第一目标检测区域存在重叠的区域；在所述局部图片中去除置信度小于第二预设阈值的区域。本实施例中，终端102可以给每个检测区域设定一个置信区间，上述安装检测区域置信度大于预设第二预设阈值时，可以将该安装检测区域暂时保留，当上述多个可能为开口销安装位置的安装检测区域的置信度小于第二预设阈值时，可以将该区域的预设标记从图片中移除，防止误检。其中，第二预设阈值可以根据实际情况设定，例如可以是0.5。通过上述实施例，终端102可以去除与最大概率属于开口销安装位置区域的重叠率过大的区域，只保留一个最终区域，确保不会重复检测，还可以去除置信度过小的区域，确保不会误检，从而提高了检测开口销安装位置的准确度。
在一个实施例中，根据第一目标检测算法，在局部图片中得到多个安装检测区域之后，还包括：获取多个安装检测区域的长宽像素点数量；当安装检测区域的长宽像素点数量均小于预设数量时，去除该安装检测区域。
本实施例中，终端102可以通过第一目标检测算法检测出多个安装检测区域，该安装检测区域可以是包括开口销安装位置的区域，当上述安装检测区域太小时，开口销会模糊不清，不利于后续对开口销进行检测，因此，终端102可以获取上述多个安装检测区域的长宽像素点数量，当长和宽的像素点数量都小于预设数量时，终端102可以将该安装检测区域从上述图片中去除。其中，预设像素点数量可以是120个像素。通过本实施例，终端102可以去除过于模糊的安装检测区域，提高了检测开口销的可信度。
在一个实施例中，根据第二目标检测算法，在包括开口销安装位置的区域内检测是否有开口销之后，包括：根据第二目标检测算法，在多个安装检测区域中得到多个部件检测区域，部件检测区域为包括所述开口销的区域；获取多个部件检测区域中第二目标检测区域，第二目标检测区域为最大概率属于所述开口销的部件检测区域；获取与第二目标检测区域存在重叠的部件检测区域；在裁剪后的局部图片中去除与第二目标检测区域重叠率大于第一预设阈值的部件检测区域。
本实施例中，第二目标检测算法可以是cascade_rcnn目标检测算法，终端102可以根据第二目标检测算法在上述开口销安装位置的区域中检测开口销，终端102可以检测出多个部件检测区域，该部件检测区域可以是开口销的区域，然而检测出的区域并不一定是准确的部件检测区域，因此，终端102在检测到的多个部件检测区域后，可以通过添加预设标记方式标记出预选的可能为目标部件的区域，例如可以用检测框的方式表示，终端102可以通过NMS(non maximum suppression，非极大值抑制)去除不属于目标物体的标记，终端102可以根据分类器对上述局部图片中的预设标记进行排序，选出第二目标检测区域，该第二目标检测区域可以是最大概率属于目标物体的预设标记，例如可以是开口销的标记，再获取与该第二目标检测区域重叠的部件检测区域，该重叠的部件检测区域可以有多个，通过NMS算法，获取上述重叠的区域与上述第二目标检测区域的重叠率，当重叠率大于第一预设阈值时，可见将该部件检测区域的预设标记从图片中去除。其中，第一预设阈值可以根据实际情况设定，可以和上述实施例中的第一预设阈值一致。在一个实施例中，根据第二目标检测算法，在包括开口销安装位置的区域内检测是否有开口销之后，包括：根据第二目标检测算法，在多个安装检测区域中得到多个部件检测区域，部件检测区域为包括所述开口销的区域；获取多个部件检测区域中第二目标检测区域，第二目标检测区域为最大概率属于所述开口销的部件检测区域；获取与第二目标检测区域存在重叠的部件检测区域；在裁剪后的局部图片中去除置信度小于第三预设阈值的部件检测区域。
本实施例中，终端102可以给每个检测区域设定一个置信区间，上述安装检测区域置信度大于预设第三预设阈值时，可以将该安装检测区域暂时保留，当上述多个可能为开口销的部件检测区域的置信度小于第三预设阈值的区域时，可以将该区域的预设标记从图片中移除。其中，第三预设阈值可以根据实际情况设定，例如可以是0.8。通过上述实施例，终端102可以去除与最大概率属于开口销的重叠率过大的区域，只保留一个最终区域，确保不会重复检测，还可以去除置信度过小的区域，确保不会误检，从而提高了检测开口销的准确度。
在一个实施例中，当检测到开口销缺失时，对输电线路图片添加预设标记，包括：获取第一位置信息；第一位置信息为包括开口销安装位置的区域在局部图片中的位置信息；将第一位置信息映射到输电线路图片中相应的第二位置信息；在第二位置信息展示包括开口销安装位置的区域的第一标识；在第一标识中添加预设标记。
本实施例中，终端102检测上述开口销安装位置区域和上述开口销可以在上述局部图片中检测，当检测上述开口销安装位置区域完成后，终端102可以获取第一位置信息，该第一位置信息可以是上述包括开口销安装位置的区域在上述局部图片中的信息，终端102可以将该第一位置信息映射到原始图片，即上述输电线路图片中，例如可以将上述第一位置信息映射到输电线路图片中相应的第二位置信息，还可以在检测上述开口销完成后，获取该开口销在上述局部图片中的第三位置信息。终端102在上述局部图片中获取完成上述第三位置信息后，可以将该位置信息映射到原始图片，即上述输电线路图片中，例如终端102可以将上述第三位置信息映射到输电线路图片中相应的第四位置信息，终端102还可以在上述输电线路图片中与局部图片相同的位置显示相应的标识，例如可以在第二位置信息显示上述检测出的包括开口销安装位置的区域，该区域可以用第一标识表示；还可以在第四位置信息显示上述检测出的开口销，可以用第二标识表示；当终端102检测到开口销缺失时，可以在开口销缺失的位置添加预设标记，可以提示相关工作人员对缺失的地方进行维护，标记的形式可以根据实际情况设定。其中，第一标识和第二标识的具体形式不作限定，例如可以是矩形检测框，第一位置信息与第二位置信息、第三位置信息与第四位置信息本质上相同，区别仅仅在第一位置信息和第三位置信息在局部图片中，第二位置信息和第四位置信息在输电线路的原始图片中。通过本实施例，终端102可以将局部图片中检测到的结果映射到原始输电线路图片中，并可以在开口销缺失的位置作出标记，可以使相关人员更加直观全面地观察检测结果及其相应位置。
