CN112434880B - 基于深度学习的巡检路线规划及巡检人员管理系统 - Google Patents

基于深度学习的巡检路线规划及巡检人员管理系统 Download PDF

Info

Publication number
CN112434880B
CN112434880B CN202011441291.XA CN202011441291A CN112434880B CN 112434880 B CN112434880 B CN 112434880B CN 202011441291 A CN202011441291 A CN 202011441291A CN 112434880 B CN112434880 B CN 112434880B
Authority
CN
China
Prior art keywords
inspection
image
target equipment
routing inspection
terminal
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.)
Active
Application number
CN202011441291.XA
Other languages
English (en)
Other versions
CN112434880A (zh
Inventor
黄冬虹
刘谢慧
赵彤
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.)
Qingyan Lingzhi Information Consulting Beijing Co ltd
Original Assignee
Qingyan Lingzhi Information Consulting Beijing 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 Qingyan Lingzhi Information Consulting Beijing Co ltd filed Critical Qingyan Lingzhi Information Consulting Beijing Co ltd
Priority to CN202011441291.XA priority Critical patent/CN112434880B/zh
Publication of CN112434880A publication Critical patent/CN112434880A/zh
Application granted granted Critical
Publication of CN112434880B publication Critical patent/CN112434880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于深度学习的巡检路线规划及巡检人员管理系统，包括管理终端和供巡检人员携带的巡检终端；管理终端用于根据待运维的目标设备对应的位置信息以及巡检终端的定位信息，规划并生成针对每个巡检人员的巡检路线，并将巡检路线信息发送到与该巡检人员相应的巡检终端；巡检终端用于接收并显示与其对应的巡检路线信息，以及用于将目标设备的巡检记录上传到管理终端。本发明系统有助于提高巡检路线规划和巡检人员调度的实时性和合理性，提高了巡检工作的效率和质量。

Description

基于深度学习的巡检路线规划及巡检人员管理系统
技术领域
本发明涉及巡检管理技术领域，特别是基于深度学习的巡检路线规划及巡检人员管理系统。
背景技术
目前，电力设备的巡检工作，通常是派出巡检人员沿固定的路线对路线上的目标设备进行检查和运维工作；通过运维人员在完成这个巡检路线后对当天的巡检运维情况进行记录并交到有关管理部门进行统一管理。
但是上述巡检管理中，需要人为安排各巡检人员的巡检路线，合理性难以保证。
针对上述问题，现有技术中，也提出了一些基于深度学习对巡检人员的巡检路线进行优化规划的技术方案，但是上述技术方案中，仅能够实现巡检路线的静态规划，即根据巡检人员的起始位置以及待巡检目标设备的位置进行规划，但是针对巡检人员在实际巡检过程中出现的状况无法第一时间做出调整，无法保证路径规划的实时性。
发明内容
针对上述问题，本发明旨在提供基于深度学习的巡检路线规划及巡检人员管理系统。
本发明的目的采用以下技术方案来实现：
提出基于深度学习的巡检路线规划及巡检人员管理系统，包括管理终端和供巡检人员携带的巡检终端；
管理终端用于根据待运维的目标设备对应的位置信息以及巡检终端的定位信息，规划并生成针对每个巡检人员的巡检路线，并将巡检路线信息发送到与该巡检人员相应的巡检终端；
巡检终端用于接收并显示与其对应的巡检路线信息，以及用于将目标设备的巡检记录上传到管理终端。
优选地，管理终端包括通信模块、GIS模块、路径规划模块和数据库模块；
通信模块分别与各巡检终端通信连接，用于与各巡检终端进行数据交互；
GIS模块用于基于实际地图信息以及实际目标设备分布情况建立GIS地图，并根据巡检终端的实时定位信息整合到GIS地图中，获取GIS地图数据；
路径规划模块用于基于GIS地图数据，采用基于深度学习路径规划模型对各巡检人员的全局巡检路径进行规划，分别获取各巡检人员对应的巡检路径信息，并通过通信模块发送到相应的巡检终端；
数据库模块用于对由各巡检终端上传的巡检记录进行分类管理。
优选地，所述GIS模块还包括：
用于显示该GIS地图数据，其中GIS地图中包含有目标设备的定位信息，其中目标设备包括已运维的目标设备和待运维的目标设备，其中不同的目标设备采用不同的标记在GIS地图中展示。
优选地，所述巡检终端包括：
定位模块，英语将巡检终端的实时定位信息传输到管理终端。
优选地，所述巡检终端包括：
交互模块，用于与所述管理终端通信连接，用于与管理终端进行数据交互；
巡检模块，用于根据由管理终端发送的巡检路径信息以及巡检终端当前的定位信息，在地地图上显示巡检路线，其中该巡检路线中包括了待运维的目标设备的定位标记；
记录模块，用于在到达待运维的目标设备的位置后，供运维人员记录该目标设备的运维信息并生成巡检记录上传至管理终端。
优选地，所述记录模块包括图像采集单元、图像预处理单元、识别单元和生成单元；
图像采集单元用于采集目标设备图像信息；
图像预处理单元用于对采集的目标设备图像进行预处理，输出预处理后的目标设备图像；
识别单元用于根据预处理后的目标设备图像识别该图像中的设备标识，获取该目标设备的基本信息；
生成单元用于基于设定的运维记录模板，根据获取的目标设备基本信息以及预处理后的目标设备图像生成与该目标设备对应的运维记录报告，供运维人员在该运维记录报告中填写运维记录文本信息后，将该运维记录报告作为巡检记录上传到管理终端。
优选地，其中巡检记录包括时间戳信息，当前定位信息，目标设备的图片信息以及由巡检人员记录的运维记录文本信息。
优选地，所述图像预处理单元，对采集的目标设备图像进行预处理包括：
对采集的目标设备图像进行小波包分解处理，分别获取目标设备图像的低频分量图像和高频分量图像；
针对获取的低频分量图像，对低频分量图像进行亮度增强处理，获取亮度增强后的低频分量图像；
对高频分量图像进行阈值去噪处理，获取阈值去噪后的高频分量图像；
根据亮度增强后的低频分量图像和阈值去噪后的高频分量图像进行基于细节信息的融合处理，获取预处理后的目标设备图像。
本发明的有益效果为：为各巡检人员分别配备相应的巡检终端，通过设置管理终端分别与各巡检终端建立连接，管理终端能够根据巡检终端的定位信息掌握各巡检人员的当前巡检位置，同时管理终端根据实时的巡检情况，获取目前待运维的目标设备位置信息，并且根据当前巡检人员位置以及待运维的目标设备的位置采用基于深度学习的巡检路线规划模型来实时规划各巡检人员的最优巡检路线，并将规划的路线发送到巡检终端，供巡检人员根据巡检终端查看巡检路线，到达相应的待运维的目标设备的位置对其进行运维检修工作；本发明系统有助于提高巡检路线规划和巡检人员调度的实时性和合理性，提高了巡检工作的效率和质量。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明基于深度学习的巡检路线规划及巡检人员管理系统实施例的框架结构图；
图2为图1所示实施例中，管理终端和巡检终端的内部框架结构图。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1实施例所示基于深度学习的巡检路线规划及巡检人员管理系统，包括管理终端和供巡检人员携带的巡检终端；
管理终端用于根据待运维的目标设备对应的位置信息以及巡检终端的定位信息，规划并生成针对每个巡检人员的巡检路线，并将巡检路线信息发送到与该巡检人员相应的巡检终端；
巡检终端用于接收并显示与其对应的巡检路线信息，以及用于将目标设备的巡检记录上传到管理终端。
上述实施方式中，为各巡检人员分别配备相应的巡检终端，通过设置管理终端分别与各巡检终端建立连接，管理终端能够根据巡检终端的定位信息掌握各巡检人员的当前巡检位置，同时管理终端根据实时的巡检情况，获取目前待运维(未运维)的目标设备位置信息，并且根据当前巡检人员位置以及待运维的目标设备的位置采用基于深度学习的巡检路线规划模型来实时规划各巡检人员的最优巡检路线，并将规划的路线发送到巡检终端，供巡检人员根据巡检终端查看巡检路线，到达相应的待运维的目标设备的位置对其进行运维检修工作；本发明系统有助于提高巡检路线规划和巡检人员调度的实时性和合理性，提高了巡检工作的效率和质量。
如图2所示，管理终端包括通信模块、GIS模块、路径规划模块和数据库模块；
通信模块分别与各巡检终端通信连接，用于与各巡检终端进行数据交互；
GIS模块用于基于实际地图信息以及实际目标设备分布情况建立GIS地图，并根据巡检终端的实时定位信息整合到GIS地图中，获取GIS地图数据；
路径规划模块用于基于GIS地图数据，采用基于深度学习路径规划模型对各巡检人员的全局巡检路径进行规划，分别获取各巡检人员对应的巡检路径信息，并通过通信模块发送到相应的巡检终端；
数据库模块用于对有各巡检终端上传的巡检记录进行分类管理。
一种场景中，基于深度学习路径规划模型可以基于目前现有的模型进行，该模型中通过以当前巡检人员的定位信息以及待巡检目标设备的定位信息作为输入，以全局时间、路程、平均运维目标设备处理量等作为目标标准，对各巡检人员的巡检路径进行规划，以使得目标标准值最佳。
优选地，GIS模块还包括：
用于显示该GIS地图数据，其中GIS地图中包含有目标设备的定位信息，其中目标设备包括已运维的目标设备和待运维的目标设备，其中不同的目标设备采用不同的标记在GIS地图中展示。
其中，GIS地图中能够以实际的地图数据为基础，在地图中显示各巡检终端的位置信息，以及目标设备的位置信息，其中目标设备包括带巡检的目标设备和已巡检的目标设备，分别采用不同的标记方式进行显示；同时根据巡检终端上传的巡检记录，将目标设备的巡检记录整合到GIS地图中，与已巡检的目标设备整合到一起进行显示，方便管理者对全局巡检任务以及巡检人员的实时状况进行了解。
优选地，巡检终端包括：
定位模块，英语将巡检终端的实时定位信息传输到管理终端。
优选地，巡检终端包括：
交互模块，用于与管理终端通信连接，用于与管理终端进行数据交互；
巡检模块，用于根据由管理终端发送的巡检路径信息以及巡检终端当前的定位信息，在地地图上显示巡检路线，其中该巡检路线中包括了待运维的目标设备的定位标记；
记录模块，用于在到达待运维的目标设备的位置后，供运维人员记录该目标设备的运维信息并生成巡检记录上传至管理终端。
优选地，巡检终端可以是巡检人员的手机、也可以是其他专用智能终端那设备。
优选地，巡检记录包括时间戳信息，当前定位信息，目标设备的图片信息以及由巡检人员记录的运维记录文本信息等。
针对现有技术中，存在对巡检人员的监管力度不足，不能得知巡检人员是否正常完成巡检工作以及实时状态等情况。
通过巡检终端供巡检人员记录检测运维巡检记录，能够使得运维人员能够实时获取与其对应的巡检路线，供巡检人员根据巡检路线执行巡检任务，到达带巡检的目标设备出进行运维检查工作；同时供巡检人员对目标设备的运维情况进行记录，其中巡检记录中包含有时间信息和定位信息，使得巡检人员无法对运维记录进行作假，上述技术方案基于巡检终端为基础，能够远程为巡检人员安排发布巡检路线和巡检任务，同时对巡检任务的记录信息进行实时统一管理，有助于管理者提高对巡检人员的管理程度。
优选地，其中巡检记录包括时间戳信息，当前定位信息，目标设备的图片信息以及由巡检人员记录的运维记录文本信息。
优选地，记录模块包括图像采集单元、图像预处理单元、识别单元和生成单元；
图像采集单元用于采集目标设备图像信息；
图像预处理单元用于对采集的目标设备图像进行预处理，输出预处理后的目标设备图像；
识别单元用于根据预处理后的目标设备图像识别该图像中的设备标识，获取该目标设备的基本信息；
生成单元用于基于设定的运维记录模板，根据获取的目标设备基本信息以及预处理后的目标设备图像生成与该目标设备对应的运维记录报告，供运维人员在该运维记录报告中填写运维记录文本信息后，将该运维记录报告作为巡检记录上传到管理终端。
一种场景中，该设备标识包括二维码标签，条形码标签，文字标签中的一种或多种。
上述实施方式中，针对巡检人员到达目标设备进行运维任务的记录情况，上述技术方案中在巡检终端中还设置有图像采集单元，用于对目标设备的图像进行记录，并且基于目标设备上的标签信息进行识别，根据标签信息访问相关的链接自动获取与该目标设备相应的基础信息(包括名称、ID、位置、设备类型、操作说明等)并自动根据预先设定好的运维记录模板生成运维记录报告并在巡检终端中显示，供运维人员进一步在运维结束后，根据该目标设备进行运维记录的填写，生成运维记录报告上传到管理终端，供管理终端根据接收到的运维记录报告实时更新该目标设备的巡检状态，并将该运维记录报告的信息更新到GIS地图中进行显示以及统一存储管理。
当某目标设备出现异常情况时，需要巡检人员花费大量的时间对该目标设备进行检修和维修，因此可能会耽误该巡检人员之后的巡检任务，基于上述情况，当巡检人员通过巡检终端上传该目标设备的异常运维记录报告到管理终端后，管理终端能够根据接收到的运维报告情况，发出警示信息，同时供管理者在剔除该需要对异常设备进行处理的巡检终端后，及时控制管理终端进行实时的全局巡检路径规划，并将更新的路径规划信息发送到各巡检终端，有助于当某巡检人员无法正常继续其巡检任务时，能够及时安排其他巡检人员顶替完成相应的巡检任务，保证对目标设备巡检的整体可靠性。
针对在现场采集的目标设备图像，容易存在图像质量欠佳，从而导致巡检记录的图像或者标签识别的图像效果不佳的情况。
优选地，图像预处理单元，对采集的目标设备图像进行预处理包括：
对采集的目标设备图像进行小波包分解处理，分别获取目标设备图像的低频分量图像和高频分量图像；
针对获取的低频分量图像，对低频分量图像进行亮度增强处理，获取亮度增强后的低频分量图像；
对高频分量图像进行阈值去噪处理，获取阈值去噪后的高频分量图像；
根据亮度增强后的低频分量图像和阈值去噪后的高频分量图像进行基于细节信息的融合处理，获取预处理后的目标设备图像。
上述实施方式中，通过在巡检终端上设置图像预处理单元，专门对采集的目标设备图像进行预处理，增强目标设备图像的质量，能够有助于提高设备标签的识别准确度以及巡检记录中记录的图像信息的效果；
同时提出了一种专门针对户外情况下目标设备的图像处理技术方案，该技术方案中基于小波变换对目标设备图像进行分解，分别获取目标设备图像的低频分量图像和高频分量图像，然后针对性地对低频分量图像进行亮度增强处理，以及根据高频分量图像进除噪声处理，能够基于低频分量图像反映图像背景信息，高频分量图像反映特征信息和噪声信息的特点，分别针对性地对图像进行亮度增强和除噪声处理，并根据处理后的结果融合得到最终预处理后的图像，能够有效地提高图像的效果和清晰度，为之后针对图像进行进一步处理或存证管理奠定了基础。
上述图像预处理技术方案中，能够采用现有的亮度增强处理方法或者高频小波系数阈值处理方法进行处理。
同时，针对上述图像预处理技术方案，本申请还针对该预处理技术方案中的具体步骤提出了优选或改进的实施方式如下：
优选地，图像与处理单元中，对低频分量图像进行亮度增强处理，包括：
将低频分量图像转换到LAB颜色空间；
针对低频分量图像中每个像素点的亮度分量值L(x,y)，标记亮度分量值最大的像素点为A′，以及标记亮度分量值最小的像素点为B′；
对每个像素点进行亮度增强处理，其中采用的亮度增强函数为：
Figure BDA0002830387870000071
式中，L′(x,y)表示低频分量图像中像素点(x,y)亮度增强处理后的亮度分量值，L(x,y)表示低频分量图像中像素点(x,y)的亮度分量值，α1和α2表示设定的调节因子，其中α1∈[0.3,0.7]，α1+α2＝1，
Figure BDA0002830387870000072
表示以像素点(x,y)为中心像素点的正方形处理窗口，其中该处理窗口的边长尺寸为能够使得处理窗口同时包含像素点A′和像素点B′的最小边长尺寸，
Figure BDA0002830387870000073
表示该处理窗口中包含的像素点的亮度分量值均值；
分别获取低频分量图像中每个像素点亮度增强处理后的亮度分量值，获取亮度增强处理后的低频分量图像。
上述实施方式中，提出了一种针对低频分量图像进行亮度增强处理的技术方案，该方案中首先将亮度分量图像转换到LAB颜色空间作为基础，同时根据像素点的亮度分量值，从图像中检索出最高亮度像素点和最低亮度像素点，从而反映图像的亮度分布情况，并根据该亮度分布情况，特别设置自适应的处理窗口对图像中的不同像素点进行处理，其中处理窗口在对准不同像素点进行处理的时候，能够根据最亮像素点和最暗像素点的位置自适应设置处理窗口的大小，使得处理窗口中包含最亮像素点和最暗像素点，从而使得处理窗口能够真实选取目标像素点的邻域范围作为基础，进行亮度调节处理；该处理方法中，能够有效针对图像中的特亮区域和特暗区域附近的像素点进行中和处理，同时对其他正常区域的像素点进行微调，使得图像的整体亮度保持在一个整体的范围内，但能够最大程度地反映出原图像的明暗位置区别，有效地解决传统亮度增强处理方案中存在的局部亮度处理无法消除图像曝光点或特暗区域的情况，或者整体亮度增强处理会消除图像亮度特性的情况。自适应对根据图像特性对各像素点的亮度值进行调节，从而提升图像的质量和显示效果。
优选地，图像预处理单元中，对高频分量图像进行阈值去噪处理，包括：
将高频分量图像保持在小波域中，
采用以下阈值处理函数对高频分量图像中的高频小波系数进行阈值处理：
Figure BDA0002830387870000081
式中，w′(j)表示高频分量图像中经过阈值处理后的第j个高频小波系数，w(j)表示高频分两图乡中第j个高频小波系数；β表示设定的边界调节因子，γ表示设定的变化率调节因子，T表示设定的阈值，其中
Figure BDA0002830387870000082
σ表示设定的噪声方差估计，N表示高频小波系数的长度；
将阈值处理后的高频小波系数进行重构，获取阈值去噪后的高频分量图像。
上述实施方式中，提出一种针对高频分量图像进行除噪声的技术方案，该方案中回归到小波域状态中，以高频分量图像中对应的高频小波系数作为基础，对高频小波系数进行阈值处理，并同时提出了一种改进的阈值处理函数，该函数中能够准确反映高频小波系数中噪声点的特性，对噪声部分进行最大程度的抑制，提高了高频小波系数阈值处理的除噪声处理效果。
优选地，图像预处理单元中，根据亮度增强后的低频分量图像和阈值去噪后的高频分量图像进行基于细节信息的融合处理，包括：
将亮度增强后的低频分量图像D和阈值去噪后的高频分量图像G转换到灰度空间；
基于阈值去噪后的高频分量图像G进行边缘检测处理，检测高频分量图像G中的边缘像素点；
根据获取的边缘像素点，并对获取的边缘像素点进行分类标记为连续边缘像素点和孤立边缘像素点；
根据亮度增强后的低频分量图像和阈值去噪后的高频分量图像进行融合处理，其中采用的图像融合函数为：
Z′(x,y)＝(ω+μ)·G(x,y)+ω·D(x,y)
式中，Z′(x,y)表示融合图像像素点(x,y)的灰度值，ω表示设定的融合控制因子，ω∈[0.8,1.0]，G(x,y)表示阈值去噪后的高频分量图像G中像素点(x,y)的灰度值，D(x,y)表示亮度增强后的低频分量图像D中像素点(x,y)的灰度值，μ表示边缘增强因子，其中当阈值去噪后的高频分量图像G中像素点(x,y)属于连续边缘像素点时，则μ＝[0.1,0.3]，当阈值去噪后的高频分量图像G中像素点(x,y)不属于边缘像素点时，则μ＝0，当阈值去噪后的高频分量图像G中像素点(x,y)属于孤立边缘像素点时，则μ＝-ω；
输入融合图像作为预处理后的目标设备图像。
上述实施方式中，提出了一种针对高频分量图像和低频分量图像的融合技术方案，该方案中，为了提高融合图像的边缘信息部分，首先对高频分量图像中包含的边缘信息部分进行筛选，筛选出能够反映目标设备的边缘信息的连续边缘像素点，并提出一种改进的图像融合函数，该函数中特别加入了边缘增强因子，能够根据高频分量中的边缘像素点进行增强，同时对孤立边缘像素点进行抑制，使得融合后的图像中能够准确反映目标设备的边缘信息，同时对无效或者无用的噪声点进行进一步抑制，有效地提高图像的观感和特征呈现效果，有助于后续对目标设备图像进一步存证显示或者标签识别提供保证。
其中，上述技术方案可以以单独或者组合的方式进行，本申请在此不作限定。
需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.基于深度学习的巡检路线规划及巡检人员管理系统，其特征在于，包括管理终端和供巡检人员携带的巡检终端；
管理终端用于根据待运维的目标设备对应的位置信息以及巡检终端的定位信息，规划并生成针对每个巡检人员的巡检路线，并将巡检路线信息发送到与该巡检人员相应的巡检终端；
巡检终端用于接收并显示与其对应的巡检路线信息，以及用于将目标设备的巡检记录上传到管理终端；
所述巡检终端包括：
交互模块，用于与所述管理终端通信连接，用于与管理终端进行数据交互；
巡检模块，用于根据由管理终端发送的巡检路径信息以及巡检终端当前的定位信息，在地地图上显示巡检路线，其中该巡检路线中包括了所述待运维的目标设备的定位标记；
记录模块，用于在到达待运维的目标设备的位置后，供运维人员记录该目标设备的运维信息并生成巡检记录上传至管理终端；
所述记录模块包括图像采集单元、图像预处理单元、识别单元和生成单元；
图像采集单元用于采集目标设备图像信息；
图像预处理单元用于对采集的目标设备图像进行预处理，输出预处理后的目标设备图像；
识别单元用于根据预处理后的目标设备图像识别该图像中的设备标识，获取该目标设备的基本信息；
生成单元用于基于设定的运维记录模板，根据获取的目标设备基本信息以及预处理后的目标设备图像，生成与该目标设备对应的运维记录报告，供运维人员在该运维记录报告中填写运维记录文本信息后，将该运维记录报告作为巡检记录上传到所述管理终端；
其中巡检记录包括时间戳信息，当前定位信息，目标设备的图片信息以及由巡检人员记录的运维记录文本信息；
所述图像预处理单元，对采集的所述目标设备图像进行预处理包括：
对所述采集的目标设备图像进行小波包分解处理，分别获取目标设备图像的低频分量图像和高频分量图像；
针对获取的低频分量图像，对低频分量图像进行亮度增强处理，获取亮度增强后的低频分量图像；
对高频分量图像进行阈值去噪处理，获取阈值去噪后的高频分量图像；
根据亮度增强后的低频分量图像和阈值去噪后的高频分量图像进行基于细节信息的融合处理，获取所述预处理后的目标设备图像；
图像预处理单元中，对低频分量图像进行亮度增强处理，包括：
将低频分量图像转换到LAB颜色空间；
针对低频分量图像中每个像素点的亮度分量值L(x,y)，标记亮度分量值最大的像素点为A′，以及标记亮度分量值最小的像素点为B′；
对每个像素点进行亮度增强处理，其中采用的亮度增强函数为：
Figure FDA0003464448620000021
式中，L′(x,y)表示低频分量图像中像素点(x,y)亮度增强处理后的亮度分量值，L(x,y)表示低频分量图像中像素点(x,y)的亮度分量值，α1和α2表示设定的调节因子，其中α1∈[0.3,0.7]，α1+α2＝1，
Figure FDA0003464448620000022
表示以像素点(x,y)为中心像素点的正方形处理窗口，其中该处理窗口的边长尺寸为能够使得处理窗口同时包含像素点A′和像素点B′的最小边长尺寸，
Figure FDA0003464448620000023
表示该处理窗口中包含的像素点的亮度分量值均值；
分别获取低频分量图像中每个像素点亮度增强处理后的亮度分量值，获取亮度增强处理后的低频分量图像。
2.根据权利要求1所述的基于深度学习的巡检路线规划及巡检人员管理系统，其特征在于，所述管理终端包括通信模块、GIS模块、路径规划模块和数据库模块；
通信模块分别与各所述巡检终端通信连接，用于与各所述巡检终端进行数据交互；
GIS模块用于基于实际地图信息以及实际所述目标设备分布情况建立GIS地图，并根据巡检终端的实时定位信息整合到GIS地图中，获取GIS地图数据；
路径规划模块用于基于GIS地图数据，采用基于深度学习路径规划模型对各巡检人员的全局巡检路径进行规划，分别获取各巡检人员对应的巡检路径信息，并通过通信模块发送到相应的巡检终端；
数据库模块用于对有各巡检终端上传的巡检记录进行分类管理。
3.根据权利要求2所述的基于深度学习的巡检路线规划及巡检人员管理系统，其特征在于，所述GIS模块还包括：
用于显示所述GIS地图数据，其中GIS地图中包含有所述目标设备的定位信息，其中目标设备包括已运维的目标设备和待运维的目标设备，其中不同的目标设备采用不同的标记在GIS地图中展示。
CN202011441291.XA 2020-12-10 2020-12-10 基于深度学习的巡检路线规划及巡检人员管理系统 Active CN112434880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011441291.XA CN112434880B (zh) 2020-12-10 2020-12-10 基于深度学习的巡检路线规划及巡检人员管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011441291.XA CN112434880B (zh) 2020-12-10 2020-12-10 基于深度学习的巡检路线规划及巡检人员管理系统

Publications (2)

Publication Number Publication Date
CN112434880A CN112434880A (zh) 2021-03-02
CN112434880B true CN112434880B (zh) 2022-03-15

Family

ID=74691503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011441291.XA Active CN112434880B (zh) 2020-12-10 2020-12-10 基于深度学习的巡检路线规划及巡检人员管理系统

Country Status (1)

Country Link
CN (1) CN112434880B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010625A (zh) * 2021-03-31 2021-06-22 广东电网有限责任公司 Gis多源数据集成与融合方法、gis多源数据调度系统及介质
CN113452746B (zh) * 2021-05-11 2022-08-05 华翔翔能科技股份有限公司 一种泵站运维巡查管理方法及系统
CN113376439B (zh) * 2021-07-08 2022-04-29 广西电网有限责任公司电力科学研究院 一种智能化防雷接地电阻在线监测系统
CN113601536B (zh) * 2021-10-11 2022-03-18 国网智能科技股份有限公司 一种配网车载智能巡检机器人系统及方法
CN114510027A (zh) * 2021-12-22 2022-05-17 中煤科工开采研究院有限公司 一种基于ar技术的井工煤矿设备巡检方法与装置
CN114967763B (zh) * 2022-08-01 2022-11-08 电子科技大学 一种基于图像定位的植保无人机的播撒控制方法
CN115171234A (zh) * 2022-08-18 2022-10-11 谢国富 用于大型场馆内考勤的系统及方法
CN116976814A (zh) * 2023-07-31 2023-10-31 山东龙源电力工程有限公司 一种火电厂安全生产智能化管理系统
CN117035748B (zh) * 2023-10-10 2023-12-22 中铁电气化铁路运营管理有限公司 一种地铁站灯具检修辅助系统及方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101202660A (zh) * 2007-09-21 2008-06-18 广东高新兴通信设备有限公司 一种基站巡检管理系统
CN103886521A (zh) * 2014-04-15 2014-06-25 杭州昊美科技有限公司 一种基于gis 的智能巡检测试终端及测试方法
CN107292989A (zh) * 2016-04-10 2017-10-24 青岛理工大学 基于3dgis技术的高压输电巡检系统
CN106296600B (zh) * 2016-08-01 2018-12-21 大连理工大学 一种基于小波变换图像分解的对比度增强方法
CN111583123A (zh) * 2019-02-17 2020-08-25 郑州大学 一种基于小波变换的融合高低频信息的图像增强算法
CN111339893B (zh) * 2020-02-21 2022-11-22 哈尔滨工业大学 基于深度学习和无人机的管道检测系统及方法
CN111582117A (zh) * 2020-04-29 2020-08-25 长江大学 一种无人机违章建筑物巡检方法、设备及存储介质

Also Published As

Publication number Publication date
CN112434880A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112434880B (zh) 基于深度学习的巡检路线规划及巡检人员管理系统
EP3138754B1 (en) Rail track asset survey system
CN109389578A (zh) 铁路轨道异常检测
US10255804B2 (en) Method for generating a digital record and roadside unit of a road toll system implementing the method
CN109359676A (zh) 用于生成车辆损伤信息的方法和装置
CN110570435B (zh) 用于对车辆损伤图像进行损伤分割的方法及装置
CN104766086A (zh) 一种公路标识的监管方法和系统
CN112598670B (zh) 一种基于云计算的土地监管平台
CN112508759B (zh) 基于微服务的大数据管理和挖掘系统
AU2017232220B2 (en) Railroadtrack asset survey system
CN111832410B (zh) 一种基于视觉与激光雷达融合的前向列车检测方法
CN114758249B (zh) 基于野外夜间环境的目标物监测方法、装置、设备及介质
CN109297978B (zh) 基于双目成像的电力线路无人机巡检及缺陷智能诊断系统
CN103913150B (zh) 智能电能表电子元器件一致性检测方法
Cappi et al. Dataset definition standard (dds)
KR20200056879A (ko) 전차 선로의 조류 둥지 자동 검출 장치 및 방법
CN110956115B (zh) 场景识别方法及装置
KR102469474B1 (ko) 건설 현장의 영상입력장치를 이용한 공사일보 자동 작성 시스템
CN115373416B (zh) 一种铁路电力贯通线智能巡检方法
CN115410173B (zh) 多模态融合的高精地图要素识别方法、装置、设备及介质
CN114821513B (zh) 一种基于多层网络的图像处理方法及装置、电子设备
CN113177566B (zh) 一种特征提取模型训练方法、装置及计算机设备
CN109145424B (zh) 一种针对探地雷达数据的桥梁数据识别方法及系统
CN112115876A (zh) 一种基于3d卷积神经网络的水溶法实验过程识别方法
CN208477368U (zh) 一种非接触式沥青拌合站监控管理系统

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
GR01 Patent grant
GR01 Patent grant