CN111443091B - 电缆线路隧道工程缺陷判断方法 - Google Patents

电缆线路隧道工程缺陷判断方法 Download PDF

Info

Publication number
CN111443091B
CN111443091B CN202010269890.1A CN202010269890A CN111443091B CN 111443091 B CN111443091 B CN 111443091B CN 202010269890 A CN202010269890 A CN 202010269890A CN 111443091 B CN111443091 B CN 111443091B
Authority
CN
China
Prior art keywords
point cloud
defect
inspection
tunnel engineering
equipment
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
Application number
CN202010269890.1A
Other languages
English (en)
Other versions
CN111443091A (zh
Inventor
刘海莹
谈元鹏
彭国政
张玉天
徐会芳
鉴庆之
刁柏青
李胜川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shandong Electric Power Co Ltd
State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shandong Electric Power Co Ltd
State Grid Liaoning Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Shandong Electric Power Co Ltd, State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010269890.1A priority Critical patent/CN111443091B/zh
Publication of CN111443091A publication Critical patent/CN111443091A/zh
Application granted granted Critical
Publication of CN111443091B publication Critical patent/CN111443091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • 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

本发明提供的电缆线路隧道工程缺陷判断方法，通过双目成像传感模块采集电缆线路隧道工程的点云数据并建立相应的三维模型以及制作点云标准库模块，并通过3DMatch描述子进行所述点云配准，还原巡检设备的拍摄角度，而后拍摄巡检图片，并根据颜色信息判断所述电缆线路隧道工程内的目标是否有缺陷。本申请提供的电缆线路隧道工程缺陷判断方法，利用点云数据匹配技术还原巡检图像拍摄角度，从而降低巡检图像复拍时角度与光线的干扰，提高设备本体缺陷检测的效果；利用目标关系建模关联检测目标和关联设备，有效降低缺陷误报率，从而提高设备预警的准确性。