在一个实施例中，如图3所示，图3为另一个实施例中输电线路开口销缺失检测方法的流程示意图。终端102可以在接收到输电线路的原始图片后，对原始图片进行裁切，并在多个裁切后的图片中基于YoloV3部件检测算法检测连接金具和/或挂点金具的位置，并添加检测框，然后将该检测框映射至原始图片中，并通过NMS去除重复的检测框，并过滤掉与最大概率属于连接金具和/或挂点金具重叠率小于预设阈值的误检框，在得到的连接金具和/或挂点金具的检测框中，可以进行部件优选，终端102可以去除长宽像素点数均小于120像素的检测框，并可以在剩余的检测框中基于cascade_rcnn目标检测算法检测开口销，检测完成后，终端102可以通过上述NMS和预设阈值去除重复检测框和误检框，还可以将保留下来的开口销检测框映射至原始图片中，当开口销缺失时，可以在上述输电线路图片中显示相应的标记，提示相关工作人员对部件进行维护。
在一个实施例中，提供了一种输电线路开口销缺失检测装置，参考图4，图4为一个实施例中输电线路开口销缺失检测装置的结构框图，该输电线路开口销缺失检测装置可以包括：
获取模块400，用于获取目标区域内的输电线路图片；
第一检测模块402，用于根据第一目标检测算法，检测出输电线路图片中包括开口销安装位置的区域；
第二检测模块404，用于根据第二目标检测算法，在包括开口销安装位置的区域内检测是否有开口销；
标记模块406，用于当检测到开口销缺失时，对输电线路图片添加预设标记。
本发明的输电线路开口销缺失检测装置与本发明的输电线路开口销缺失检测方法一一对应，关于输电线路开口销缺失检测装置的具体限定可以参见上文中对于输电线路开口销缺失检测方法的限定，在上述输电线路开口销缺失检测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路开口销缺失检测装置的实施例中，在此不再赘述。上述输电线路开口销缺失检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示，图5为一个实施例中计算机设备的内部结构图。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、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的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和计算机程序。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路开口销缺失检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明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。
在一个实施例中，提供了一种计算机设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项实施例所述的输电线路开口销缺失检测方法。
本领域普通技术人员可以理解实现如上任一项实施例所述的输电线路开口销缺失检测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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
据此，在一个实施例中还提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上任一项实施例所述的输电线路开口销缺失检测方法。
以上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，其描述较为具体和详细，但并不能因此而理解为对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。
Claims (11)
1.一种输电线路开口销缺失检测方法，其特征在于，包括步骤：
获取目标区域内的输电线路图片；
根据第一目标检测算法，检测出所述输电线路图片中包括开口销安装位置的区域；
根据第二目标检测算法，在所述包括开口销安装位置的区域内检测是否有开口销；
当检测到所述开口销缺失时，对所述输电线路图片添加预设标记。
2.根据权利要求1所述的方法，其特征在于，所述获取目标区域内的输电线路图片之后，包括：
裁切所述输电线路图片，得到所述输电线路图片对应的多个局部图片；
所述根据第一目标检测算法，检测所述输电线路图片中包括开口销安装位置的区域，包括：
根据第一目标检测算法，分别检测所述多个局部图片中是否包括开口销安装位置的区域。
3.根据权利要求2所述的方法，其特征在于，所述裁切所述输电线路图片，得到所述输电线路图片对应的多个局部图片，包括：
获取上一个裁剪区域边缘位置的预设数量的像素点；
确定下一个裁剪区域；所述下一个裁剪区域与所述上一个裁剪区域的大小相同且存在重叠区域，所述重叠区域为所述预设数量的像素点所在的区域；
