CN111488829A - 杆塔巡检照片分类方法、装置、电子设备以及存储介质 - Google Patents
杆塔巡检照片分类方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN111488829A CN111488829A CN202010279789.4A CN202010279789A CN111488829A CN 111488829 A CN111488829 A CN 111488829A CN 202010279789 A CN202010279789 A CN 202010279789A CN 111488829 A CN111488829 A CN 111488829A
- Authority
- CN
- China
- Prior art keywords
- coordinates
- inspection
- coordinate
- tower
- cluster
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000009466 transformation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 abstract description 30
- 238000010586 diagram Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种杆塔巡检照片分类方法、装置、电子设备以及存储介质，该方法包括：获取所有巡检照片以及巡检照片对应的坐标；根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标；获取待分类的杆塔和所述杆塔对应的坐标；根据聚类中心的坐标和所述杆塔的坐标，确定与所述杆塔的距离最小的聚类，并将该聚类下的所有巡检照片归类为所述杆塔的巡检照片。本发明实施例通过对巡检照片的坐标进行聚类，并将与待分类的杆塔距离最小的聚类中心所在的聚类的所有照片分类到该杆塔内，提高了分类效率和分类精度，可以防止由于存在杆塔坐标缺失或者杆塔坐标异常，而导致出现分类异常的现象。
Description
技术领域
本发明实施例涉及输电线路杆塔巡检领域，特别是涉及一种杆塔巡检照片分类方法、装置、电子设备以及存储介质。
背景技术
随着科技的发展，电力已成为人们生活和工作不可或缺的能源，电力系统的建设也成为了城市规划的重要组成部分，输电线路是电力系统的重要组成部分，对输电线路进行巡检成为了越来越重要的部分。杆塔是输电线路中的重要组成部分，其作用是支撑架空线路导线和架空地线，对杆塔的各部位进行巡检拍照，并根据杆塔各部位的照片进行缺陷分析也成为了输电线路缺陷分析的重要工作。
目前一般通过无人机对输电线路杆塔进行拍照，但是，无人机拍摄的巡检照片通常是海量的，因此，需要对拍摄的巡检照片进行分类。传统对巡检照片分类的方法为记录某一个杆塔拍照的起始照片编号以及结束照片编号，在拍摄之后再人工根据编号进行分类。但是，发明人在实现本发明的过程中，发现现有技术中存在如下问题：由于无人机巡检一次后拍摄的巡检照片较多，采用人工对巡检照片进行分类的方式，增加了作业人员负担，降低了处理效率。同时，对于记录缺失的数据无法将其分类到具体的杆塔下，或由于记录的错误导致整体分类的结果都出现错误的情况。
发明内容
为克服相关技术中存在的问题，本申请提供了一种杆塔巡检照片分类方法、装置、电子设备以及存储介质，其具有可提高分类效率和分类精度，可以防止由于存在杆塔坐标缺失或者杆塔坐标异常，而导致分类异常的优点。
根据本发明实施例的第一方面，提供一种杆塔巡检照片分类方法，包括如下步骤：
步骤S101：获取所有巡检照片以及所述巡检照片对应的坐标；
步骤S102：根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标；
步骤S103：获取待分类的杆塔和所述杆塔对应的坐标；
步骤S104：根据聚类中心的坐标和所述杆塔的坐标，确定与所述杆塔的距离最小的聚类，并将该聚类下的所有巡检照片归类为所述杆塔的巡检照片。
根据本发明实施例的第二方面，提供一种杆塔巡检照片分类装置，包括：
巡检照片坐标获取模块，用于获取所有巡检照片以及所述巡检照片对应的坐标；
聚类模块，用于根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标；
杆塔坐标获取模块，用于获取待分类的杆塔和所述杆塔对应的坐标；
分类模块，用于根据聚类中心的坐标和所述杆塔的坐标，确定与所述杆塔的距离最小的聚类，并将该聚类下的所有巡检照片归类为所述杆塔的巡检照片。
根据本发明实施例的第三方面，提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行实现如上述任意一项所述的杆塔巡检照片分类方法。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的杆塔巡检照片分类方法。
本发明实施例通过对巡检照片的坐标进行聚类，并将与待分类的杆塔距离最小的聚类中心所在的聚类的所有照片分类到该杆塔内，提高了分类效率和分类精度，可以防止由于存在杆塔坐标缺失或者杆塔坐标异常，而导致出现分类异常的现象。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
为了更好地理解和实施，下面结合附图详细说明本发明。
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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例示出的杆塔巡检照片分类方法的流程图；
图2为本发明实施例示出的获得巡检照片的坐标的方法的流程图；
图3为本发明实施例示出的对巡检照片进行坐标转换的方法的流程图；
图4为本发明实施例示出的对巡检照片的坐标进行聚类的方法的流程图；
图5为本发明实施例示出的对杆塔的坐标系进行转换的方法的流程图；
图6为本发明实施例示出的对杆塔进行索引的方法的流程图；
图7为本发明实施例示出的杆塔巡检照片分类装置的结构示意框图；
图8为本发明实施例示出的巡检照片坐标获取模块的结构示意框图；
图9为本发明实施例示出的坐标转换模块的结构示意框图；
图10为本发明实施例示出的聚类模块的结构示意框图；
图11为本发明实施例示出的杆塔坐标获取模块的其中一种结构示意框图；
图12为本发明实施例示出的杆塔坐标获取模块的另外一种结构示意框图；
图13为本发明实施例示出的电子设备的结构示意框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请的杆塔巡检照片分类方法的应用环境包括无人机和电子设备；所述无人机用于拍摄多个杆塔的巡检照片并传送到所述电子设备；所述电子设备接收所述无人机拍摄的多个杆塔的巡检照片，并执行本申请的杆塔巡检照片分类方法。
所述无人机为任何一种可对杆塔进行拍摄巡检照片，并在所述巡检照片中标识拍摄坐标的无人机。所述电子设备可以具体为计算机、手机、平板电脑、交互式智能平板等；所述电子设备可运行有用于执行室内多径假目标识别方法的应用程序，所述应用程序可以是以适应所述电子设备的形式呈现，例如可以是APP应用程序，在一些例子中，还可以是以例如系统插件、网页插件等形式呈现。
实施例1
下面将结合附图1，对本发明实施例提供的一种杆塔巡检照片分类方法进行详细介绍。
请参阅图1，本发明实施例提供的一种杆塔巡检照片分类方法，包括如下步骤：
步骤S101：获取所有巡检照片以及所述巡检照片对应的坐标。
请参阅图2，所述巡检照片的坐标是本申请进行分类的基础，因此，对于所述巡检照片还需要判断其是否具有坐标信息，具体的，在本申请的一个示例性实施例中，步骤S101中获取所有巡检照片以及所述巡检照片对应的坐标之后，还包括如下步骤：
步骤S1011：获取巡检照片的格式类型，在所述巡检照片的格式类型为JPG格式或者TIF格式时，执行步骤S1012；在所述巡检照片的格式类型不是JPG格式和TIF格式时，提示无法进行分类的信息。
步骤S1012：在所述巡检照片的格式类型为JPG格式时，解析所述巡检图片的头文件；若所述巡检图片的头文件中包括GPS坐标信息，则读取所述GPS坐标信息，获得所述巡检照片对应的坐标；若所述巡检图片的头文件中不包括GPS坐标信息，提示无法进行分类的信息。
其中，由于JPG格式照片中的GPS坐标信息为WGS84坐标系下的经纬度坐标，因此，读取的所述GPS坐标信息即为所述巡检照片对应的坐标。在实际进行分类时，为方便进行分类，还可以将转换后的WGS84椭球坐标转换为UTM投影坐标。
步骤S1013：在所述巡检照片的格式类型为TIF格式时，根据所述巡检图片的坐标参数，获得所述巡检照片对应的坐标。
请参阅图3，步骤S1013中所述坐标参数包括所述巡检照片的长宽参数、坐标仿射变换参数和椭球参数，所述根据所述巡检图片的坐标参数，获得所述巡检照片对应的坐标的步骤，包括：
步骤S10131：获取所述巡检照片的长宽参数和坐标仿射变换参数；
步骤S10132：根据所述坐标仿射变换参数和长宽参数，获得所述巡检照片中心点的投影坐标；
其中，所述坐标仿射变换参数包括一个旋转角度参数和两个平移距离参数；具体的，获取所述巡检照片中心点的投影坐标的计算方式如下：
上述公式中，旋转角度参数为a对应的旋转矩阵[cos(a)-sin(a)；sin(a)cos(a)]，且cos(a)即等于adfGeoTrans[0],-sin(a)即等于adfGeoTrans[1],sin(a)即等于adfGeoTrans[4],cos(a)即等于adfGeoTrans[5]；adfGeoTrans[2],adfGeoTrans[6]分别表示两个平移距离参数分别为；xsize，ysize分别表示所述巡检照片的长宽参数；
步骤S10133：获取所述巡检照片的椭球参数；
其中，所述椭球参数主要包括椭球长半轴长，椭球偏心率。
步骤S10134：根据所述椭球参数，将所述巡检照片中心点的投影坐标转换为WGS84坐标系下的经纬度，并将转换后的坐标确定为所述巡检照片对应的坐标。
步骤S102：根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标。
请参阅图4，在本发明的一个示例性实施例中，由于可能存在杆塔坐标缺失或者杆塔坐标异常，直接针对每一个照片分类可能存在分类异常且无法获取异常的分类结果，为了解决此类问题，通过对照片坐标进行聚类的方法进行处理，提高分类精度，具体的，步骤S102中根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标的步骤包括：
步骤S1021：从所有所述巡检照片的坐标中选取一个坐标作为初始坐标；
步骤S1022：遍历所有所述巡检照片的坐标，将与所述初始坐标的距离小于预设搜索距离的坐标归类到一聚类点集中；
其中，所述预设搜索距离根据GPS定义误差确定，通常情况下对于同一点的定位GPS存在定位误差，一般GPS定位误差在10-20米左右，因此，我们选取的搜索距离也可以考虑在此范围内，具体的，可以通过大量的数据测试确定出搜索距离。
步骤S1023：从所述聚类点集中逐个选取坐标作为聚类坐标，分别将与所述聚类坐标的距离小于预设搜索距离而未存入聚类点集的坐标归类到所述聚类点集中，完成一个聚类；
