CN113066070A - 三维场景中多源数据融合交互方法 - Google Patents
三维场景中多源数据融合交互方法 Download PDFInfo
- Publication number
- CN113066070A CN113066070A CN202110353705.1A CN202110353705A CN113066070A CN 113066070 A CN113066070 A CN 113066070A CN 202110353705 A CN202110353705 A CN 202110353705A CN 113066070 A CN113066070 A CN 113066070A
- Authority
- CN
- China
- Prior art keywords
- source data
- defect analysis
- dimensional scene
- target
- image
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003993 interaction Effects 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 117
- 238000004458 analytical method Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 20
- 239000000463 material Substances 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000007796 conventional method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013211 curve analysis Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种三维场景中多源数据融合交互方法,包括:获取输电航拍设备拍摄的目标图像;利用图像识别技术在三维场景中对所述目标图像中的目标进行缺陷分析得到缺陷分析结果;获取所述目标的多源数据,使用所述多源数据验证所述缺陷分析结果得到缺陷分析报告。利用图像识别技术精准抓取图像内的目标的特征点,再对特征点进行缺陷分析以得到缺陷分析结果,获取目标的多源数据,对多源数据进行融合解算,使用多源数据交互验证缺陷分析结果以得到缺陷分析报告。相较于常规的使用人力处理数据,本发明能够有效简化数据处理流程,节省人力物力,提高对缺陷判断的准确率,也便于后期对供电设备的维修维护。
Description
技术领域
本发明涉及大数据技术领域,特别涉及一种三维场景中多源数据融合交互方法。
背景技术
随着电力技术的发展,电力系统也朝着智能化、信息化的方向发展,相关技术会使用航拍设备对输电设备进行拍摄图像或者视频,但是依靠人力处理图像视频数据效率很低,且需要的人员很多,处理过程也十分繁琐,处理结果也达不到预期的效果。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种三维场景中多源数据融合交互方法,能够依靠图像识别技术对图像视频数据进行处理,可以精简处理数据的过程,有效提升数据处理的效率。
本发明还提出一种具有上述三维场景中多源数据融合交互方法的三维场景中多源数据融合交互系统。
本发明还提出一种计算机可读存储介质。
一方面,本发明实施例提供了一种三维场景中多源数据融合交互方法,包括:
获取输电航拍设备拍摄的目标图像;
利用图像识别技术在三维场景中对所述目标图像中的目标进行缺陷分析得到缺陷分析结果;
获取所述目标的多源数据,使用所述多源数据验证所述缺陷分析结果得到缺陷分析报告。
根据本发明实施例的三维场景中多源数据融合交互方法,至少具有如下有益效果:获取输电航拍设备拍摄的目标图像,图像可以是包括照片数据和视频数据的,常规的使用人力观看图像数据非常容易导致观看者疲惫,对于设备的缺陷也很难及时的抓取,往往是耗费了大量的人力物力,但是效果却很不如人意。本实施例利用图像识别技术精准抓取图像内的目标的特征点,再对特征点进行缺陷分析以得到缺陷分析结果,但是仅靠图片识别来判断目标缺陷准确率还是不能达到预期,再获取目标的多源数据,对多源数据进行融合解算,使用多源数据交互验证缺陷分析结果以得到缺陷分析报告。相较于常规的使用人力处理数据,本实施例能够有效简化数据处理流程,节省人力物力,提高对缺陷判断的准确率,也便于后期对供电设备的维修维护。
