CN112001317A - 基于语义信息的导线缺陷识别方法、系统及终端设备 - Google Patents
基于语义信息的导线缺陷识别方法、系统及终端设备 Download PDFInfo
- Publication number
- CN112001317A CN112001317A CN202010863770.4A CN202010863770A CN112001317A CN 112001317 A CN112001317 A CN 112001317A CN 202010863770 A CN202010863770 A CN 202010863770A CN 112001317 A CN112001317 A CN 112001317A
- Authority
- CN
- China
- Prior art keywords
- image
- lead
- wire
- defect
- target detection
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000004020 conductor Substances 0.000 description 11
- 238000007689 inspection Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明实施例涉及一种基于语义信息的导线缺陷识别方法、系统及终端设备,应用于输电线路上,包括获取输电线路的导线图像;对导线图像进行预处理,得到处理后的预处理图像;对预处理图像进行分割切片处理,得到导线图像块;采用YOLOv3目标检测算法对导线图像块进行目标检测,得到导线缺陷在导线图像中的位置和缺陷类型。通过对导线图像进行降采样处理后得到预处理图像,在U‑net网络中对预处理图像分割以及对分割后的图像网格化,得到若干导线图像块,对导线图像块的断股、散股、烧蚀的导线缺陷进行目标识别,得到导线缺陷在导线图像中的位置和缺陷类型,识别导线缺陷准确率高,实现实时识别输电线路上的导线缺陷。
Description
技术领域
本发明涉及输电线路缺陷识别技术领域,尤其涉及一种基于语义信息的导线缺陷识别方法、系统及终端设备。
背景技术
近几年无人机逐渐广泛应用到各个领域,电力行业也不例外,由于无人机轻便、灵活特点,无人机在输电线路的巡检作业上运用。现有对输电线路巡检是采用无人机搭载摄像头对架空的输电线路进行巡检并拍摄图像,拍摄完成后把图像拷贝至处理设备上,然后人工在处理设备上识别或查找输电线路上的缺陷。
随着我国居民生活水平的提高,人民对电力使用的要求越来越高,架空的输电线路迅速增加,原有的无人机结合人工巡检作业已经远不足以应对越来越繁重的作业任务。现有的无人机巡视系统只能对架空输电线路做粗略的巡检,对较大的线路缺陷才能被发现。并且巡检得到的影像资料只是抽样取点,不能全覆盖地对输电线路上的导线进行高清拍摄,导致输电线路存在的缺陷隐患不能及时有效地发现。
发明内容
本发明实施例提供了一种基于语义信息的导线缺陷识别方法、系统及终端设备,用于解决现有巡检获得的输电线路图像进行识别导线缺陷难,且识别准确度低的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于语义信息的导线缺陷识别方法,应用于输电线路上,包括以下步骤:
步骤S1.获取所述输电线路的导线图像;
步骤S2.对所述导线图像进行预处理,得到处理后的预处理图像;
步骤S3.对所述预处理图像进行分割切片处理,得到导线图像块;
步骤S4.采用YOLOv3目标检测算法对所述导线图像块进行目标检测,得到导线缺陷在所述导线图像中的位置和缺陷类型。
优选地,对所述导线图像进行预处理具体包括:对所述导线图像采用线性插值按比例N进行降采样,得到分辨率低的预处理图像。
优选地,对所述预处理图像进行分割切片处理具体包括:
步骤S31.采用导线语义分割对所述预处理图像进行分割,得到导线分割图像和背景图像;
步骤S32.根据U-net网络对所述导线分割图像进行8*8的网格切片处理,得到64个切片图像块以及与每个切片图像块对应的相对位置;
步骤S33.根据降采样比例N映射切片图像块得到高精度的导线图像块。
优选地,采用YOLOv3目标检测算法对所述导线图像块进行目标检测具体包括:
步骤S41.将获得的所有导线图像块建立数据集,对所述数据集中断股、散股、烧蚀的导线缺陷进行标注,并按照比例7:3将所述数据集划分为训练集和验证集;
步骤S42.对所述训练集中的导线图像块采用YOLOv3目标检测算法进行导线缺陷识别训练得到目标检测模型,将所述验证集的导线图像块输入所述目标检测模型中识别得到导线缺陷的位置和缺陷类型。
优选地,在所述步骤S42中,所述目标检测模型中识别导线缺陷还包括将识别导线缺陷的位置在所述导线图像块上标注,将所述导线图像块上标注的位置通过映射,得到导线缺陷在所述导线图像的位置。
优选地,在所述步骤S2中,对所述导线图像采用线性插值按比例5倍进行降采样,得到分辨率768*768的预处理图像。