根据所述下一个裁剪区域，继续裁剪所述输电线路图片，得到所述下一个裁剪区域的局部图片。
4.根据权利要求2所述的方法，其特征在于，所述根据第一目标检测算法，分别检测所述多个裁剪后的局部图片中是否包括开口销安装位置的区域之后，包括：
根据第一目标检测算法，在所述局部图片中得到多个安装检测区域，所述安装检测区域为第一目标检测算法检测出的包括所述开口销安装位置的区域；
获取所述多个安装检测区域中的第一目标检测区域，所述第一目标检测区域为最大概率属于所述开口销安装位置的区域；
获取与所述第一目标检测区域存在重叠的区域；
在所述局部图片中去除与所述第一目标检测区域的重叠率大于第一预设阈值的区域；
和\或
在所述局部图片中去除置信度小于第二预设阈值的区域。
5.根据权利要求4所述的方法，其特征在于，所述根据第一目标检测算法，在所述局部图片中得到多个安装检测区域之后，还包括：
获取所述多个安装检测区域的长宽像素点数量；
当所述安装检测区域的长宽像素点数量均小于预设数量时，去除所述安装检测区域。
6.根据权利要求4所述的方法，其特征在于，根据第二目标检测算法，在所述包括开口销安装位置的区域内检测是否有开口销之后，包括：
根据第二目标检测算法，在多个所述安装检测区域中得到多个部件检测区域，所述部件检测区域为包括所述开口销的区域；
获取所述多个部件检测区域中第二目标检测区域，所述第二目标检测区域为最大概率属于所述开口销的部件检测区域；
获取与所述第二目标检测区域存在重叠的部件检测区域；
在所述裁剪后的局部图片中去除与所述第二目标检测区域重叠率大于第一预设阈值的部件检测区域；
和\或
在所述裁剪后的局部图片中去除置信度小于第三预设阈值的部件检测区域。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述当检测到所述开口销缺失时，对所述输电线路图片添加预设标记，包括：
获取第一位置信息；所述第一位置信息为所述包括开口销安装位置的区域在所述局部图片中的位置信息；
将所述第一位置信息映射到所述输电线路图片中相应的第二位置信息；
在所述第二位置信息展示所述包括开口销安装位置的区域的第一标识；
在所述第一标识中添加预设标记。
8.根据权利要求1至6任一项所述的方法，其特征在于，所述第一目标检测算法为YoloV3目标检测算法，所述第二目标检测算法为cascade_rcnn目标检测算法；
和/或，
上述包括开口销安装位置的区域为包括连接金具和/或挂点金具的区域。
9.一种输电线路开口销缺失检测装置，其特征在于，包括：
获取模块，用于获取目标区域内的输电线路图片；
第一检测模块，用于根据第一目标检测算法，检测出所述输电线路图片中包括开口销安装位置的区域；
第二检测模块，用于根据第二目标检测算法，在所述包括开口销安装位置的区域内检测是否有开口销；
标记模块，用于当检测到所述开口销缺失时，对所述输电线路图片添加预设标记。
10.一种计算机设备，包括处理器和存储器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911174093.9A CN110942455A (zh) | 2019-11-26 | 2019-11-26 | 输电线路开口销缺失检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911174093.9A CN110942455A (zh) | 2019-11-26 | 2019-11-26 | 输电线路开口销缺失检测方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110942455A true CN110942455A (zh) | 2020-03-31 |
Family
ID=69908124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911174093.9A Pending CN110942455A (zh) | 2019-11-26 | 2019-11-26 | 输电线路开口销缺失检测方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110942455A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815623A (zh) * | 2020-07-28 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 输电线路开口销缺失识别方法 |
| CN112051270A (zh) * | 2020-09-10 | 2020-12-08 | 广州云从人工智能技术有限公司 | 一种输电线缺陷检测方法、系统、设备及介质 |
| CN112132821A (zh) * | 2020-09-30 | 2020-12-25 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的开口销丢失检测方法 |
| CN112312025A (zh) * | 2020-10-30 | 2021-02-02 | 南方电网数字电网研究院有限公司 | 一种基于双变倍云台的目标纠偏方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120237103A1 (en) * | 2009-12-04 | 2012-09-20 | Qingmao Hu | Method and device for detecting bright brain regions from computed tomography images |