根据本发明的一些实施例,所述利用图像识别技术在三维场景中对所述目标图像中的目标进行缺陷分析得到缺陷分析结果,包括步骤:使用算法找出与所述目标图像中的目标对应的特征点,根据所述特征点对所述目标进行缺陷分析得到缺陷分析结果。利用图像识别技术,挖掘主要设备(如绝缘子)的先验形状统计特征,从复杂背景航拍图像中定位具体设备,并实现对具体设备的缺陷检测,减少业务人员分析航拍图像的工作量,辅助业务人员及时发现线路故障。将输电航拍设备拍摄的图像信息与目标进行关联,在三维场景中即可点击目标以调取图片,将设备缺陷类型收集并建立缺陷识别库,识别图像中的特征点,将特征点与缺陷识别库中的缺陷类型进行比对,能够有效提升缺陷识别的效率,减小人力处理图像的工作量,具有非常好的实用价值。
根据本发明的一些实施例,在所述获取输电航拍设备拍摄的目标图像之前,包括步骤:运用三维可视化软件对构建的三维场景进行展示,形成时空可视化查询展示终端。使用三维可视化软件构造三维场景,在三维场景中对供电设备进行建模,能够直观地展示供电设备的缺陷类型,并及时提醒人员对损坏的供电设备进行维修,三维场景中可以包括道路、树木、杆塔、供电站等物体,在每一个目标中归类整理了目标的航拍图像,可以清晰地展示历史维修记录和拍摄记录,对于指挥调度起到了很好的辅助作用。
根据本发明的一些实施例,所述图像包括可见光图像、倾斜摄影图像和激光点云图像。可见光图像可以包括拍摄的照片数据和视频数据,照片数据可以直接展示目标设备的状态,视频数据可以直观展示缺陷发生的过程,可以根据缺陷发生的过程找出缺陷发生的原因,便于后期维护或者改进。倾斜摄影图像和激光点云图像能够清楚得展示目标设备的3D状态,可以根据倾斜摄影图像和激光点云图像对应在三维场景中对设备的状态进行更新,根据三维场景中的设备的状态就可以直观得看出设备的缺陷类型和问题的严重程度,以辅助提醒设备需要维护维修,能够在设备不能正常工作之前及时更换维修,减小因电力故障带来的居民、工厂的经济损失。
根据本发明的一些实施例,所述多源数据包括调度运行信息、监测信息、试验信息、气象信息。日常的调度运行信息包括目标设备的输电总量和输电曲线,当某个时段内的输电总量和输电曲线与日常状况偏离过大时,也会提醒当前设备需要注意巡视维护,当监测到目标的温度过高或电流过大时,发出预警信息提醒设备需要注意检修,当然多源数据也不仅仅是上述信息,还可以包括以往的缺陷数据库和特殊区段数据,特殊区段的检修标准可以是设置的与常规标准不同,根据不同的检修标准对不同区段进行维护。
根据本发明的一些实施例,所述气象信息包括温度信息、气压信息、风向信息、风速信息、雨量信息、湿度信息、山火信息。气象信息对于供电设备的影响通常是较大的,如大雨天气可能导致部分线路短路,雷电天气可以导致某些供电设备击穿损坏,只是通过图像信息在某些情况下并不能检测出因气象原因导致的设备损坏,将气象信息也输入到三维场景中,可以对缺陷的产生进行多源数据的验证,能够有效提升对于缺陷分析的准确率。
根据本发明的一些实施例,所述使用所述多源数据验证所述缺陷分析结果得到缺陷分析报告,包括步骤:将所述多源数据进行标准结构化处理得到标准待融合数据,将所述标准待融合数据集输入至融合模型进行融合操作得到融合数据,使用所述融合数据验证所述缺陷分析结果得到缺陷分析报告。获取的目标的多源数据通常也不是能够直接应用的,在多多源数据进行融合解算,是多源数据在标准结构化处理得到标准待融合数据,再将所述标准待融合数据集输入至融合模型进行融合操作得到融合数据,结合融合数据验证曲线分析结果以得到缺陷分析报告,在三维场景中使用缺陷分析报告,能够直观地展示设备当前所处状态,也便于辅助人员对设备进行维护检修工作,能够有效提升工作效率,节约人力资源,使供电设备的检修维护更加高效可靠。
第二方面,本实施例提供了一种三维场景中多源数据融合交互系统,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如第一方面所述的三维场景中多源数据融合交互方法。
根据本发明实施例的三维场景中多源数据融合交互系统,至少具有如下有益效果:三维场景中多源数据融合交互系统应用了三维场景中多源数据融合交互方法能够依靠图像识别技术对图像视频数据进行处理,可以精简处理数据的过程,有效提升数据处理的效率。
第三方面,本实施例提供了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可执行指令,所述计算机可执行指令用于使计算机执行如第一方面所述的三维场景中多源数据融合交互方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中摘要附图要与说明书附图的其中一幅完全一致:
图1是本发明一个实施例提供的三维场景中多源数据融合交互方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明提供了一种三维场景中多源数据融合交互方法,能够依靠图像识别技术对图像视频数据进行处理,可以精简处理数据的过程,有效提升数据处理的效率。
下面结合附图,对本发明实施例作进一步阐述。
参照图1,图1是本发明一个实施例提供的三维场景中多源数据融合交互方法的流程图,三维场景中多源数据融合交互方法包括但不仅限于步骤S110至步骤S130。
步骤S110,获取输电航拍设备拍摄的目标图像;
步骤S120,利用图像识别技术在三维场景中根据图像对目标进行缺陷分析得到缺陷分析结果;
步骤S130,获取目标的多源数据,使用多源数据验证缺陷分析结果得到缺陷分析报告。
在一实施例中,获取输电航拍设备拍摄的目标图像,图像可以是包括照片数据和视频数据的,常规的使用人力观看图像数据非常容易导致观看者疲惫,对于设备的缺陷也很难及时的抓取,往往是耗费了大量的人力物力,但是效果却很不如人意。本实施例利用图像识别技术精准抓取图像内的目标的特征点,再对特征点进行缺陷分析以得到缺陷分析结果。缺陷分析结果可以是目标健康状态为正常状态、预警状态、损坏状态,图像分析数据按任务形式关联线路/杆塔/照片信息进行统一管理,可以自建或者从多源数据生成缺陷分析任务,方便通过任务形式进行缺陷分析数据的查看、查找、统计,通过与外部系统的数据流转,实现业务闭环。
但是仅靠图片识别来判断目标缺陷准确率还是不能达到预期,再获取目标的多源数据,对多源数据进行融合解算,使用多源数据交互验证缺陷分析结果以得到缺陷分析报告。相较于常规的使用人力处理数据,本实施例能够有效简化数据处理流程,节省人力物力,提高对缺陷判断的准确率,也便于后期对供电设备的维修维护。图像识别技术可以是结合输电线路机巡图像特点,对深度学习、智能图像处理、图像内容识别等关键技术进行深入研究,重点研究图像识别中的数据采集、数据标识、感兴趣区域(ROI)识别及深度学习网络模型训练等技术,训练基于深度学习的图像识别算法,为电网图像识别应用提供技术基础。
在一实施例中,使用算法找出图像和目标的对应的特征点,根据特征点对目标进行缺陷分析得到缺陷分析结果。利用图像识别技术,挖掘主要设备的先验形状统计特征,从复杂背景航拍图像中定位具体设备,并实现对具体设备的缺陷检测,减少业务人员分析航拍图像的工作量,辅助业务人员及时发现线路故障。也可以是识别目标设备的总体形状,对目标设备的常见的缺陷类型进行学习,重点识别易损坏元件的形状,如对供电设备的绝缘子外形进行学习,在复杂的环境中也可以通过图像识别技术发现目标的缺陷,及时提醒对目标设备的维护检修。
将输电航拍设备拍摄的图像信息与目标进行关联,在三维场景中即可点击目标以调取图片,将设备缺陷类型收集并建立缺陷识别库,识别图像中的特征点,将特征点与缺陷识别库中的缺陷类型进行比对,能够有效提升缺陷识别的效率,减小人力处理图像的工作量,具有非常好的实用价值。
在一实施例中,运用三维可视化软件对构建的三维场景进行展示,形成时空可视化查询展示终端。展示终端可以是手机终端、平板终端或者智能电视终端,在可视化的屏幕上直观展示三维场景,能够更加清楚地看到对目标的缺陷数量、缺陷位置、缺陷类型的标注,相较于常规的逐个处理图像视频来发现缺陷的方式,本实施例极大地提升了数据处理的效率,缩短了数据处理的流程,为指挥调度提供了可靠的参考。使用三维可视化软件构造三维场景,在三维场景中对供电设备进行建模,能够直观地展示供电设备的缺陷类型,并及时提醒人员对损坏的供电设备进行维修,三维场景中可以包括道路、树木、杆塔、供电站等物体,在每一个目标中归类整理了目标的航拍图像,可以清晰地展示历史维修记录和拍摄记录,对于指挥调度起到了很好的辅助作用。且可以直观地在三维场景中看见缺陷所在的位置,可以根据具体的缺陷灵活合理的调配人员物资进行检修维护,有效提升了工作效率。
在一实施例中,图像包括可见光图像、倾斜摄影图像和激光点云图像。可见光图像可以包括拍摄的照片数据和视频数据,照片数据可以直接展示目标设备的状态,视频数据可以直观展示缺陷发生的过程,可以根据缺陷发生的过程找出缺陷发生的原因,便于后期维护或者改进。倾斜摄影图像和激光点云图像能够清楚得展示目标设备的3D状态,可以根据倾斜摄影图像和激光点云图像对应在三维场景中对设备的状态进行更新,根据三维场景中的设备的状态就可以直观得看出设备的缺陷类型和问题的严重程度,以辅助提醒设备需要维护维修,能够在设备不能正常工作之前及时更换维修,减小因电力故障带来的居民、工厂的经济损失。
需要说明的是,图像信息也不仅限于此,也可以包括夜间成像的图像,或者是红外线热量图,由于电力设备的工作通常都是需要24小时工作不断电,使用夜间辅助的图像或者红外线热量图能够在夜间环境下也使设备处于被监视监测状态,具有很好的实用价值。
在一实施例中,多源数据包括调度运行信息、监测信息、试验信息、气象信息。日常的调度运行信息包括目标设备的输电总量和输电曲线,当某个时段内的输电总量和输电曲线与日常状况偏离过大时,也会提醒当前设备需要注意巡视维护,当监测到目标的温度过高或电流过大时,发出预警信息提醒设备需要注意检修,当然多源数据也不仅仅是上述信息,还可以包括以往的缺陷数据库和特殊区段数据,特殊区段的检修标准可以是设置的与常规标准不同,根据不同的检修标准对不同区段进行维护。
在一实施例中,气象信息包括温度信息、气压信息、风向信息、风速信息、雨量信息、湿度信息、山火信息。气象信息对于供电设备的影响通常是较大的,如大雨天气可能导致部分线路短路,雷电天气可以导致某些供电设备击穿损坏,只是通过图像信息在某些情况下并不能检测出因气象原因导致的设备损坏,将气象信息也输入到三维场景中,可以对缺陷的产生进行多源数据的验证,能够有效提升对于缺陷分析的准确率。
需要说明的是,气象信息还可以是包括雪量信息,气温信息等,本实施例对气象信息的范围不构成限制。
在一实施例中,将多源数据进行标准结构化处理得到标准待融合数据,将标准待融合数据集输入至融合模型进行融合操作得到融合数据,使用融合数据验证缺陷分析结果得到缺陷分析报告。获取的目标的多源数据通常也不是能够直接应用的,在多多源数据进行融合解算,是多源数据在标准结构化处理得到标准待融合数据,再将标准待融合数据集输入至融合模型进行融合操作得到融合数据,结合融合数据验证曲线分析结果以得到缺陷分析报告,在三维场景中使用缺陷分析报告,能够直观地展示设备当前所处状态,也便于辅助人员对设备进行维护检修工作,能够有效提升工作效率,节约人力资源,使供电设备的检修维护更加高效可靠。
本发明还提供了一种三维场景中多源数据融合交互系统,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如第一方面的三维场景中多源数据融合交互方法。
多源数据融合交互系统可以包括缺陷分析任务管理模块、缺陷分析识别结果审核模块、缺陷分析多样分析报告生成模块、缺陷分析数据统计模块、缺陷共享数据接口。
其中缺陷分析任务管理模块是用于对缺陷识别系统的图像分析数据按任务形式关联线路/杆塔/照片信息进行统一管理,可以自建或者从外部系统接收任务信息生成缺陷分析任务,方便通过任务形式进行缺陷分析数据的查看、查找、统计,通过与外部系统的数据流转,实现业务闭环。
缺陷分析识别结果审核模块是用于对缺陷分析结果进行审核,由于获取的图像信息会存在图片不清晰、拍摄角度不好、干扰信息等问题,缺陷分析识别结果审核模块能够提升对图像识别的准确率,可以更加科学合理的安排检修维护任务。
缺陷分析数据统计模块是用于收集已经出现的缺陷类型和数量,将现有的缺陷信息进行统计并生成缺陷数据库,以便于人工智能对缺陷数据库进行学习,能够有效提升图像识别技术的识别准确率。统计数据包括完成任务量、全省排名、供电局、机型、拍摄方式、电压等级、人员、人工识别与AI识别对比、图表展示等多数据多维度的统计展示,方便作业单位进行月度数据统计分析,发现巡视作业中隐藏的缺陷分析规律。
缺陷共享数据接口,为安全生产管理系统等业务系统提供缺陷信息,实现缺陷识别结果的数据共享。
此外,本发明的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,控制处理器能够执行图1中的方法步骤S110至步骤S130。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (9)
1.一种三维场景中多源数据融合交互方法,其特征在于,包括:
获取输电航拍设备拍摄的目标图像;
利用图像识别技术在三维场景中对所述目标图像中的目标进行缺陷分析得到缺陷分析结果;
获取所述目标的多源数据,使用所述多源数据验证所述缺陷分析结果得到缺陷分析报告。
2.根据权利要求1所述的三维场景中多源数据融合交互方法,其特征在于,所述利用图像识别技术在三维场景中对所述目标图像中的目标进行缺陷分析得到缺陷分析结果,包括步骤:
使用算法找出与所述目标图像中的目标对应的特征点,根据所述特征点对所述目标进行缺陷分析得到缺陷分析结果。
3.根据权利要求1所述的三维场景中多源数据融合交互方法,其特征在于,在所述获取输电航拍设备拍摄的目标图像之前,包括步骤:
运用三维可视化软件对构建的三维场景进行展示,形成时空可视化查询展示终端。
4.根据权利要求1所述的三维场景中多源数据融合交互方法,其特征在于,所述图像包括可见光图像、倾斜摄影图像和激光点云图像。
5.根据权利要求1所述的三维场景中多源数据融合交互方法,其特征在于,所述多源数据包括调度运行信息、监测信息、试验信息、气象信息。
6.根据权利要求5所述的三维场景中多源数据融合交互方法,其特征在于,所述气象信息包括温度信息、气压信息、风向信息、风速信息、雨量信息、湿度信息、山火信息。
7.根据权利要求1所述的三维场景中多源数据融合交互方法,其特征在于,所述使用所述多源数据验证所述缺陷分析结果得到缺陷分析报告,包括步骤:
将所述多源数据进行标准结构化处理得到标准待融合数据,将所述标准待融合数据集输入至融合模型进行融合操作得到融合数据,使用所述融合数据验证所述缺陷分析结果得到缺陷分析报告。
8.一种三维场景中多源数据融合交互系统,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的三维场景中多源数据融合交互方法。
9.一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可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任意一项所述的三维场景中多源数据融合交互方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353705.1A CN113066070A (zh) | 2021-03-31 | 2021-03-31 | 三维场景中多源数据融合交互方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353705.1A CN113066070A (zh) | 2021-03-31 | 2021-03-31 | 三维场景中多源数据融合交互方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113066070A true CN113066070A (zh) | 2021-07-02 |
Family
ID=76565261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110353705.1A Pending CN113066070A (zh) | 2021-03-31 | 2021-03-31 | 三维场景中多源数据融合交互方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066070A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609360A (zh) * | 2021-08-19 | 2021-11-05 | 武汉东湖大数据交易中心股份有限公司 | 一种基于场景化多源数据融合分析的方法和系统 |
CN114235815A (zh) * | 2021-12-08 | 2022-03-25 | 国网福建省电力有限公司检修分公司 | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 |
CN115984662A (zh) * | 2023-03-21 | 2023-04-18 | 广东省科技基础条件平台中心 | 一种多模态数据预训练及识别方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
CN111275575A (zh) * | 2020-01-14 | 2020-06-12 | 国网江苏省电力有限公司泰州供电分公司 | 在线监测设备多源数据融合输电三维全景可视化系统 |
CN111537515A (zh) * | 2020-03-31 | 2020-08-14 | 国网辽宁省电力有限公司朝阳供电公司 | 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 |
-
2021
- 2021-03-31 CN CN202110353705.1A patent/CN113066070A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
CN111275575A (zh) * | 2020-01-14 | 2020-06-12 | 国网江苏省电力有限公司泰州供电分公司 | 在线监测设备多源数据融合输电三维全景可视化系统 |
CN111537515A (zh) * | 2020-03-31 | 2020-08-14 | 国网辽宁省电力有限公司朝阳供电公司 | 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 |
Non-Patent Citations (2)
Title |
---|
彭向阳等: "基于无人机多传感器数据采集的电力线路安全巡检及智能诊断", 《高电压技术》, no. 01, 31 January 2015 (2015-01-31), pages 159 - 166 * |
杨露菁 等: "《多源信息融合理论与应用》", 北京:北京邮电大学出版社, pages: 185 - 188 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609360A (zh) * | 2021-08-19 | 2021-11-05 | 武汉东湖大数据交易中心股份有限公司 | 一种基于场景化多源数据融合分析的方法和系统 |
CN114235815A (zh) * | 2021-12-08 | 2022-03-25 | 国网福建省电力有限公司检修分公司 | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 |
CN115984662A (zh) * | 2023-03-21 | 2023-04-18 | 广东省科技基础条件平台中心 | 一种多模态数据预训练及识别方法、装置、设备及介质 |
CN115984662B (zh) * | 2023-03-21 | 2023-08-04 | 广东省科技基础条件平台中心 | 一种多模态数据预训练及识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113066070A (zh) | 三维场景中多源数据融合交互方法 | |
CN109785289B (zh) | 一种输电线路缺陷检测方法、系统及电子设备 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN115150589A (zh) | 一种用于煤矿企业的视频监控运维管理系统 | |
CN112770088A (zh) | 一种ai视频联动感知监控系统 | |
CN114118831A (zh) | 一种基于数字孪生的输电线路管理系统 | |
CN112367400A (zh) | 一种边云协同的电力物联网智能巡检方法及系统 | |
CN113722870B (zh) | 一种电网运行全空间监测方法、系统、设备及介质 | |
CN116070143A (zh) | 一种基于人工智能的配电网多源异构数据融合方法及系统 | |
CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
CN101876993B (zh) | 一种地基数字云图的纹理特征抽取和检索方法 | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
CN112348306A (zh) | 一种面向配电运检中的TitanOS人工智能开发方法及装置 | |
CN115309871B (zh) | 一种基于人工智能算法的工业大数据处理方法及系统 | |
CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
CN113052340B (zh) | 聚合多源数据的预警方法、系统及存储介质 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN113850144A (zh) | 一种基于图像识别的视频可靠性自动巡检系统 | |
CN111079642A (zh) | 线路可移动监控方法及装置及计算机可读介质 | |
CN109190555B (zh) | 一种基于图片对比的智能巡店系统 | |
CN113286119A (zh) | 基于Unity3D的仓库数字孪生系统,方法及设备 | |
CN111651648A (zh) | 杆塔关键部件巡检计划的智能化生成方法和装置 | |
CN113573169B (zh) | 无人机的配电箱数据读取及检测方法及系统 | |
CN113297914B (zh) | 一种配网现场作业验电动作识别方法 | |
CN117169627A (zh) | 一种电力的红外检测方法、装置、设备及存储介质 |
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 |