优选地,所述导线分割图像的分别率是556*556;每个所述切片图像块的分别率是69*69;根据降采样比例5倍映射切片图像块得到分别率为480*480的导线图像块。
本发明还提供一种基于语义信息的导线缺陷识别系统,应用于输电线路上,包括图像获取单元、图像处理单元、分割切刀单元和缺陷识别单元;
所述图像获取单元,用于获取所述输电线路的导线图像;
所述图像处理单元,用于对所述导线图像进行预处理,得到处理后的预处理图像;
所述分割切刀单元,用于对所述预处理图像进行分割切片处理,得到导线图像块;
所述缺陷识别单元,用于采用YOLOv3目标检测算法对所述导线图像块进行目标检测,得到导线缺陷在所述导线图像中的位置和缺陷类型。
本发明还提供一种计算机可读存储介质,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述的基于语义信息的导线缺陷识别方法。
本发明还提供一种终端设备,包括处理器以及存储器:
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述的基于语义信息的导线缺陷识别方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
1.该基于语义信息的导线缺陷识别方法通过对采集的高像素的导线图像进行降采样处理后得到低像素的预处理图像,在U-net网络中对预处理图像中的导线分割区域以及对分割后的图像网格化,得到若干高像素的导线图像块作为YOLOv3网络的输入,基于YOLOv3目标检测算法对断股、散股、烧蚀的导线缺陷进行目标识别,得到导线缺陷在导线图像中的位置和缺陷类型,识别导线缺陷准确率高,实现实时识别输电线路上的导线缺陷,解决了现有巡检获得的输电线路图像进行识别导线缺陷难,且识别准确度低的技术问题。
2.该基于语义信息的导线缺陷识别系统通过图像获取单元采集输电线路上的导线图像,图像处理单元对导线图像进行降采样处理后得到低像素的预处理图像,分割切刀单元对预处理图像中的导线分割区域以及对分割后的图像网格化,得到若干高像素的导线图像块,缺陷识别单元基于YOLOv3目标检测算法对导线图像块中的断股、散股、烧蚀的导线缺陷进行目标识别并标注,将识别的导线缺陷通过映射得到导线图像中的导线缺陷位置,识别导线缺陷准确率高,实现实时识别输电线路上的导线缺陷,解决了现有巡检获得的输电线路图像进行识别导线缺陷难,且识别准确度低的技术问题。
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它的附图。
图1为本发明实施例所述的基于语义信息的导线缺陷识别方法的步骤流程图。
图2为本发明实施例所述的基于语义信息的导线缺陷识别方法分割切片的步骤流程图。
图3为本发明实施例所述的基于语义信息的导线缺陷识别方法U-net网络的框架图。
图4为本发明实施例所述的基于语义信息的导线缺陷识别方法目标识别的步骤流程图。
图5为本发明实施例所述的基于语义信息的导线缺陷识别系统的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而非全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本申请实施例提供了一种基于语义信息的导线缺陷识别方法、系统及终端设备,主要应用于电力巡航作业特点深度定制开发的无人机操作系统上,主要是通过架空高压输电线路的导线现场照片实时获取、导线缺陷识别,通过无人机所拍摄的导线图像,能够方便快捷地定位出现缺陷的故障点,用于解决了现有巡检获得的输电线路图像进行识别导线缺陷难,且识别准确度低的技术问题。
在本发明实施例中,主要是识别断股、散股、烧蚀这三种导线缺陷,若导线出现断股,导线的断股会分叉形成很多散乱的细线,断股处的导线会逐渐变细,相对于正常导线的图像对应于导线断股图像的灰度值会下降,在导线断股的边缘,图像会形成一定的梯度,这是识别导线断股进行标注的特征之一。
实施例一:
图1为本发明实施例所述的基于语义信息的导线缺陷识别方法的步骤流程图。
如图1所示,本发明实施例提供了一种基于语义信息的导线缺陷识别方法,应用于输电线路上,包括以下步骤:
步骤S1.获取输电线路的导线图像;
步骤S2.对导线图像进行预处理,得到处理后的预处理图像;
步骤S3.对预处理图像进行分割切片处理,得到导线图像块;
步骤S4.采用YOLOv3目标检测算法对导线图像块进行目标检测,得到导线缺陷在导线图像中的位置和缺陷类型。
在本发明实施例的步骤S1中,主要是用于实时获取输电线路上的导线图像。
需要说明的是,在本实施例中,是通过无人机搭载的摄像头将在沿输电线路的导线线平稳飞行实现实时采集导线图像,根据待检查的导线长度和无人机飞行速度等信息,摄像机会间隔固定时间采集导线图像。由于无人机飞行过程中无人机与待检输电线路的导线相对距离保持在5m之内,使得获得的导向图像包含了足够的细节,有助于后续图像处理的进行。
在本发明实施例的步骤S2中,主要是对获取的导线图像进行图像降采样,即是将高精度分辨率的导线图像降低图像的分辨率。