| US20150109164A1 (en) * | 2013-10-17 | 2015-04-23 | Denso Corporation | Target detection apparatus |
| CN108319949A (zh) * | 2018-01-26 | 2018-07-24 | 中国电子科技集团公司第十五研究所 | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 |
| CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| CN109300114A (zh) * | 2018-08-30 | 2019-02-01 | 西南交通大学 | 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 |
| CN109598290A (zh) * | 2018-11-22 | 2019-04-09 | 上海交通大学 | 一种基于两级检测相结合的图像小目标检测方法 |
| CN109740549A (zh) * | 2019-01-08 | 2019-05-10 | 西安电子科技大学 | 基于半监督cnn的sar图像目标检测系统和方法 |
| CN109829453A (zh) * | 2018-12-29 | 2019-05-31 | 天津车之家数据信息技术有限公司 | 一种卡证中文字的识别方法、装置以及计算设备 |
| CN109949296A (zh) * | 2019-03-21 | 2019-06-28 | 北京中飞艾维航空科技有限公司 | 一种输电线路缺陷识别方法、装置及存储介质 |
| CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
| CN110458198A (zh) * | 2019-07-10 | 2019-11-15 | 哈尔滨工业大学（深圳） | 多分辨率目标识别方法及装置 |
-
2019
- 2019-11-26 CN CN201911174093.9A patent/CN110942455A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120237103A1 (en) * | 2009-12-04 | 2012-09-20 | Qingmao Hu | Method and device for detecting bright brain regions from computed tomography images |
| US20150109164A1 (en) * | 2013-10-17 | 2015-04-23 | Denso Corporation | Target detection apparatus |
| CN108319949A (zh) * | 2018-01-26 | 2018-07-24 | 中国电子科技集团公司第十五研究所 | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 |
| CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| CN109300114A (zh) * | 2018-08-30 | 2019-02-01 | 西南交通大学 | 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 |
| CN109598290A (zh) * | 2018-11-22 | 2019-04-09 | 上海交通大学 | 一种基于两级检测相结合的图像小目标检测方法 |
| CN109829453A (zh) * | 2018-12-29 | 2019-05-31 | 天津车之家数据信息技术有限公司 | 一种卡证中文字的识别方法、装置以及计算设备 |
| CN109740549A (zh) * | 2019-01-08 | 2019-05-10 | 西安电子科技大学 | 基于半监督cnn的sar图像目标检测系统和方法 |
| CN109949296A (zh) * | 2019-03-21 | 2019-06-28 | 北京中飞艾维航空科技有限公司 | 一种输电线路缺陷识别方法、装置及存储介质 |
| CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
| CN110458198A (zh) * | 2019-07-10 | 2019-11-15 | 哈尔滨工业大学（深圳） | 多分辨率目标识别方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| JUNWEN CHEN ET AL: "Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 67, no. 2, 4 December 2017 (2017-12-04), pages 1 - 2 * |
| ZHAOWEI CAI ET AL: "Cascade R-CNN:Delving into High Quality Detection", 《HTTP://ARXIV.ORG/PDF/1712.00726.PDF》 * |
| ZHAOWEI CAI ET AL: "Cascade R-CNN:Delving into High Quality Detection", 《HTTP://ARXIV.ORG/PDF/1712.00726.PDF》, 5 December 2017 (2017-12-05) * |
| 杨露菁著: "智能图像处理及应用", 北京：中国铁道出版社, pages: 130 * |
| 陈丹等: "基于级联式Faster RCNN的三维目标最优抓取方法研究", 《仪器仪表学报》 * |
| 陈丹等: "基于级联式Faster RCNN的三维目标最优抓取方法研究", 《仪器仪表学报》, vol. 40, no. 4, 30 April 2019 (2019-04-30), pages 229 - 237 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815623A (zh) * | 2020-07-28 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 输电线路开口销缺失识别方法 |
| CN111815623B (zh) * | 2020-07-28 | 2024-02-23 | 南方电网数字电网研究院有限公司 | 输电线路开口销缺失识别方法 |
| CN112051270A (zh) * | 2020-09-10 | 2020-12-08 | 广州云从人工智能技术有限公司 | 一种输电线缺陷检测方法、系统、设备及介质 |
| CN112051270B (zh) * | 2020-09-10 | 2021-08-13 | 广州云从人工智能技术有限公司 | 一种输电线缺陷检测方法、系统、设备及介质 |
| CN112132821A (zh) * | 2020-09-30 | 2020-12-25 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的开口销丢失检测方法 |
| CN112312025A (zh) * | 2020-10-30 | 2021-02-02 | 南方电网数字电网研究院有限公司 | 一种基于双变倍云台的目标纠偏方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110942455A (zh) | 输电线路开口销缺失检测方法、装置和计算机设备 | |
| CN110008809B (zh) | 表格数据的获取方法、装置和服务器 | |
| CN107688789B (zh) | 文档图表抽取方法、电子设备及计算机可读存储介质 | |
| CN109726620B (zh) | 一种视频火焰检测方法及装置 | |
| CN110781839A (zh) | 一种基于滑窗的大尺寸图像中小目标识别方法 | |
| CN109726661B (zh) | 图像处理方法及装置、介质和计算设备 | |
| CN109446061B (zh) | 一种页面检测方法、计算机可读存储介质及终端设备 | |
| CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
| CN111191533B (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
| CN110910360B (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
| CN108304243B (zh) | 界面生成方法、装置、计算机设备和存储介质 | |
| CN109102026B (zh) | 一种车辆图像检测方法、装置及系统 | |
| CN111553302B (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
| CN116310903A (zh) | 识别光伏组件故障类型的方法、装置及电子设备 | |
| CN103761879B (zh) | 一种车辆套牌识别方法及系统 | |
| US20230384120A1 (en) | Method and Apparatus for Updating High-Precision Map | |
| CN111191192A (zh) | 数据的去噪方法、装置及存储介质 | |
| CN111159150A (zh) | 一种数据扩充方法及装置 | |
| CN111178224A (zh) | 物体规则判断方法、装置、计算机设备和存储介质 | |
| CN110163183B (zh) | 目标检测算法的评估方法、装置、计算机设备和存储介质 | |
| CN114821513B (zh) | 一种基于多层网络的图像处理方法及装置、电子设备 | |
| CN109672984B (zh) | 金融业务的用户位置画像评估方法、评估设备及存储介质 | |
| CN116109652A (zh) | 基于改进区域生长算法的图像分割方法、系统、设备 | |
| CN115393433A (zh) | 一种检测区域恢复方法、装置、设备及存储介质 | |
| CN110889357B (zh) | 基于标注区域的地下电缆故障检测方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |