CN111738312A - 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质 - Google Patents

基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111738312A
CN111738312A CN202010502748.7A CN202010502748A CN111738312A CN 111738312 A CN111738312 A CN 111738312A CN 202010502748 A CN202010502748 A CN 202010502748A CN 111738312 A CN111738312 A CN 111738312A
Authority
CN
China
Prior art keywords
transmission line
power transmission
scene
gis
virtual
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
Application number
CN202010502748.7A
Other languages
English (en)
Other versions
CN111738312B (zh
Inventor
李宁
邹伟华
陈炜
王玄
杨佳睿
马玉慧
马聪慧
莫如军
杨庭栋
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.)
Nanjing Youkuo Electrical Technology Co ltd
State Grid Ningxia Electric Power Co Ltd
Original Assignee
Nanjing Youkuo Electrical Technology Co ltd
State Grid Ningxia 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 Nanjing Youkuo Electrical Technology Co ltd, State Grid Ningxia Electric Power Co Ltd filed Critical Nanjing Youkuo Electrical Technology Co ltd
Priority to CN202010502748.7A priority Critical patent/CN111738312B/zh
Publication of CN111738312A publication Critical patent/CN111738312A/zh
Application granted granted Critical
Publication of CN111738312B publication Critical patent/CN111738312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提出基于GIS和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质，所述方法包括步骤：采用GIS技术绘制输电线路分布地图，并导入输电线路节点坐标，在输电线路分布地图上为每个输电线路节点坐标创建虚拟图标；采集每个输电线路节点的环境图像数据，并描述为指定格式的场景描述文件；对场景描述文件进行存储，并为场景描述文件与虚拟图标之间建立关联；用户选中虚拟图标时，获取所述虚拟图标所有关联的描述文件进行场景重建，将重建的输电线路场景通过显示设备显示给用户。本发明将GIS技术和虚拟现实技术相融合，能够提供整个输电线路分布的信息图，提供灵活简单的监测方式。

Description

基于GIS和虚拟现实融合的输电线状态监控方法、装置及计算 机可读存储介质
技术领域
本发明涉及输电线路维护技术领域，尤其是基于GIS和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质。
背景技术
我国高压输电线路具有覆盖面广、点多、线长的特点，因此输电线路维护工作是保障输电线路正常工作的重中之重。在危害输电线路的因素中，比较多的有鸟害、覆冰、垃圾等杂物缠绕以及高大的施工车辆刮碰等，这些都会导致输电线发生故障甚至损毁。通常只能通过多次巡检来及时发现这些隐患，以前是通过人工巡逻，但由于输电线路中有部分架设的位置比较特殊，不易于人工观察，因此近年来逐渐通过机器代替人工巡逻，例如在输电线塔杆上安装摄像头，或者通过无人机巡航采集输电线路环境信息，维护人员只需要在后台监控即可。
但是，目前的监控设施中，一般都是通过在输电线路上选取一些观察点设置视频或图像采集装置，通过这些采集装置采集输电线路环境图像，然后传递到后台，由后台监控人员进行监控。这些监控视频一般是一个观测点在一台显示器上显示，或者几个观测点分为几个显示窗口在同一个显示器上显示，显示时也只能显示一个角度的环境信息，若在其他角度发生异常就很难监控到。而且，监控起来需要监控人员明确知道哪个显示器显示的是哪个位置的输电线路环境，若要切换显示对象还要先从当前画面里退出去，然后重新选取对象信息，非常不便，工作量非常大，因此一个监控工作人员通常只能负责某一段输电线路或者某一片区域的输电线路监控。
另一方面，在监控过程中，对与输电线路环境中的异物还是需要人力进行分辩，工作量巨大，且容易出现错漏，若能实现根据采集到的输电线路环境信息进行异物的自动识别和分别，则能够大大节省输电线路维护人员的工作量，并且相较于人工检测，自动检测能够提高检测的准确度。
发明内容
发明目的：为克服现有技术的缺陷，本发明提出基于GIS和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质。
技术方案：本发明提出的技术方案为：
基于GIS和虚拟现实融合的输电线状态监控方法，包括步骤：
(1)采用GIS技术绘制输电线路分布地图，并导入输电线路节点坐标，在每个节点坐标处设置输电线路环境信息采集装置；
(2)在输电线路分布地图上为每个输电线路节点坐标创建虚拟图标；
(3)通过输电线路环境信息采集装置采集每个输电线路节点全方位的环境图像数据，将采集到的环境图像数据通过虚拟场景建模软件规定的语句描述为指定格式的场景描述文件；
(4)对场景描述文件进行存储，并记录描述文件的采集时间和相关场景的坐标；
(5)为场景描述文件与虚拟图标之间建立关联；
(6)当用户选中虚拟图标时，获取所述虚拟图标所有关联的描述文件，由用户选取所需描述文件导入虚拟场景建模软件进行场景重建，重建后将描述文件从虚拟场景建模软件本地删除；
(7)将重建的输电线路场景通过显示设备显示给用户。
进一步的，所述场景描述文件存储之前，为每个描述文件生成一个唯一的关于场景坐标和采集时间的ID；以所述ID为key，以所述描述文件记载的数据为value，将所述描述文件存储在分布式数据库中。
进一步的，所述虚拟图标包括图像、动画和文字。
进一步的，所述基于GIS和虚拟现实融合的输电线状态监控方法还包括步骤：
将重建的场景图像数据输入预先训练好的用于环境中异物识别的神经网络模型，通过所述神经网络模型对环境中的异物进行识别；当识别出异物时，向用户显示异物类型并发出预警。
进一步的，所述异物包括施工车辆、飞鸟和漂浮物。
进一步的，所述神经网络为Faster RCNN网络模型，所述Faster RCNN网络模型包括特征提取网络、区域生成网络和目标检测器；特征提取网络提取输入的输电线路环境图像的特征图像feature map；区域生成网络根据特征图像feature map生成异物候选框；目标检测器中的ROI池化层将异物候选框映射到特征图像feature map上，得到每个异物候选框的低维特征；这些低维特征送入目标检测器的全连接层进行回归和分类，得到异物的边框坐标和分类结果。
进一步的，所述损失函数为：
Figure BDA0002524192370000031
其中，Imgin表示输入图像，Ncls为前景总数，pi表示预测出第i个异物候选框对应类别的概率，
Figure BDA0002524192370000032
为预测出第i个异物候选框为对应的真实边框的概率，ti表示第i个异物候选框的坐标信息，
Figure BDA0002524192370000033
为对应的真实边框的坐标信息；
Figure BDA0002524192370000034
为分类损失函数，
Figure BDA0002524192370000035
为边框回归损失函数，λ为平衡参数。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现所述的基于GIS和虚拟现实融合的输电线状态监控方法。
本发明还提出一种装置，所述装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现所述的基于GIS和虚拟现实融合的输电线状态监控方法。
有益效果：与现有技术相比，本发明具有以下优势：
1、本发明将GIS技术和虚拟现实技术相融合，能够提供整个输电线路分布的信息图，通过在GIS地图中导入输电线路节点坐标设置检测点，十分灵活和方便；
2、本发明能够部署于监控中心并同时为多个用户提供服务，用户只需选取所要观测的输电线路节点，即可调用该节点所有的场景描述文件，且所述场景描述文件中环境数据为全方位的环境数据，通过即时对场景描述文件进行虚拟场景建模，即可得到输电线路节点当前全角度的环境图像，给监测人员提供良好的视觉图像信息；
3、本发明中场景切换只需要通过点击虚拟图标即可，非常灵活方便；
4、本发明中进行虚拟场景的即时重建后将描述文件从虚拟场景建模软件本地删除，不会占用本地系统内存；
5、本发明可调用往期描述文件，查看输电线路节点往期环境，以便形成对比；
6、本发明提供基于神经网络的环境中异物自动识别机制，利用神经网络具有记忆的特性采用训练好的神经网络提取不同异物的特征，并进行分类，最后输出不同异物的轮廓和类别。通过本发明提供的技术方案，可以自动对采集到的输电线路环境图像中的异物进行识别，无需输电线路检修人员在后台长时间的监控输电线路环境监控视屏，在很大程度上节省了输电线路监测人员的工作量。
附图说明
图1为本发明实施例所涉及的基于GIS和虚拟现实融合的输电线状态监控方法的流程图；
图2为本发明实施例所涉及的装置的结构图；
图3为本发明实施例所涉及的基于Faster RCNN识别输电线路环境中异物的流程图。
具体实施方式
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是，本发明可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本发明限制于所说明的具体实施例。
应当理解的是，在技术上可行的情况下，以上针对不同实施例所列举的技术特征可以相互组合，从而形成本发明范围内的另外的实施例。此外，本发明所述的特定示例和实施例是非限制性的，并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。
本实施例提出一种基于GIS和虚拟现实融合的输电线状态监控方法，其流程如图1所示，包括步骤：
(1)采用GIS技术绘制输电线路分布地图，并导入输电线路节点坐标，在每个节点坐标处设置输电线路环境信息采集装置；
(2)在输电线路分布地图上为每个输电线路节点坐标创建虚拟图标；
(3)通过输电线路环境信息采集装置采集每个输电线路节点全方位的环境图像数据，将采集到的环境图像数据通过虚拟场景建模软件规定的语句描述为指定格式的场景描述文件；
(4)对场景描述文件进行存储，并记录描述文件的采集时间和相关场景的坐标；
(5)为场景描述文件与虚拟图标之间建立关联；
(6)当用户选中虚拟图标时，获取所述虚拟图标所有关联的描述文件，由用户选取所需描述文件导入虚拟场景建模软件进行场景重建，重建后将描述文件从虚拟场景建模软件本地删除；
(7)将重建的输电线路场景通过显示设备显示给用户。
在所述步骤(1)中，输电线路节点坐标可根据所要监测的输电线路区域来进行自由选取，任何可能的选取方式都应纳入本发明的保护范围。
在所述步骤(1)中，所述输电线路环境信息采集装置包括摄像头、带有摄像功能的无人机等固定的或移动的具有同等功能的装置和设备。在同一个输电线路节点可多角度布设输电线路环境信息采集装置以获得全方位的输电线路环境图像数据。
在所述步骤(2)中，所述虚拟图标包括图像、动画和文字。
在所述步骤(3)中，所述虚拟场景建模软件优选为VRML系统，通过VRML所要求的语句格式描述采集到的环境图像数据描述场景描述文件，然后通过VRML进行场景建模，并通过浏览器进行虚拟场景呈现。
在所述步骤(5)中，可以根据需求建立场景描述文件与虚拟图标之间的关联：
可以选择一个虚拟图标只对应一个场景描述文件，例如，从所有场景描述文件中选取坐标与虚拟图标相应的输电线路节点坐标最接近的一个场景描述文件，将这个场景描述文件与虚拟图标之间建立关联；
也可以选择一个虚拟图标对应多个场景描述文件，例如，根据虚拟图标对应的输电线路节点坐标设置一个区域范围，所有坐标落入这个区域范围内的场景描述文件都要建立与这个虚拟图标之间的关联。
在所述步骤(6)中，用户选中虚拟图标的方式不进行限定，例如点击、长按、短按、滑动等方式都可以，所有能够选中一个图标的方式都应纳入本发明的保护范围。在获取所述虚拟图标所有关联的描述文件后，用户可以根据自己的需求选取场景描述文件，选取的场景描述文件导入虚拟场景建模软件进行场景重建，重建后将描述文件从虚拟场景建模软件本地删除，避免占用本地内存，以便保证本地系统的处理速度。
在所述步骤(7)中，将重建的输电线路场景通过显示设备显示给用户。这里的显示设备包括但不限于：电脑显示器、手机、平板电脑。
优选的，所述场景描述文件存储之前，为每个描述文件生成一个唯一的关于场景坐标和采集时间的ID；以所述ID为key，以所述描述文件记载的数据为value，将所述描述文件存储在分布式数据库中。
进一步的，所述基于GIS和虚拟现实融合的输电线状态监控方法还包括步骤：
将重建的场景图像数据输入预先训练好的用于环境中异物识别的神经网络模型，通过所述神经网络模型对环境中的异物进行识别；当识别出异物时，向用户显示异物类型并发出预警。
在本实施里中，优选Faster RCNN模型作为神经网络模型，Faster RCNN网络模型包括特征提取网络、区域生成网络和目标检测器，通过Faster RCNN识别输电线路环境异物的流程如图3所示：特征提取网络提取输入的输电线路环境图像的特征图像feature map；区域生成网络根据特征图像feature map生成异物候选框；目标检测器中的ROI池化层将异物候选框映射到特征图像feature map上，得到每个异物候选框的低维特征；这些低维特征送入目标检测器的全连接层进行回归和分类，得到异物的边框坐标和分类结果。
这里的异物包括施工车辆、飞鸟和漂浮物，具体可以根据需求设置，其他可设置的选项也应纳入本发明的保护范围中。
所述Faster RCNN网络模型的训练过程如下：
数据收集：从拍摄到的输电线路环境图像中选取10000张图片，将图片归一化至所述Faster RCNN网络输入层规定的大小，然后在归一化后的图片上将图中的异物框出，并添加标记，这个标记包括异物边框的坐标和异物类别；
神经网络训练：将添加标记的图片送入Faster RCNN网络并通过tensorflow框架训练网络，直到损失函数的值满足阈值条件。在本实施例中，所述损失函数为：
Figure BDA0002524192370000061
其中，Imgin表示输入图像，Ncls为前景总数，pi表示预测出第i个异物候选框对应类别的概率，
Figure BDA0002524192370000062
为预测出第i个异物候选框为对应的真实边框的概率，ti表示第i个异物候选框的坐标信息，
Figure BDA0002524192370000063
为对应的真实边框的坐标信息；
Figure BDA0002524192370000064
为分类损失函数，
Figure BDA0002524192370000065
为边框回归损失函数，λ为平衡参数。
本实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现所述的基于GIS和虚拟现实融合的输电线状态监控方法。
本实施例还提出一种装置，所述装置的结构如图2所示，包括存储器1和处理器2，所述存储器1用于存储至少一个指令，所述处理器2用于执行所述至少一个指令以实现所述的基于GIS和虚拟现实融合的输电线状态监控方法。
通过采用上述技术方案，本发明至少具有以下有益效果：
1、本发明将GIS技术和虚拟现实技术相融合，能够提供整个输电线路分布的信息图，通过在GIS地图中导入输电线路节点坐标设置检测点，十分灵活和方便；
2、本发明能够部署于监控中心并同时为多个用户提供服务，用户只需选取所要观测的输电线路节点，即可调用该节点所有的场景描述文件，且所述场景描述文件中环境数据为全方位的环境数据，通过即时对场景描述文件进行虚拟场景建模，即可得到输电线路节点当前全角度的环境图像，给监测人员提供良好的视觉图像信息；
3、本发明中场景切换只需要通过点击虚拟图标即可，非常灵活方便；
4、本发明中进行虚拟场景的即时重建后将描述文件从虚拟场景建模软件本地删除，不会占用本地系统内存；
5、本发明可调用往期描述文件，查看输电线路节点往期环境，以便形成对比；
6、本发明提供基于神经网络的环境中异物自动识别机制，利用神经网络具有记忆的特性采用训练好的神经网络提取不同异物的特征，并进行分类，最后输出不同异物的轮廓和类别。通过本发明提供的技术方案，可以自动对采集到的输电线路环境图像中的异物进行识别，无需输电线路检修人员在后台长时间的监控输电线路环境监控视屏，在很大程度上节省了输电线路监测人员的工作量。
上述实施例，特别是任何“优选”施例，是实施方式的可能示例，并且仅仅为了清楚理解本发明的原理而提出。在基本上不脱离本发明描述的技术的精神和原理的情况下，可以对上述实施例做出许多变化和修改，这些变化和修改也应视为本发明的保护范围。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.基于GIS和虚拟现实融合的输电线状态监控方法，其特征在于，包括步骤：
(1)采用GIS技术绘制输电线路分布地图，并导入输电线路节点坐标，在每个节点坐标处设置输电线路环境信息采集装置；
(2)在输电线路分布地图上为每个输电线路节点坐标创建虚拟图标；
(3)通过输电线路环境信息采集装置采集每个输电线路节点全方位的环境图像数据，将采集到的环境图像数据通过虚拟场景建模软件规定的语句描述为指定格式的场景描述文件；
(4)对场景描述文件进行存储，并记录描述文件的采集时间和相关场景的坐标；
(5)为场景描述文件与虚拟图标之间建立关联；
(6)当用户选中虚拟图标时，获取所述虚拟图标所有关联的描述文件，由用户选取所需描述文件导入虚拟场景建模软件进行场景重建，重建后将描述文件从虚拟场景建模软件本地删除；
(7)将重建的输电线路场景通过显示设备显示给用户。
2.根据权利要求1所述的基于GIS和虚拟现实融合的输电线状态监控方法，其特征在于，所述场景描述文件存储之前，为每个描述文件生成一个唯一的关于场景坐标和采集时间的ID；以所述ID为key，以所述描述文件记载的数据为value，将所述描述文件存储在分布式数据库中。
3.根据权利要求1所述的基于GIS和虚拟现实融合的输电线状态监控方法，其特征在于，所述虚拟图标包括图像、动画和文字。
4.根据权利要求1所述的基于GIS和虚拟现实融合的输电线状态监控方法，其特征在于，还包括步骤：
将重建的场景图像数据输入预先训练好的用于环境中异物识别的神经网络模型，通过所述神经网络模型对环境中的异物进行识别；当识别出异物时，向用户显示异物类型并发出预警。
5.根据权利要求4所述的基于GIS和虚拟现实融合的输电线状态监控方法，其特征在于，所述异物包括施工车辆、飞鸟和漂浮物。
6.根据权利要求4所述的基于GIS和虚拟现实融合的输电线状态监控方法，其特征在于，所述神经网络为Faster RCNN网络模型，所述Faster RCNN网络模型包括特征提取网络、区域生成网络和目标检测器；特征提取网络提取输入的输电线路环境图像的特征图像feature map；区域生成网络根据特征图像feature map生成异物候选框；目标检测器中的ROI池化层将异物候选框映射到特征图像feature map上，得到每个异物候选框的低维特征；这些低维特征送入目标检测器的全连接层进行回归和分类，得到异物的边框坐标和分类结果。
7.根据权利要求6所述的基于Faster RCNN的输电线路环境中异物识别方法，其特征在于，所述损失函数为：
Figure FDA0002524192360000021
其中，Imgin表示输入图像，Ncls为前景总数，pi表示预测出第i个异物候选框对应类别的概率，
Figure FDA0002524192360000022
为预测出第i个异物候选框为对应的真实边框的概率，ti表示第i个异物候选框的坐标信息，
Figure FDA0002524192360000023
为对应的真实边框的坐标信息；
Figure FDA0002524192360000024
为分类损失函数，
Figure FDA0002524192360000025
为边框回归损失函数，λ为平衡参数。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现如权利要求1至7任意一项所述的基于GIS和虚拟现实融合的输电线状态监控方法。
9.一种装置，其特征在于，所述装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现如权利要求1至9任意一项所述的基于GIS和虚拟现实融合的输电线状态监控方法。
CN202010502748.7A 2020-06-04 2020-06-04 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质 Active CN111738312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010502748.7A CN111738312B (zh) 2020-06-04 2020-06-04 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010502748.7A CN111738312B (zh) 2020-06-04 2020-06-04 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111738312A true CN111738312A (zh) 2020-10-02
CN111738312B CN111738312B (zh) 2023-04-07

Family

ID=72650011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010502748.7A Active CN111738312B (zh) 2020-06-04 2020-06-04 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111738312B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310798A (zh) * 2022-07-30 2022-11-08 中铁济南工程建设监理有限公司 轨道交通机电安装工程安全监理预警方法及监控系统
CN115828836A (zh) * 2023-02-16 2023-03-21 江西格如灵科技有限公司 电器线路布置方法、系统、计算机及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839194A (zh) * 2014-03-07 2014-06-04 国家电网公司 基于输电线路和gis的无人机巡检图像检索系统及方法
CN104319893A (zh) * 2014-11-12 2015-01-28 国家电网公司 基于agps与4g的输电线路gis系统及实现方法
CN106294918A (zh) * 2015-06-10 2017-01-04 中国科学院宁波材料技术与工程研究所 一种虚拟透明化办公系统的设计方法
CN107452057A (zh) * 2017-08-23 2017-12-08 国网浙江省电力公司检修分公司 三维实景智能一体化安全防控应用系统
CN107527038A (zh) * 2017-08-31 2017-12-29 复旦大学 一种三维地物自动提取与场景重建方法
CN109459037A (zh) * 2018-12-29 2019-03-12 南京师范大学镇江创新发展研究院 一种基于slam智能载体的环境信息采集方法及系统
CN110781785A (zh) * 2019-10-18 2020-02-11 上海理工大学 基于Faster RCNN算法改进的交通场景下行人检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839194A (zh) * 2014-03-07 2014-06-04 国家电网公司 基于输电线路和gis的无人机巡检图像检索系统及方法
CN104319893A (zh) * 2014-11-12 2015-01-28 国家电网公司 基于agps与4g的输电线路gis系统及实现方法
CN106294918A (zh) * 2015-06-10 2017-01-04 中国科学院宁波材料技术与工程研究所 一种虚拟透明化办公系统的设计方法
CN107452057A (zh) * 2017-08-23 2017-12-08 国网浙江省电力公司检修分公司 三维实景智能一体化安全防控应用系统
CN107527038A (zh) * 2017-08-31 2017-12-29 复旦大学 一种三维地物自动提取与场景重建方法
CN109459037A (zh) * 2018-12-29 2019-03-12 南京师范大学镇江创新发展研究院 一种基于slam智能载体的环境信息采集方法及系统
CN110781785A (zh) * 2019-10-18 2020-02-11 上海理工大学 基于Faster RCNN算法改进的交通场景下行人检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHAOQING REN等: "Faster R-CNN:Towards real-time object detection with region proposal networks", 《ARXIV.ORG》 *
白鹭倾城: "faster-rcnn原理及相应概念解释", 《HTTPS://WWW.CNBLOGS.COM/DUDUMIAOMIAO/P/6560841.HTML》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310798A (zh) * 2022-07-30 2022-11-08 中铁济南工程建设监理有限公司 轨道交通机电安装工程安全监理预警方法及监控系统
CN115828836A (zh) * 2023-02-16 2023-03-21 江西格如灵科技有限公司 电器线路布置方法、系统、计算机及可读存储介质
CN115828836B (zh) * 2023-02-16 2023-05-05 江西格如灵科技有限公司 电器线路布置方法、系统、计算机及可读存储介质

Also Published As

Publication number Publication date
CN111738312B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN108037770B (zh) 基于人工智能的无人机输电线路巡检系统和方法
CN108022235B (zh) 高压输电铁塔关键部件缺陷识别方法
CN111738312B (zh) 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质
CN109376660B (zh) 一种目标监测方法、装置及系统
CN112613569B (zh) 图像识别方法、图像分类模型的训练方法及装置
CN110133443B (zh) 基于平行视觉的输电线路部件检测方法、系统、装置
CN110458794B (zh) 用于轨道列车的配件质量检测方法及装置
CN111738307A (zh) 基于Faster RCNN的输电线路环境中异物识别方法、系统及计算机可读存储介质
CN110263748A (zh) 用于发送信息的方法和装置
CN112686172A (zh) 机场跑道异物检测方法、装置及存储介质
CN112749813A (zh) 一种数据处理系统、方法、电子设备及存储介质
CN114445780A (zh) 裸土苫盖的检测方法及装置、识别模型的训练方法及装置
CN113807450A (zh) 一种基于超高分辨率图片的无人机电力巡线故障检测方法
CN114035606A (zh) 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质
CN113313006A (zh) 基于无人机的城市违建监管方法、系统和存储介质
CN113486779A (zh) 输电线路全景智能巡检系统
CN113269039A (zh) 一种在岗人员行为识别方法和系统
CN111860187A (zh) 一种高精度的佩戴口罩识别方法及系统
CN115082813A (zh) 检测方法、无人机、检测系统及介质
CN114067396A (zh) 基于视觉学习的居配工程现场试验数字化管理系统及方法
CN112528825A (zh) 一种基于图像识别的车站乘客招援服务方法
CN112529859A (zh) 一种配电设备缺陷检测方法及系统
CN116886874A (zh) 一种生态园安防监控预警数据的采集方法及其系统
CN115083229B (zh) 基于ai视觉识别的飞行训练设备智能识别与警示系统
CN116385465A (zh) 图像分割模型的构建及图像分割方法、系统、设备和介质

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
GR01 Patent grant
GR01 Patent grant