Description

电缆线路隧道工程缺陷判断方法
技术领域
本发明属于电力运检技术领域，具体涉及电缆线路隧道工程缺陷判断方法。
背景技术
随着我国城镇化建设的深入推进，电力电缆已成为城市电力输送的主动脉，对整个城市的供电安全起到至关重要的作用。高压电力电缆安装在地下通道(管廊或隧道)中，其恶劣运行环境给人力巡检带来巨大的困难。依靠人工运维不但工作量大、效率低，而且危险度高，尤其是电缆设备故障或通道环境异常时，现场工作的运检人员会有生命危险。而且，当前运维人员的增长速度远远跟不上电力电缆及隧道的增加速度，致使电力隧道运检工作面临巨大压力，电力设备安全运行存在隐患和风险。基于电力电缆及通道运行维护的特殊要求，在线监测系统和机器人巡检系统(即移动巡检系统)成为代替人工巡检的重要状态感知技术手段，不但能将人从危险繁杂的工作中解放出来，而且大大提升了运维效率。
目前，面向电缆线路隧道工程的在线监测系统和机器人巡检系统仍然主要依靠以特征子匹配为基础的图像处理与局放等其他传感方式进行感知分析。虽然有部分专家学者引入了效果更好的以深度学习为基础的图像分析手段，利用目标检测识别技术开展电缆线路隧道工程的智能巡检，但仍存在图像复拍效果不佳、对于隧道本体结构分析能力匮乏、缺陷误报率高等问题。
发明内容
本申请的目的之一在于针对现有技术的不足之处，提供一种电缆线路隧道工程缺陷判断方法，以提升现有电缆隧道工程智能运检水平，所述方法包括步骤：
使用双目成像传感模块采集电缆线路隧道工程的点云数据；
根据所述点云数据建立所述电缆线路隧道工程的三维模型；
标注所述电缆线路隧道工程的点云，以制作点云标准库模块；
开启巡检流程，将巡检设备收集到的点云信息与点云标准库进行匹配，以进行点云配准；
根据所述点云标准库模块还原所述巡检设备的拍摄角度；
拍摄巡检图片，提取所述巡检图片中的颜色信息；
根据所述颜色信息，判断所述电缆线路隧道工程内的目标是否有缺陷；
当判断无缺陷时，对所述巡检图片标记正常并上传记录到业务展示端，结束巡检流程；
当判断有缺陷时，获取缺陷类型，根据所述缺陷类型运行联动关系预测，并根据预测结果提高关联设备的巡检顺序优先级。
优选地，所述点云数据包括：维坐标、激光反射强度和颜色信息。
优选地，所述点云标准库模块包括：设备点云标注模块和隧道本体点云标注模块。
优选地，所述进行点云配准包括：采用基于深度学习的3DMatch描述子进行所述点云配准。
优选地，所述根据所述点云标准库模块还原所述巡检设备的拍摄角度包括步骤：
获取所述点云数据中的背景点云集；
计算所述背景点云集与所述点云标准库中储存的点云集的三维坐标重合率；
判断所述三维坐标重合率是否达到预设阈值；
若是，确认所述拍摄角度已还原，保持所述巡检设备处于所述拍摄角度；
若否，调整所述巡检设备的拍摄角度，并循环上述步骤。
优选地，所述判断所述电缆线路隧道工程内的目标是否有缺陷包括步骤：
将所述颜色信息输入缺陷检测模块；
所述缺陷检测模块按照预设检测方法运行；
所述缺陷检测模块输出判断结果。
优选地，所述缺陷检测模块包括：设备缺陷类型目标检测模块和隧道缺陷类型目标检测模块。
优选地，所述预设检测方法包括：第一预设检测方法，所述第一预设检测方法由设备缺陷类型目标检测模块运行，所述第一预设检测方法为基于矩形框机制的深度学习目标检测算法Faster R-CNN。
优选地，所述预设检测方法还包括：第二预设检测方法，所述第二预设检测方法由隧道缺陷类型目标检测模块运行，所述第二预设检测方法包括步骤：
使用点云聚类分析对巡检图片进行分割，以得到图片块；
匹配所述图片块坐标与点云标准库坐标；
计算所述图片块的点云集中产生位移的点所占比例是否满足预设阈值；
若是，组成缺陷点云集，并标注于所述巡检图片上。
优选地，所述获取缺陷类型，根据所述缺陷类型运行联动关系预测，并根据预测结果提高关联设备的巡检顺序优先级包括步骤：
当判断有缺陷时，缺陷检测模块输出缺陷类型；
将所述缺陷类型输入关系模型，所述关系模型输出所述关联设备；
提高所述关联设备的巡检顺序优先级，以优先对所述关联设备进行巡检。
