CN111637839A - 数字化覆冰厚度测量装置及测量方法 - Google Patents
数字化覆冰厚度测量装置及测量方法 Download PDFInfo
- Publication number
- CN111637839A CN111637839A CN202010485943.3A CN202010485943A CN111637839A CN 111637839 A CN111637839 A CN 111637839A CN 202010485943 A CN202010485943 A CN 202010485943A CN 111637839 A CN111637839 A CN 111637839A
- Authority
- CN
- China
- Prior art keywords
- image
- icing
- outer contour
- ice coating
- appearance
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种数字化覆冰厚度测量装置及测量方法,包括获取覆冰图像,并根据所述覆冰图像确定其外形特征;将所述外形特征划分成多个网格,以确定电线外轮廓;将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度。
Description
技术领域
本发明涉及测量装置技术领域,特别涉及一种数字化覆冰厚度测量装置及测量方法。
背景技术
电线在寒冷地区会积累冰雪,从而在电线上形成各种类型的冰雪,在相关技术中,使用者需要携带多种工具对冰雪从电线上剔除,以便于测算冰雪的厚度,然而,该操作需要大量人力物力,并且效率较低。
发明内容
本发明的目的在于提供一种数字化覆冰厚度测量装置及测量方法,解决现有技术中测算冰雪的操作效率较低的问题。
为解决上述技术问题,本发明采用如下技术方案:
根据本发明的一个方面,本发明提供一种数字化覆冰厚度测量方法,包括:获取覆冰图像,并根据所述覆冰图像确定其外形特征;将所述外形特征划分成多个网格,以确定电线外轮廓;将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度。
可选的,所述获取覆冰图像,并根据所述覆冰图像确定其外形特征,包括:采集所述覆冰的动态图;将所述覆冰的动态图逐一形成多帧图像;各所述图像与预设图像进行一致性比对,以确定所述覆冰图像;根据所述覆冰图像确定其外形特征。
可选的,所述各所述图像与预设图像进行一致性比对,以确定所述覆冰图像,包括:获得所述图像的外轮廓和所述预设图像的外轮廓;将所述图像的外轮廓和所述预设图像的外轮廓进行叠合,并计算所述图像的外轮廓和所述预设图像的外轮廓的距离;当所述距离达到预设距离阀值时,则确定所述覆冰图像。
可选的,所述各所述图像与预设图像进行一致性比对,以确定所述覆冰图像,还包括:当所述距离未达到预设距离阀值时,则调整所述图像的外轮廓,其中,所述图像的外轮廓通过拟合优化和加权调整进行调整。
可选的,所述将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度,包括:所述外形特征的外轮廓按比对度进行拟合;将拟合后的外形特征输入预设的种类学习模型,该种类学习模型通过多个预设的外形特征训练而成;当所述拟合后的外形特征与所述预设的外形特征之间的相似度大于预设的相似度阀值,则确定覆冰类型和密度。
可选的,所述外形特征的外轮廓按比对度进行拟合,还包括:遍历所述外形特征的外轮廓,并将所述外形特征的外轮廓均匀地分拆成图块;将各所述图块的比对度进行对比,并以轮廓中心的图块为准以调整其他图块。
根据本公开的一方面,提供了一种数字化覆冰厚度测量装置,包括:获取模块,用于获取覆冰图像,并根据所述覆冰图像确定其外形特征;第一确定模块,用于将所述外形特征划分成多个网格,以确定电线外轮廓;第二确定模块,用于将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;第三确定模块,用于根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;第四确定模型,用于获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度。
根据本公开的一方面,提供了一种计算机可读程序介质,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行根据上述的方法。
根据本公开的一方面,提供了一种电子装置,包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现上述的方法。
由上述技术方案可知,本发明实施例至少具有如下优点和积极效果:
在本发明的一些实施例所提供的技术方案中,获取覆冰图像,并根据所述覆冰图像确定其外形特征;将所述外形特征划分成多个网格,以确定电线外轮廓;将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度,其中,获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度,该覆冰的实际厚度能够根据环境参数进行调整,且能够从覆冰图像直接测算厚度,从而提高厚度测算的便捷性和效率。
附图说明
图1是根据一示例性实施例示出的一种数字化覆冰厚度测量方法的流程图。