需要说明的是,针对采集的输电线路导线图像进行处理,主要在保证不影响导线在图像分割切片结果的前提下,按比例N降低图像的分辨率,可提高步骤S3分割切片处理的速度。对导线图像进行降采样处理的公式为:Hk=∑m∈win(k)Im/S2。其中,k为降采样的窗口计数,H为k窗口降采样得到的像素点,win(k)为降采样窗口,m为窗口的像素点,I为图像的尺寸,S为降采样的倍数。
在本发明实施例的步骤S3中,主要是对预处理图像进行分割切片处理,提出导线图像中对导线缺陷识别没有作用的背景图像,得到若干导线图像块,从而提高识别导线缺陷的准确率。
在本发明实施例的步骤S4中,主要是采用YOLOv3目标检测算法对导线图像经过步骤S1-S3处理后得到的导线图像块进行目标检测,识别导线图像块中的导线缺陷位置以及缺陷类型。
本发明提供的一种基于语义信息的导线缺陷识别方法通过对采集的高像素的导线图像进行降采样处理后得到低像素的预处理图像,在U-net网络中对预处理图像中的导线分割区域以及对分割后的图像网格化,得到若干高像素的导线图像块作为YOLOv3网络的输入,基于YOLOv3目标检测算法对断股、散股、烧蚀的导线缺陷进行目标识别,得到导线缺陷在导线图像中的位置和缺陷类型,识别导线缺陷准确率高,实现实时识别输电线路上的导线缺陷,解决了现有巡检获得的输电线路图像进行识别导线缺陷难,且识别准确度低的技术问题。
在本发明的一个实施例中,对导线图像进行预处理具体包括:对导线图像采用线性插值按比例N进行降采样,得到分辨率低的预处理图像。其中,在步骤S2中,对导线图像采用线性插值按比例5倍进行降采样,得到分辨率768*768的预处理图像。
需要说明的是,对导线图像进行预处理是将导线图像按一定比例N进行降采样,降低图像精度,便于步骤S3对导线图像的分割处理。图像降采样处理是针对采集输电线路的导线图像进行处理,主要是将采集的一个3840×2160分辨率的导线图像经过线性插值resize为3840*3840分辨率,之后采用5倍的降采样处理得到分辨率为768*768低像素的预处理图像。
图2为本发明实施例所述的基于语义信息的导线缺陷识别方法分割切片的步骤流程图,图3为本发明实施例所述的基于语义信息的导线缺陷识别方法U-net网络的框架图。
如图2所示,在本发明的一个实施例中,对预处理图像进行分割切片处理具体包括:
步骤S31.采用导线语义分割对预处理图像进行分割,得到导线分割图像和背景图像;
步骤S32.根据U-net网络对导线分割图像进行8*8的网格切片处理,得到64个切片图像块以及与每个切片图像块对应的相对位置;
步骤S33.根据降采样比例N映射切片图像块得到高精度的导线图像块。
在本发明实施例的步骤S31中,主要通过对预处理图像采用导线语义分割进行分割图片,实现导线在复杂背景图像中快速分割提取,划分成导线分割图像和背景图像。
需要说明的是,导线分割图像中分辨率的大小为556*556。对预处理图像进行导线语义分割主要是为了解决图像中没用的背景信息,避免图像中的背景对导线缺陷识别造成的影响,因此需要对分割后的图像进行分类,剔除背景图像,使得在步骤S32中只对含有导线信息的导线切割图像进行网格切片,提高导线缺陷识别的准确度。
在本发明实施例的步骤S32中,主要通过U-net网络在低精度导线分割图像进行8*8的网格切片处理,得到64个切片图像块,记录每个切片图像块的相对位置P(i,j),其中0≤i≤7,0≤j≤7。
需要说明的是,U-net网络的分割架构如图3所示。切片图像块中分辨率大小为69*69。
在本发明实施例的步骤S33中,主要是将含有导线信息的切片图像块按比例N在导线图像中映射,得到高精度含有导线信息的导线图像块。
需要说明的是,在本实施例中,主要是将含有导线信息的切片图像块按比例5倍降采样在导线图像中映射,得到分辨率为480*480的含有导线信息的导线图像块。
图4为本发明实施例所述的基于语义信息的导线缺陷识别方法目标识别的步骤流程图。
如图4所示,在本发明的一个实施例中,采用YOLOv3目标检测算法对导线图像块进行目标检测具体包括:
步骤S41.将获得的所有导线图像块建立数据集,对数据集中断股、散股、烧蚀的导线缺陷进行标注,并按照比例7:3将数据集划分为训练集和验证集;
步骤S42.对训练集中的导线图像块采用YOLOv3目标检测算法进行导线缺陷识别训练得到目标检测模型,将验证集的导线图像块输入目标检测模型中识别得到导线缺陷的位置和缺陷类型。
在本发明实施例的步骤S42中,目标检测模型中识别导线缺陷还包括将识别导线缺陷的位置在导线图像块上标注,将导线图像块上标注的位置通过映射,得到导线缺陷在所述导线图像的位置。
在本实施例中,数据集主要是由分辨率为480*480标注的导线图像块组成的,对其该数据集进行数据增强,最终数据集中导线图像块的数量为500。在YOLOv3目标检测算法识别的数据集中,对散股、断股、烧蚀的导线缺陷标注比例分别为1:1:2,在数据集中按比例为7:3划分为训练集与验证集进行训练的。在目标检测模型中采用YOLOv3目标检测算法在高像素的导线图像块识别导线缺陷的导线图像的位置信息为(wp,hp,xp,yp)i,j。只有根据识别导线缺陷在导线图像块的位置信息映射到导线图像的位置为(w,h,x,y),其映射公式式为:
其中,w为缺陷在导线图像块中的宽度,h为缺陷在导线图像块中的高度,x为缺陷左上角在导线图像块中的横坐标,y为缺陷左上角在导线图像块中的纵坐标,i为切片图像块的横坐标,j为切片图像块的纵坐标。
需要说明的是,目标检测模型主要是采用YOLOv3目标检测算法的目标检测网络,处理速度快,并且YOLOv3采用多尺度特征融合的思想,提高识别效率。YOLOv3目标检测算法是以轻量级模型mobilenetv2作为YOLOv3的神经网络模型backbone,深度学习mobilenet系列是由google提出的移动端轻量级网络,mobilenetv1利用深度可分离卷积层(ConvolutionDepthWise layers)将标准卷积分解为两个更小操作,以此提高目标检测模型的计算效率以及识别效率。
实施例二:
图5为本发明实施例所述的基于语义信息的导线缺陷识别系统的框架图。
如图5所示,本发明实施例还提供一种基于语义信息的导线缺陷识别系统,应用于输电线路上,包括图像获取单元10、图像处理单元20、分割切刀单元30和缺陷识别单元40;
图像获取单元10,用于获取输电线路的导线图像;
图像处理单元20,用于对导线图像进行预处理,得到处理后的预处理图像;
分割切刀单元30,用于对预处理图像进行分割切片处理,得到导线图像块;
缺陷识别单元40,用于采用YOLOv3目标检测算法对导线图像块进行目标检测,得到导线缺陷在导线图像中的位置和缺陷类型。
在本发明实施例中,实施例二系统中单元是对应实施例一方法中步骤设置的,实施例一方法中的步骤已经详细阐述了,再此对于实施例二系统中的单元不再详细阐述。
本发明提供的一种基于语义信息的导线缺陷识别系统通过图像获取单元采集输电线路上的导线图像,图像处理单元对导线图像进行降采样处理后得到低像素的预处理图像,分割切刀单元对预处理图像中的导线分割区域以及对分割后的图像网格化,得到若干高像素的导线图像块,缺陷识别单元基于YOLOv3目标检测算法对导线图像块中的断股、散股、烧蚀的导线缺陷进行目标识别并标注,将识别的导线缺陷通过映射得到导线图像中的导线缺陷位置,识别导线缺陷准确率高,实现实时识别输电线路上的导线缺陷,解决了现有巡检获得的输电线路图像进行识别导线缺陷难,且识别准确度低的技术问题。
实施例三:
本发明实施例还提供一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述的基于语义信息的导线缺陷识别方法。
实施例四:
本发明实施例还提供一种终端设备,其特征在于,包括处理器以及存储器:
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的基于语义信息的导线缺陷识别方法。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在设备中的执行过程。
设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
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、方法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,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统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,系统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。
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发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于语义信息的导线缺陷识别方法,应用于输电线路上,其特征在于,包括以下步骤:
步骤S1.获取所述输电线路的导线图像;
步骤S2.对所述导线图像进行预处理,得到处理后的预处理图像;
步骤S3.对所述预处理图像进行分割切片处理,得到导线图像块;
步骤S4.采用YOLOv3目标检测算法对所述导线图像块进行目标检测,得到导线缺陷在所述导线图像中的位置和缺陷类型。
2.根据权利要求1所述的基于语义信息的导线缺陷识别方法,其特征在于,对所述导线图像进行预处理具体包括:对所述导线图像采用线性插值按比例N进行降采样,得到分辨率低的预处理图像。
3.根据权利要求2所述的基于语义信息的导线缺陷识别方法,其特征在于,对所述预处理图像进行分割切片处理具体包括:
步骤S31.采用导线语义分割对所述预处理图像进行分割,得到导线分割图像和背景图像;
步骤S32.根据U-net网络对所述导线分割图像进行8*8的网格切片处理,得到64个切片图像块以及与每个切片图像块对应的相对位置;
步骤S33.根据降采样比例N映射切片图像块得到高精度的导线图像块。
4.根据权利要求1所述的基于语义信息的导线缺陷识别方法,其特征在于,采用YOLOv3目标检测算法对所述导线图像块进行目标检测具体包括:
步骤S41.将获得的所有导线图像块建立数据集,对所述数据集中断股、散股、烧蚀的导线缺陷进行标注,并按照比例7:3将所述数据集划分为训练集和验证集;
步骤S42.对所述训练集中的导线图像块采用YOLOv3目标检测算法进行导线缺陷识别训练得到目标检测模型,将所述验证集的导线图像块输入所述目标检测模型中识别得到导线缺陷的位置和缺陷类型。
5.根据权利要求4所述的基于语义信息的导线缺陷识别方法,其特征在于,在所述步骤S42中,所述目标检测模型中识别导线缺陷还包括将识别导线缺陷的位置在所述导线图像块上标注,将所述导线图像块上标注的位置通过映射,得到导线缺陷在所述导线图像的位置。
6.根据权利要求2所述的基于语义信息的导线缺陷识别方法,其特征在于,在所述步骤S2中,对所述导线图像采用线性插值按比例5倍进行降采样,得到分辨率768*768的预处理图像。
7.根据权利要求3所述的基于语义信息的导线缺陷识别方法,其特征在于,所述导线分割图像的分别率是556*556;每个所述切片图像块的分别率是69*69;根据降采样比例5倍映射切片图像块得到分别率为480*480的导线图像块。
8.一种基于语义信息的导线缺陷识别系统,应用于输电线路上,其特征在于,包括图像获取单元、图像处理单元、分割切刀单元和缺陷识别单元;
所述图像获取单元,用于获取所述输电线路的导线图像;
所述图像处理单元,用于对所述导线图像进行预处理,得到处理后的预处理图像;
所述分割切刀单元,用于对所述预处理图像进行分割切片处理,得到导线图像块;
所述缺陷识别单元,用于采用YOLOv3目标检测算法对所述导线图像块进行目标检测,得到导线缺陷在所述导线图像中的位置和缺陷类型。
9.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的基于语义信息的导线缺陷识别方法。
10.一种终端设备,其特征在于,包括处理器以及存储器:
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1-7任意一项所述的基于语义信息的导线缺陷识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863770.4A CN112001317A (zh) | 2020-08-25 | 2020-08-25 | 基于语义信息的导线缺陷识别方法、系统及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863770.4A CN112001317A (zh) | 2020-08-25 | 2020-08-25 | 基于语义信息的导线缺陷识别方法、系统及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001317A true CN112001317A (zh) | 2020-11-27 |
Family
ID=73471901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010863770.4A Pending CN112001317A (zh) | 2020-08-25 | 2020-08-25 | 基于语义信息的导线缺陷识别方法、系统及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001317A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926556A (zh) * | 2021-04-28 | 2021-06-08 | 上海大学 | 一种基于语义分割的航拍输电线路散断股识别方法及系统 |
CN113301142A (zh) * | 2021-05-21 | 2021-08-24 | 广州科技贸易职业学院 | 一种基于物联网的网络安全监控方法及系统 |
CN113610854A (zh) * | 2021-10-11 | 2021-11-05 | 深圳市商汤科技有限公司 | 一种线索缺陷检测方法、终端设备以及计算机存储介质 |
CN114782286A (zh) * | 2022-06-21 | 2022-07-22 | 奥蒂玛光学科技(深圳)有限公司 | 缺陷修复方法、光学修复设备、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
CN111402248A (zh) * | 2020-03-23 | 2020-07-10 | 华南理工大学 | 一种基于机器视觉的输电线路导线缺陷检测方法 |
-
2020
- 2020-08-25 CN CN202010863770.4A patent/CN112001317A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
CN111402248A (zh) * | 2020-03-23 | 2020-07-10 | 华南理工大学 | 一种基于机器视觉的输电线路导线缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
王万国 等: "基于无人机图像的输电线断股与异物缺陷检测方法", 计算机应用, vol. 35, no. 8, 10 August 2015 (2015-08-10), pages 2404 - 2408 * |
陈涵: "基于深度学习的陶质焊接衬垫缺陷检测研究", 中国优秀硕士学位论文全文数据库 工程科技I辑(月刊), no. 08, 15 August 2020 (2020-08-15), pages 022 - 212 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926556A (zh) * | 2021-04-28 | 2021-06-08 | 上海大学 | 一种基于语义分割的航拍输电线路散断股识别方法及系统 |
CN113301142A (zh) * | 2021-05-21 | 2021-08-24 | 广州科技贸易职业学院 | 一种基于物联网的网络安全监控方法及系统 |
CN113610854A (zh) * | 2021-10-11 | 2021-11-05 | 深圳市商汤科技有限公司 | 一种线索缺陷检测方法、终端设备以及计算机存储介质 |
CN113610854B (zh) * | 2021-10-11 | 2022-04-01 | 深圳市商汤科技有限公司 | 一种线索缺陷检测方法、终端设备以及计算机存储介质 |
CN114782286A (zh) * | 2022-06-21 | 2022-07-22 | 奥蒂玛光学科技(深圳)有限公司 | 缺陷修复方法、光学修复设备、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、系统及终端设备 | |
CN108304765B (zh) | 用于人脸关键点定位与语义分割的多任务检测装置 | |
CN110321910B (zh) | 面向点云的特征提取方法、装置及设备 | |
CN111080660B (zh) | 一种图像分割方法、装置、终端设备及存储介质 | |
Liu et al. | Data analysis in visual power line inspection: An in-depth review of deep learning for component detection and fault diagnosis | |
CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
CN115546630A (zh) | 基于遥感影像特征目标检测的工地提取方法和系统 | |
WO2023082453A1 (zh) | 一种图像处理方法及装置 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
Liu et al. | Review of data analysis in vision inspection of power lines with an in-depth discussion of deep learning technology | |
CN113792742A (zh) | 遥感图像的语义分割方法和语义分割模型的训练方法 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
WO2022142297A1 (en) | A robot grasping system and method based on few-shot learning | |
CN114612741A (zh) | 缺陷识别模型的训练方法、装置、电子设备及存储介质 | |
CN114266963A (zh) | 一种导线缠绕间隙识别方法、设备及存储介质 | |
CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN115457329B (zh) | 图像分类模型的训练方法、图像分类方法和装置 | |
CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
CN116030050A (zh) | 基于无人机与深度学习的风机表面缺陷在线检测分割方法 | |
CN115272262A (zh) | 室外绝缘子表面缺陷识别方法、装置及电子设备 | |
CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
CN112699898B (zh) | 一种基于多层特征融合的图像方向识别方法 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 |
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 |