CN113011297A - 基于边云协同的电力设备检测方法、装置、设备及服务器 - Google Patents

基于边云协同的电力设备检测方法、装置、设备及服务器 Download PDF

Info

Publication number
CN113011297A
CN113011297A CN202110256280.2A CN202110256280A CN113011297A CN 113011297 A CN113011297 A CN 113011297A CN 202110256280 A CN202110256280 A CN 202110256280A CN 113011297 A CN113011297 A CN 113011297A
Authority
CN
China
Prior art keywords
image
identification result
power equipment
detected
level
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
Application number
CN202110256280.2A
Other languages
English (en)
Inventor
陈江琦
张希
王博
刘思言
高昆仑
赵婷
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.)
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
Original Assignee
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
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 State Grid Corp of China SGCC, Global Energy Interconnection Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN202110256280.2A priority Critical patent/CN113011297A/zh
Publication of CN113011297A publication Critical patent/CN113011297A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于边云协同的电力设备检测方法、装置、设备及服务器。其中，该方法包括：边缘设备获取待检测电力设备图像；识别待检测电力设备图像，确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片；发送图像切片至云端服务器；云端服务器接收图像切片；识别图像切片，确定图像切片的第二级识别结果；发送第二级识别结果至边缘设备；边缘设备接收云端服务器对图像切片的第二级识别结果，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。通过边云协同方式确定待检测电力设备图像的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，提高了电力设备的缺陷检测效率。

Description

基于边云协同的电力设备检测方法、装置、设备及服务器
技术领域
本发明涉及电力设备检测技术领域，具体涉及一种基于边云协同的电力设备检测方法、装置、设备及服务器。
背景技术
电力公司通常采用无人机、有人机、摄像头、机器人以及手持终端等设备对电力设备的图像进行采集，并通过人工智能图像识别技术，对采集到电力设备图像进行处理，识别电力设备所存在的缺陷或隐患。然而，电力设备图像的图像识别模型通常布置在云端服务器(即云端)或边缘设备(即边缘端)。其中，云端的计算能力强，计算速度快，但距离数据源较远，数据传输时间长；边缘端的计算能力弱，计算速度慢，但距离数据源较近，数据传输时间短。
但是，若将采集到的电力设备图像全部上传到云端进行识别，不仅传输时间长，效率低，而且将数据全部上传至云端也不现实；若将采集到的电力设备图像全部在边缘端进行识别，由于边缘端的计算能力较弱，导致运算时间较长，检测效率较低。因此，现有的电力设备的缺陷检测方法均存在检测效率较低的问题。
发明内容
有鉴于此，本发明实施例提供了一种基于边云协同的电力设备检测方法、装置、设备及服务器，以解决现有电力设备的缺陷检测方法检测效率较低的问题。
根据第一方面，本发明实施例提供了一种基于边云协同的电力设备检测方法，用于边缘设备，包括：获取待检测电力设备图像；识别所述待检测电力设备图像，确定所述待检测电力设备图像的第一级识别结果以及所述第一级识别结果对应的图像切片；发送所述图像切片至云端服务器；接收所述云端服务器对所述图像切片的第二级识别结果；基于所述第一级识别结果以及所述第二级识别结果，确定所述待检测电力设备图像的目标检测信息。
本发明实施例提供的基于边云协同的电力设备检测方法，通过边缘设备获取待检测电力设备图像，识别待检测电力设备图像，并确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片，边缘设备将图像切片发送至云端服务器以使云端服务器识别该图像切片，并接收来自云端服务器对图像切片的第二级识别结果，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
结合第一方面，在第一方面的第一实施方式中，所述识别所述待检测电力设备图像，确定所述待检测电力设备图像的第一级识别结果以及所述第一级识别结果对应的第一级图像切片，包括：将所述待检测电力设备图像输入到第一图像识别模型，其中，所述第一图像识别模型预先根据多个电力设备的图像样本以及所述电力设备的故障图像样本训练得到；基于所述第一图像识别模型，得到所述待检测电力设备图像对应的第一级识别结果；基于所述第一级识别结果，从所述待检测电力设备图像中确定出对应于所述第一级识别结果的图像切片。
本发明实施例提供的基于边云协同的电力设备检测方法，通过将待检测电力设备图像输入到边缘设备侧的第一图像识别模型，得到待检测电力设备图像对应的第一级识别结果，并从待检测电力设备图像中确定出对应于第一级识别结果的图像切片。其中，第一图像识别模型是预先根据多个电力设备的图像样本以及电力设备的故障图像样本训练得到的。由此保证了边缘设备侧对电力设备图像的检测准确度。
结合第一方面，在第一方面的第二实施方式中，所述基于所述第一级识别结果以及所述第二级识别结果，确定所述待检测电力设备图像的目标检测信息，包括：基于所述第二级识别结果，确定所述第二级识别结果对应的位置数据；计算所述位置数据相对于所述第一级识别结果的位置信息；基于所述位置信息，合并所述第一级识别结果和所述第二级识别结果，得到所述目标检测信息。
本发明实施例提供的基于边云协同的电力设备检测方法，通过第二级识别结果确定第二级识别结果对应的位置数据，计算该位置数据相对于第一级识别结果的位置信息，合并第一识别结果和第二识别结果，得到电力设备图像对应的目标检测信息。该方法通过合并第一识别结果和第二识别结果保证了电力设备图像的缺陷检测准确度。
根据第二方面，本发明实施例提供了一种基于边云协同的电力设备检测方法，用于云端服务器，包括：接收图像切片；识别所述图像切片，确定所述图像切片对应的第二级识别结果；发送所述第二级识别结果至边缘设备。
本发明实施例提供的基于边云协同的电力设备检测方法，通过云端服务器对其接收到的图像切片进行识别，确定图像切片对应的第二级识别结果，并将该第二级识别结果发送至边缘设备，以使边缘设备对第一识别结果和第二识别结果进行合并。通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
结合第二方面，在第二方面的第一实施方式中，所述识别所述图像切片，确定所述图像切片对应的第二级识别结果，包括：将所述图像切片输入到第二图像识别模型，其中，所述第二图像识别模型预先根据多个电力设备的图像切片样本以及所述电力设备的故障图像切片样本训练得到；基于所述第二图像识别模型，得到所述图像切片对应的第二级识别结果。
本发明实施例提供的基于边云协同的电力设备检测方法，通过将图像切片输入到边缘设备侧的第二图像识别模型，得到图像切片对应的第二级识别结果。其中，第二图像识别模型是预先根据多个电力设备的图像切片样本以及电力设备的故障图像切片样本训练得到的，由此保证了云端服务器对电力设备的图像切片的检测准确度。
根据第三方面，本发明实施例提供了一种基于边云协同的电力设备检测装置，用于边缘设备，包括：获取模块，用于获取待检测电力设备图像；第一识别模块，用于识别所述待检测电力设备图像，确定所述待检测电力设备图像的第一级识别结果以及所述第一级识别结果对应的图像切片；第一发送模块，用于发送所述图像切片至云端服务器；第一接收模块，用于接收所述云端服务器对所述图像切片的第二级识别结果；确定模块，用于基于所述第一级识别结果以及所述第二级识别结果，确定所述待检测电力设备图像的目标检测信息。
本发明实施例提供的基于边云协同的电力设备检测装置，通过边缘设备获取待检测电力设备图像，识别待检测电力设备图像，并确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片，边缘设备将图像切片发送至云端服务器以使云端服务器识别该图像切片，并接收来自云端服务器对图像切片的第二级识别结果，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。该装置通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
根据第四方面，本发明实施例提供了一种基于边云协同的电力设备检测装置，用于云端服务器，包括：第二接收模块，用于接收图像切片；第二识别模块，用于识别所述图像切片，确定所述图像切片对应的第二级识别结果；第二发送模块，用于发送所述第二级识别结果至边缘设备。
本发明实施例提供的基于边云协同的电力设备检测装置，通过云端服务器对其接收到的图像切片进行识别，确定图像切片对应的第二级识别结果，并将该第二级识别结果发送至边缘设备，以使边缘设备对第一识别结果和第二识别结果进行合并。该装置通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
根据第五方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式所述的基于边云协同的电力设备检测方法。
根据第六方面，本发明实施例提供了一种服务器，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第二方面或第二方面第一实施方式所述的基于边云协同的电力设备检测方法。
根据第七方面，本发明实施例提供了一种基于边云协同的电力设备检测系统，包括：至少一个边缘设备和云端服务器，所述至少一个边缘设备与所述云端服务器互相通信连接；其中，所述边缘设备，用于获取待检测电力设备图像；识别所述待检测电力设备图像，确定所述待检测电力设备图像的第一级识别结果以及所述第一级识别结果对应的图像切片；发送所述图像切片至云端服务器；接收所述云端服务器对所述图像切片的第二级识别结果；基于所述第一级识别结果以及所述第二级识别结果，确定所述待检测电力设备图像的目标检测信息；所述云端服务器，用于接收图像切片；识别所述图像切片，确定所述图像切片对应的第二级识别结果；发送所述第二级识别结果至边缘设备。
本发明实施例提供的基于边云协同的电力设备检测系统，通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
根据第八方面，本发明实施例提供了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计算机指令，所述计算机指令用于使计算机执行第一方面或第一方面任一实施方式所述的基于边云协同的电力设备检测方法，或执行第二方面或第二方面第一实施方式所述的基于边云协同的电力设备检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于边云协同的电力设备检测方法的流程图；
图2是本发明实施例的基于边云协同的电力设备检测方法的另一流程图；
图3是本发明实施例的基于边云协同的电力设备检测方法的流程图；
图4是本发明实施例的基于边云协同的电力设备检测方法的另一流程图；
图5是本发明实施例的基于边云协同的电力设备检测方法的处理示意图；
图6是本发明实施例的基于边云协同的电力设备检测方法的流程图；
图7是本发明实施例的基于边云协同的电力设备检测装置的结构框图；
图8是本发明实施例的基于边云协同的电力设备检测装置的结构框图；
图9是本发明实施例的基于边云协同的电力设备检测系统的结构示意图；
图10是本发明实施例提供的电子设备的硬件结构示意图；
图11是本发明实施例提供的服务器的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
电力设备图像的图像识别模型通常布置在云端服务器(即云端)或边缘设备(即边缘端)。其中，云端的计算能力强，计算速度快，但距离数据源较远，数据传输时间长；边缘端的计算能力弱，计算速度慢，但距离数据源较近，数据传输时间短。但是，若将采集到的电力设备图像全部上传到云端进行识别，不仅传输时间长，效率低，而且将数据全部上传至云端也不现实；若将采集到的电力设备图像全部在边缘端进行识别，由于边缘端的计算能力较弱，导致运算时间较长，检测效率较低。因此，现有的电力设备的缺陷检测方法均存在检测效率较低的问题。
基于此，本发明技术方案通过边云协同的方式对电力设备的缺陷或隐患进行检测，不仅保证了电力设备图像的传输时间，而且保证了电力设备图像的数据处理能力，从而提高了电力设备的缺陷检测效率。
根据本发明实施例，提供了一种基于边云协同的电力设备检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于边云协同的电力设备检测方法，可用于边缘设备，如手机、平板电脑、电脑等，图1是根据本发明实施例的基于边云协同的电力设备检测方法的流程图，如图1所示，该流程包括如下步骤：
S11，获取待检测电力设备图像。
待检测电力设备图像可以通过无人机、有人机、摄像头、机器人、手持移动终端等边缘设备的内置或外置摄像头拍摄待检测电力设备得到。通过调用摄像头拍照功能获取待检测电力设备图像后，可以采用预览方式在边缘设备中显示该图像，根据接收到对拍摄得到的图像的选择操作，确定待检测电力设备图像；也可以将移动终端调用摄像头拍摄得到的图像直接作为待检测电力设备图像；也可以是将接收到的其他拍摄设备拍摄得到的电力设备的图像作为待检测电力设备图像。本申请实施例对待检测电力设备图像的获取方式不作限定，本领域技术人员可以根据实际使用需要确定。
S12，识别待检测电力设备图像，确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片。
边缘设备将获取到的待检测电力设备图像发送至设置在边缘设备侧的图像识别模型进行图像识别。边缘设备通过该图像识别模型对待检测电力设备图像进行识别，以获取到待检测电力设备图像对应的第一识别结果，以及第一级识别结果对应的图像切片。
具体地，第一级识别结果是对应于待检测电力设备图像的目标或缺陷，例如，绝缘子串目标、重锤目标、线夹目标或杆塔基础缺陷。第一级识别结果对应的图像切片则是基于第一级识别结果对待检测电力设备图像进行分割得到，例如，识别待检测电力设备图像得到的第一级识别结果为绝缘子串目标、重锤目标以及线夹目标，基于此，可以将待检测电力设备图像分为三个图像切片，分别是绝缘子串图像切片、重锤图像切片以及线夹图像切片。
待检测电力设备图像包含的各个目标分别用方框进行标注。且每个方框或图像切片均可以用四元组(xc,yc,w,h)表示，即一个长方形框的归一化中心坐标、长、宽。若待检测电力设备图像的左上角横纵坐标为(0,0)，右下角横纵坐标为(1,1)，恰好覆盖原始待检测电力设备图像的方框为(0.5,0.5,1,1)。其中，方框的左侧是中心值-宽度一半，也就是0.5-1/2＝0，右侧是中心值+宽度一半，也就是0.5+1/2＝1。
如果四元组对应的方框或图像切片超出原始待检测电力设备图像的范围，则截取到待检测电力设备图像的边缘，即(0.4,0.4,2,2)也是恰好覆盖原图的方框。对于(0.4,0.4,2,2)这个方框，算出来其对应的原始待检测电力设备图像的左上角横纵坐标为(-0.6,-0.6)，右下角横纵坐标为(1.4,1.4)，由此可见，上下左右都超出了原始待检测电力设备图像的范围，因此会被截取到原始待检测电力设备图像的边缘。
识别到的待检测电力设备图像中的一个目标或缺陷，可以用五元组(xc,yc,w,h,cls)表示，即中心坐标、长、宽和类别。其中，类别可以是一种目标，也可以是一种故障或缺陷。
S13，发送图像切片至云端服务器。
边缘设备将得到的图像切片发送至云端服务器，由云端服务器对图像切片进行识别，以获取对应于图像切片的第二级识别结果。其中，多个边缘设备可以共享一个云端服务器。
S14，接收云端服务器对图像切片的第二级识别结果。
云端服务器将其识别图像切片得到的第二级识别结果发送至边缘设备，边缘设备便可以接收云端服务器的第二级识别结果，以将第一识别结果和第二识别结果进行合并。具体地，第二级识别结果隶属于第一级识别结果，即第二级识别结果对应的位置与第一级识别结果有关，即待检测电力设备图像中包含的所有电力设备目标或缺陷类别，具有一定的逻辑联系，每个类别仅属于第一级识别结果或第二级识别结果。若第一级识别结果对应的类别为A、B、C、……，则第二级识别结果对应的类别为a、b、c、……，每个第二级识别结果对应的类别有不少于1个第一级识别结果对应的类别作为其父类，则第二级识别结果对应的类别为该第一级识别结果对应的子类。
S15，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。
目标检测信息为待检测电力设备图像中包含的目标信息或缺陷信息。边缘设备可以对接收到第一级识别结果和第二级识别结果进行合并，确定第二级识别结果在第一级识别结果中的对应位置，由此确定出待检测电力设备图像的目标检测信息。
具体地，如图5所示，若A是绝缘子串，B是重锤，C是线夹，D是杆塔基础缺陷，a是销钉缺陷，b是绝缘子破损，则A、B、C都是a的父类，A是b的父类。其中，第一级识别结果对应的类别是大目标或缺陷，第二级识别结果对应的类别是小缺陷，即边缘设备可以利用大目标的位置，在大目标的附近查找与其对应类别的小目标或小缺陷。
具体地，如图5所示，若A是绝缘子，B是防震锤，C是线夹，a是绝缘子破损，b是防震锤损坏，c是线夹倾斜，则A是a的父类，B是b的父类，C是c的父类。其中，第一级识别结果对应的类别是待检测电力设备图像对应的目标，第一级识别结果对应的类别是目标的缺陷或故障，即边缘设备可以先识别目标，然后再识别该目标对应的缺陷。
本实施例提供的基于边云协同的电力设备检测方法，通过边缘设备获取待检测电力设备图像，识别待检测电力设备图像，并确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片，边缘设备将图像切片发送至云端服务器以使云端服务器识别该图像切片，并接收来自云端服务器对图像切片的第二级识别结果，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
在本实施例中提供了一种基于边云协同的电力设备检测方法，可用于边缘设备，如手机、平板电脑、电脑等，图2是根据本发明实施例的基于边云协同的电力设备检测方法的流程图，如图2所示，该流程包括如下步骤：
S21，获取待检测电力设备图像。详细说明参见上述实施例对应步骤S11的相关描述，此处不再赘述。
S22，识别待检测电力设备图像，确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片。
具体地，上述步骤S22可以包括如下步骤：
S221，将待检测电力设备图像输入到第一图像识别模型，其中，第一图像识别模型预先根据多个电力设备的图像样本以及电力设备的故障图像样本训练得到。
第一图像识别模型是根据预先得到的多个电力设备的图像样本和电力设备对应的故障图像样本训练得到的。具体地，边缘设备可以通过多个电力设备图像样本对第一图像识别模型进行训练以使训练得到的第一图像识别模型可以准确识别出输入的待检测电力设备图像中的电力设备目标；还可以通过多个电力设备对应的故障图像样本可以使得训练得到的第一图像识别模型可以准确识别出输入的待检测电力设备图像中的电力设备目标是否存在故障或缺陷。第一图像识别模型的图像识别算法以及识别准确率可以根据实际使用需要确定，本申请对此不作限定。
S222，基于第一图像识别模型，得到待检测电力设备图像对应的第一级识别结果。
将待检测电力设备图像输入到第一图像识别模型，根据第一图像识别模型可以得到对应于待检测电力设备图像的第一级识别结果。在一待检测电力设备图像中可能存在一个或多个电力设备目标，也可能存在一处或多处缺陷或故障。通过对待检测电力设备图像进行识别，可以得到多个对应于待检测电力设备图像的第一级识别结果，并根据第一级识别结果对待检测电力设备图像进行切片。
S223，基于第一级识别结果，从待检测电力设备图像中确定出对应于第一级识别结果的图像切片。
边缘设备可以根据第一级识别结果得到的一个或多个电力设备目标或缺陷对待检测电力设备图像进行切片，分别得到各个电力设备目标对应的图像切片。具体地，对每个识别到的第一级识别结果对应的目标或缺陷，如果其类别有子类，则从待检测电力设备图像中取出一个图像切片。切片的中心坐标和长宽，可以由第一级识别结果对应的目标或缺陷根据其自身位置和类别计算得到。如图5所示，对于一个绝缘子串目标可以这样计算：绝缘子串目标(xc,yc,w,h,绝缘子串)，由于销钉缺陷通常会出现在绝缘子串目标的两端，因此把绝缘子串目标对应的方框放大到1.1倍作为图像切片，以便识别销钉缺陷，切片为(xc,yc,1.1*w,1.1*h)；对于一个线夹目标可以这样计算：线夹目标(xc,yc,w,h,线夹)，由于线夹目标的上方容易出现销钉缺陷，因此把线夹目标对应的方框向上移动0.2倍的高度作为图像切片，以识别销钉缺陷，切片为(xc,yc-0.2*h,w,h)。
对于绝缘子串目标或防震锤目标或线夹目标，图像切片即是对应于它们的方框，具体地，识别待检测电力设备图像得到的第一级识别结果为绝缘子串目标、重锤目标以及线夹目标，基于此，可以对待检测电力设备图像进行切片，分别得到对应与绝缘子串、重锤以及线夹的图像切片。
S23，发送图像切片至云端服务器。详细说明参见上述实施例对应步骤S13的相关描述，此处不再赘述。
S24，接收云端服务器对图像切片的第二级识别结果。详细说明参见上述实施例对应步骤S14的相关描述，此处不再赘述。
S25，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。
具体地，上述步骤S25可以包括如下步骤：
S251，基于第二级识别结果，确定第二级识别结果对应的位置数据。
位置数据为第二级识别结果对应的目标或缺陷的坐标信息。边缘设备可以根据其接收到第二级识别结果，对第二级识别结果进行分析，得到的第二级识别结果对应的目标或缺陷的坐标信息。
S252，计算位置数据相对于第一级识别结果的位置信息。
位置信息为第二级识别结果在第一级识别结果中的坐标位置。边缘设备基于第二级识别结果的位置数据以及第一级识别结果，可以确定出第二级识别结果中的目标或缺陷相对于第一级识别结果中的目标或缺陷的位置信息。
例如，图像切片为(xc0,yc0,w0,h0)(默认上下左右都没超出原始待检测电力设备图像，否则应该先截取到原始待检测电力设备图像的边缘，得到正规化的切片坐标)，在这个图像切片中，云端服务器可以识别出图像切片中的小目标对应的位置数据为(xc1,yc1,w1,h1,cls)，将该小目标的位置数据对应到原始待检测电力设备图像中，可以得到该电力设备小目标的位置信息应该为(xc0+w0*xc1-w0/2,yc0+h0*yc1-h0/2,w0*w1,h0*h1,cls)，若此图像切片超出原始待检测电力设备图像的范围，则截图到原始待检测电力设备图像的边界。
S253，基于位置信息，合并第一级识别结果和第二级识别结果，得到目标检测信息。
边缘设备基于该位置信息可以对第一级识别结果和第二级识别结果进行合并，将第一级识别结果和第二级识别结果嵌入至待检测电力设备图像中，得到待检测电力设备图像对应的目标检测信息。
本实施例提供的基于边云协同的电力设备检测方法，通过将待检测电力设备图像输入到边缘设备侧的第一图像识别模型，得到待检测电力设备图像对应的第一级识别结果，并从待检测电力设备图像中确定出对应于第一级识别结果的图像切片。其中，第一图像识别模型是预先根据多个电力设备的图像样本以及电力设备的故障图像样本训练得到的。由此保证了边缘设备侧对电力设备图像的检测准确度。通过第二级识别结果确定第二级识别结果对应的位置数据，计算该位置数据相对于第一级识别结果的位置信息，合并第一识别结果和第二识别结果，得到电力设备图像对应的目标检测信息。该方法通过合并第一识别结果和第二识别结果保证了电力设备图像的缺陷检测准确度。
在本实施例中提供了一种基于边云协同的电力设备检测方法，可用于云端服务器，如电力设备巡检平台等，图3是根据本发明实施例的基于边云协同的电力设备检测方法的流程图，如图3所示，该流程包括如下步骤：
S31，接收图像切片。
云端服务器与边缘设备之间通信连接。如图5所示，边缘设备将其得到待检测电力设备图像的第一级识别结果对应的图像切片发送至云端服务器进行识别，云端服务器则可以接收该图像切片。
S32，识别图像切片，确定图像切片对应的第二级识别结果。
云端服务器将获取到的图像切片发送至设置在云端服务器侧的图像识别模型进行图像识别。具体地，云端服务器通过该图像识别模型对图像切片进行识别，以获取到图像切片对应的第二识别结果。其中，第二级识别结果为对应与电力设备大目标的小目标，或对应与电力设备目标的小缺陷。
S33，发送第二级识别结果至边缘设备。
云端服务器可以将其识别图像切片得到的第二级识别结果发送至边缘设备，以便边缘设备可以合并第一识别结果和第二识别结果，得到最终目标检测信息。
本实施例提供的基于边云协同的电力设备检测方法，通过云端服务器对其接收到的图像切片进行识别，确定图像切片对应的第二级识别结果，并将该第二级识别结果发送至边缘设备，以使边缘设备对第一识别结果和第二识别结果进行合并。通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
在本实施例中提供了一种基于边云协同的电力设备检测方法，可用于云端服务器，如电力设备巡检平台等，图4是根据本发明实施例的基于边云协同的电力设备检测方法的流程图，如图4所示，该流程包括如下步骤：
S41，接收图像切片。详细说明参见上述实施例对应步骤S31的相关描述，此处不再赘述。
S42，识别图像切片，确定图像切片对应的第二级识别结果。
具体地，上述步骤S42可以包括如下步骤：
S421，将图像切片输入到第二图像识别模型，其中，第二图像识别模型预先根据多个电力设备的图像切片样本以及电力设备的故障图像切片样本训练得到。
第二图像识别模型是根据预先得到的多个电力设备的图像切片样本和电力设备对应的故障图像切片样本训练得到的。具体地，边缘设备可以通过多个电力设备图像切片样本对第二图像识别模型进行训练以使训练得到的第二图像识别模型可以准确识别出输入的图像切片样本中的电力设备小目标；还可以通过多个电力设备对应的故障图像切片样本可以使得训练得到的第二图像识别模型可以准确识别出输入的图像切片样本中的电力设备小目标是否存在故障或缺陷。第二图像识别模型的图像识别算法以及识别准确率可以根据实际使用需要确定，本申请对此不作限定。
S422，基于第二图像识别模型，得到图像切片对应的第二级识别结果。
将图像切片输入到第二图像识别模型，根据第二图像识别模型可以得到对应于图像切片的第二级识别结果。在一图像切片可能存在一个或多个电力设备小目标，也可能存在一处或多处缺陷或故障。通过对图像切片进行识别，可以得到多个对应于图像切片的第二级识别结果。
S43，发送第二级识别结果至边缘设备。详细说明参见上述实施例对应步骤S33的相关描述，此处不再赘述。
本实施例提供的基于边云协同的电力设备检测方法，通过将图像切片输入到边缘设备侧的第二图像识别模型，得到图像切片对应的第二级识别结果。其中，第二图像识别模型是预先根据多个电力设备的图像切片样本以及电力设备的故障图像切片样本训练得到的，由此保证了云端服务器对电力设备图像切片的检测准确度。
在本实施例中提供了一种基于边云协同的电力设备检测方法，可用于包含边缘设备与云端服务器的电力设备检测系统，图6是根据本发明实施例的基于边云协同的电力设备检测的流程图，如图6所示，该流程包括如下步骤：
S51，边缘设备获取待检测电力设备图像。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
S52，边缘设备识别待检测电力设备图像，确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
S53，边缘设备将图像切片发送至云端服务器。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
S54，云端服务器接收图像切片。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
S55，云端服务器识别图像切片，确定图像切片对应的第二级识别结果。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
S56，云端服务器将第二级识别结果发送至边缘设备。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
S57，边缘设备接收云端服务器对图像切片的第二级识别结果。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
S58，边缘设备基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
本实施例提供的基于边云协同的电力设备检测方法，通过边缘设备获取待检测电力设备图像，识别待检测电力设备图像，并确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片，边缘设备将图像切片发送至云端服务器，云端服务器对其接收到的图像切片进行识别，确定图像切片对应的第二级识别结果，并将该第二级识别结果发送至边缘设备，边缘设备接收来自云端服务器对图像切片的第二级识别结果，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
在本实施例中还提供了一种基于边云协同的电力设备检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于边云协同的电力设备检测装置，用于边缘设备，如图7所示，包括：
获取模块61，用于获取待检测电力设备图像。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
第一识别模块62，用于识别待检测电力设备图像，确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
第一发送模块63，用于发送图像切片至云端服务器。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
第一接收模块64，用于接收云端服务器对图像切片的第二级识别结果。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
确定模块65，用于基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
本实施例提供的基于边云协同的电力设备检测装置，通过边缘设备获取待检测电力设备图像，识别待检测电力设备图像，并确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片，边缘设备将图像切片发送至云端服务器以使云端服务器识别该图像切片，并接收来自云端服务器对图像切片的第二级识别结果，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。该装置通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
本实施例中的基于边云协同的电力设备检测装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
在本实施例中还提供了一种基于边云协同的电力设备检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于边云协同的电力设备检测装置，用于云端服务器，如图8所示，包括：
第二接收模块71，用于接收图像切片。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
第二识别模块72，用于识别图像切片，确定图像切片对应的第二级识别结果。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
第二发送模块73，用于发送第二级识别结果至边缘设备。详细说明参见上述实施例对应步骤的相关描述，此处不再赘述。
本实施例提供的基于边云协同的电力设备检测装置，通过云端服务器对其接收到的图像切片进行识别，确定图像切片对应的第二级识别结果，并将该第二级识别结果发送至边缘设备，以使边缘设备对第一识别结果和第二识别结果进行合并。该装置通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
本实施例中的基于边云协同的电力设备检测装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供了一种基于边云协同的电力设备检测系统，如图9所示，包括：至少一个边缘设备81和云端服务器82。其中，边缘设备81和云端服务器82之间互相通信连接。
边缘设备81获取待检测电力设备图像，识别待检测电力设备图像，确定待检测电力设备图像的第一级识别结果以及第一级识别结果对应的图像切片，并将图像切片发送至云端服务器82；云端服务器82接收图像切片，识别图像切片，确定图像切片对应的第二级识别结果，并将第二级识别结果发送至边缘设备81；边缘设备81接收云端服务器82对图像切片的第二级识别结果，基于第一级识别结果以及第二级识别结果，确定待检测电力设备图像的目标检测信息。详细说明参见上述实施例对应的相关描述，此处不再赘述。
本实施例提供的基于边云协同的电力设备检测系统，通过边云协同的方式确定待检测电力设备图像对应的目标检测信息，同时保证了电力设备图像的传输时间以及数据处理能力，从而提高了电力设备的缺陷检测效率。
本发明实施例还提供一种电子设备，具有上述图7所示的基于边云协同的电力设备检测装置。
请参阅图10，图10是本发明可选实施例提供的一种电子设备的结构示意图，如图10所示，该电子设备可以包括：至少一个第一处理器101，例如CPU(Central ProcessingUnit，中央处理器)，至少一个第一通信接口103，第一存储器104，至少一个第一通信总线102。其中，第一通信总线102用于实现这些组件之间的连接通信。其中，第一通信接口103可以包括显示屏(Display)、键盘(Keyboard)，可选第一通信接口103还可以包括标准的有线接口、无线接口。第一存储器104可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。第一存储器104可选的还可以是至少一个位于远离前述第一处理器101的存储装置。其中第一处理器101可以结合图7所描述的装置，第一存储器104中存储应用程序，且第一处理器101调用第一存储器104中存储的程序代码，以用于执行上述任一方法步骤。
其中，第一通信总线102可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。第一通信总线102可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，第一存储器104可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：harddisk drive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；第一存储器104还可以包括上述种类的存储器的组合。
其中，第一处理器101可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，第一处理器101还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：genericarray logic,缩写：GAL)或其任意组合。
可选地，第一存储器104还用于存储程序指令。第一处理器101可以调用程序指令，实现如本申请图1和2实施例中所示的基于边云协同的电力设备检测方法。
本发明实施例还提供一种服务器，具有上述图8所示的基于边云协同的电力设备检测装置。
请参阅图11，图11是本发明可选实施例提供的一种服务器的结构示意图，如图11所示，该服务器可以包括：至少一个第二处理器201，例如CPU(Central Processing Unit，中央处理器)，至少一个第二通信接口203，第二存储器204，至少一个第二通信总线202。其中，第二通信总线202用于实现这些组件之间的连接通信。其中，第二通信接口203可以包括显示屏(Display)、键盘(Keyboard)，可选第二通信接口203还可以包括标准的有线接口、无线接口。第二存储器204可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。第二存储器204可选的还可以是至少一个位于远离前述第二处理器201的存储装置。其中第二处理器201可以结合图8所描述的装置，第二存储器204中存储应用程序，且第二处理器201调用第二存储器204中存储的程序代码，以用于执行上述任一方法步骤。
其中，第二通信总线202可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。第二通信总线202可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，第二存储器204可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：harddisk drive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；第二存储器204还可以包括上述种类的存储器的组合。
其中，第二处理器201可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，第二处理器201还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：genericarray logic,缩写：GAL)或其任意组合。
可选地，第二存储器204还用于存储程序指令。第二处理器201可以调用程序指令，实现如本申请图3和4实施例中所示的基于边云协同的电力设备检测方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于边云协同的电力设备检测方法的处理方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种基于边云协同的电力设备检测方法，用于边缘设备，其特征在于，包括：
获取待检测电力设备图像；
识别所述待检测电力设备图像，确定所述待检测电力设备图像的第一级识别结果以及所述第一级识别结果对应的图像切片；
发送所述图像切片至云端服务器；
接收所述云端服务器对所述图像切片的第二级识别结果；
基于所述第一级识别结果以及所述第二级识别结果，确定所述待检测电力设备图像的目标检测信息。
2.根据权利要求1所述的方法，其特征在于，所述识别所述待检测电力设备图像，确定所述待检测电力设备图像的第一级识别结果以及所述第一级识别结果对应的第一级图像切片，包括：
将所述待检测电力设备图像输入到第一图像识别模型，其中，所述第一图像识别模型预先根据多个电力设备的图像样本以及所述电力设备的故障图像样本训练得到；
基于所述第一图像识别模型，得到所述待检测电力设备图像对应的第一级识别结果；
基于所述第一级识别结果，从所述待检测电力设备图像中确定出对应于所述第一级识别结果的图像切片。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一级识别结果以及所述第二级识别结果，确定所述待检测电力设备图像的目标检测信息，包括：
基于所述第二级识别结果，确定所述第二级识别结果对应的位置数据；
计算所述位置数据相对于所述第一级识别结果的位置信息；
基于所述位置信息，合并所述第一级识别结果和所述第二级识别结果，得到所述目标检测信息。
4.一种基于边云协同的电力设备检测方法，用于云端服务器，其特征在于，包括：
接收图像切片；
识别所述图像切片，确定所述图像切片对应的第二级识别结果；
发送所述第二级识别结果至边缘设备。
5.根据权利要求4所述的方法，其特征在于，所述识别所述图像切片，确定所述图像切片对应的第二级识别结果，包括：
将所述图像切片输入到第二图像识别模型，其中，所述第二图像识别模型预先根据多个电力设备的图像切片样本以及所述电力设备的故障图像切片样本训练得到；
基于所述第二图像识别模型，得到所述图像切片对应的第二级识别结果。
6.一种基于边云协同的电力设备检测装置，用于边缘设备，其特征在于，包括：
获取模块，用于获取待检测电力设备图像；
第一识别模块，用于识别所述待检测电力设备图像，确定所述待检测电力设备图像的第一级识别结果以及所述第一级识别结果对应的图像切片；
第一发送模块，用于发送所述图像切片至云端服务器；
第一接收模块，用于接收所述云端服务器对所述图像切片的第二级识别结果；
确定模块，用于基于所述第一级识别结果以及所述第二级识别结果，确定所述待检测电力设备图像的目标检测信息。
7.一种基于边云协同的电力设备检测装置，用于云端服务器，其特征在于，包括：
第二接收模块，用于接收图像切片；
第二识别模块，用于识别所述图像切片，确定所述图像切片对应的第二级识别结果；
第二发送模块，用于发送所述第二级识别结果至边缘设备。
8.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-4任一项所述的基于边云协同的电力设备检测方法。
9.一种服务器，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求4或5所述的基于边云协同的电力设备检测方法。
10.一种基于边云协同的电力设备检测系统，其特征在于，包括：
至少一个边缘设备和云端服务器，所述至少一个边缘设备与所述云端服务器互相通信连接；
其中，所述边缘设备，用于获取待检测电力设备图像；识别所述待检测电力设备图像，确定所述待检测电力设备图像的第一级识别结果以及所述第一级识别结果对应的图像切片；发送所述图像切片至云端服务器；接收所述云端服务器对所述图像切片的第二级识别结果；基于所述第一级识别结果以及所述第二级识别结果，确定所述待检测电力设备图像的目标检测信息；
所述云端服务器，用于接收图像切片；识别所述图像切片，确定所述图像切片对应的第二级识别结果；发送所述第二级识别结果至边缘设备。
11.一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计算机指令，所述计算机指令用于使计算机执行权利要求1-3任一项所述的基于边云协同的电力设备检测方法，或执行权利要求4或5所述的基于边云协同的电力设备检测方法。
CN202110256280.2A 2021-03-09 2021-03-09 基于边云协同的电力设备检测方法、装置、设备及服务器 Pending CN113011297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110256280.2A CN113011297A (zh) 2021-03-09 2021-03-09 基于边云协同的电力设备检测方法、装置、设备及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110256280.2A CN113011297A (zh) 2021-03-09 2021-03-09 基于边云协同的电力设备检测方法、装置、设备及服务器

Publications (1)

Publication Number Publication Date
CN113011297A true CN113011297A (zh) 2021-06-22

Family

ID=76403093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110256280.2A Pending CN113011297A (zh) 2021-03-09 2021-03-09 基于边云协同的电力设备检测方法、装置、设备及服务器

Country Status (1)

Country Link
CN (1) CN113011297A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845383A (zh) * 2017-01-16 2017-06-13 腾讯科技（上海）有限公司 人头检测方法和装置
CN109410185A (zh) * 2018-10-10 2019-03-01 腾讯科技（深圳）有限公司 一种图像分割方法、装置和存储介质
CN110348435A (zh) * 2019-06-17 2019-10-18 武汉大学 一种基于裁剪区域候选网络的目标检测方法及系统
CN111310662A (zh) * 2020-02-17 2020-06-19 淮阴工学院 一种基于集成深度网络的火焰检测识别方法及系统
CN111507958A (zh) * 2020-04-15 2020-08-07 全球能源互联网研究院有限公司 目标检测方法、检测模型的训练方法及电子设备
CN111626208A (zh) * 2020-05-27 2020-09-04 北京百度网讯科技有限公司 用于检测小目标的方法和装置
CN112257500A (zh) * 2020-09-16 2021-01-22 江苏方天电力技术有限公司 一种基于云边协同技术的电力设备智能图像识别系统及识别方法
CN112367400A (zh) * 2020-11-12 2021-02-12 广东电网有限责任公司 一种边云协同的电力物联网智能巡检方法及系统
CN112434695A (zh) * 2020-11-20 2021-03-02 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的上拉杆故障检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845383A (zh) * 2017-01-16 2017-06-13 腾讯科技（上海）有限公司 人头检测方法和装置
CN109410185A (zh) * 2018-10-10 2019-03-01 腾讯科技（深圳）有限公司 一种图像分割方法、装置和存储介质
CN110348435A (zh) * 2019-06-17 2019-10-18 武汉大学 一种基于裁剪区域候选网络的目标检测方法及系统
CN111310662A (zh) * 2020-02-17 2020-06-19 淮阴工学院 一种基于集成深度网络的火焰检测识别方法及系统
CN111507958A (zh) * 2020-04-15 2020-08-07 全球能源互联网研究院有限公司 目标检测方法、检测模型的训练方法及电子设备
CN111626208A (zh) * 2020-05-27 2020-09-04 北京百度网讯科技有限公司 用于检测小目标的方法和装置
CN112257500A (zh) * 2020-09-16 2021-01-22 江苏方天电力技术有限公司 一种基于云边协同技术的电力设备智能图像识别系统及识别方法
CN112367400A (zh) * 2020-11-12 2021-02-12 广东电网有限责任公司 一种边云协同的电力物联网智能巡检方法及系统
CN112434695A (zh) * 2020-11-20 2021-03-02 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的上拉杆故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩青: ""边云协同智能技术在电力领域的应用"", 《物联网学报》, pages 5 *

Similar Documents

Publication Publication Date Title
CN111507958B (zh) 目标检测方法、检测模型的训练方法及电子设备
CN109146892B (zh) 一种基于美学的图像裁剪方法及装置
CN110619333B (zh) 一种文本行分割方法、文本行分割装置及电子设备
CN112989995B (zh) 文本检测方法、装置及电子设备
CN111008560A (zh) 一种牲畜的重量确定方法、装置、终端及计算机存储介质
CN111008561A (zh) 一种牲畜的数量确定方法、终端及计算机存储介质
CN112712128A (zh) 基于神经网络的智能采摘方法、设备、存储介质及装置
CN113724259A (zh) 井盖异常检测方法、装置及其应用
CN111553881A (zh) 基于三维点云识别的检测铁塔形变的方法和系统
CN110110684A (zh) 输电线设备的外来物识别方法、装置及计算机设备
CN113378969B (zh) 一种目标检测结果的融合方法、装置、设备及介质
US20220262090A1 (en) Storage medium, trace detection device, and device and method for training trace detection model
CN114119528A (zh) 一种配电线路绝缘子的缺陷检测方法及装置
CN116091709B (zh) 建筑物的三维重建方法、装置、电子设备和存储介质
CN112669302A (zh) 吊弦缺陷检测方法、装置、电子设备及存储介质
CN113011297A (zh) 基于边云协同的电力设备检测方法、装置、设备及服务器
CN112001336A (zh) 行人越界报警方法、装置、设备及系统
CN116363583A (zh) 一种用于顶视角的人体识别方法、装置、设备及介质
CN115909253A (zh) 一种目标检测、模型训练方法、装置、设备及存储介质
CN112101134B (zh) 物体的检测方法及装置、电子设备和存储介质
CN113313125A (zh) 图像处理方法和装置、电子设备、计算机可读介质
CN113077455A (zh) 保护架空输电线的树障检测方法、装置、电子设备及介质
CN112714284A (zh) 一种电力设备检测方法、装置及移动终端
CN112395993A (zh) 基于监控视频数据的遮挡船只检测方法、装置及电子设备
CN112132139A (zh) 字符识别方法和装置

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