图2是根据一示例性实施例示出的根据所述覆冰图像确定其外形特征的基本流程图。
图3是根据一示例性实施例示出的确定所述覆冰图像的基本流程图。
图4是根据一示例性实施例示出的确定覆冰类型和密度的基本流程图。
图5是根据一示例性实施例示出的调整其他图块的基本流程图。
图6是根据一示例性实施例示出的一种数字化覆冰厚度测量装置框图。
图7是根据一示例性实施例示出的一种电子装置的硬件图。
图8是根据一示例性实施例示出的一种数字化覆冰厚度测量方法的计算机可读存储介质。
具体实施方式
体现本发明特征与优点的典型实施方式将在以下的说明中详细叙述。应理解的是本发明能够在不同的实施方式上具有各种的变化,其皆不脱离本发明的范围,且其中的说明及图示在本质上是当作说明之用,而非用以限制本发明。
电线在寒冷地区会积累冰雪,从而在电线上形成各种类型的冰雪,在相关技术中,使用者需要携带多种工具对冰雪从电线上剔除,以便于测算冰雪的厚度,然而,该操作需要大量人力物力,并且效率较低。
根据本公开的一个实施例,提供了一种数字化覆冰厚度测量方法,如图1所示,该数字化覆冰厚度测量方法,包括:
步骤S110、获取覆冰图像,并根据所述覆冰图像确定其外形特征;
步骤S120、将所述外形特征划分成多个网格,以确定电线外轮廓;
步骤S130、将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;
步骤S140、根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;
步骤S150、获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度。
在本发明的一些实施例中,基于前述方案,获取覆冰图像,并根据所述覆冰图像确定其外形特征;将所述外形特征划分成多个网格,以确定电线外轮廓;将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度,其中,获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度,该覆冰的实际厚度能够根据环境参数进行调整,且能够从覆冰图像直接测算厚度,从而提高厚度测算的便捷性和效率。
下面对这些步骤进行详细描述。
如图2所示,在步骤S110中,获取覆冰图像,并根据所述覆冰图像确定其外形特征;
步骤S110还包括:
S1111、采集所述覆冰的动态图;
S1112、将所述覆冰的动态图逐一形成多帧图像;
S1113、各所述图像与预设图像进行一致性比对,以确定所述覆冰图像;
S1114、根据所述覆冰图像确定其外形特征。
在S1111中,采集所述覆冰的动态图可以从电脑载入图像,也可以现场拍摄的图像。
在S1112中,对所述覆冰的动态图进行分帧处理,以形成多帧图像,其中,多帧图像之间进行对比,以便于选择较佳的参照图像。
在S1113中,各所述图像与预设图像进行一致性比对,以确定所述覆冰图像,通过一致性比对便于选择最终的覆冰图像,降低多帧图像中的误差,以提高后续比对的准确度。
如图3所示,步骤S1113包括:
S11131、获得所述图像的外轮廓和所述预设图像的外轮廓;
S11132、将所述图像的外轮廓和所述预设图像的外轮廓进行叠合,并计算所述图像的外轮廓和所述预设图像的外轮廓的距离;
S11133、当所述距离达到预设距离阀值时,则确定所述覆冰图像。
上述操作通过将所述图像的外轮廓和所述预设图像的外轮廓进行叠合,以计算所述图像的外轮廓和所述预设图像的外轮廓的距离,通过距离与距离阀值的比较确定最终图像,以提高最终图像的准确度。
另外,在所述覆冰图像摘录其外形特征,该外形特征可选的为覆冰图像的外轮廓或局部有效区域,以便于进一步比对。
在S1113中还包括:
S1114、当所述距离未达到预设距离阀值时,则调整所述图像的外轮廓,其中,所述图像的外轮廓通过拟合优化和加权调整进行调整。
在距离小于距离阀值时,进一步优化图像的外轮廓,通过拟合优化和加权调整进行调整图像的外轮廓,以修正图像的外轮廓,使得图像的外轮廓能够与距离阀值进一步地比对。
在步骤S120中,将所述外形特征划分成多个网格,以确定电线外轮廓;通过网格化划分所述外形特征,并将所述外形特征的外轮廓鲜明地体现出来,从而降低其他网格的影响,以提高电线外轮廓的准确度。
如图4所示,在步骤S130中,将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度。
步骤S130包括:
S131、所述外形特征的外轮廓按比对度进行拟合;
S132、将拟合后的外形特征输入预设的种类学习模型,该种类学习模型通过多个预设的外形特征训练而成;
S133、当所述拟合后的外形特征与所述预设的外形特征之间的相似度大于预设的相似度阀值,则确定覆冰类型和密度。
通过种类学习模型能够对所述外形特征进行有效地分类,以便于确定覆冰类型和密度,其中,增加所述拟合后的外形特征与所述预设的外形特征之间的相似度和预设的相似度阀值的比对,有效地提高比对的准确度。s
另外,所述外形特征的外轮廓按比对度进行拟合,有效地避免边缘的锐化,以提高所述外形特征的外轮廓的质量。
如图5所示,在S131中还包括:
S1311、遍历所述外形特征的外轮廓,并将所述外形特征的外轮廓均匀地分拆成图块;
S1312、将各所述图块的比对度进行对比,并以轮廓中心的图块为准以调整其他图块。
通过比对度进行调整,并且以轮廓中心的图块为准以调整其他图块,从而便于提高其他图块与中心图块的关联度,从而提高图像的质量。
在S131中,根据所述覆冰图像确定其外形特征。获取覆冰图像,并根据所述覆冰图像确定其外形特征;将所述外形特征划分成多个网格,以确定电线外轮廓;将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度,其中,获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度,该覆冰的实际厚度能够根据环境参数进行调整,且能够从覆冰图像直接测算厚度,从而提高厚度测算的便捷性和效率。
如图6所示,在一个实施例中,所述数字化覆冰厚度测量装置200还包括:
获取模块210,用于获取覆冰图像,并根据所述覆冰图像确定其外形特征;
第一确定模块220,用于将所述外形特征划分成多个网格,以确定电线外轮廓;
第二确定模块230,用于将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;
第三确定模块240,用于根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;
第四确定模型250,用于获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度。
下面参照图7来描述根据本发明的这种实施方式的电子设备40。图4显示的电子设备40仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于:上述至少一个处理单元41、上述至少一个存储单元42、连接不同系统组件(包括存储单元42和处理单元41)的总线43。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元41执行,使得所述处理单元41执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元42可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)421和/或高速缓存存储单元422,还可以进一步包括只读存储单元(ROM)423。
存储单元42还可以包括具有一组(至少一个)程序模块425的程序/实用工具424,这样的程序模块425包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线43可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备40也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备40交互的设备通信,和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且,电子设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器46通过总线43与电子设备40的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备40使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开一个实施例,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品50,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限。
Claims (9)
1.一种数字化覆冰厚度测量方法,其特征在于,包括:
获取覆冰图像,并根据所述覆冰图像确定其外形特征;
将所述外形特征划分成多个网格,以确定电线外轮廓;
将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;
根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;
获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度。
2.如权利要求1所述的数字化覆冰厚度测量方法,其特征在于,所述获取覆冰图像,并根据所述覆冰图像确定其外形特征,包括:
采集所述覆冰的动态图;
将所述覆冰的动态图逐一形成多帧图像;
各所述图像与预设图像进行一致性比对,以确定所述覆冰图像;
根据所述覆冰图像确定其外形特征。
3.如权利要求2所述的数字化覆冰厚度测量方法,其特征在于,所述各所述图像与预设图像进行一致性比对,以确定所述覆冰图像,包括:
获得所述图像的外轮廓和所述预设图像的外轮廓;
将所述图像的外轮廓和所述预设图像的外轮廓进行叠合,并计算所述图像的外轮廓和所述预设图像的外轮廓的距离;
当所述距离达到预设距离阀值时,则确定所述覆冰图像。
4.如权利要求3所述的数字化覆冰厚度测量方法,其特征在于,所述各所述图像与预设图像进行一致性比对,以确定所述覆冰图像,还包括:
当所述距离未达到预设距离阀值时,则调整所述图像的外轮廓,其中,所述图像的外轮廓通过拟合优化和加权调整进行调整。
5.如权利要求1所述的数字化覆冰厚度测量方法,其特征在于,所述将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度,包括:
所述外形特征的外轮廓按比对度进行拟合;
将拟合后的外形特征输入预设的种类学习模型,该种类学习模型通过多个预设的外形特征训练而成;
当所述拟合后的外形特征与所述预设的外形特征之间的相似度大于预设的相似度阀值,则确定覆冰类型和密度。