本申请提供的电缆线路隧道工程缺陷判断方法，利用点云数据匹配技术还原巡检图像拍摄角度，从而降低巡检图像复拍时角度与光线的干扰，提高设备本体缺陷检测的效果；利用目标关系建模关联检测目标和关联设备，有效降低缺陷误报率，从而提高设备预警的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种电缆线路隧道工程缺陷判断方法实施例1的方法流程图；
图2是本发明提供的一种电缆线路隧道工程缺陷判断方法实施例2的方法流程图；
图3是本发明提供的一种电缆线路隧道工程缺陷判断方法实施例3的方法流程图；
图4是本发明提供的一种电缆线路隧道工程缺陷判断方法实施例4的方法流程图；
图5是本发明提供的一种电缆线路隧道工程缺陷判断方法实施例5的方法流程图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种电缆线路隧道工程缺陷判断方法。本实施例提供的电缆线路隧道工程缺陷判断方法可以由一计算系统来执行，该计算系统可以实现为软件，或者实现为软件和硬件的组合，该计算系统可以集成设置在服务器、终端设备等中。
实施例1
如图1，在本申请实施例中，本申请提供了一种电缆线路隧道工程缺陷判断方法，所述方法包括步骤：
S101：使用双目成像传感模块采集电缆线路隧道工程的点云数据；
S102：根据所述点云数据建立所述电缆线路隧道工程的三维模型；
S103：标注所述电缆线路隧道工程的点云，以制作点云标准库模块；
S104：开启巡检流程，将巡检设备收集到的点云信息与点云标准库进行匹配，以进行点云配准；
S105：根据所述点云标准库模块还原所述巡检设备的拍摄角度；
S106：拍摄巡检图片，提取所述巡检图片中的颜色信息；
S107：根据所述颜色信息，判断所述电缆线路隧道工程内的目标是否有缺陷；
S108：当判断无缺陷时，对所述巡检图片标记正常并上传记录到业务展示端，结束巡检流程；
S109：当判断有缺陷时，获取缺陷类型，根据所述缺陷类型运行联动关系预测，并根据预测结果提高关联设备的巡检顺序优先级。
本实施例提供的电缆线路隧道工程缺陷判断方法，利用点云数据匹配技术还原巡检图像拍摄角度，从而降低巡检图像复拍时角度与光线的干扰，提高设备本体缺陷检测的效果；利用目标关系建模关联检测目标和关联设备，有效降低缺陷误报率，从而提高设备预警的准确性。
在本申请实施例中，所述点云数据包括：维坐标、激光反射强度和颜色信息。具体地，维坐标为点云的三维坐标(X、Y和Z)，颜色信息为点云的RGB数据。
在本申请实施例中，所述点云标准库模块包括：设备点云标注模块和隧道本体点云标注模块。在设备点云标注模块中，点云集合被划分为设备点云集合和背景点云集合。在隧道本体点云标注模块中，点云集合被划分为不同的隧道附件点云集合。
在本申请实施例中，在步骤S104中采用基于深度学习的3DMatch描述子进行所述点云配准。
实施例2
如图2，在本申请实施例中，步骤S105中的根据所述点云标准库模块还原所述巡检设备的拍摄角度包括步骤：
S201：获取所述点云数据中的背景点云集；
S202：计算所述背景点云集与所述点云标准库中储存的点云集的三维坐标重合率；
S203：判断所述三维坐标重合率是否达到预设阈值；
S204：若是，确认所述拍摄角度已还原，保持所述巡检设备处于所述拍摄角度；
S205：若否，调整所述巡检设备的拍摄角度，并循环上述步骤。
本实施例提供的电缆线路隧道工程缺陷判断方法，利用点云中的三维坐标及颜色信息还原并锁定巡检图像拍摄角度，从而有效控制影响图片复拍效果的角度和光线等干扰变量，最终达到提高设备本体缺陷检测的效果。
实施例3
如图3，在本申请实施例中，步骤S107中的判断所述电缆线路隧道工程内的目标是否有缺陷包括步骤：
S301：将所述颜色信息输入缺陷检测模块；
S302：所述缺陷检测模块按照预设检测方法运行；
S303：所述缺陷检测模块输出判断结果。
本实施例提供的电缆线路隧道工程缺陷判断方法，通过缺陷检测模块对颜色信息进行判断，从而输出判断结果。
在本申请实施例中，所述缺陷检测模块包括：设备缺陷类型目标检测模块和隧道缺陷类型目标检测模块。设备缺陷类型目标检测模块可以对设备类型的缺陷进行检测，而隧道缺陷类型目标检测模块可以对隧道本体类型的缺陷进行检测。
在本申请实施例中，所述预设检测方法包括：第一预设检测方法，所述第一预设检测方法由设备缺陷类型目标检测模块运行，所述第一预设检测方法为基于矩形框机制的深度学习目标检测算法Faster R-CNN。
实施例4
如图4，在本申请实施例中，步骤S302中的预设检测方法还包括：第二预设检测方法，所述第二预设检测方法由隧道缺陷类型目标检测模块运行，所述第二预设检测方法包括步骤：
S401：使用点云聚类分析对巡检图片进行分割，以得到图片块；
S402：匹配所述图片块坐标与点云标准库坐标；
S403：计算所述图片块的点云集中产生位移的点所占比例是否满足预设阈值；
S404：若是，组成缺陷点云集，并标注于所述巡检图片上。
本实施例提供的电缆线路隧道工程缺陷判断方法，隧道缺陷类型目标检测模块可以对隧道缺陷进行判断，并且输出判断结果在巡检图片上。
实施例5
如图5，在本申请实施例中，步骤S109中的获取缺陷类型，根据所述缺陷类型运行联动关系预测，并根据预测结果提高关联设备的巡检顺序优先级包括步骤：
S501：当判断有缺陷时，缺陷检测模块输出缺陷类型；
S502：将所述缺陷类型输入关系模型，所述关系模型输出所述关联设备；
S503：提高所述关联设备的巡检顺序优先级，以优先对所述关联设备进行巡检。
本实施例提供的电缆线路隧道工程缺陷判断方法，当判断存在缺陷时，可以输出缺陷类型，并且可以根据关系模型输出关联设备，提高对关联设备的巡检顺序优先级。
下面以具体实施例对本申请提供的电缆线路隧道工程缺陷判断方法进行详细描述。
以检测电缆接头爆破缺陷和隧道墙体产生裂缝为例，本申请提供的电缆线路隧道工程缺陷判断方法实施步骤如下：
S1：使用双目成像传感模块采集电缆线路隧道工程的点云数据，点云数据包括三维坐标(XYZ)、激光反射强度(Intensity)和颜色信息(RGB)；
S2：根据所述点云数据建立所述电缆线路隧道工程的三维模型；
S3：标注所述电缆线路隧道工程的点云，直接反映了隧道中电缆、电缆接头、通风亭等可见表面的几何形状，同时制作点云标准库模块；
S4：开启巡检流程，将巡检设备收集到的点云信息与点云标准库进行匹配，以进行点云配准；
S5：根据所述点云标准库模块还原所述巡检设备的拍摄角度；
S6：拍摄巡检图片，提取所述巡检图片中的颜色信息；
S7：根据所述颜色信息，判断所述电缆线路隧道工程内的目标是否有缺陷；
S8：当判断无缺陷时，对所述巡检图片标记正常并上传记录到业务展示端，结束巡检流程；
S9：当判断有缺陷时，获取缺陷类型，根据所述缺陷类型运行联动关系预测，并根据预测结果提高关联设备的巡检顺序优先级。
以检测编号#001的电缆接头爆破和隧道墙体产生裂痕为例，对步骤S4-S9进行详细描述。
当巡检电缆接头时，据预先建立的点云标准库模块中储存的三维坐标信息，还原拍摄角度，当背景点云集与标准库储存中的点云集三维坐标重合率达到80％以上，判定为已还原角度，拍摄巡检图像。接着，提取RGB信息，输入缺陷检测模块。由于#001电缆接头属于设备类型检测目标，则运行设备缺陷类型目标检测模块，该模块采用基于矩形框机制的深度学习目标检测算法Faster R-CNN，相比掩码类机制具有计算量更小，速度更快的优点；最终设备缺陷类型目标检测模块会输出目标类别为“电缆接头爆破”。
当巡检隧道本体时，隧道本体类由隧道缺陷类型目标检测模块完成。首先使用点云聚类分析对图像进行分割，然后对分割后的小图片块再分析具体缺陷类型。然后匹配图片块三维坐标与标准库坐标时，计算得出该图片块的点云集中5％以上的点产生位移，则初步判断该处墙体产生裂痕，组成缺陷点云集，标注于巡检图片上。
将#001电缆接头爆破缺陷，输入关系模型，输出#001电缆接头和两端电缆#A01和#A02有强关联关系，并高概率呈现烧焦的缺陷状态。接到预警后，优先启动接头两端电缆巡检流程，确认确实#A01和#A02电缆存在烧焦现象。最终，告警“电缆接头爆破缺陷”。