步骤S1024：判断当前是否存在未聚类的坐标，若存在未聚类的坐标，则从未聚类的坐标中选取一个坐标作为初始坐标，执行步骤S1022；若不存在未聚类的坐标，执行步骤S1025；
步骤S1025：确定聚类后的所述巡检照片，并根据所述巡检照片对应的坐标，获得每个聚类的聚类中心的坐标。
其中，所述聚类中心为重心，其为聚类中所有坐标的均值。
步骤S103：获取待分类的杆塔和所述杆塔对应的坐标。
在本申请的一个示例性实施例中，所述杆塔巡检照片分类方法，还包括如下步骤：从输电线路数据库中获取所有输电线路信息，在用户选择了某一条输电线路进行巡检时，通过查询获得所述输电线路下的所有杆塔作为待分类的杆塔，并获得待分类的所述杆塔对应的坐标；在用户未选择任意一条输电线路进行巡检时，遍历所有的输电线路，查询获得所有的输电线路的所有杆塔作为待分类的杆塔，并获得待分类的所述杆塔对应的坐标。
请参阅图5，一般地，待分类的杆塔的坐标系与巡检照片的坐标系不同，因此，需要将待分类的杆塔的坐标系转换到与巡检照片的坐标系一致的坐标系，具体的，在本申请的一个示例性实施例中，步骤S103中获取多个杆塔的坐标的步骤之后，包括如下步骤：
步骤S10311：在待分类的所述杆塔的坐标系与所述巡检照片的坐标系一致时，执行步骤S104；在待分类的所述杆塔的坐标系与所述巡检照片的坐标系不一致时，执行步骤S10312；
步骤S10312：将待分类的所述杆塔的坐标转换为大地坐标；通过七参数将转换的杆塔的大地坐标转换到WGS84椭球坐标；将转换后的杆塔的WGS84椭球坐标转换为UTM投影坐标。
步骤S104：根据聚类中心的坐标和所述杆塔的坐标，确定与所述杆塔的距离最小的聚类，并将该聚类下的所有巡检照片归类为所述杆塔的巡检照片。
请参阅图6，在本发明的一个示例性实施例中，由于杆塔数目较多，在对照片分类过程中需要计算每类聚类中心的坐标到所有杆塔的最近距离，假设杆塔数量为N，聚类数目为M，则在不进行索引的情况下需要计算和比较的计算复杂度为M*N，在没有选取线路的条件下杆塔数量极多，因此计算复杂度特别高，由此产生计算效率下降，计算耗时长的问题，为了解决该问题需要对杆塔坐标进行索引以提高检索效率，可以通过KD树对杆塔坐标进行索引，具体的，步骤S103中获取多个杆塔的坐标的步骤之后，还包括：
步骤S10321：根据多个所述杆塔的坐标的横坐标x与纵坐标y的方差确定是以x轴还是以y轴进行划分，并确定出划分阈；
步骤S10322：将多个所述杆塔的坐标按照所述划分阈进行排序，并找到中值，且根据所述中值将多个所述杆塔划分为两个部分；
步骤S10323：对划分为两个部分的所述杆塔按照上述步骤进行递归划分处理，直到所有数据杆塔都被分到唯一的一个数据集中。
通过通过KD树对杆塔坐标进行索引后，可以按序快捷地将每个数据集中的的聚类匹配到对应的杆塔上，从而提高分类效率。
本发明实施例通过对巡检照片的坐标进行聚类，并将与待分类的杆塔距离最小的聚类中心所在的聚类的所有照片分类到该杆塔内，提高了分类效率和分类精度，可以防止由于存在杆塔坐标缺失或者杆塔坐标异常，而导致出现分类异常的现象。
在本发明的一个示例性实施例中，本发明提供的杆塔巡检照片分类方法，还包括如下步骤：
步骤S105:提取异常的分类结果。
本发明采用聚类方法进行分类，理论上每一个聚类只可能分类在同一杆塔下，由此可以对分类的准确性进行判断，对每一个杆塔判断分类在其中的聚类数是否大于1，如果聚类数大于1则说明存在分类错误的聚类，如存在杆塔缺失或者杆塔坐标错误的情况，则根据距离的大小剔除距离大的聚类，留下距离最近的聚类为准确分类结果，根据此种方法提取所有错误分类的聚类。
步骤S106：修正异常的分类结果和修正杆塔坐标。
具体的，所述修正分类结果和修正杆塔坐标的步骤，包括：获取存在异常的聚类，计算距离该聚类的中心最近的两个聚类，如果该两个聚类都被正确分类，则根据该两个聚类中心所在的杆塔按照杆塔序号，推算获得异常分类的聚类中心所在的杆塔坐标；如果该两个聚类中心也存在未被正确分类的聚类，则继续寻找最近被正确分类的聚类，直到获取到正确聚类后根据杆塔坐标顺序进行重新分类并对杆塔坐标进行修正。
在本发明的一个示例性实施例中，本发明提供的杆塔巡检照片分类方法，还包括如下步骤：步骤S107：对于剩余未分类的巡检照片，通过人工比对坐标的方式将其分类到对应的杆塔。
实施例2
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图7，其示出了本发明实施例提供的杆塔巡检照片分类装置的结构示意图。所述杆塔巡检照片分类装置200可以通过软件、硬件或者两者的结合实现杆塔巡检照片分类方法的内容。具体的，所述杆塔巡检照片分类装置200包括：
巡检照片坐标获取模块201，用于获取所有巡检照片以及所述巡检照片对应的坐标；
聚类模块202，用于根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标；
杆塔坐标获取模块203，用于获取待分类的杆塔和所述杆塔对应的坐标；
分类模块204，用于根据聚类中心的坐标和所述杆塔的坐标，确定与所述杆塔的距离最小的聚类，并将该聚类下的所有巡检照片归类为所述杆塔的巡检照片。
本发明实施例通过对巡检照片的坐标进行聚类，并将与待分类的杆塔距离最小的聚类中心所在的聚类的所有照片分类到该杆塔内，提高了分类效率和分类精度，可以防止由于存在杆塔坐标缺失或者杆塔坐标异常，而导致出现分类异常的现象。
请参见图8，所述巡检照片的坐标是本申请进行分类的基础，因此，对于所述巡检照片还需要判断其是否具有坐标信息，具体的，在本申请的一个示例性实施例中，所述巡检照片坐标获取模块201，还包括：
照片格式类型获取模块2011，用于获取巡检照片的格式类型，在所述巡检照片的格式类型为JPG格式或者TIF格式时，读取坐标或者进行坐标转换；在所述巡检照片的格式类型不是JPG格式和TIF格式时，提示无法进行分类的信息。
坐标读取模块2012，用于在所述巡检照片的格式类型为JPG格式时，解析所述巡检图片的头文件；若所述巡检图片的头文件中包括GPS坐标信息，则读取所述GPS坐标信息，获得所述巡检照片对应的坐标；若所述巡检图片的头文件中不包括GPS坐标信息，提示无法进行分类的信息。
坐标转换模块2013，用于在所述巡检照片的格式类型为TIF格式时，获取所述巡检图片的坐标参数，并根据所述巡检图片的坐标参数，获得所述巡检照片对应的坐标。
请参阅图9，具体的，所述坐标参数包括所述巡检照片的长宽参数、坐标仿射变换参数和椭球参数，所述坐标转换模块2013，包括：
长宽参数获取模块20131，用于获取所述巡检照片的长宽参数和坐标仿射变换参数；
投影坐标获取模块20132，用于根据所述坐标仿射变换参数和长宽参数，获得所述巡检照片中心点的投影坐标；
椭球参数获取模块20133，用于获取所述巡检照片的椭球参数；
转换模块20134，用于根据所述椭球参数，将所述巡检照片中心点的投影坐标转换为WGS84坐标系下的经纬度，并将转换后的坐标确定为所述巡检照片对应的坐标。
请参阅图10，在本发明的一个示例性实施例中，由于可能存在杆塔坐标缺失或者杆塔坐标异常，直接针对每一个照片分类可能存在分类异常且无法获取异常的分类结果，为了解决此类问题，通过对杆塔坐标进行聚类的方法进行处理，提高分类精度，具体的，聚类模块202包括：
初始坐标确定模块2021，用于从所有所述巡检照片的坐标中选取一个坐标作为初始坐标；
聚类点集获取模块2022，用于遍历所有所述巡检照片的坐标，将与所述初始坐标的距离小于预设搜索距离的坐标归类到一聚类点集中；
聚类确定模块2023，用于从所述聚类点集中逐个选取坐标作为聚类坐标，分别将与所述聚类坐标的距离小于预设搜索距离而未存入聚类点集的坐标归类到所述聚类点集中，完成一个聚类；
判断模块2024，用于判断当前是否存在未聚类的坐标，若存在未聚类的坐标，则从未聚类的坐标中选取一个坐标作为初始坐标，继续进行聚类；若不存在未聚类的坐标，则判断完成聚类；
聚类中心确定模块2025，用于确定聚类后的所述巡检照片，并根据所述巡检照片对应的坐标，获得每个聚类的聚类中心的坐标。
请参阅图11，一般地，待分类的杆塔的坐标系与巡检照片的坐标系不同，因此，需要将待分类的杆塔的坐标系转换到与巡检照片的坐标系一致的坐标系，具体的，在本申请的一个示例性实施例中，所述杆塔坐标获取模块203，还包括：
坐标系判断模块20311，用于在待分类的所述杆塔的坐标系与所述巡检照片的坐标系一致时，确定与待分类的所述杆塔对应的坐标的距离最小的聚类中心的坐标；在待分类的所述杆塔的坐标系与所述巡检照片的坐标系不一致时，进行坐标系转换；
坐标系转换模块20312，用于将待分类的所述杆塔的坐标转换为大地坐标；通过七参数将转换的杆塔的大地坐标转换到WGS84椭球坐标；将转换后的杆塔的WGS84椭球坐标转换为UTM投影坐标。
请参阅图12，在本发明的一个示例性实施例中，由于杆塔数目较多，在对照片分类过程中需要计算每类聚类中心的坐标到所有杆塔的最近距离，假设杆塔数量为N，聚类数目为M，则在不进行索引的情况下需要计算和比较的计算复杂度为M*N，在没有选取线路的条件下杆塔数量极多，因此计算复杂度特别高，由此产生计算效率下降，计算耗时长的问题，为了解决该问题需要对杆塔坐标进行索引以提高检索效率，可以通过KD树对杆塔坐标进行索引，具体的，所述杆塔坐标获取模块203，还包括：
划分阈确定模块20321，用于根据多个所述杆塔的坐标的横坐标x与纵坐标y的方差确定是以x轴还是以y轴进行划分，并确定出划分阈；
划分模块20322，用于将多个所述杆塔的坐标按照所述划分阈进行排序，并找到中值，且根据所述中值将多个所述杆塔划分为两个部分；
递归模块20323：对划分为两个部分的所述杆塔按照上述步骤进行递归划分处理，直到所有数据杆塔都被分到唯一的一个数据集中。
在本发明的一个示例性实施例中，本发明提供的杆塔巡检照片分类装置，还包括：
异常分类提取模块(图中未示)，用于提取异常的分类结果。
异常修正模块，用于修正异常的分类结果和修正杆塔坐标。
具体的，所述异常修正模块包括用于：获取存在异常的聚类，计算距离该聚类的中心最近的两个聚类，如果该两个聚类都被正确分类，则根据该两个聚类中心所在的杆塔按照杆塔序号，推算获得异常分类的聚类中心所在的杆塔坐标；如果该两个聚类中心也存在未被正确分类的聚类，则继续寻找最近被正确分类的聚类，直到获取到正确聚类后根据杆塔坐标顺序进行重新分类并对杆塔坐标进行修正。
实施例3
下述为本申请设备实施例，可以用于执行本申请方法实施例。对于本申请设备实施例中未披露的细节，请参照本申请方法实施例。
请参阅图13，本申请还提供一种电子设备300，所述电子设备300可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等设备。所述电子设备300可以包括：至少一个处理器301、至少一个存储器302，至少一个网络接口303，用户接口304以及至少一个通信总线305。
其中，所述用户接口304主要用于为用户提供输入的接口，获取用户输入的数据，其可以包括显示端和摄像端；可选的，所述用户接口304还可以包括标准的有线接口、无线接口。
其中，所述网络接口303可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，所述通信总线305用于实现这些组件之间的连接通信。
其中，所述处理器301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个电子设备300内的各个部分，通过运行或执行存储在存储器302内的指令、程序、代码集或指令集，以及调用存储在存储器302内的数据，执行电子设备300的各种功能和处理数据。可选的，处理器301可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器301可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器301中，单独通过一块芯片进行实现。
其中，存储器302可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器302包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器302可用于存储指令、程序、代码、代码集或指令集。存储器302可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器302可选的还可以是至少一个位于远离前述处理器301的存储装置。如图13所示，作为一种计算机存储介质的存储器302中可以包括操作系统、网络通信模块、用户。
所述处理器301可以用于调用存储器302中存储的杆塔巡检照片分类方法的应用程序，并具体执行以下操作：获取所有巡检照片以及所述巡检照片对应的坐标；根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标；获取待分类的杆塔和所述杆塔对应的坐标；用于根据聚类中心的坐标和所述杆塔的坐标，确定与所述杆塔的距离最小的聚类，并将该聚类下的所有巡检照片归类为所述杆塔的巡检照片。
本发明实施例通过对巡检照片的坐标进行聚类，并将与待分类的杆塔距离最小的聚类中心所在的聚类的所有照片分类到该杆塔内，提高了分类效率和分类精度，可以防止由于存在杆塔坐标缺失或者杆塔坐标异常，而导致出现分类异常的现象。
所述巡检照片的坐标是本申请进行分类的基础，因此，对于所述巡检照片还需要判断其是否具有坐标信息，具体的，在本申请的一个示例性实施例中，所述处理器301执行获取所有巡检照片以及所述巡检照片对应的坐标的操作后，还包括执行：获取巡检照片的格式类型，在所述巡检照片的格式类型为JPG格式或者TIF格式时，读取坐标或者进行坐标转换；在所述巡检照片的格式类型不是JPG格式和TIF格式时，提示无法进行分类的信息；在所述巡检照片的格式类型为JPG格式时，解析所述巡检图片的头文件；若所述巡检图片的头文件中包括GPS坐标信息，则读取所述GPS坐标信息，获得所述巡检照片对应的坐标；若所述巡检图片的头文件中不包括GPS坐标信息，提示无法进行分类的信息；在所述巡检照片的格式类型为TIF格式时，获取所述巡检图片的坐标参数，并根据所述巡检图片的坐标参数，获得所述巡检照片对应的坐标。
所述坐标参数包括所述巡检照片的长宽参数、坐标仿射变换参数和椭球参数；所述处理器301执行根据所述巡检图片的坐标参数，获得所述巡检照片对应的坐标的操作时，包括执行：获取所述巡检照片的长宽参数和坐标仿射变换参数；根据所述坐标仿射变换参数和长宽参数，获得所述巡检照片中心点的投影坐标；获取所述巡检照片的椭球参数；根据所述椭球参数，将所述巡检照片中心点的投影坐标转换为WGS84坐标系下的经纬度，并将转换后的坐标确定为所述巡检照片对应的坐标。
在本发明的一个示例性实施例中，由于可能存在杆塔坐标缺失或者杆塔坐标异常，直接针对每一个照片分类可能存在分类异常且无法获取异常的分类结果，为了解决此类问题，通过对杆塔坐标进行聚类的方法进行处理，提高分类精度，具体的，所述处理器301执行根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标的操作时，包括执行：从所有所述巡检照片的坐标中选取一个坐标作为初始坐标；遍历所有所述巡检照片的坐标，将与所述初始坐标的距离小于预设搜索距离的坐标归类到一聚类点集中；从所述聚类点集中逐个选取坐标作为聚类坐标，分别将与所述聚类坐标的距离小于预设搜索距离而未存入聚类点集的坐标归类到所述聚类点集中，完成一个聚类；判断当前是否存在未聚类的坐标，若存在未聚类的坐标，则从未聚类的坐标中选取一个坐标作为初始坐标，继续进行聚类；若不存在未聚类的坐标，则判断完成聚类；确定聚类后的所述巡检照片，并根据所述巡检照片对应的坐标，获得每个聚类的聚类中心的坐标。
一般地，待分类的杆塔的坐标系与巡检照片的坐标系不同，因此，需要将待分类的杆塔的坐标系转换到与巡检照片的坐标系一致的坐标系，具体的，在本申请的一个示例性实施例中，所述处理器301执行获取待分类的杆塔和所述杆塔对应的坐标的操作之后，还包括执行：在待分类的所述杆塔的坐标系与所述巡检照片的坐标系一致时，确定与待分类的所述杆塔对应的坐标的距离最小的聚类中心的坐标；在待分类的所述杆塔的坐标系与所述巡检照片的坐标系不一致时，进行坐标系转换；将待分类的所述杆塔的坐标转换为大地坐标；通过七参数将转换的杆塔的大地坐标转换到WGS84椭球坐标；将转换后的杆塔的WGS84椭球坐标转换为UTM投影坐标。
在本发明的一个示例性实施例中，由于杆塔数目较多，在对照片分类过程中需要计算每类聚类中心的坐标到所有杆塔的最近距离，假设杆塔数量为N，聚类数目为M，则在不进行索引的情况下需要计算和比较的计算复杂度为M*N，在没有选取线路的条件下杆塔数量极多，因此计算复杂度特别高，由此产生计算效率下降，计算耗时长的问题，为了解决该问题需要对杆塔坐标进行索引以提高检索效率，可以通过KD树对杆塔坐标进行索引，具体的，所述处理器301执行获取待分类的杆塔和所述杆塔对应的坐标的操作之后，还包括执行：根据多个所述杆塔的坐标的横坐标x与纵坐标y的方差确定是以x轴还是以y轴进行划分，并确定出划分阈；将多个所述杆塔的坐标按照所述划分阈进行排序，并找到中值，且根据所述中值将多个所述杆塔划分为两个部分；对划分为两个部分的所述杆塔按照上述步骤进行递归划分处理，直到所有数据杆塔都被分到唯一的一个数据集中。
在本发明的一个示例性实施例中，所述处理器301还包括执行：提取异常的分类结果；修正异常的分类结果和修正杆塔坐标。
具体的，所述异常修正模块包括用于：获取存在异常的聚类，计算距离该聚类的中心最近的两个聚类的聚类中心，如果该两个聚类中心都被正确分类，则根据该两个聚类中心所在的杆塔按照杆塔序号，推算获得异常分类的聚类中心所在的杆塔坐标；如果该两个聚类中心也存在未被正确分类的聚类，则继续寻找最近被正确分类的聚类，直到获取到正确聚类后根据杆塔坐标顺序进行重新分类并对杆塔坐标进行修正。
实施例4
本申请还提供一种计算机可读存储介质，其上储存有计算机程序，所述指令适于由处理器加载并执行上述所示实施例的方法步骤，具体执行过程可以参见实施例1所示的具体说明，在此不进行赘述。所述存储介质所在设备可以是个人计算机、笔记本电脑、智能手机、平板电脑等电子设备。
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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发明实施例的方法、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选定的功能的装置。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选定的功能。
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选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种杆塔巡检照片分类方法，其特征在于，包括如下步骤：
步骤S101：获取所有巡检照片以及所述巡检照片对应的坐标；
步骤S102：根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标；
步骤S103：获取待分类的杆塔和所述杆塔对应的坐标；
步骤S104：根据聚类中心的坐标和所述杆塔的坐标，确定与所述杆塔的距离最小的聚类，并将该聚类下的所有巡检照片归类为所述杆塔的巡检照片。
2.根据权利要求1所述的杆塔巡检照片分类方法，其特征在于，在步骤S102中，根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标的步骤包括：
步骤S1021：从所有所述巡检照片的坐标中选取一个坐标作为初始坐标；
步骤S1022：遍历所有所述巡检照片的坐标，将与所述初始坐标的距离小于预设搜索距离的坐标归类到一聚类点集中；
步骤S1023：从所述聚类点集中逐个选取坐标作为聚类坐标，分别将与所述聚类坐标的距离小于预设搜索距离而未存入聚类点集的坐标归类到所述聚类点集中，完成一个聚类；
步骤S1024：判断当前是否存在未聚类的坐标，若存在未聚类的坐标，则从未聚类的坐标中选取一个坐标作为初始坐标，执行步骤S1022；若不存在未聚类的坐标，执行步骤S1025；
步骤S1025：确定聚类后的所述巡检照片，并根据所述巡检照片对应的坐标，获得每个聚类的聚类中心的坐标。
3.根据权利要求1所述的杆塔巡检照片分类方法，其特征在于，所述方法还包括如下步骤：
步骤S1011：获取巡检照片的格式类型，在所述巡检照片的格式类型为JPG格式或者TIF格式时，执行步骤S1012；在所述巡检照片的格式类型不是JPG格式和TIF格式时，提示无法进行分类的信息；
步骤S1012：在所述巡检照片的格式类型为JPG格式时，解析所述巡检图片的头文件；若所述巡检图片的头文件中包括GPS坐标信息，则读取所述GPS坐标信息，获得所述巡检照片对应的坐标；若所述巡检图片的头文件中不包括GPS坐标信息，提示无法进行分类的信息；
步骤S1013：在所述巡检照片的格式类型为TIF格式时，获取所述巡检图片的坐标参数，并根据所述巡检图片的坐标参数，获得所述巡检照片对应的坐标。
4.根据权利要求3所述的杆塔巡检照片分类方法，其特征在于，所述巡检图片的坐标参数包括所述巡检图片的长宽参数、坐标仿射变换参数和椭球参数；步骤S1013中，根据所述巡检图片的坐标参数，获得所述巡检照片对应的坐标的步骤，包括：
步骤S10131：获取所述巡检照片的长宽参数和坐标仿射变换参数；
步骤S10132：根据所述坐标仿射变换参数和长宽参数，获得所述巡检照片中心点的投影坐标；
步骤S10133：获取所述巡检照片的椭球参数；
步骤S10134：根据所述椭球参数，将所述巡检照片中心点的投影坐标转换为WGS84坐标系下的经纬度，并将转换后的坐标确定为所述巡检照片对应的坐标。
5.根据权利要求1所述的杆塔巡检照片分类方法，其特征在于，所述方法还包括如下步骤：
步骤S10311：在待分类的所述杆塔的坐标系与所述巡检照片的坐标系一致时，执行步骤S104；在待分类的所述杆塔的坐标系与所述巡检照片的坐标系不一致时，执行步骤S10312；
步骤S10312：将待分类的所述杆塔的坐标转换为大地坐标；通过七参数将转换的杆塔的大地坐标转换到WGS84椭球坐标；将转换后的杆塔的WGS84椭球坐标转换为UTM投影坐标。
6.根据权利要求1所述的杆塔巡检照片分类方法，其特征在于，步骤S103中获取多个杆塔的坐标的步骤之后，还包括：
步骤S10321：根据多个所述杆塔的坐标的横坐标x与纵坐标y的方差确定是以x轴还是以y轴进行划分，并确定出划分阈；
步骤S10322：将多个所述杆塔的坐标按照所述划分阈进行排序，并找到中值，且根据所述中值将多个所述杆塔划分为两个部分；
步骤S10323：对划分为两个部分的所述杆塔按照上述步骤进行递归划分处理，直到所有数据杆塔都被分到唯一的一个数据集中。
7.一种杆塔巡检照片分类装置，其特征在于，包括：
巡检照片坐标获取模块，用于获取所有巡检照片以及所述巡检照片对应的坐标；
聚类模块，用于根据所述巡检照片的坐标对所有所述巡检照片进行聚类，获得每个聚类的聚类中心的坐标；
杆塔坐标获取模块，用于获取待分类的杆塔和所述杆塔对应的坐标；
分类模块，用于根据聚类中心的坐标和所述杆塔的坐标，确定与所述杆塔的距离最小的聚类，并将该聚类下的所有巡检照片归类为所述杆塔的巡检照片。
8.根据权利要求7所述的杆塔巡检照片分类装置，其特征在于，所述聚类模块包括：
初始坐标确定模块，用于从所有所述巡检照片的坐标中选取一个坐标作为初始坐标；
聚类点集获取模块，用于遍历所有所述巡检照片的坐标，将与所述初始坐标的距离小于预设搜索距离的坐标归类到一聚类点集中；
聚类确定模块，用于从所述聚类点集中逐个选取坐标作为聚类坐标，分别将与所述聚类坐标的距离小于预设搜索距离而未存入聚类点集的坐标归类到所述聚类点集中，完成一个聚类；
判断模块，用于判断当前是否存在未聚类的坐标，若存在未聚类的坐标，则从未聚类的坐标中选取一个坐标作为初始坐标，继续进行聚类；若不存在未聚类的坐标，则判断完成聚类；
聚类中心确定模块，用于确定聚类后的所述巡检照片，并根据所述巡检照片对应的坐标，获得每个聚类的聚类中心的坐标。
9.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至6中任意一项所述的杆塔巡检照片分类方法。
10.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的杆塔巡检照片分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010279789.4A CN111488829A (zh) | 2020-04-10 | 2020-04-10 | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010279789.4A CN111488829A (zh) | 2020-04-10 | 2020-04-10 | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111488829A true CN111488829A (zh) | 2020-08-04 |
Family
ID=71794715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010279789.4A Pending CN111488829A (zh) | 2020-04-10 | 2020-04-10 | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111488829A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112445765A (zh) * | 2020-12-01 | 2021-03-05 | 国网福建省电力有限公司电力科学研究院 | 基于智能手机app的架空线路无人机巡检图片分拣命名方法 |
| CN113762132A (zh) * | 2021-09-01 | 2021-12-07 | 国网浙江省电力有限公司金华供电公司 | 一种无人机巡检图像自动归类与自动命名系统 |
| JP2022112102A (ja) * | 2021-01-21 | 2022-08-02 | 株式会社三井Ｅ＆Ｓマシナリー | 撮影画像分類装置及び撮影画像分類方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070115373A1 (en) * | 2005-11-22 | 2007-05-24 | Eastman Kodak Company | Location based image classification with map segmentation |
| WO2007067521A1 (en) * | 2005-12-05 | 2007-06-14 | Siemens Corporate Research, Inc. | Use of sequential clustering for instance selection in machine condition monitoring |
| CN106547814A (zh) * | 2016-09-23 | 2017-03-29 | 广西电网有限责任公司电力科学研究院 | 一种输电线路无人机巡检图像的结构化自动归档方法 |
| CN110390031A (zh) * | 2019-06-28 | 2019-10-29 | 深圳市商汤科技有限公司 | 信息处理方法及装置、图像设备及存储介质 |
| CN110832918A (zh) * | 2017-06-30 | 2020-02-21 | Oppo广东移动通信有限公司 | 用户位置识别方法、装置、存储介质及电子设备 |
-
2020
- 2020-04-10 CN CN202010279789.4A patent/CN111488829A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070115373A1 (en) * | 2005-11-22 | 2007-05-24 | Eastman Kodak Company | Location based image classification with map segmentation |
| WO2007067521A1 (en) * | 2005-12-05 | 2007-06-14 | Siemens Corporate Research, Inc. | Use of sequential clustering for instance selection in machine condition monitoring |
| CN106547814A (zh) * | 2016-09-23 | 2017-03-29 | 广西电网有限责任公司电力科学研究院 | 一种输电线路无人机巡检图像的结构化自动归档方法 |
| CN110832918A (zh) * | 2017-06-30 | 2020-02-21 | Oppo广东移动通信有限公司 | 用户位置识别方法、装置、存储介质及电子设备 |
| CN110390031A (zh) * | 2019-06-28 | 2019-10-29 | 深圳市商汤科技有限公司 | 信息处理方法及装置、图像设备及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112445765A (zh) * | 2020-12-01 | 2021-03-05 | 国网福建省电力有限公司电力科学研究院 | 基于智能手机app的架空线路无人机巡检图片分拣命名方法 |
| CN112445765B (zh) * | 2020-12-01 | 2022-06-07 | 国网福建省电力有限公司电力科学研究院 | 基于智能手机app的架空线路无人机巡检图片分拣命名方法 |
| JP2022112102A (ja) * | 2021-01-21 | 2022-08-02 | 株式会社三井Ｅ＆Ｓマシナリー | 撮影画像分類装置及び撮影画像分類方法 |
| JP7442467B2 (ja) | 2021-01-21 | 2024-03-04 | 株式会社三井E&S | 撮影画像分類装置及び撮影画像分類方法 |
| CN113762132A (zh) * | 2021-09-01 | 2021-12-07 | 国网浙江省电力有限公司金华供电公司 | 一种无人机巡检图像自动归类与自动命名系统 |
| CN113762132B (zh) * | 2021-09-01 | 2024-07-16 | 国网浙江省电力有限公司金华供电公司 | 一种无人机巡检图像自动归类与自动命名系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210216830A1 (en) | Content tagging | |
| CN111488829A (zh) | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 | |
| CN116188821B (zh) | 版权检测方法、系统、电子设备和存储介质 | |
| CN111832447B (zh) | 建筑图纸构件识别方法、电子设备及相关产品 | |
| US8706711B2 (en) | Descriptor storage and searches of k-dimensional trees | |
| WO2018171412A1 (zh) | 一种行人检索方法及装置 | |
| CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
| KR102376912B1 (ko) | 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법 | |
| CN112818162B (zh) | 图像检索方法、装置、存储介质和电子设备 | |
| CN104765877B (zh) | 一种照片处理方法及系统 | |
| CN113723157B (zh) | 一种农作物病害识别方法、装置、电子设备及存储介质 | |
| CN113820333B (zh) | 电池极片异常检测方法、装置、上位机及检测系统 | |
| CN112613380A (zh) | 一种机房巡检方法、装置及电子设备、存储介质 | |
| CN115909059A (zh) | 一种自然资源样本库建立方法和装置 | |
| CN107315984B (zh) | 一种行人检索的方法及装置 | |
| CN111832579B (zh) | 地图兴趣点数据处理方法、装置、电子设备以及可读介质 | |
| US20170178329A1 (en) | Determining values of angular gauges | |
| CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
| CN111343416B (zh) | 一种分布式图像分析方法、系统及存储介质 | |
| CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN117556079A (zh) | 遥感影像内容检索方法、装置、电子设备及介质 | |
| CN113313110A (zh) | 一种车牌类型识别模型构建及车牌类型识别方法 | |
| CN114705178A (zh) | 一种基于视频轨迹与mac数据的目标分析方法 | |
| CN113762292B (zh) | 一种训练数据获取方法、装置及模型训练方法、装置 | |
| CN111143626A (zh) | 团伙识别方法、装置、设备及计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |