CN113052941B - 一种区域电力设施状态分析方法及图像采集方法 - Google Patents
一种区域电力设施状态分析方法及图像采集方法 Download PDFInfo
- Publication number
- CN113052941B CN113052941B CN202110276708.XA CN202110276708A CN113052941B CN 113052941 B CN113052941 B CN 113052941B CN 202110276708 A CN202110276708 A CN 202110276708A CN 113052941 B CN113052941 B CN 113052941B
- Authority
- CN
- China
- Prior art keywords
- power facility
- image
- electric power
- information
- collecting
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开一种区域电力设施状态分析方法及电力设施图像采集方法,电力设施状态分析方法包括:获取待分析电力设施的图像信息,及图像采集点的地理位置信息;对图像进行预处理,然后输入预先训练的深度网络模型,得到图像中电力设施的识别结果;将识别结果与对应的地理位置信息进行结合,生成矢量数据,融合至区域地图中,得到相应地理位置处包含电力设施识别结果的区域电力数据地图。结合电力设施图像采集方法,本发明能够方便的采集电力设施图像信息,进而对电力设施的状态进行识别,识别结果快速准确,使得管理人员能够迅速构建数据地图,对现有的电力数据进行巡检更新,辅助进行电力规划布局,了解电力设施现状,提高电力设计、巡检效率。
Description
技术领域
本发明涉及电力设施维护技术领域,特别是一种区域电力设施状态分析方法及电力设施图像采集方法。
背景技术
随着经济社会的快速发展,电力设施的覆盖范围大大增加,许多的荒山野岭、零星村落也都基本实现了覆盖。台风、雷击等气象因素,以及山体滑坡等地质灾害都会电力设施造成伤害,例如电线中断、线杆倾倒等情况时有发生。电力设施建设完成后,需要定期进行巡检,以确保设施的正常运行。
目前的巡检主要有人工巡检、直升飞机巡检、遥感卫星巡检等手段,其中,人工巡检劳动强度大、效率低,受地势因素影像,巡检作业也多有不便;直升飞机巡检需要由专人驾驶飞机进行作业,所花费的代价较高;遥感卫星受分辨率以及图像更新频率等因素的影像,巡检效果会打折扣。
传统的采用人工记录分析电力专题要素的效率较低,且数据量较为庞大,数据信息处理的及时性、准确性通常较低。因此,如何快速有效的采集电力专题要素信息,实现方便准确地分析成为现阶段亟待解决的问题。
发明内容
本发明的目的是提供一种区域电力设施状态分析方法及电力设施图像采集方法,能够方便的采集电力设施图像信息,进而对电力设施的状态进行识别,识别结果快速准确。本发明采用的技术方案如下。
一方面,本发明提供一种区域电力设施状态分析方法,包括:
获取待分析电力设施的图像信息,及图像采集点的地理位置信息;
对获取到的图像信息进行预处理;
将预处理后的图像信息输入预先训练的深度网络模型,得到图像中电力设施的识别结果;
将识别结果与对应的地理位置信息进行结合,生成矢量数据;
将所生成的矢量数据融合至区域地图中,得到相应地理位置处包含电力设施识别结果的区域电力数据地图。
可选的,所述识别结果包括图像中所包含的电力设施图像;
方法还包括:基于所述识别结果,检测相应图像中的电力设施颜色信息;将颜色信息与识别结果进行整合分析,得到整合线杆颜色信息后的电力设施图像,以及电力设施的状态信息;
所述将识别结果与对应的地理位置信息进行结合为:将整合线杆颜色信息后的电力设施图像以及电力设施的状态信息,与对应地理位置的坐标进行结合。
由此可得到普通地图与电力专题要素叠加的完备电力数据地图。在结合时,采取识别矢量格式能够在图像放缩时减少失真。而整合了线杆颜色后与地图结合得到的电力数据地图能够展示更丰富的电力设施状态,更方便进行进一步的分析判断。
以上方案,电力设施颜色信息能够用于模型识别结果基础上的进一步电力设施状态分析,比如用来分析线杆、线路或其他电力设施配件是否存在发黑等情况,因为即使形状未发生改变,颜色变化也可能预示潜在风险,颜色检测算法可采用现有技术。
另一方面,本发明上述深度网络模型也可采用能够直接根据电力设施图像得到电力设施图像及全部状态信息的神经网络,则这种实施方式下线杆颜色的识别可仅用来丰富电力数据地图的展示。
可选的,所述对获取到的电力设施图像信息进行预处理包括:对图像进行畸变校正处理,利用高斯函数对畸变校正后的图像进行平滑处理。可达到滤除图像噪声,突出待识别的主要对象的效果。
可选的,所述预先训练的深度网络模型采用二维18层深度残差网络,训练样本为多个已标注电线信息和线杆信息的历史电力设施图像;
对历史电力设施图像进行标注的电线信息包括电线的数量、状态和长宽比信息;
对历史电力设施图像进行标注的线杆信息包括线杆的类型和状态信息;
深度网络模型的输出为输入图像数据中所包含的电线信息和线杆信息。其中状态信息可体现电力设施是否存在异常,如线路缺失、线路粘连、线杆倾斜、线杆折断等。
可选的,方法还包括:将融合得到的包含电力设施识别结果和地理位置信息的地图进行输出显示;
输出显示的地图信息中,不同状态的电力设施显示为不同的颜色。如正常与非正常状态的线路,正常用绿色显示,异常用黄色显示,则观察地图的工作人员能够更直观的判断出现异常的电力设施位置,方便及时维护。
可选的,所述深度网络模型的训练包括:
对训练样本图像进行标注,确定图像中电力设施的参照锚定;
对标注后的所有训练样本图像进行正则化处理;
对正则化处理后的图像采用非线性插值方法统一图像大小;
将各图像划分为大小为64×64的长方形块;
将划分后的图像输入二维18层深度残差网络,通过包括1×64个大小为6×6的卷积核、卷积步长为1的卷积层提取图像特征;
将提取得到的图像特征传输至包括32×64个卷积核、卷积核大小为3×3、卷积步长为2的残差层进行处理;
通过迭代调整残差层网络,包括:
A)将残差层的卷积核数量增加一倍,将经残差层处理后的特征输入卷积核增加后的残差层;
B)将卷积核改变后的残差层所输出的特征输入包括64×15个反卷积核、反卷积步长为2的反卷积层进行处理;
C)将反卷积层处理得到的特征参数与所述参照锚定进行比较,若两者误差符合预设要求,则结束模型训练过程,否则调整残差层的卷积核个数和/或卷积步长,并将调整前残差层处理得到的特征输入调整后的残差层,转至步骤B)—C),直至所述误差符合预设要求或达到最大迭代次数,确定最终残差层网络。
可选的,所述电力设施的参照锚定包括对应电线的线段和对应线杆的“Y”型体;其中,正常状态的参照锚定为:线段形状长宽比的尺度为8-12,“Y”型体上端两条边的夹角范围为50-80度,“Y”型体下端与地面的夹角范围为70-90度。
可选的,在将提取得到的图像特征传输至残差层进行处理时,在残差层的全连接层中,权值根据卷积核所提取特征的位置进行分配:越靠近图像中心位置的特征权值越高。权值取值范围为0.05~0.99。与这种实施方式所配合的图像采集过程为,待分析的电力设施位于采集设备的视野中部位置。
本发明的电力设施状态分析方法特别适用于待分析电力设施为电线及线杆的情形。
第二方面,本发明提供一种区域电力设施图像采集方法,包括:
获取区域地图数据;
响应于区域内存在需要分析的电力设施,则获取待分析电力设施在区域地图中所处的位置信息;
根据所述位置信息确定采集飞行器的采集过程路线以及路线起点位置;
控制采集飞行器到达路线起点位置,后按照采集过程路线进行电力设施图像采集;
在采集过程中,实时获取采集飞行器所采集的图像信息,基于所获取的图像信息,利用第一方面所述的区域电力设施状态分析方法识别待分析电力设施及更新区域电力数据地图,并根据识别结果判断待分析电力设施在采集飞行器视野中的方位,计算待分析电力设施偏离预设方位的偏置参数,根据偏置参数调整采集飞行器的姿态,使得待分析电力设施在采集飞行器的视野中方位居中,直至采集飞行器走完采集路线。
可选的,所述需要分析的电力设施为区域中新建的电力设施,或者响应于外部指令需要进行状态分析的电力设施,或者按照巡检周期需要进行新一周期分析的电力设施。
可选的,所述采集飞行器上设有GPS定位模块;
方法还包括:实时获取采集飞行器的位置信息,作为图像采集点的地理位置信息,则飞行器回传的图像信息能够与相应时刻的位置信息匹配。
可选的,采集飞行器上分布设置有避障传感器,避障传感器的信号输出端连接采集飞行器的控制器。本发明的方法可执行于一计算机中,该计算机与采集飞行器的控制器进行通信,以获取图像、位置信息,以及传输飞行控制指令。
可选的,预先训练的深度网络模型对待分析电力设施的识别结果包括电力设施状态是否存在异常以及异常的类型信息;
方法还包括:响应于深度网络模型的识别结果为电力设施存在异常,根据异常的类型控制采集飞行器在对应异常部位的采集点前后往复运动,和/或上下绕圈运动,以多角度采集异常部位的图像。
优选的,待分析电力设施包括电力线路,在对电力线路进行图像采集的过程中,所述根据偏置参数调整采集飞行器的姿态,使得采集飞行器位于电力线路的正上方。
有益效果
本发明利用深度神经网络技术实现对电力设施图像的分析,从而识别电力设施的状态,并能够将识别结果与电力设施的相应位置进行结合,得到融合有电力设施要素的电力数据地图,大大提高了电力专题要素分析的效率。
同时,本发明的电力设施图像采集方法,可根据待分析电力设施在地图中的位置对飞行器进行线路规划,从而利用飞行器对电力设施进行图像采集,进而采用深度神经网络进行电力设施状态的图像分析,将分析结果再更新或新增至电力专题要素地图中。在图像采集过程中,本发明能够根据图像识别结果实时调整飞行器的采集姿态,从而能够更准确全面的采集到电力设施的图像,保障电力设施状态分析结果的准确性。
附图说明
图1所示为本发明区域电力设施状态图像采集及分析方法的一种应用例流程示意图;
图2所示为本发明区域电力设施状态分析方法的一种实施例流程示意图;
图3所示为本发明一种实施例中深度神经网络识别结果示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
本实施例介绍一种电力设施状态分析方法,参考图1右侧流程,方法包括:
获取待分析电力设施的图像信息,及图像采集点的地理位置信息;
对获取到的图像信息进行预处理;
将预处理后的图像信息输入预先训练的深度网络模型,得到图像中电力设施的识别结果;
将识别结果与对应的地理位置信息进行结合,生成矢量数据;
将所生成的矢量数据融合至区域地图中,得到相应地理位置处包含电力设施识别结果的区域电力数据地图。
本实施例利用深度神经网络技术实现对电力设施图像的分析,从而识别电力设施的状态,并能够将识别结果与电力设施的相应位置进行结合,得到融合有电力设施要素的电力数据地图,大大提高了电力专题要素分析的效率,分析结果通过电力数据地图展示也更加直观方便。
为了获得更好的识别结果,本实施例方法还包括:对获取到的电力设施图像信息进行预处理包括:对图像进行畸变校正处理,利用高斯函数对畸变校正后的图像进行平滑处理。可达到滤除图像噪声,突出待识别的主要对象的效果。
为了更好的应用,本实施例方法还包括:将融合得到的包含电力设施识别结果和地理位置信息的地图进行输出显示;
输出显示的地图信息中,不同状态的电力设施显示为不同的颜色。如正常与非正常状态的线路,正常用绿色显示,异常用黄色显示,则观察地图的工作人员能够更直观的判断出现异常的电力设施位置,方便及时维护。
本实施例中,预先训练深度网络模型采用二维18层深度残差网络,训练样本为多个已标注电线信息和线杆信息的历史电力设施图像;
对历史电力设施图像进行标注的电线信息包括电线的数量、状态和长宽比信息;
对历史电力设施图像进行标注的线杆信息包括线杆的类型和状态信息;
深度网络模型的输出为输入图像数据中所包含的电线信息和线杆信息。其中状态信息可体现电力设施是否存在异常,如线路缺失、线路粘连、线杆倾斜、线杆折断等。
则本实施例中,利用深度网络模型进行识别可得到图像中包含了状态信息的电线信息和线杆信息,如图2所示为识别得到的图像中的电线图像信息,深度网络模型可同时输出图像中电线的数量和状态信息。
本实施例深度网络模型的训练过程包括:
对训练样本图像进行标注,确定图像中电力设施的参照锚定;
对标注后的所有训练样本图像进行正则化处理;
对正则化处理后的图像采用非线性插值方法统一图像大小;
将各图像划分为大小为64×64的长方形块;
将划分后的图像输入二维18层深度残差网络,通过包括1×64个大小为6×6的卷积核、卷积步长为1的卷积层提取图像特征;
将提取得到的图像特征传输至包括32×64个卷积核、卷积核大小为3×3、卷积步长为2的残差层进行处理;
通过迭代调整残差层网络,包括:
A)将残差层的卷积核数量增加一倍,将经残差层处理后的特征输入卷积核增加后的残差层;
B)将卷积核改变后的残差层所输出的特征输入包括64×15个反卷积核、反卷积步长为2的反卷积层进行处理;
C)将反卷积层处理得到的特征参数与所述参照锚定进行比较,若两者误差符合预设要求,则结束模型训练过程,否则调整残差层的卷积核个数和/或卷积步长,并将调整前残差层处理得到的特征输入调整后的残差层,转至步骤B)—C),直至所述误差符合预设要求或达到最大迭代次数,确定最终残差层网络。
以上所述电力设施的参照锚定包括对应电线的线段和对应线杆的“Y”型体;其中,正常状态的参照锚定为:线段形状长宽比的尺度为8-12,“Y”型体上端两条边的夹角范围为50-80度,“Y”型体下端与地面的夹角范围为70-90度。
在将提取得到的图像特征传输至残差层进行处理时,在残差层的全连接层中,权值根据卷积核所提取特征的位置进行分配:越靠近图像中心位置的特征权值越高。权值取值范围为0.05~0.99。与这种实施方式所配合的图像采集过程为,待分析的电力设施位于采集设备的视野中部位置。
实施例1-1
为了更好的分析电力设施的状态,本实施例在实施例1的基础上进行优化,将部分需要得到的电力设施状态分析任务从深度神经网络任务中分离,深度神经网络的识别结果包含了电力设施图像,以及部分电力设施状态信息,如:线路缺失、线路粘连、线杆倾斜、线杆折断等,这些根据灰度图能够判断的状态信息。
本实施例可参考图2所示的流程图,区域电力设施状态分析方法还包括:基于深度网络模型的识别结果,检测相应图像中的电力设施颜色信息;将颜色信息与识别结果进行整合分析,得到整合线杆颜色信息后的电力设施图像,以及电力设施的状态信息;
所述将识别结果与对应的地理位置信息进行结合为:将整合线杆颜色信息后的电力设施图像以及电力设施的状态信息,与对应地理位置的坐标进行结合。
由此可得到普通地图与电力专题要素叠加的完备电力数据地图。在结合时,采取识别矢量格式能够在图像放缩时减少失真。而整合了线杆颜色后与地图结合得到的电力数据地图能够展示更丰富的电力设施状态,更方便进行进一步的分析判断。
以上方案,电力设施颜色信息能够用于模型识别结果基础上的进一步电力设施状态分析,比如用来分析线杆、线路或其他电力设施配件是否存在发黑等情况,因为即使形状未发生改变,颜色变化也可能预示潜在风险,颜色检测算法可采用现有技术。
实施例2
本实施例介绍一种区域电力设施图像采集方法,可参考图1所示,方法包括:
获取区域地图数据;
响应于区域内存在需要分析的电力设施,则获取待分析电力设施在区域地图中所处的位置信息;
根据所述位置信息确定采集飞行器的采集过程路线以及路线起点位置;
控制采集飞行器到达路线起点位置,后按照采集过程路线进行电力设施图像采集;
在采集过程中,实时获取采集飞行器所采集的图像信息,基于所获取的图像信息,利用第一方面所述的区域电力设施状态分析方法识别待分析电力设施及更新区域电力数据地图,并根据识别结果判断待分析电力设施在采集飞行器视野中的方位,计算待分析电力设施偏离预设方位的偏置参数,根据偏置参数调整采集飞行器的姿态,使得待分析电力设施在采集飞行器的视野中方位居中,直至采集飞行器走完采集路线。
本实施例中,需要分析的电力设施为区域中新建的电力设施,或者响应于外部指令需要进行状态分析的电力设施,或者按照巡检周期需要进行新一周期分析的电力设施。
电力设施图像采集点位置信息的获取方式通过在采集飞行器上设置GPS定位模块实现,也即,方法还包括:实时获取采集飞行器的位置信息,作为图像采集点的地理位置信息,则飞行器回传的图像信息能够与相应时刻的位置信息匹配。
进一步的,本实施例中,采集飞行器上分布设置有避障传感器,避障传感器的信号输出端连接采集飞行器的控制器。本发明的方法可执行于一计算机中,该计算机与采集飞行器的控制器进行通信,以获取图像、位置信息,以及传输飞行控制指令。
本实施例与实施例1和1-1基于相同的发明构思,其中预先训练的深度网络模型对待分析电力设施的识别结果包括电力设施状态是否存在异常以及异常的类型信息;
方法还包括:响应于深度网络模型的识别结果为电力设施存在异常,根据异常的类型控制采集飞行器在对应异常部位的采集点前后往复运动,和/或上下绕圈运动,以多角度采集异常部位的图像。
待分析电力设施可以是电力线路,在对电力线路进行图像采集的过程中,根据偏置参数调整采集飞行器的姿态,使得采集飞行器位于电力线路的正上方,以更准确的采集图像,保障分析结果的可靠性。
综上实施例,本发明能够方便地采集电力设施图像信息,进而对电力设施的状态进行识别,识别结果快速准确,使得管理人员能够迅速构建数据地图,对现有的电力数据进行巡检更新,辅助进行电力规划布局,了解电力设施现状,提高电力设计、巡检效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种区域电力设施状态分析方法,其特征是,包括:
获取待分析电力设施的图像信息,及图像采集点的地理位置信息;
对获取到的图像信息进行预处理;
将预处理后的图像信息输入预先训练的深度网络模型,得到图像中电力设施的识别结果;
将识别结果与对应的地理位置信息进行结合,生成矢量数据;
将所生成的矢量数据融合至区域地图中,得到相应地理位置处包含电力设施识别结果的区域电力数据地图;
其中,所述预先训练的深度网络模型采用二维18层深度残差网络,训练样本为多个已标注电线信息和线杆信息的历史电力设施图像;
对历史电力设施图像进行标注的电线信息包括电线的数量、状态和长宽比信息;
对历史电力设施图像进行标注的线杆信息包括线杆的类型和状态信息;
深度网络模型的输出为输入图像数据中所包含的电线信息和线杆信息;
所述深度网络模型的训练包括:
对训练样本图像进行标注,确定图像中电力设施的参照锚定;
对标注后的所有训练样本图像进行正则化处理;
对正则化处理后的图像采用非线性插值方法统一图像大小;
将各图像划分为大小为64×64的长方形块;
将划分后的图像输入二维18层深度残差网络,通过包括1×64个大小为6×6的卷积核、卷积步长为1的卷积层提取图像特征;
将提取得到的图像特征传输至包括32×64个卷积核、卷积核大小为3×3、卷积步长为2的残差层进行处理;
通过迭代调整残差层网络,包括:
A)将残差层的卷积核数量增加一倍,将经残差层处理后的特征输入卷积核增加后的残差层;
B)将卷积核改变后的残差层所输出的特征输入包括64×15个反卷积核、反卷积步长为2的反卷积层进行处理;
C)将反卷积层处理得到的特征参数与所述参照锚定进行比较,若两者误差符合预设要求,则结束模型训练过程,否则调整残差层的卷积核个数和/或卷积步长,并将调整前残差层处理得到的特征输入调整后的残差层,转至步骤B)—C),直至所述误差符合预设要求或达到最大迭代次数,确定最终残差层网络。
2.根据权利要求1所述的方法,其特征是,所述识别结果为图像中所包含的电力设施图像;
方法还包括:基于所述识别结果,检测相应图像中的电力设施颜色信息;将颜色信息与识别结果进行整合分析,得到整合线杆颜色信息后的电力设施图像,以及电力设施的状态信息;
所述将识别结果与对应的地理位置信息进行结合为:将整合线杆颜色信息后的电力设施图像以及电力设施的状态信息,与对应地理位置的坐标进行结合。
3.根据权利要求1所述的方法,其特征是,还包括:将融合得到的区域电力数据地图进行输出显示;
输出显示的地图信息中,不同状态的电力设施显示为不同的颜色。
4.根据权利要求1所述的方法,其特征是,所述电力设施的参照锚定包括对应电线的线段和对应线杆的“Y”型体;其中,正常状态的参照锚定为:线段形状长宽比的尺度为8-12,“Y”型体上端两条边的夹角范围为50-80度,“Y”型体下端与地面的夹角范围为70-90度。
5.根据权利要求1所述的方法,其特征是,在将提取得到的图像特征传输至残差层进行处理时,在残差层的全连接层中,权值根据卷积核所提取特征的位置进行分配:越靠近图像中心位置的特征权值越高。
6.一种区域电力设施图像采集方法,其特征是,包括:
获取区域地图数据;
响应于区域内存在需要分析的电力设施,则获取待分析电力设施在区域地图中所处的位置信息;
根据所述位置信息确定采集飞行器的采集过程路线以及路线起点位置;
控制采集飞行器到达路线起点位置,后按照采集过程路线进行电力设施图像采集;
在采集过程中,实时获取采集飞行器所采集的图像信息,基于所获取的图像信息,利用权利要求1-5任一项所述的区域电力设施状态分析方法识别待分析电力设施及更新区域电力数据地图,并根据识别结果判断待分析电力设施在采集飞行器视野中的方位,计算待分析电力设施偏离预设方位的偏置参数,根据偏置参数调整采集飞行器的姿态,使得待分析电力设施在采集飞行器的视野中方位居中,直至采集飞行器走完采集路线。
7.根据权利要求6所述的方法,其特征是,所述需要分析的电力设施为区域中新建的电力设施,或者响应于外部指令需要进行状态分析的电力设施,或者按照巡检周期需要进行新一周期分析的电力设施。
8.根据权利要求6所述的方法,其特征是,所述采集飞行器上设有GPS定位模块;
方法还包括:实时获取采集飞行器的位置信息,作为图像采集点的地理位置信息;
和/或,采集飞行器上分布设置有避障传感器,避障传感器的信号输出端连接采集飞行器的控制器;
和/或,需要分析的电力设施包括电力线路,在对电力线路进行图像采集的过程中,根据偏置参数调整采集飞行器的姿态,使得采集飞行器位于电力线路的正上方。
9.根据权利要求6所述的方法,其特征是,预先训练的深度网络模型对待分析电力设施的识别结果包括电力设施状态是否存在异常以及异常的类型信息;
方法还包括:响应于深度网络模型的识别结果为电力设施存在异常,根据异常的类型控制采集飞行器在对应异常部位的采集点前后往复运动,和/或上下绕圈运动,以多角度采集异常部位的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276708.XA CN113052941B (zh) | 2021-03-15 | 2021-03-15 | 一种区域电力设施状态分析方法及图像采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276708.XA CN113052941B (zh) | 2021-03-15 | 2021-03-15 | 一种区域电力设施状态分析方法及图像采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052941A CN113052941A (zh) | 2021-06-29 |
CN113052941B true CN113052941B (zh) | 2022-06-10 |
Family
ID=76512209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110276708.XA Active CN113052941B (zh) | 2021-03-15 | 2021-03-15 | 一种区域电力设施状态分析方法及图像采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052941B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044094A (zh) * | 2009-10-10 | 2011-05-04 | 中国移动通信集团福建有限公司 | 线路巡检管理系统及方法 |
CN105141889A (zh) * | 2015-07-28 | 2015-12-09 | 国家电网公司 | 一种基于图像视觉输电线路智能巡检系统 |
CN110688919A (zh) * | 2019-09-17 | 2020-01-14 | 河南启维智能飞行科技有限公司 | 一种智能巡线故障识别方法 |
CN110703800A (zh) * | 2019-10-29 | 2020-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 基于无人机的电力设施智能识别方法及系统 |
-
2021
- 2021-03-15 CN CN202110276708.XA patent/CN113052941B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044094A (zh) * | 2009-10-10 | 2011-05-04 | 中国移动通信集团福建有限公司 | 线路巡检管理系统及方法 |
CN105141889A (zh) * | 2015-07-28 | 2015-12-09 | 国家电网公司 | 一种基于图像视觉输电线路智能巡检系统 |
CN110688919A (zh) * | 2019-09-17 | 2020-01-14 | 河南启维智能飞行科技有限公司 | 一种智能巡线故障识别方法 |
CN110703800A (zh) * | 2019-10-29 | 2020-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 基于无人机的电力设施智能识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113052941A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11361417B2 (en) | Aircraft-utilizing deterioration diagnosis system | |
US10817731B2 (en) | Image-based pedestrian detection | |
US10976421B2 (en) | Interface for improved high definition map generation | |
CN108109437B (zh) | 一种基于地图特征的无人机自主航线提取生成方法 | |
US10955257B2 (en) | Interactive 3D point cloud matching | |
CN110826549A (zh) | 基于计算机视觉的巡检机器人仪表图像识别方法及系统 | |
WO2020139373A1 (en) | Interactive 3d point cloud matching | |
CN112329751A (zh) | 一种基于深度学习的多尺度遥感影像目标识别系统及方法 | |
US20240037724A1 (en) | Plant detection and display system | |
CN113239864A (zh) | 一种适用于农业调查的无人机的路线规划方法 | |
CN114252884A (zh) | 路侧雷达定位监测方法、装置、计算机设备和存储介质 | |
CN114358401A (zh) | 一种融合图像和气象环境数据的道路结冰识别方法 | |
CN114564042A (zh) | 一种基于多传感器融合的无人机着陆方法 | |
CN112802004A (zh) | 便携式输电线路和杆塔健康智能视频检测装置 | |
CN113741510A (zh) | 一种巡检路径规划方法、装置以及存储介质 | |
CN110765944A (zh) | 基于多源遥感影像的目标识别方法、装置、设备及介质 | |
CN113052941B (zh) | 一种区域电力设施状态分析方法及图像采集方法 | |
CN112733845A (zh) | 兴趣区域问题识别方法、兴趣区域巡检方法及装置 | |
CN115019216B (zh) | 实时地物检测和定位计数方法、系统及计算机 | |
WO2020139377A1 (en) | Interface for improved high definition map generation | |
CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 | |
CN109470214A (zh) | 一种环境变化三维监测方法 | |
CN114252859A (zh) | 目标区域的确定方法、装置、计算机设备和存储介质 | |
CN114252868A (zh) | 激光雷达的标定方法、装置、计算机设备和存储介质 | |
CN114524097B (zh) | 一种测绘地理信息用无人机勘测装置 |
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 |