将某处隧道墙体裂缝缺陷，输入关系模型，输出与上方编号#FJ020通风亭有强关联关系，并预测通风亭变形。接到预警后，优先启动隧道附件编号#FJ020通风亭巡检流程，确认确实存在严重变形现象。最终，告警“隧道本体产生裂缝”。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种电缆线路隧道工程缺陷判断方法，其特征在于，所述方法包括步骤：
使用双目成像传感模块采集电缆线路隧道工程的点云数据；
根据所述点云数据建立所述电缆线路隧道工程的三维模型；
标注所述电缆线路隧道工程的点云，以制作点云标准库模块；
开启巡检流程，将巡检设备收集到的点云信息与点云标准库进行匹配，以进行点云配准；
根据所述点云标准库模块还原所述巡检设备的拍摄角度；
拍摄巡检图片，提取所述巡检图片中的颜色信息；
根据所述颜色信息，判断所述电缆线路隧道工程内的目标是否有缺陷；
当判断无缺陷时，对所述巡检图片标记正常并上传记录到业务展示端，结束巡检流程；
当判断有缺陷时，获取缺陷类型，根据所述缺陷类型运行联动关系预测，并根据预测结果提高关联设备的巡检顺序优先级；
所述根据所述点云标准库模块还原所述巡检设备的拍摄角度包括步骤：
获取所述点云数据中的背景点云集；
计算所述背景点云集与所述点云标准库中储存的点云集的三维坐标重合率；
判断所述三维坐标重合率是否达到预设阈值；
若是，确认所述拍摄角度已还原，保持所述巡检设备处于所述拍摄角度；
若否，调整所述巡检设备的拍摄角度，并循环上述步骤；
所述判断所述电缆线路隧道工程内的目标是否有缺陷包括步骤：
将所述颜色信息输入缺陷检测模块；所述缺陷检测模块包括：设备缺陷类型目标检测模块和隧道缺陷类型目标检测模块；
所述缺陷检测模块按照预设检测方法运行；
所述缺陷检测模块输出判断结果；
所述预设检测方法包括：第一预设检测方法，所述第一预设检测方法由设备缺陷类型目标检测模块运行，所述第一预设检测方法为基于矩形框机制的深度学习目标检测算法Faster R-CNN；
所述预设检测方法还包括：第二预设检测方法，所述第二预设检测方法由隧道缺陷类型目标检测模块运行，所述第二预设检测方法包括步骤：
使用点云聚类分析对巡检图片进行分割，以得到图片块；
匹配所述图片块坐标与点云标准库坐标；
计算所述图片块的点云集中产生位移的点所占比例是否满足预设阈值；
若是，组成缺陷点云集，并标注于所述巡检图片上。
2.根据权利要求1所述的电缆线路隧道工程缺陷判断方法，其特征在于，所述点云数据包括：三维坐标、激光反射强度和颜色信息。
3.根据权利要求1所述的电缆线路隧道工程缺陷判断方法，其特征在于，所述点云标准库模块包括：设备点云标注模块和隧道本体点云标注模块。
4.根据权利要求1所述的电缆线路隧道工程缺陷判断方法，其特征在于，所述进行点云配准包括：采用基于深度学习的3DMatch描述子进行所述点云配准。
5.根据权利要求1所述的电缆线路隧道工程缺陷判断方法，其特征在于，所述获取缺陷类型，根据所述缺陷类型运行联动关系预测，并根据预测结果提高关联设备的巡检顺序优先级包括步骤：
当判断有缺陷时，缺陷检测模块输出缺陷类型；
将所述缺陷类型输入关系模型，所述关系模型输出所述关联设备；
提高所述关联设备的巡检顺序优先级，以优先对所述关联设备进行巡检。
CN202010269890.1A 2020-04-08 2020-04-08 电缆线路隧道工程缺陷判断方法 Active CN111443091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010269890.1A CN111443091B (zh) 2020-04-08 2020-04-08 电缆线路隧道工程缺陷判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010269890.1A CN111443091B (zh) 2020-04-08 2020-04-08 电缆线路隧道工程缺陷判断方法

Publications (2)

Publication Number Publication Date
CN111443091A CN111443091A (zh) 2020-07-24
CN111443091B true CN111443091B (zh) 2023-07-25

Family

ID=71651133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010269890.1A Active CN111443091B (zh) 2020-04-08 2020-04-08 电缆线路隧道工程缺陷判断方法

Country Status (1)

Country Link
CN (1) CN111443091B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284109B (zh) * 2021-05-25 2023-08-18 中建三局集团(深圳)有限公司 管道缺陷识别方法、装置、终端设备及存储介质
CN113256599B (zh) * 2021-06-09 2022-08-09 清华四川能源互联网研究院 基于三维动态模型检测水工隧洞缺陷的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570905A (zh) * 2016-11-02 2017-04-19 北京控制工程研究所 一种非合作目标点云初始姿态验证方法
CN107730088A (zh) * 2017-09-20 2018-02-23 国网山东省电力公司济宁供电公司 一种基于配网大数据的配电设备巡检方案生成方法及装置
CN108303426A (zh) * 2018-02-06 2018-07-20 华中科技大学 一种电缆隧道缺陷无损快速检测装置及其检测方法
CN108917712A (zh) * 2018-07-10 2018-11-30 湖南城市学院 一种基于三维激光扫描技术的隧道自动化监测系统及方法
CN109596634A (zh) * 2018-12-30 2019-04-09 国网北京市电力公司 电缆缺陷的检测方法及装置、存储介质、处理器
CN109760837A (zh) * 2019-02-21 2019-05-17 西京学院 一种电缆沟与隧道巡检无人机系统
CN110702101A (zh) * 2019-08-29 2020-01-17 全球能源互联网研究院有限公司 一种面向电力巡检场景的定位方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150279075A1 (en) * 2014-03-27 2015-10-01 Knockout Concepts, Llc Recording animation of rigid objects using a single 3d scanner

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570905A (zh) * 2016-11-02 2017-04-19 北京控制工程研究所 一种非合作目标点云初始姿态验证方法
CN107730088A (zh) * 2017-09-20 2018-02-23 国网山东省电力公司济宁供电公司 一种基于配网大数据的配电设备巡检方案生成方法及装置
CN108303426A (zh) * 2018-02-06 2018-07-20 华中科技大学 一种电缆隧道缺陷无损快速检测装置及其检测方法
CN108917712A (zh) * 2018-07-10 2018-11-30 湖南城市学院 一种基于三维激光扫描技术的隧道自动化监测系统及方法
CN109596634A (zh) * 2018-12-30 2019-04-09 国网北京市电力公司 电缆缺陷的检测方法及装置、存储介质、处理器
CN109760837A (zh) * 2019-02-21 2019-05-17 西京学院 一种电缆沟与隧道巡检无人机系统
CN110702101A (zh) * 2019-08-29 2020-01-17 全球能源互联网研究院有限公司 一种面向电力巡检场景的定位方法及系统

Also Published As

Publication number Publication date
CN111443091A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
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
CN111443091B (zh) 电缆线路隧道工程缺陷判断方法
CN113345019B (zh) 一种输电线路通道隐患目标测距方法、设备及介质
CN113658325B (zh) 数字孪生环境下的生产线不确定对象智能识别与预警方法
CN111507951A (zh) 电缆线路隧道工程巡检装置
CN108269322B (zh) 一种巡检方法
CN113075065B (zh) 基于图像识别的深海管道裂纹扩展监测与可靠性评估系统
CN110160463B (zh) 一种基于静态激光扫描的地铁隧道不圆度检测方法
CN116231504A (zh) 一种升压站远程智能巡检方法、装置及系统
CN112446543A (zh) 基于神经网络的城市地下综合管廊风险管控系统及方法
CN112115770A (zh) 一种用于架空线路无人机自主巡检缺陷识别的方法及系统
CN111507189A (zh) 一种基于图像处理技术的绝缘子串缺陷快速检测方法
CN116090838B (zh) 一种基于摄像头的工地自动巡检系统
CN116524017B (zh) 一种用于矿山井下检测识别定位系统
CN111597637A (zh) 一种动车现场部件的故障检测方法、装置、服务器及系统
CN115808129B (zh) 一种机器视觉识别发电机母线位移和形变的方法
CN102866158B (zh) 面向隧道巡检的输配电线缆检测方法
CN116012429A (zh) 基于激光点云与gim三维模型确定输电走廊隐患点的方法
CN110706333A (zh) 一种基于人工标定管道位置及其漏点的重建方法
CN214154693U (zh) 一种玻璃幕墙安全监测系统
CN116243114A (zh) 一种基于红外成像技术的电缆故障检测方法及系统
CN115880221A (zh) 融合可见光与红外图像处理的电网线路缺陷分析方法
CN115631153A (zh) 一种基于感知学习结构的管廊视觉缺陷检测方法及系统
CN115266932A (zh) 一种变速箱齿轮轴探伤检测方法
CN116909196B (zh) 基于物联网技术的电缆通道智能化监控系统及方法

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