6.如权利要求1所述的数字化覆冰厚度测量方法,其特征在于,所述外形特征的外轮廓按比对度进行拟合,还包括:
遍历所述外形特征的外轮廓,并将所述外形特征的外轮廓均匀地分拆成图块;
将各所述图块的比对度进行对比,并以轮廓中心的图块为准以调整其他图块。
7.一种数字化覆冰厚度测量装置,其特征在于,包括:
获取模块,用于获取覆冰图像,并根据所述覆冰图像确定其外形特征;
第一确定模块,用于将所述外形特征划分成多个网格,以确定电线外轮廓;
第二确定模块,用于将所述外形特征输入预设的种类学习模型,以确定覆冰类型和密度;
第三确定模块,用于根据所述外形特征和所述电线外轮廓计算所述覆冰的表面积,且基于所述覆冰类型和所述密度确定所述覆冰厚度;
第四确定模型,用于获取所述覆冰的环境参数,将所述覆冰的环境参数和所述覆冰厚度输入值厚度学习模型,以确定所述覆冰的实际厚度。
8.一种计算机可读程序介质,其特征在于,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行根据权利要求1至6中任一项所述的方法。
9.一种电子装置,其特征在于,包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485943.3A CN111637839A (zh) | 2020-06-01 | 2020-06-01 | 数字化覆冰厚度测量装置及测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485943.3A CN111637839A (zh) | 2020-06-01 | 2020-06-01 | 数字化覆冰厚度测量装置及测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111637839A true CN111637839A (zh) | 2020-09-08 |
Family
ID=72328354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010485943.3A Pending CN111637839A (zh) | 2020-06-01 | 2020-06-01 | 数字化覆冰厚度测量装置及测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111637839A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101709954A (zh) * | 2009-12-11 | 2010-05-19 | 北京航空航天大学 | 一种基于机器视觉技术的架空线路覆冰在线监测装置 |
CN102679935A (zh) * | 2012-03-02 | 2012-09-19 | 凯里供电局 | 一种计算输电线路覆冰厚度的系统及其方法 |
CN103453867A (zh) * | 2013-09-09 | 2013-12-18 | 国家电网公司 | 输电线路覆冰厚度监测方法 |
CN104166776A (zh) * | 2014-08-29 | 2014-11-26 | 南京理工大学 | 一种基于ansys的输电线路导线找形方法 |
CN104655030A (zh) * | 2015-02-16 | 2015-05-27 | 国网安徽省电力公司铜陵供电公司 | 一种输电线路覆冰检测与预警装置 |
CN104809727A (zh) * | 2015-04-24 | 2015-07-29 | 西安工程大学 | 一种输电导线覆冰形状的自动识别方法 |
CN106407994A (zh) * | 2016-09-29 | 2017-02-15 | 武汉大学 | 一种利用Hough变换与函数拟合的导线覆冰厚度图像识别方法 |
CN107607439A (zh) * | 2017-08-22 | 2018-01-19 | 西安工程大学 | 一种输电导线覆冰类型自动识别装置及识别方法 |
CN108229371A (zh) * | 2017-12-29 | 2018-06-29 | 西安工程大学 | 基于冰形建模的输电导线横截面覆冰形状识别方法 |
CN109325956A (zh) * | 2018-08-15 | 2019-02-12 | 国网河南省电力公司电力科学研究院 | 一种基于图像处理的输电导线覆冰截面特征提取方法 |
CN110702015A (zh) * | 2019-09-26 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 输电线路覆冰厚度测量方法及装置 |
CN110853089A (zh) * | 2019-09-30 | 2020-02-28 | 安徽南瑞继远电网技术有限公司 | 一种基于多因素的模拟导线覆冰厚度算法 |
-
2020
- 2020-06-01 CN CN202010485943.3A patent/CN111637839A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101709954A (zh) * | 2009-12-11 | 2010-05-19 | 北京航空航天大学 | 一种基于机器视觉技术的架空线路覆冰在线监测装置 |
CN102679935A (zh) * | 2012-03-02 | 2012-09-19 | 凯里供电局 | 一种计算输电线路覆冰厚度的系统及其方法 |
CN103453867A (zh) * | 2013-09-09 | 2013-12-18 | 国家电网公司 | 输电线路覆冰厚度监测方法 |
CN104166776A (zh) * | 2014-08-29 | 2014-11-26 | 南京理工大学 | 一种基于ansys的输电线路导线找形方法 |
CN104655030A (zh) * | 2015-02-16 | 2015-05-27 | 国网安徽省电力公司铜陵供电公司 | 一种输电线路覆冰检测与预警装置 |
CN104809727A (zh) * | 2015-04-24 | 2015-07-29 | 西安工程大学 | 一种输电导线覆冰形状的自动识别方法 |
CN106407994A (zh) * | 2016-09-29 | 2017-02-15 | 武汉大学 | 一种利用Hough变换与函数拟合的导线覆冰厚度图像识别方法 |
CN107607439A (zh) * | 2017-08-22 | 2018-01-19 | 西安工程大学 | 一种输电导线覆冰类型自动识别装置及识别方法 |
CN108229371A (zh) * | 2017-12-29 | 2018-06-29 | 西安工程大学 | 基于冰形建模的输电导线横截面覆冰形状识别方法 |
CN109325956A (zh) * | 2018-08-15 | 2019-02-12 | 国网河南省电力公司电力科学研究院 | 一种基于图像处理的输电导线覆冰截面特征提取方法 |
CN110702015A (zh) * | 2019-09-26 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 输电线路覆冰厚度测量方法及装置 |
CN110853089A (zh) * | 2019-09-30 | 2020-02-28 | 安徽南瑞继远电网技术有限公司 | 一种基于多因素的模拟导线覆冰厚度算法 |
Non-Patent Citations (3)
Title |
---|
刘国华: "《HALCON编程及工程应用》", 31 October 2019, 西安电子科技大学出版社 * |
谢剑斌 等: "《视觉感知与智能视频监控》", 31 March 2012, 国防科技大学出版社 * |
邓超 等: "《数字图像处理与模式识别研究》", 30 June 2018, 地质出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN108335694B (zh) | 远场环境噪声处理方法、装置、设备和存储介质 | |
CN112287986B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN113870334B (zh) | 深度检测方法、装置、设备以及存储介质 | |
CN110929564B (zh) | 基于对抗网络的指纹模型生成方法以及相关装置 | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
CN113936132B (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN108615006B (zh) | 用于输出信息的方法和装置 | |
CN111753870B (zh) | 目标检测模型的训练方法、装置和存储介质 | |
CN112200238A (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
CN115239655A (zh) | 一种甲状腺超声影像肿瘤分割分类方法及装置 | |
CN109492697B (zh) | 图片检测网络训练方法及图片检测网络训练装置 | |
CN114386580A (zh) | 决策模型训练、决策方法、装置、电子设备及存储介质 | |
CN113869599A (zh) | 鱼类疫病发展预测方法、系统、设备及介质 | |
CN117116290B (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
CN113409307A (zh) | 基于异质噪声特性的图像去噪方法、设备及介质 | |
CN111637839A (zh) | 数字化覆冰厚度测量装置及测量方法 | |
CN115169089A (zh) | 基于核密度估计和copula的风电功率概率预测方法和装置 | |
CN113032071A (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
CN112861940A (zh) | 双目视差估计方法、模型训练方法以及相关设备 | |
CN113392861A (zh) | 模型训练方法、地图绘制方法、装置、计算机设备和介质 | |
CN117152344B (zh) | 基于照片重建点云的隧道围岩结构面解析方法及系统 | |
CN115630131B (zh) | 一种轨迹数据时空切片方法、系统及电子设备 | |
CN112396648B (zh) | 一种可定位目标物质心的目标识别方法和系统 |
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: 20200908 |