CN113435801A - 基于人工智能的输电线安全隐患评估的方法、装置及设备 - Google Patents
基于人工智能的输电线安全隐患评估的方法、装置及设备 Download PDFInfo
- Publication number
- CN113435801A CN113435801A CN202110992008.0A CN202110992008A CN113435801A CN 113435801 A CN113435801 A CN 113435801A CN 202110992008 A CN202110992008 A CN 202110992008A CN 113435801 A CN113435801 A CN 113435801A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- transmission line
- range
- intersection point
- adjacent
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 61
- 238000005452 bending Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 238000007689 inspection Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的输电线安全隐患评估的方法、装置及设备。该方法包括:获取初始图像,识别出电线杆、输电线以及输电线交点;在存在交点时,获取每条输电线在其主成分方向上的对应向量;根据所有向量与选定坐标系之间的角度值的相似度将向量划分到不同的初始平面;计算每对相邻电线杆之间的矩形范围和所有初始平面内输电线局部范围的余弦相似性,其中余弦相似性最大的局部范围作为专属输电线范围;判断该范围内的是否是真实交点,进一步评估安全隐患程度。利用本发明,可以有效地识别出输电线交点的真实性,将存在交点以及不存在交点但安全隐患程度较大的情况及时反馈给工作人员,避免事故的发生。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的输电线安全隐患评估的方法、装置及设备。
背景技术
随着技术的发展,目前越来越多的无人机和智能机器人被应用于输电线路的巡视检查中,但是基本都是为了检测输电线的外部损伤以及绝缘受潮、化学腐蚀等常见故障,由于输电线路位于高空中受风力影响明显,从而容易造成输电线相交或缠绕在一起,会导致电线相互摩擦而产生破损,甚至由于电弧放电从而使相交在一起的电缆起火从而引发火灾。
通过深度相机利用三维点云可以较为有效的检测到输电线的相交或者缠绕的情况,但是深度相机成本较高,且使用三维点云的计算过程较为繁琐,计算量大。
对于利用普通相机进行拍照的电力巡检机器人,由于拍摄视角的原因常常会使现实中不在同一平面的电线在图像中呈现出交点,因为无法准确的区分出图像中的交点是否是真实的交点,从而影响最终的判断结果。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的输电线安全隐患评估的方法、装置及设备,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的输电线安全隐患评估的方法,该方法包括以下具体步骤:
获取初始图像,所述初始图像包括至少三个相邻电线杆;识别所述初始图像中的电线杆、相邻所述电线杆之间的输电线以及输电线交点;在存在所述输电线交点时,获取所述每条输电线在其主成分方向上的最大投影长度,得到所述每条输电线的对应向量;选取适当的二维坐标系,计算所述所有向量与所述坐标系之间的角度值,根据所述角度值大小的相似度将所述向量划分到不同的初始平面;提取每个所述初始平面内所述输电线所在的局部范围以及每对所述相邻电线杆之间形成的矩形范围,计算每个所述矩形范围主成分方向与所有所述局部范围主成分方向的余弦相似性,其中所述余弦相似性最大的局部范围匹配为所述相邻电线杆的专属输电线范围;对所述专属输电线范围进行提取,判断所述专属输电线范围内的所述输电线交点是否是真实交点。
优选的,所述识别所述初始图像中输电线的步骤,包括:以所述输电线和所述电线杆之间的连接点开始对所述输电线的每个像素进行遍历,经过所述输电线交点时,以交点像素与其前后相邻像素之间向量的余弦相似性确定下一次遍历的方向,从而得到完整的所述输电线。
优选的,所述根据所述角度值大小的相似度将所述向量划分到不同的初始平面,包括:获取所述角度之间的相似度,将所述相似度在预设范围内的所述角度对应的所述向量划分到同一个所述初始平面。
优选的,所述判断所述专属输电线范围内的所述输电线交点是否是真实交点,包括:在所述专属输电线范围内的所述输电线存在交点时,则确定所述交点是真实存在的。
优选的,所述判断所述专属输电线范围内的所述输电线交点是否是真实交点,包括:在所述局部范围内的所述输电线不存在交点时,计算所述输电线的曲率特征曲线,根据所述曲率特征曲线得到所述输电线之间的弯曲程度,根据所述弯曲程度判断所述输电线之间存在的安全隐患程度。
优选的,所述计算所述输电线的曲率特征曲线,还包括:以所述局部范围内任意一条所述输电线作为参考输电线,所述参考输电线上相邻两个像素点的法向量延长线与所述相邻输电线相交于两点,并最终相交于一圆点;根据所述法向量延长线与所述参考输电线以及所述相邻输电线的两个交点到所述圆点的距离和方向确定特征点向量;根据所述特征点向量获得特征点,连接所述所有特征点得到所述相邻输电线之间的曲率特征曲线。
优选的,所述根据所述曲率特征得到所述输电线之间的弯曲程度,还包括:计算所有所述曲率特征曲线的所述像素点的曲率方差,以所述曲率方差作为所述弯曲程度。
优选的,所述安全隐患程度与所述整体弯曲程度成正相关关系。
第二方面,本发明另一个实施例提供了一种基于人工智能的输电线安全隐患评估的装置,该装置包括:
图像获取单元,用于获取初始图像,所述初始图像包括至少三个相邻电线杆;图像处理单元,用于识别所述初始图像中的电线杆、相邻所述电线杆之间的输电线以及输电线交点;向量获取单元,用于在存在所述输电线交点时,获取所述每条输电线在其主成分方向上的最大投影长度,得到所述每条输电线的对应向量;初始平面划分单元,用于选取适当的二维坐标系,计算所述所有向量与所述坐标系之间的角度值,根据所述角度值大小的相似度将所述向量划分到不同的初始平面; 专属输电线范围匹配单元,用于提取每个所述初始平面内所述输电线所在的局部范围以及每对所述相邻电线杆之间形成的矩形范围,计算每个所述矩形范围主成分方向与所有所述局部范围主成分方向的余弦相似性,其中所述余弦相似性最大的局部范围匹配为所述相邻电线杆的专属输电线范围; 交点识别单元,用于对所述专属输电线范围进行提取,判断所述专属输电线范围内的所述输电线交点是否是真实交点。
优选的,本发明实施例还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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上述方法的步骤。
本发明实施例的有益效果在于:通过计算初始平面内输电线的局部范围与相连电线杆之间矩形范围的主成分方向的余弦相似性,进一步提取出相邻电线杆之间的专属输电线范围,从而判断该范围内的交点是否是真实相交,根据判断输电线交点结果评估输电线的安全隐患;解决了电力巡检机器人因为拍摄角度而错误判断输电线交点的问题,将真实存在的交点以及不存在交点但安全隐患程度较大的情况及时反馈给工作人员,有效避免了事故的发生。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的输电线安全隐患评估的方法流程图;
图2为本发明一个实施例所提供的一种基于人工智能的输电线安全隐患评估的逻辑流程图;
图3为本发明一个实施例所提供的一种识别相邻电线杆之间每条完整的输电线的方法流程图;
图4为本发明另一个实施例所提供的一种基于人工智能的输电线安全隐患评估的装置的结构框图;
图5为本发明实施例所提供的一种电子设备的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的输电线安全隐患评估的方法、装置及设备,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例所针对的具体场景为:在实际生活中,相邻电线杆上的输电线之间存在相交或者缠绕的情况,为了解决电力巡检机器人在巡查相邻电线杆之间多根输电线的分布情况时,由于拍摄视角的原因将空间不相交的输电线在图像上呈现出输电线交叉的问题,本发明实施例利用角度相似性对输电线划分局部范围,再通过对局部区域与相邻电线杆之间的矩形范围的匹配得到相邻电线杆之间的专属输电线范围,从而识别出输电线的交点是否是真实的交点。
下面结合附图具体的说明本发明所提供的基于人工智能的输电线安全隐患评估的方法、装置及设备的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的输电线安全隐患评估的方法流程图,该方法包括以下步骤:
步骤S100,获取初始图像,初始图像包括至少三个相邻电线杆。
具体过程为:
利用电力巡检机器人对至少三个相邻电线杆进行拍照,拍照区域包括完整的电线杆以及电线杆之间的输电线区域。
步骤S200,识别初始图像中的电线杆、相邻电线杆之间的输电线。
请参阅图3,具体过程为:
步骤S201,对步骤S100中采集到的初始图像中电线杆和输电线进行识别分割。
本发明实施例中采用语义分割网络对电线杆和输电线进行识别,DNN网络为Encoder-Decoder结构,具体训练过程为:
1)将电力巡检机器人拍摄到的含有输电线以及电线杆的图像作为训练数据集,对图像中的数据集进行标注,其中输电线标注为1,电线杆标注为2,其他则标注为0;其中随机选择数据的80%为训练集,剩余的20%为验证集。
2)将图像数据和标签数据输入语义分割网络中,Encoder抽取图像特征,并将通道数变换为类别个数;然后通过Decoder将特征图的高和宽变换为输入图像的尺寸,从而输出每个像素的类别。
3)Loss函数使用交叉熵损失函数进行训练。
步骤S202, 识别相邻电线杆之间每条完整的输电线。
采集到图像中输电线相交的原因可能是由于地面巡检机器人的拍摄视角原因导致空间不相交的输电线在图像上呈现相交或者输电线真实相交,为了检测输电线之间的交点,在步骤S201中得到输电线以及相应的电线杆分割图后,需要对完整的输电线进行检测。
以输电线和电线杆之间的连接点开始对输电线的每个像素进行遍历,经过输电线交点时,以交点像素与其前后相邻像素之间向量的余弦相似性确定下一次遍历的方向,从而得到完整的输电线。遍历获取交点的具体过程如下:
首先,确定各输电线的与电线杆之间的连接点,本发明实施例中判断输电线对应连接点的方法是:在步骤S201得到的分割图中,寻找电线杆对应欧氏距离最近的标签为1的输电线的像素点,得到的各像素点即为各输电线的连接点。
需要说明的是,本发明实施例中默认输电线上的像素点为单行排列,若采集到的初始图像中输电线的尺寸较大,则需进行边缘检测,然后以输电线的边缘线代表原始输电线进行后续的分析。
然后,从连接点像素开始,按照单一方向对像素进行遍历,判断当前像素的八邻域中是否只含有相邻两侧的像素值,若是,则继续对下一个未遍历过的相邻像素进行分析;若当前像素的八邻域中不止含有相邻两侧的像素值,则认为当前像素点为交点,对该交点进行标注,以进行后续的分析。
最后,将所有像素值遍历完成后,对最终识别到的交点进行分析,避免因输电线相交而将不属于同一根输电线错误匹配而得到错误的输电线。
步骤S203,对遍历后得到的交点进行分析确定下一次遍历的方向,具体过程如下:
1)以检测到的交点所在的像素为中心像素点,计算该中心像素点与前一个已遍历过的相邻像素之间的对应向量,即以上一个像素点指向中心像素点方向形成的向量,以及该中心像素点与接下来需要进行遍历的至少两个方向的像素之间的对应向量,此至少两个向量方向对应于中心像素点指向各方向上接下来要进行遍历的像素点。
2)计算该至少三个对应向量之间的余弦相似性,将余弦相似性最大的作为当前应该继续前进的方向进行像素遍历,直到与尾端对应连接点的像素点重合,则可以将此两个对应连接点对应的输电线作为同一根完整的输电线。
步骤S300,在存在输电线交点时,获取每条输电线在其主成分方向上的最大投影长度,得到每条输电线的对应向量。
具体过程如下:
根据步骤S201中获取的电线杆分割图确定两两相邻的电线杆之间范围。
作为优选,本发明实施例中将两两相邻电线杆上的像素坐标最高点和像素坐标最低点对应相连形成的矩形范围作为电线杆之间的范围,并由此可以初步确定输电线两连接点分别位于相邻两电线杆之间矩形范围的输电线。
对识别出的相邻电线杆之间的矩形范围以及当前矩形范围内的输电线进行主成分分析,计算每条输电线在相邻电线杆之间矩形范围对应的主成分方向上的最大投影长度,此投影长度与输电线主成分方向结合作为该输电线的对应向量。
步骤S400,选取适当的二维坐标系,计算所有向量与坐标系之间的角度值,根据角度值大小的相似性将向量划分到不同的初始平面。
具体过程为:
选取适当的坐标系,计算步骤S300中得到的所有对应向量的与此坐标系之间的角度值,获取角度之间的相似度,将相似度在预设范围内的角度对应的向量划分到同一个初始平面。
作为优选,本发明实施例中对于角度相似度预设范围设置的最大阈值为所有角度值的平均值,将角度值大于平均值的划分到一个初始平面,角度值小于平均值的划分到另一个初始平面。
作为优选,本发明实施例以相邻电线杆的水平方向作为坐标系的水平方向建立二维直角坐标系。
步骤S500,提取每个初始平面内输电线所在的局部范围以及每对相邻电线杆之间形成的矩形范围,计算每个矩形范围主成分方向与所有局部范围主成分方向的余弦相似性,其中余弦相似性最大的局部范围匹配为相邻电线杆的专属输电线范围。
具体过程为:
由步骤S400得到不同的初始平面后,识别初始平面内输电线的像素坐标最高点和像素坐标最低点得到初始平面的局部范围;对不同初始平面的局部范围与步骤S300中提取到的相邻电线杆之间的矩形范围进行主成分分析得到主成分方向,计算所有的局部范围与矩形范围之间的余弦相似性,其中余弦相似性匹配最大的局部范围则为相邻电线杆之间的专属输电线范围。
步骤S600,对专属输电线范围进行提取,判断专属输电线范围内的输电线交点是否是真实交点,根据判断结果评估输电线的安全隐患。
具体过程为:
本发明实施例中对步骤S500中匹配完成的专属输电线范围进行遮罩提取,对处理后的范围进行输电线交点的识别,在专属输电线范围内的输电线存在交点时,则交点是真实存在的。
当输电线存在真实交点时,安全隐患程度较大,对交点进行标记,通知工作人员及时进行处理。
在局部范围内不存在交点时,评估输电线距离较近时产生的安全隐患程度,具体过程为:
在局部范围内的输电线不存在交点时,计算输电线的曲率特征曲线,根据曲率特征曲线得到输电线之间的弯曲程度,根据弯曲程度判断输电线之间存在的安全隐患程度。
计算输电线曲率特征的具体过程为:
以局部范围内任意一条输电线作为参考输电线,参考输电线上相邻两个像素点的法向量延长线与相邻输电线相交于两点,并最终相交于一圆点。
作为优选,本发明实施例中选择局部范围内长度最大的输电线作为参考输电线,从输电线连接点的第一个像素开始,计算该像素点的法向量,同理得到相邻的下一个像素点的法向量,此时两条法向量的延长线与相邻输电线相交于两点,并最终相交于一点,记为圆心。
根据法向量延长线与参考输电线以及相邻输电线的两个交点到圆点的距离和方向确定特征点向量,根据特征点向量获得特征点,连接所有特征点得到相邻输电线之间的曲率特征曲线,具体过程为:
设是参考输电线上的第个像素点,为与第个像素点相邻的第个像素点,计算该像素点所在切线的垂线作为像素点的法向量,两个像素点的法向量的延长线相交于一点,记为,则对应线段与参考输电线相邻的输电线相交于另外两点,记为。
计算所有曲率特征曲线的像素点的曲率方差,曲率方差即为弯曲程度,进一步计算局部范围的整体弯曲程度,安全隐患程度与整体弯曲程度成正相关关系,整体弯曲程度越大,安全隐患程度越高。
具体过程为:
对得到的所有两两相邻输电线之间区域的特征曲线从左到右进行像素曲率方差的计算,对所有的曲率方差进行求和计算得到整体的弯曲程度,则最终评估局部范围内输电线安全隐患程度的函数模型为:
S越大,说明该局部范围内输电线的分布越不整齐,安全隐患程度越大。
综上所述,本发明实施例通过计算初始平面内输电线的局部范围与相连电线杆之间矩形范围的主成分方向的余弦相似性,进一步提取出相邻电线杆之间的专属输电线范围,从而判断该范围内的交点是否是真实相交,且通过对输电线的曲率特征分析评估输电线不规则分布的安全隐患程度;解决了电力巡检机器人因为拍摄角度而错误判断输电线交点的问题,将真实存在的交点以及不存在交点但安全隐患程度较大的情况及时反馈给工作人员,有效避免了事故的发生。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种基于人工智能的输电线安全隐患评估的装置。
请参阅图4,本发明实施例提供了一种基于人工智能的输电线安全隐患评估的装置,该装置包括:图像获取单元100、图像处理单元200、向量获取单元300、初始平面划分单元400、专属输电线范围匹配单元500以及交点识别单元600。
图像获取单元100,用于获取初始图像,初始图像包括至少三个相邻电线杆。
图像处理单元200,用于识别初始图像中的电线杆、相邻电线杆之间的输电线以及输电线交点。
向量获取单元300,用于在存在输电线交点时,获取每条输电线在其主成分方向上的最大投影长度,得到每条输电线的对应向量。
初始平面划分单元400,用于选取适当的二维坐标系,计算所有向量与坐标系之间的角度值,根据角度值大小的相似度将向量划分到不同的初始平面。
专属输电线范围匹配单元500,用于提取每个初始平面内输电线所在的局部范围以及每对相邻电线杆之间形成的矩形范围,计算每个矩形范围主成分方向与所有局部范围主成分方向的余弦相似性,其中余弦相似性最大的局部范围匹配为相邻电线杆的专属输电线范围.
交点识别单元600,用于对专属输电线范围进行提取,判断专属输电线范围内的输电线交点是否是真实交点。
进一步地,请参阅图5,其示出了本发明实施例提供的一种电子设备的示意图。该实施例中的该电子设备包括:处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的输电线安全隐患评估的方法实施例中的步骤,例如图1所示的步骤。或者,处理器执行计算机程序时实现上述一种人工智能的输电线安全隐患评估的装置实施例中各单元的功能。
示例性的,计算机程序可以被分隔成一个或多个单元,其中一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。其中一个或多个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,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
该电子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。所述一种电子设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,示意图仅仅是该电子设备的示例,并不构成对该电子设备的限定,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,例如该电子设备还可以包括输入输出设备、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 (FieldProgrammable 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,该处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的输电线安全隐患评估的方法,其特征在于,该方法包括以下步骤:
获取初始图像,所述初始图像包括至少三个相邻电线杆;
识别所述初始图像中的电线杆、相邻所述电线杆之间的输电线以及输电线交点;
在存在所述输电线交点时,获取所述每条输电线在其主成分方向上的最大投影长度,得到所述每条输电线的对应向量;
选取适当的二维坐标系,计算所述所有向量与所述坐标系之间的角度值,根据所述角度值大小的相似度将所述向量划分到不同的初始平面;
提取每个所述初始平面内所述输电线所在的局部范围以及每对所述相邻电线杆之间形成的矩形范围,计算每个所述矩形范围主成分方向与所有所述局部范围主成分方向的余弦相似性,其中所述余弦相似性最大的局部范围匹配为所述相邻电线杆的专属输电线范围;
对所述专属输电线范围进行提取,判断所述专属输电线范围内的所述输电线交点是否是真实交点,根据判断结果评估输电线的安全隐患。
2.根据权利要求1所述的方法,其特征在于,所述识别所述初始图像中输电线的步骤,包括:
以所述输电线和所述电线杆之间的连接点开始对所述输电线的每个像素进行遍历,经过所述输电线交点时,以交点像素与其前后相邻像素之间向量的余弦相似性确定下一次遍历的方向,从而得到完整的所述输电线。
3.根据权利要求1所述的方法,其特征在于,所述根据所述角度值大小的相似度将所述向量划分到不同的初始平面,包括:
获取所述角度之间的相似度,将所述相似度在预设范围内的所述角度对应的所述向量划分到同一个所述初始平面。
4.根据权利要求1所述的方法,其特征在于,所述判断所述专属输电线范围内的所述输电线交点是否是真实交点,包括:
在所述专属输电线范围内的所述输电线存在交点时,则确定所述交点是真实存在的。
5.根据权利要求1所述的方法,其特征在于,所述根据判断结果评估输电线的安全隐患的步骤,包括:
在所述局部范围内的所述输电线不存在交点时,计算所述输电线的曲率特征曲线,根据所述曲率特征曲线得到所述输电线之间的弯曲程度,根据所述弯曲程度判断所述输电线之间存在的安全隐患程度。
6.根据权利要求5所述的方法,其特征在于,所述计算所述输电线的曲率特征曲线,还包括:
以所述局部范围内任意一条所述输电线作为参考输电线,所述参考输电线上相邻两个像素点的法向量延长线与所述相邻输电线相交于两点,并最终相交于一圆点;
根据所述法向量延长线与所述参考输电线以及所述参考输电线的相邻输电线的两个交点到所述圆点的距离和方向确定特征点向量;
根据所述特征点向量获得特征点,连接所述所有特征点得到所述相邻输电线之间的曲率特征曲线。
7.根据权利要求6所述的方法,其特征在于,所述根据所述曲率特征得到所述输电线之间的弯曲程度,还包括:
计算所有所述曲率特征曲线的所述像素点的曲率方差,以所述曲率方差作为所述弯曲程度。
8.根据权利要求5所述的方法,其特征在于,所述安全隐患程度与所述弯曲程度成正相关关系。
9.一种基于人工智能的输电线安全隐患评估的装置,其特征在于,该装置包括:
图像获取单元,用于获取初始图像,所述初始图像包括至少三个相邻电线杆;
图像处理单元,用于识别所述初始图像中的电线杆、相邻所述电线杆之间的输电线以及输电线交点;
向量获取单元,用于在存在所述输电线交点时,获取所述每条输电线在其主成分方向上的最大投影长度,得到所述每条输电线的对应向量;
初始平面划分单元,用于选取适当的二维坐标系,计算所述所有向量与所述坐标系之间的角度值,根据所述角度值大小的相似度将所述向量划分到不同的初始平面;
专属输电线范围匹配单元,用于提取每个所述初始平面内所述输电线所在的局部范围以及每对所述相邻电线杆之间形成的矩形范围,计算每个所述矩形范围主成分方向与所有所述局部范围主成分方向的余弦相似性,其中所述余弦相似性最大的局部范围匹配为所述相邻电线杆的专属输电线范围;
交点识别单元,用于对所述专属输电线范围进行提取,判断所述专属输电线范围内的所述输电线交点是否是真实交点,根据判断结果评估输电线的安全隐患。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992008.0A CN113435801B (zh) | 2021-08-27 | 2021-08-27 | 基于人工智能的输电线安全隐患评估的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992008.0A CN113435801B (zh) | 2021-08-27 | 2021-08-27 | 基于人工智能的输电线安全隐患评估的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435801A true CN113435801A (zh) | 2021-09-24 |
CN113435801B CN113435801B (zh) | 2021-11-16 |
Family
ID=77798181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110992008.0A Active CN113435801B (zh) | 2021-08-27 | 2021-08-27 | 基于人工智能的输电线安全隐患评估的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435801B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115237159A (zh) * | 2022-09-21 | 2022-10-25 | 南通荣茂电子科技有限公司 | 一种采用无人机的电线巡检方法 |
CN116958826A (zh) * | 2023-09-21 | 2023-10-27 | 河北霞光电力工程集团有限公司 | 道路侧电线杆置换监测方法、监测系统、设备及介质 |
-
2021
- 2021-08-27 CN CN202110992008.0A patent/CN113435801B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115237159A (zh) * | 2022-09-21 | 2022-10-25 | 南通荣茂电子科技有限公司 | 一种采用无人机的电线巡检方法 |
CN115237159B (zh) * | 2022-09-21 | 2023-09-15 | 国网江苏省电力有限公司苏州供电分公司 | 一种采用无人机的电线巡检方法 |
CN116958826A (zh) * | 2023-09-21 | 2023-10-27 | 河北霞光电力工程集团有限公司 | 道路侧电线杆置换监测方法、监测系统、设备及介质 |
CN116958826B (zh) * | 2023-09-21 | 2023-11-24 | 河北霞光电力工程集团有限公司 | 道路侧电线杆置换监测方法、监测系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113435801B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528878B (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113435801B (zh) | 基于人工智能的输电线安全隐患评估的方法、装置及设备 | |
JP7273129B2 (ja) | 車線検出方法、装置、電子機器、記憶媒体及び車両 | |
CN109461133B (zh) | 桥梁螺栓脱落检测方法及终端设备 | |
CN101727580A (zh) | 图像处理装置、电子介质和图像处理方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN114220009A (zh) | 一种基于红外图像的导线风偏识别方法与系统 | |
CN113299073A (zh) | 识别车辆违章停车的方法、装置、设备和存储介质 | |
CN113111827A (zh) | 施工监控方法、装置、电子设备和存储介质 | |
CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
US20160034779A1 (en) | High Speed Searching For Large-Scale Image Databases | |
CN115273039A (zh) | 一种基于摄像头的小障碍物探测方法 | |
CN114821274A (zh) | 一种用于识别分合指示牌的状态的方法和设备 | |
CN109523570B (zh) | 运动参数计算方法及装置 | |
Choi et al. | Real-time vanishing point detection using the Local Dominant Orientation Signature | |
CN114066999A (zh) | 基于三维建模的目标定位系统及方法 | |
CN110969640A (zh) | 视频图像的分割方法、终端设备以及计算机可读存储介质 | |
CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN112418226A (zh) | 一种鱼眼分合闸状态识别的方法及装置 | |
CN111160363B (zh) | 特征描述子生成方法、装置、可读存储介质及终端设备 | |
CN114399729A (zh) | 监控对象移动识别方法、系统、终端及存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN117152421B (zh) | 输电线路异物检测方法、装置、计算机设备和存储介质 | |
WO2022250054A1 (ja) | 異常検知方法、異常検知装置、およびプログラム |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231114 Address after: 201800 Area A, 1st Floor, Building 4, No. 666 Huabo Road, Huating Town, Jiading District, Shanghai Patentee after: SHANGHAI YURONG OPTICAL TECHNOLOGY Co.,Ltd. Address before: 226121 No. 2, Zhonghua East Road, Sanchang street, Haimen City, Nantong City, Jiangsu Province Patentee before: Haimen Yulong Photoelectric Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |