CN111738188A - 一种输电线路压接金具识别方法、装置、终端及存储介质 - Google Patents
一种输电线路压接金具识别方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111738188A CN111738188A CN202010603011.4A CN202010603011A CN111738188A CN 111738188 A CN111738188 A CN 111738188A CN 202010603011 A CN202010603011 A CN 202010603011A CN 111738188 A CN111738188 A CN 111738188A
- Authority
- CN
- China
- Prior art keywords
- crimping
- sample image
- crimping hardware
- hardware
- fitting
- 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.)
- Granted
Links
- 238000002788 crimping Methods 0.000 title claims abstract description 199
- 230000005540 biological transmission Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000007689 inspection Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 33
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 18
- 229910052782 aluminium Inorganic materials 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 13
- 239000010931 gold Substances 0.000 claims description 13
- 229910052737 gold Inorganic materials 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 6
- 210000001503 joint Anatomy 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical group C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种输电线路压接金具识别方法、装置、终端及存储介质,其中方法包括:基于拍摄到的巡检图像,对巡检图像进行特征提取,得到压接金具结构特征和背景输电设备特征;基于背景输电设备特征,确定压接金具的装配位置,结合预置的压接金具装配位置对照信息,得到压接金具的初分类结果;将初分类结果和压接金具结构特征输入至预置的压接金具识别模型,根据压接金具识别模型的输出结果获得压接金具的识别结果。本申请基于初分类结果和压接金具的结构特征,通过神经网络模型识别,解决了现有的输电线路压接金具识别方式效率低的技术问题。
Description
技术领域
本申请涉及电力巡检技术领域,尤其涉及一种输电线路压接金具识别方法。
背景技术
目前,压接金具是实现特高压输电线路远距离不间断输电的主要手段,常用的压接金具包括耐压线夹以及接续管等,随着电网的快速发展,电压等级越来越高,输电线路越来越密集,输电线路上的压接金具使用量也大幅增加,使得压接金具的性能缺陷也成为影响电网安全稳定运行的重要因素。
由于输电线路压接金具型号种类繁多,不同型号的对应的不同的检测标准,且目前压接金具的识别方式还依赖于人工识别,导致现有的输电线路压接金具识别方式效率低的技术问题。
发明内容
本申请提供了一种输电线路压接金具识别方法、装置、终端及存储介质,用于解决现有的输电线路压接金具识别方式效率低的技术问题。
首先,本申请第一方面提供了一种输电线路压接金具识别方法,包括:
基于拍摄到的巡检图像,对所述巡检图像进行特征提取,得到压接金具结构特征和背景输电设备特征;
基于所述背景输电设备特征,确定所述压接金具的装配位置,结合预置的压接金具装配位置对照信息,得到所述压接金具的初分类结果;
将所述初分类结果和所述压接金具结构特征输入至预置的压接金具识别模型,根据所述压接金具识别模型的输出结果获得所述压接金具的识别结果。
优选地,所述压接金具识别模型的构建过程具体包括:
获取压接金具样本图像,对所述压接金具样本图像进行特征提取,得到第一样本图像特征,所述第一样本图像特征为正样本图像特征;
将所述第一样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型。
优选地,所述将所述正样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型之后还包括:
基于对所述压接金具识别模型的校验,以获取压接金具误检结果,并从所述压接金具误检结果中提取第二样本图像特征,所述第二样本图像特征为负样本图像特征;
将所述第二样本图像特征输入至所述压接金具识别模型,对所述压接金具识别模型进行优化训练,以得到优化后的压接金具识别模型。
优选地,所述压接金具样本图像具体包括:耐张线夹样本图像和接续管样本图像;
所述耐张线夹样本图像具体包括:钢芯铝绞线耐张线夹样本图像、铝合金芯铝绞线耐张线夹样本图像、复合芯导线耐张线夹样本图像和地线耐张线夹样本图像;
所述接续管样本图像具体包括:搭接式接续管样本图像、对接式接续管样本图像、碳纤维芯导线直线接续管样本图像。
其次,本申请第二方面提供了一种输电线路压接金具识别装置,包括:
特征提取单元,用于基于拍摄到的巡检图像,对所述巡检图像进行特征提取,得到压接金具结构特征和背景输电设备特征;
初分类单元,用于基于所述背景输电设备特征,确定所述压接金具的装配位置,结合预置的压接金具装配位置对照信息,得到所述压接金具的初分类结果;
压接金具识别单元,用于将所述初分类结果和所述压接金具结构特征输入至预置的压接金具识别模型,根据所述压接金具识别模型的输出结果获得所述压接金具的识别结果。
优选地,还包括:
第一样本特征提取单元,用于获取压接金具样本图像,对所述压接金具样本图像进行特征提取,得到第一样本图像特征,所述第一样本图像特征为正样本图像特征;
模型训练单元,用于将所述第一样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型。
优选地,还包括:
第二样本特征提取单元,用于基于对所述压接金具识别模型的校验,以获取压接金具误检结果,并从所述压接金具误检结果中提取第二样本图像特征,所述第二样本图像特征为负样本图像特征;
二次训练单元,用于将所述第二样本图像特征输入至所述压接金具识别模型,对所述压接金具识别模型进行优化训练,以得到优化后的压接金具识别模型。
优选地,所述压接金具样本图像具体包括:耐张线夹样本图像和接续管样本图像;
所述耐张线夹样本图像具体包括:钢芯铝绞线耐张线夹样本图像、铝合金芯铝绞线耐张线夹样本图像、复合芯导线耐张线夹样本图像和地线耐张线夹样本图像;
所述接续管样本图像具体包括:搭接式接续管样本图像、对接式接续管样本图像、碳纤维芯导线直线接续管样本图像。
本申请第三方面提供了一种终端,存储器和处理器;
所述存储器用于存储与本申请第一方面所述的输电线路压接金具识别方法相对应的程序代码;
所述处理器用于执行所述程序代码。
本申请第四方面提供了一种存储介质,所述存储介质中保存有与本申请第一方面所述的输电线路压接金具识别方法相对应的程序代码。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种输电线路压接金具识别方法,包括:基于拍摄到的巡检图像,对所述巡检图像进行特征提取,得到压接金具结构特征和背景输电设备特征;基于所述背景输电设备特征,确定所述压接金具的装配位置,结合预置的压接金具装配位置对照信息,得到所述压接金具的初分类结果;将所述初分类结果和所述压接金具结构特征输入至预置的压接金具识别模型,根据所述压接金具识别模型的输出结果获得所述压接金具的识别结果。
本申请基于无人机拍摄的巡检图像,从巡检图像中提取压接金具的图像特征,基于图像特征中的背景输电设备特征得到所述压接金具的初分类结果,然后再基于初分类结果和压接金具的结构特征,通过神经网络模型进一步识别,实现了输电线路压接金具的机器识别,解决了现有的输电线路压接金具识别方式效率低的技术问题。
附图说明
为了更清楚地说明本申请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性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种输电线路压接金具识别方法的第一个实施例的流程示意图;
图2为本申请提供的一种输电线路压接金具识别方法的第二个实施例的流程示意图;
图3为本申请提供的一种输电线路压接金具识别装置的第一个实施例的结构示意图。
具体实施方式
本申请实施例提供了一种输电线路压接金具识别方法、装置、终端及存储介质,用于解决现有的输电线路压接金具识别方式效率低的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。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,都属于本申请保护的范围。
请参阅图1,本申请第一个实施例提供了一种输电线路压接金具识别方法,包括:
步骤101、基于拍摄到的巡检图像,对巡检图像进行特征提取,得到压接金具结构特征和背景输电设备特征。
需要说明的是,基于用无人机进行线路巡检使拍下的巡检图像,对巡检图像中的压接金具和背景设备进行图像特征提取,分别得到压接金具结构特征和背景输电设备特征。
步骤102、基于背景输电设备特征,确定压接金具的装配位置,结合预置的压接金具装配位置对照信息,得到压接金具的初分类结果。
接着,基于上述步骤得到的背景输电设备特征进行图像识别,确定该压接金具的装配位置,即该压接金具具体装配在什么设施上,结合预置的压接金具装配位置对照信息,得到压接金具的初分类结果,例如耐张线夹只会出现在耐张塔型中,而且耐张线夹一般位于各相位的大小号侧、地线位置,而接续管一般位于线行中,若识别到该压接金具是装配在线缆上,则可以确定该压接金具的初分类结果为接续管。
步骤103、将初分类结果和压接金具结构特征输入至预置的压接金具识别模型,根据压接金具识别模型的输出结果获得压接金具的识别结果。
再接着,基于上述步骤的初分类结果,如上述的示例的初分类结果——接续管,将初分类结果和压接金具结构特征输入至预置的压接金具识别模型,根据压接金具识别模型的输出结果,以获得压接金具的识别结果,即确定该压接金具具体属于哪种类型接续管。
本申请实施例基于无人机拍摄的巡检图像,从巡检图像中提取压接金具的图像特征,基于图像特征中的背景输电设备特征得到压接金具的初分类结果,然后再基于初分类结果和压接金具的结构特征,通过神经网络模型进一步识别,实现了输电线路压接金具的机器识别,解决了现有的输电线路压接金具识别方式效率低的技术问题。
以上为本申请提供的一种输电线路压接金具识别方法的第一个实施例的详细说明,下面为本申请提供的一种输电线路压接金具识别方法的第二个实施例的详细说明。
请参阅图2,在上述第一个实施例的基础上,本申请第二个实施例提供了一种输电线路压接金具识别方法。
在步骤101之前,第一个实施例的步骤103中提及的压接金具识别模型的构建过程具体包括:
步骤201、获取压接金具样本图像,对压接金具样本图像进行特征提取,得到第一样本图像特征,第一样本图像特征为正样本图像特征。
步骤202、将第一样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型。
需要说明的是,首先,获取压接金具样本图像,这些样本图像可以是已经进行过预处理的已标注样本图像,然后可以基于预处理的标注结果对压接金具样本图像进行特征提取,得到第一样本图像特征,第一样本图像特征为正样本图像特征,将第一样本图像特征输入卷积神经网络模型进行训练,当训练到模型精度符合预设要求时,即可得到压接金具识别模型。
其中,在模型训练阶段主要针对已经标注好的数据利用深度学习算法进行训练,在训练时采用基于Faster RCNN的算法,算法主要的流程包括:
1)特征提取,主要对输入的图片进行基于卷积神经网络的特征提取,常用的采用VGG网络进行特征提取;
2)区域建议网络,将步骤得到的特征信息输入到区域建议网络,得到一系列的建议框,指的是一系列可能存在目标框坐标,实现目标定位的功能。
3)分类和bbox回归,主要实现对步骤二得到的建议位置进行分类和目标框的回归计算,得到精度更高的框坐标,最终实现目标定位和目标类型确定。
步骤203、基于对压接金具识别模型的校验,以获取压接金具误检结果,并从压接金具误检结果中提取第二样本图像特征,第二样本图像特征为负样本图像特征。
步骤204、将第二样本图像特征输入至压接金具识别模型,对压接金具识别模型进行优化训练,以得到优化后的压接金具识别模型。
需要说明的是,因为在进行标注的时候标注的都是正样本,在第一次训练时是没有负样本加入的,为了让训练集具备更强的鲁棒性,当第一次模型训练结束后,利用训练出来的模型对训练集进行检测,通过检测会出现一些误报的图片,将这些误报的目标也加入到训练集中,从而让训练集中既包含正样本也加入识别出来的误报作为负样本进行补充,达到既输送给算法正样本,也输送给算法负样本,从而提升模型训练的精度。
其中,压接金具样本图像具体包括:耐张线夹样本图像和接续管样本图像;
耐张线夹样本图像具体包括:钢芯铝绞线耐张线夹样本图像、铝合金芯铝绞线耐张线夹样本图像、复合芯导线耐张线夹样本图像和地线耐张线夹样本图像;
接续管样本图像具体包括:搭接式接续管样本图像、对接式接续管样本图像、碳纤维芯导线直线接续管样本图像。
以上为本申请提供的一种输电线路压接金具识别方法的第二个实施例的详细说明,下面为本申请提供的一种输电线路压接金具识别装置的第一个实施例的详细说明。
请参阅图3,本申请第三个实施例提供了一种输电线路压接金具识别装置,包括:
特征提取单元301,用于基于拍摄到的巡检图像,对巡检图像进行特征提取,得到压接金具结构特征和背景输电设备特征;
初分类单元302,用于基于背景输电设备特征,确定压接金具的装配位置,结合预置的压接金具装配位置对照信息,得到压接金具的初分类结果;
压接金具识别单元303,用于将初分类结果和压接金具结构特征输入至预置的压接金具识别模型,根据压接金具识别模型的输出结果获得压接金具的识别结果。
进一步地,还包括:
第一样本特征提取单元304,用于获取压接金具样本图像,对压接金具样本图像进行特征提取,得到第一样本图像特征,第一样本图像特征为正样本图像特征;
模型训练单元305,用于将第一样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型。
进一步地,还包括:
第二样本特征提取单元306,用于基于对压接金具识别模型的校验,以获取压接金具误检结果,并从压接金具误检结果中提取第二样本图像特征,第二样本图像特征为负样本图像特征;
二次训练单元307,用于将第二样本图像特征输入至压接金具识别模型,对压接金具识别模型进行优化训练,以得到优化后的压接金具识别模型。
进一步地,压接金具样本图像具体包括:耐张线夹样本图像和接续管样本图像;
耐张线夹样本图像具体包括:钢芯铝绞线耐张线夹样本图像、铝合金芯铝绞线耐张线夹样本图像、复合芯导线耐张线夹样本图像和地线耐张线夹样本图像;
接续管样本图像具体包括:搭接式接续管样本图像、对接式接续管样本图像、碳纤维芯导线直线接续管样本图像。
以上为本申请提供的一种输电线路压接金具识别装置的第一个实施例的详细说明,下面为本申请提供的一种终端和一种存储介质的第一个实施例的详细说明。
本申请第四个实施例提供了一种终端,存储器和处理器;
存储器用于存储与本申请第一个实施例或第二个实施例提及的输电线路压接金具识别方法相对应的程序代码;
处理器用于执行程序代码。
本申请第五个实施例提供了一种存储介质,存储介质中保存有与第一个实施例或第二个实施例提及的输电线路压接金具识别方法相对应的程序代码。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种输电线路压接金具识别方法,其特征在于,包括:
基于拍摄到的巡检图像,对所述巡检图像进行特征提取,得到压接金具结构特征和背景输电设备特征;
基于所述背景输电设备特征,确定所述压接金具的装配位置,结合预置的压接金具装配位置对照信息,得到所述压接金具的初分类结果;
将所述初分类结果和所述压接金具结构特征输入至预置的压接金具识别模型,根据所述压接金具识别模型的输出结果获得所述压接金具的识别结果。
2.根据权利要求1所述的一种输电线路压接金具识别方法,其特征在于,所述压接金具识别模型的构建过程具体包括:
获取压接金具样本图像,对所述压接金具样本图像进行特征提取,得到第一样本图像特征,所述第一样本图像特征为正样本图像特征;
将所述第一样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型。
3.根据权利要求2所述的一种输电线路压接金具识别方法,其特征在于,所述将所述正样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型之后还包括:
基于对所述压接金具识别模型的校验,以获取压接金具误检结果,并从所述压接金具误检结果中提取第二样本图像特征,所述第二样本图像特征为负样本图像特征;
将所述第二样本图像特征输入至所述压接金具识别模型,对所述压接金具识别模型进行优化训练,以得到优化后的压接金具识别模型。
4.根据权利要求3所述的一种输电线路压接金具识别方法,其特征在于,所述压接金具样本图像具体包括:耐张线夹样本图像和接续管样本图像;
所述耐张线夹样本图像具体包括:钢芯铝绞线耐张线夹样本图像、铝合金芯铝绞线耐张线夹样本图像、复合芯导线耐张线夹样本图像和地线耐张线夹样本图像;
所述接续管样本图像具体包括:搭接式接续管样本图像、对接式接续管样本图像、碳纤维芯导线直线接续管样本图像。
5.一种输电线路压接金具识别装置,其特征在于,包括:
特征提取单元,用于基于拍摄到的巡检图像,对所述巡检图像进行特征提取,得到压接金具结构特征和背景输电设备特征;
初分类单元,用于基于所述背景输电设备特征,确定所述压接金具的装配位置,结合预置的压接金具装配位置对照信息,得到所述压接金具的初分类结果;
压接金具识别单元,用于将所述初分类结果和所述压接金具结构特征输入至预置的压接金具识别模型,根据所述压接金具识别模型的输出结果获得所述压接金具的识别结果。
6.根据权利要求5所述的一种输电线路压接金具识别装置,其特征在于,还包括:
第一样本特征提取单元,用于获取压接金具样本图像,对所述压接金具样本图像进行特征提取,得到第一样本图像特征,所述第一样本图像特征为正样本图像特征;
模型训练单元,用于将所述第一样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型。
7.根据权利要求6所述的一种输电线路压接金具识别装置,其特征在于,所述将所述正样本图像特征输入卷积神经网络模型进行训练,以获得训练后的压接金具识别模型之后还包括:
第二样本特征提取单元,用于基于对所述压接金具识别模型的校验,以获取压接金具误检结果,并从所述压接金具误检结果中提取第二样本图像特征,所述第二样本图像特征为负样本图像特征;
二次训练单元,用于将所述第二样本图像特征输入至所述压接金具识别模型,对所述压接金具识别模型进行优化训练,以得到优化后的压接金具识别模型。
8.根据权利要求7所述的一种输电线路压接金具识别装置,其特征在于,所述压接金具样本图像具体包括:耐张线夹样本图像和接续管样本图像;
所述耐张线夹样本图像具体包括:钢芯铝绞线耐张线夹样本图像、铝合金芯铝绞线耐张线夹样本图像、复合芯导线耐张线夹样本图像和地线耐张线夹样本图像;
所述接续管样本图像具体包括:搭接式接续管样本图像、对接式接续管样本图像、碳纤维芯导线直线接续管样本图像。
9.一种终端,其特征在于,存储器和处理器;
所述存储器用于存储与权利要求1至4任意一项所述的输电线路压接金具识别方法相对应的程序代码;
所述处理器用于执行所述程序代码。
10.一种存储介质,其特征在于,所述存储介质中保存有与权利要求1至4任意一项所述的输电线路压接金具识别方法相对应的程序代码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603011.4A CN111738188B (zh) | 2020-06-29 | 2020-06-29 | 一种输电线路压接金具识别方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603011.4A CN111738188B (zh) | 2020-06-29 | 2020-06-29 | 一种输电线路压接金具识别方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738188A true CN111738188A (zh) | 2020-10-02 |
CN111738188B CN111738188B (zh) | 2024-07-19 |
Family
ID=72651653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010603011.4A Active CN111738188B (zh) | 2020-06-29 | 2020-06-29 | 一种输电线路压接金具识别方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738188B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118009888A (zh) * | 2024-04-08 | 2024-05-10 | 深圳市明谋科技有限公司 | 一种线缆压接的视觉检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
CN103777954A (zh) * | 2014-01-26 | 2014-05-07 | 国家电网公司 | 一种信息处理方法以及装置 |
CN106557778A (zh) * | 2016-06-17 | 2017-04-05 | 北京市商汤科技开发有限公司 | 通用物体检测方法和装置、数据处理装置和终端设备 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
-
2020
- 2020-06-29 CN CN202010603011.4A patent/CN111738188B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
CN103777954A (zh) * | 2014-01-26 | 2014-05-07 | 国家电网公司 | 一种信息处理方法以及装置 |
CN106557778A (zh) * | 2016-06-17 | 2017-04-05 | 北京市商汤科技开发有限公司 | 通用物体检测方法和装置、数据处理装置和终端设备 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
Non-Patent Citations (1)
Title |
---|
LANFANG KONG ET AL.: ""Context Semantics for Small Target Detection in Large-Field Images with Two Cascaded Faster RCNNs "", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》, vol. 1069, 24 June 2018 (2018-06-24), pages 1 - 6 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118009888A (zh) * | 2024-04-08 | 2024-05-10 | 深圳市明谋科技有限公司 | 一种线缆压接的视觉检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111738188B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705405B (zh) | 目标标注的方法及装置 | |
CN111858869B (zh) | 一种数据匹配方法、装置、电子设备和存储介质 | |
CN108664981B (zh) | 显著图像提取方法及装置 | |
CN109409272B (zh) | 基于机器视觉的电缆验收系统和方法 | |
CN111054080B (zh) | 智能检测透视外挂方法、装置、设备及其存储介质 | |
CN107907775B (zh) | 接线检测方法及接线检测装置 | |
CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
CN109344864B (zh) | 用于密集物体的图像处理方法及装置 | |
CN110646425B (zh) | 一种烟叶在线辅助定级方法及系统 | |
CN111414948B (zh) | 目标对象检测方法和相关装置 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN112183224B (zh) | 用于图像识别的模型训练方法、图像识别方法和装置 | |
CN111225299A (zh) | 一种onu故障识别、修复方法和装置 | |
CN111738188A (zh) | 一种输电线路压接金具识别方法、装置、终端及存储介质 | |
CN113538411A (zh) | 一种绝缘子缺陷检测方法及装置 | |
CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN113947567B (zh) | 基于多任务学习的缺陷检测方法 | |
CN114693554B (zh) | 一种大数据图像处理方法及系统 | |
CN116403229A (zh) | 一种基于多模态对抗对比学习的谣言鉴别方法及装置 | |
CN110874602A (zh) | 一种图像识别方法及装置 | |
CN115424253A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
CN115661904A (zh) | 数据标注和域适应模型训练方法、装置、设备及介质 | |
CN116129208A (zh) | 图像质量评估及其模型训练方法、装置及电子设备 | |
CN113946703A (zh) | 一种图片漏检处理方法及其相关装置 | |
CN111768378A (zh) | 一种压接金具带电检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |