CN113532513A - 一种基于输电系统的侵入目标实时检测系统和方法 - Google Patents
一种基于输电系统的侵入目标实时检测系统和方法 Download PDFInfo
- Publication number
- CN113532513A CN113532513A CN202110687719.7A CN202110687719A CN113532513A CN 113532513 A CN113532513 A CN 113532513A CN 202110687719 A CN202110687719 A CN 202110687719A CN 113532513 A CN113532513 A CN 113532513A
- Authority
- CN
- China
- Prior art keywords
- layer
- module
- intrusion
- current
- convolution
- 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 56
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011897 real-time detection Methods 0.000 title claims description 16
- 230000009545 invasion Effects 0.000 claims abstract description 36
- 230000009471 action Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 59
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 238000011176 pooling Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000003116 impacting effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06T2207/10024—Color 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
- G06T2207/20—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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本发明涉及一种基于输电系统的侵入目标实时检测系统和方法,其系统包括双目拍摄定位单元、防雷电流检测单元、总线异常侵入单元、处理单元、数据库、GPS定位单元,双目拍摄定位单元、防雷电流检测单元、总线异常侵入单元均通信连接有处理单元,处理单元通信连接有数据库,数据库通信连接有GPS定位单元。其有益效果是,本发明的侵入目标实时检测系统,由于采用异物识别模块、异物追踪模块和异物计算定位模块,相对于现有技术而言,其可以对异物,如塑料袋、鸟、石头等进行识别追踪,并通过风力、速度等条件,借助公式对异物行动轨迹进行计算,实现轨迹预测定位的目的,进而便于及时安排工作人员对异物进行及时驱赶拦截或检修的目的。
Description
技术领域
本发明涉及输电系统侵入目标检测技术领域,尤其涉及一种基于输电系统的侵入目标实时检测系统和方法。
背景技术
输电系统指由发电、输电、变电、配电和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能,再经输电、变电和配电将电能供应到各用户,在输电系统中,极易出现外物侵入情况,进而极易影响输电系统的使用与安全。
如中国专利公开了一种基于输电系统的侵入目标实时检测系统,公开号为:CN109285309A,公开日为:20190129,涉及输电技术领域。为了解决目前的输电线路或设备检测存在机动性滞后影响检修完成时间的问题。包括用于采集输电通道的图像的双目同步图像序列采集模块,标定获取两个相机各自的内外参数的标定模块,适用于输电系统侵入目标实时检测。
但是,该专利仅能对输电系统的外来物进行检测定位,达到及时检修目的,检测功能单一,无法对输电系统中进行防雷检测和系统异常侵入情况进行检测,进而导致检测局限性大,不利于保障输电系统的安全使用。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于输电系统的侵入目标实时检测系统和方法,其解决了检测功能单一和使用安全性低的技术问题。
(二)技术方案
为了达到上述目的,第一方面本发明实施例提供一种基于输电系统的侵入目标实时检测系统,该系统包括双目拍摄定位单元、防雷电流检测单元、总线异常侵入单元、处理单元、数据库,所述双目拍摄定位单元、所述防雷电流检测单元、所述总线异常侵入单元均通信连接有处理单元,所述处理单元通信连接有数据库,所述数据库通信连接有GPS定位单元;
所述双目拍摄定位单元,用于获取双目图像采集设备采集的双目图像,基于所述双目图像进行异物识别,对识别的异物进行追踪及轨迹预测和定位;
所述防雷电流检测单元,用于对电流传输情况进行实时监测,并在雷电造成电流异常的情况下,检测得到电流检测信号发送至所述处理单元;
所述总线异常侵入检测单元,用于对总线系统使用情况进行实时检测,对识别的侵入信号进行侵入强度检测,得到侵入信息强度;
所述处理单元,用于将所述双目拍摄定位单元的预测轨迹、所述电流检测信号、所述侵入信息强度进行信号转换后发送至所述数据库;
所述数据库,用于接收所述处理单元发送的信号,与所述数据库中的预存的经验数据进行比对,得到比对结果,所述比对结果包括异物侵入、异常电流、有害侵入信号;
所述GPS定位单元,用于基于所述数据库的比对结果,对异物侵入、异常电流、有害侵入信号进行定位,得到定位信息。
可选地,所述双目拍摄定位单元包括异物识别模块、异物追踪模块和异物计算定位模块;
所述异物识别模块,用于基于所述双目图像进行异物识别;
所述异物追踪模块,用于对识别的异物行驶速度和轨迹进行追踪,得到追踪结果;
所述异物计算定位模块,用于基于所述追踪结果,通过风力、速度公式对异物行动轨迹进行计算,得到异物的第一位置预测信息。
可选地,所述防雷电流检测单元包括电流数据传输模块和电流数据检测模块;
所述电流数据传输模块,用于对电流传输情况进行实时监测,得到电流监测信号,将所述电路监测信号发送至所述电流数据检测模块;
所述电流数据检测模块,用于在雷电造成电流异常的情况下,基于所述电流监测信号检测得到电流检测信号发送至处理单元。
可选地,所述总线异常侵入检测单元包括系统侵入信号识别模块和系统侵入数据检测模块;
所述系统侵入信号识别模块,用于对总线系统使用情况进行实时检测,识别得到侵入信号;
所述系统侵入数据检测模块,对识别的侵入信号进行侵入强度检测,得到侵入信息强度。
可选地,所述数据库包括对比储存模块和判断模块
所述对比储存模块,用于将所述第一位置预测信息与预先存储的经验数据进行对比,得到位置对比结果;
所述判断模块,用于基于所述位置对比结果,并对异物撞击电缆时间进行预测判断,得到异物侵入的碰撞预测时间。
可选地,该系统还包括显示终端,所述显示终端包括页面警示模块和声音报警模块;
所述页面警示模块,用于基于所述处理单元的比对结果和所述GPS定位单元得到的定位信息对异物侵入、异常电流和异常侵入信号在终端进行显示并进行警示;
所述声音报警模块,用于输出声音报警信号。
第二方面本发明实施例提出一种基于输电系统的侵入目标实时检测方法,该方法包括:
获取双目图像采集设备采集的双目图像,基于所述双目图像进行异物识别,对识别的异物进行追踪及轨迹预测和定位;
对电流传输情况进行实时监测,并在雷电造成电流异常的情况下,检测得到电流检测信号;
对总线系统使用情况进行实时检测,对识别的侵入信号进行侵入强度检测,得到侵入信息强度;
将所述双目拍摄定位单元的预测轨迹、所述电流检测信号、所述侵入信息强度进行信号转换后发送至数据库;
数据库接收所述处理单元发送的信号,与所述数据库中的预存的经验数据进行比对,得到比对结果,所述比对结果包括异物侵入、异常电流、有害侵入信号;
基于所述数据库的比对结果,对异物侵入、异常电流、有害侵入信号进行定位,得到定位信息。
可选地,基于所述双目图像进行异物识别,包括:
从所述双目图像的深度图像中分割出物体的深度图像;
根据物体的深度图像的分割范围,从所述双目图像的彩色图像中分割出物体的彩色图像;
将分割出的彩色图像输入到预先建立的物体识别模型进行识别,输出识别结果;所述物体识别模型为以物体的彩色图像作为样本,以物体名称作为样本标签,对卷积神经网络进行训练后得到的网络模型。
可选地,所述物体识别模型包括:
第一层为卷积层conv1,conv1中有64个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第二层为卷积层conv2,conv2中有16个6*6的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第三层为池化层subsampling1层,在池化的过程中使用最大池化操作;
第四层为卷积层conv3,conv3中有64个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第五层为卷积层conv4,conv4中有128个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第六层为池化层subsampling2层,在池化的过程中使用最大池化操作;
第七层为卷积层conv5,conv5中有256个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第八层为池化层subsampling3层,在池化的过程中使用最大池化操作;
第九层为卷积层conv6,conv6中有512个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第十层为卷积层conv7,conv7中有512个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第十一层为池化层subsampling4层,在池化的过程中使用最大池化操作;
第十二层为全连接层Fc,以提高神经网络的训练和预测速度;
第十三层为分类层Softmax,将全连接层Fc输出的特征向量输入分类层,得到识别物体的分类标签,计算出每种分类标签的概率,并将最大概率的标签输出。
可选地,对识别的异物进行追踪及轨迹预测和定位,包括:
对识别的异物行驶速度和轨迹进行追踪,得到追踪结果;
基于所述追踪结果,通过风力、速度公式对异物行动轨迹进行计算,得到异物的第一位置预测信息。
(三)有益效果
本发明的有益效果是:本发明的一种基于输电系统的侵入目标实时检测系统,由于采用异物识别模块、异物追踪模块和异物计算定位模块,相对于现有技术而言,其可以对异物,如塑料袋、鸟、石头等进行识别追踪,并通过风力、速度等条件,借助公式对异物行动轨迹进行计算,实现轨迹预测定位的目的,进而便于及时安排工作人员对异物进行及时驱赶拦截或检修的目的。
由于采用电流数据传输模块和电流数据检测模块,相对于现有技术而言,其可以对电流传输情况进行实时传输,并在雷电造成电流异常的情况下,实现了对电流进行及时检测的目的,由于采用系统侵入信号识别模块和系统侵入数据检测模块,相对与现有技术而言,其可以对输电系统的异常信号进行识别检测,实现了对异常系统侵入情况进行实时识别检测的目的。
由于采用GPS定位单元,相对于现有技术而言,其可以对异常信号发生的位置进行定位标识,实现对位置信息进行定位传输的目的,便于检修人员及时进行定位检修,提高检修效率,由于采用页面警示模块和声音报警模块,相对于现有技术而言,其可以对异物、异常电流和异常入信号在终端进行显示并进行警示,及时提醒工作人员异常信息,便于工作人员及时安排处理,达到了保障检修处理效率的目的。
附图说明
图1为本发明一种基于输电系统的侵入目标实时检测系统的系统流程示意图;
图2为图1中双目拍摄定位单元的系统流程示意图;
图3为图1中防雷电流检测单元的系统流程示意图;
图4为图1中总线异常侵入检测单元的系统流程示意图;
图5为图1中数据库的系统流程示意图;
图6为图1中显示终端的系统流程示意图;
图7为本发明一种基于输电系统的侵入目标实时检测方法的流程示意图。
【附图标记说明】
1:双目拍摄定位单元;11:异物识别模块;12:异物追踪模块;13:异物计算定位模块;2:防雷电流检测单元;21:电流数据传输模块;22:电流数据检测模块;3:总线异常侵入检测单元;31:系统侵入信号识别模块;32:系统侵入数据检测模块;4:处理单元;5:数据库;51:对比储存模块;52:判断模块;6:GPS定位单元;7:信号发射单元;8、显示终端;81:页面警示模块;82:声音报警模块。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
第一方面,本发明实施例提出的一种基于输电系统的侵入目标实时检测系统,包括双目拍摄定位单元1、防雷电流检测单元2、总线异常侵入单元3、处理单元4、数据库5、GPS定位单元6,双目拍摄定位单元1包括异物识别模块11、异物追踪模块12和异物计算定位模块13,由于采用异物识别模块11、异物追踪模块12和异物计算定位模块13,相对于现有技术而言,其可以对异物,如塑料袋、鸟、石头等进行识别追踪,并通过风力、速度等条件,借助公式对异物行动轨迹进行计算,实现轨迹预测定位的目的,进而便于及时安排工作人员对异物进行及时驱赶拦截或检修的目的。
防雷电流检测单元2包括电流数据传输模块21和电流数据检测模块22,由于采用电流数据传输模块21和电流数据检测模块22,相对于现有技术而言,其可以对电流传输情况进行实时监测,并在雷电造成电流异常的情况下,实现了对电流进行及时检测的目的。
总线异常侵入检测单元3包括系统侵入信号识别模块31和系统侵入数据检测模块32,由于采用系统侵入信号识别模块31和系统侵入数据检测模块32,相对与现有技术而言,其可以对输电系统的异常信号进行识别检测,实现了对异常系统侵入情况进行实时识别检测的目的。
双目拍摄定位单元1、防雷电流检测单元2和总线异常侵入检测单元3均通信连接有处理单元4,由于采用处理单元4,相对于现有技术而言,其可以对检测的异常信号进行处理转换,实现对信号进行处理传输的目的,处理单元4通信连接有数据库5,数据库5通信连接有GPS定位单元6,由于采用GPS定位单元6,相对于现有技术而言,其可以对异常信号发生的位置进行定位标识,实现对位置信息进行定位传输的目的,便于检修人员及时进行定位检修,提高检修效率,GPS定位单元6通信连接有信号发射单元7,信号发射单元7通信连接有显示终端8。
具体的,数据库5包括对比储存模块51和判断模块52,由于采用对比储存模块51和判断模块52,相对于现有技术而言,其可以对处理单元4转换处理后的数据信号进行对比判断,实现了对信息进行判断储存的目的,方便以后对该次情况进行查看了解。
具体的,显示终端8包括页面警示模块81和声音报警模块82,由于采用页面警示模块81和声音报警模块82,相对于现有技术而言,其可以对异物、异常电流和异常入信号在终端进行显示并进行警示,及时提醒工作人员异常信息,便于工作人员及时安排处理,达到了保障检修处理效率的目的。
具体的,双目拍摄定位单元1的拍摄采用双目相机。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例1:
参照图1、图2、图5和图6,当有异物进入双目拍摄定位单元1设定范围内时,双目拍摄定位单元1采用双目相机对异物进行拍摄,并通过异物识别单元对异物进行识别,同时异物追踪单元配合异物计算定位单元,对异物行驶速度和轨迹进行追踪并计算预测,并将结果输送至处理单元4转换为信号传输至数据库5进行对比并对其撞击电缆时间进行预测判断,当判断为异物在一定时间内会对输电系统造成损坏,则GPS定位单元6对该处位置进行定位,通过信号发射单元7,将异物侵入信号和位置传送至显示终端8,进行显示,并通过显示终端8中的页面警示模块81和声音警示模块进行提醒,工作人员及时安排检修人员和措施进行检修即可。
实施例2:
参照图1、图3、图5和图6,首先通过电流数据传输模块21对电流数据进行记录传输,当出现雷电对输电系统造成影响时,电流数据检测模块22检测到异常电流,将该信号传输至处理单元4,经处理单元4转换后传输至数据库5内,通过对比储存模块51进行对比储存,同时通过判断模块52对异常电流进行判断,当判断电流为异常时,则GPS定位单元6对该处位置进行定位,通过信号发射单元7,将电流异常信号和位置传送至显示终端8,进行显示,并通过显示终端8中的页面警示模块81和声音警示模块进行提醒,工作人员及时安排检修人员和措施进行检修即可。
实施例3:
参照图1、图3、图4和图6,首先通过总线异常侵入检测单元3对总线系统使用情况进行实时检测,当侵入信号时,系统侵入信号识别模块31对侵入信号进行识别并经系统侵入数据检测模块32,对该侵入信息侵入强度进行检测,然后将检测后的侵入信息强度传输至处理单元4,经处理单元4转换后输送至数据库5内,经对比储存模块51对侵入信号类别进行区别后通过判断模块52,判断为有害侵入信号后,则GPS定位单元6对该处位置进行定位,通过信号发射单元7,将电流异常信号和位置传送至显示终端8,进行显示,并通过显示终端8中的页面警示模块81和声音警示模块进行提醒,工作人员及时安排检修人员和措施进行检修处理即可。
第二方面本发明实施例提出了一种基于输电系统的侵入目标实时检测方法,图7为本发明一种基于输电系统的侵入目标实时检测方法的流程示意图,如图7所示,该方法包括:
获取双目图像采集设备采集的双目图像,基于双目图像进行异物识别,对识别的异物进行追踪及轨迹预测和定位;
对电流传输情况进行实时监测,并在雷电造成电流异常的情况下,检测得到电流检测信号;
对总线系统使用情况进行实时检测,对识别的侵入信号进行侵入强度检测,得到侵入信息强度;
将所述双目拍摄定位单元的预测轨迹、所述电流检测信号、所述侵入信息强度进行信号转换后发送至数据库;
数据库接收所述处理单元发送的信号,与所述数据库中的预存的经验数据进行比对,得到比对结果,所述比对结果包括异物侵入、异常电流、有害侵入信号;
基于所述数据库的比对结果,对异物侵入、异常电流、有害侵入信号进行定位,得到定位信息。
本实施例中,基于双目图像进行异物识别,包括:
从双目图像的深度图像中分割出物体的深度图像;
根据物体的深度图像的分割范围,从双目图像的彩色图像中分割出物体的彩色图像;
将分割出的彩色图像输入到预先建立的物体识别模型进行识别,输出识别结果;物体识别模型为以物体的彩色图像作为样本,以物体名称作为样本标签,对卷积神经网络进行训练后得到的网络模型。
从双目图像的深度图像中分割出物体的深度图像的方法可以采用基于阈值的分割方法或基于边缘的分割方法;从双目图像的彩色图像中分割出物体的彩色图像可以采用基于区域的分割方法或基于聚类分析的图像分割方法。优选地,基于阈值的分割方法采用Yager测度极小化方法,基于边缘的分割方法采用灰度的拉普拉斯算子进行分割,基于区域的分割方法采用区域生长法,基于聚类分析的图像分割方法采用模糊C均值聚类(FCM)算法。
具体地,物体识别模型包括:
第一层为卷积层conv1,conv1中有64个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第二层为卷积层conv2,conv2中有16个6*6的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第三层为池化层subsampling1层,在池化的过程中使用最大池化操作;
第四层为卷积层conv3,conv3中有64个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第五层为卷积层conv4,conv4中有128个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第六层为池化层subsampling2层,在池化的过程中使用最大池化操作;
第七层为卷积层conv5,conv5中有256个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第八层为池化层subsampling3层,在池化的过程中使用最大池化操作;
第九层为卷积层conv6,conv6中有512个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第十层为卷积层conv7,conv7中有512个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第十一层为池化层subsampling4层,在池化的过程中使用最大池化操作;
第十二层为全连接层Fc,以提高神经网络的训练和预测速度;
第十三层为分类层Softmax,将全连接层Fc输出的特征向量输入分类层,得到识别物体的分类标签,计算出每种分类标签的概率,并将最大概率的标签输出。
本实施例中,对识别的异物进行追踪及轨迹预测和定位,包括:
对识别的异物行驶速度和轨迹进行追踪,得到追踪结果;
基于追踪结果,通过风力、速度公式对异物行动轨迹进行计算,得到异物的第一位置预测信息。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连;可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”,可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”,可以是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”,可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度低于第二特征。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。
Claims (10)
1.一种基于输电系统的侵入目标实时检测系统,其特征在于,该系统包括双目拍摄定位单元、防雷电流检测单元、总线异常侵入单元、处理单元、数据库、GPS定位单元,所述双目拍摄定位单元、所述防雷电流检测单元、所述总线异常侵入单元均通信连接有处理单元,所述处理单元通信连接有数据库,所述数据库通信连接有GPS定位单元;
所述双目拍摄定位单元,用于获取双目图像采集设备采集的双目图像,基于所述双目图像进行异物识别,对识别的异物进行追踪及轨迹预测和定位;
所述防雷电流检测单元,用于对电流传输情况进行实时监测,并在雷电造成电流异常的情况下,检测得到电流检测信号发送至所述处理单元;
所述总线异常侵入检测单元,用于对总线系统使用情况进行实时检测,对识别的侵入信号进行侵入强度检测,得到侵入信息强度;
所述处理单元,用于将所述双目拍摄定位单元的预测轨迹、所述电流检测信号、所述侵入信息强度进行信号转换后发送至所述数据库;
所述数据库,用于接收所述处理单元发送的信号,与所述数据库中的预存的经验数据进行比对,得到比对结果,所述比对结果包括异物侵入、异常电流、有害侵入信号;
所述GPS定位单元,用于基于所述数据库的比对结果,对异物侵入、异常电流、有害侵入信号进行定位,得到定位信息。
2.如权利要求1所述的基于输电系统的侵入目标实时检测系统,其特征在于,所述双目拍摄定位单元包括异物识别模块、异物追踪模块和异物计算定位模块;
所述异物识别模块,用于基于所述双目图像进行异物识别;
所述异物追踪模块,用于对识别的异物行驶速度和轨迹进行追踪,得到追踪结果;
所述异物计算定位模块,用于基于所述追踪结果,通过风力、速度公式对异物行动轨迹进行计算,得到异物的第一位置预测信息。
3.如权利要求1所述的基于输电系统的侵入目标实时检测系统,其特征在于,所述防雷电流检测单元包括电流数据传输模块和电流数据检测模块;
所述电流数据传输模块,用于对电流传输情况进行实时监测,得到电流监测信号,将所述电路监测信号发送至所述电流数据检测模块;
所述电流数据检测模块,用于在雷电造成电流异常的情况下,基于所述电流监测信号检测得到电流检测信号发送至处理单元。
4.如权利要求1所述的基于输电系统的侵入目标实时检测系统,其特征在于,所述总线异常侵入检测单元包括系统侵入信号识别模块和系统侵入数据检测模块;
所述系统侵入信号识别模块,用于对总线系统使用情况进行实时检测,识别得到侵入信号;
所述系统侵入数据检测模块,对识别的侵入信号进行侵入强度检测,得到侵入信息强度。
5.如权利要求2所述的基于输电系统的侵入目标实时检测系统,其特征在于,所述数据库包括对比储存模块和判断模块
所述对比储存模块,用于将所述第一位置预测信息与预先存储的经验数据进行对比,得到位置对比结果;
所述判断模块,用于基于所述位置对比结果,并对异物撞击电缆时间进行预测判断,得到异物侵入的碰撞预测时间。
6.如权利要求1所述的基于输电系统的侵入目标实时检测系统,其特征在于,该系统还包括显示终端,所述显示终端包括页面警示模块和声音报警模块;
所述页面警示模块,用于基于所述处理单元的比对结果和所述GPS定位单元得到的定位信息对异物侵入、异常电流和异常侵入信号在终端进行显示并进行警示;
所述声音报警模块,用于输出声音报警信号。
7.一种基于输电系统的侵入目标实时检测方法,其特征在于,该方法包括:
获取双目图像采集设备采集的双目图像,基于所述双目图像进行异物识别,对识别的异物进行追踪及轨迹预测和定位;
对电流传输情况进行实时监测,并在雷电造成电流异常的情况下,检测得到电流检测信号;
对总线系统使用情况进行实时检测,对识别的侵入信号进行侵入强度检测,得到侵入信息强度;
将所述双目拍摄定位单元的预测轨迹、所述电流检测信号、所述侵入信息强度进行信号转换后发送至数据库;
数据库接收所述处理单元发送的信号,与所述数据库中的预存的经验数据进行比对,得到比对结果,所述比对结果包括异物侵入、异常电流、有害侵入信号;
基于所述数据库的比对结果,对异物侵入、异常电流、有害侵入信号进行定位,得到定位信息。
8.如权利要求7所述的基于输电系统的侵入目标实时检测方法,其特征在于,基于所述双目图像进行异物识别,包括:
从所述双目图像的深度图像中分割出物体的深度图像;
根据物体的深度图像的分割范围,从所述双目图像的彩色图像中分割出物体的彩色图像;
将分割出的彩色图像输入到预先建立的物体识别模型进行识别,输出识别结果;所述物体识别模型为以物体的彩色图像作为样本,以物体名称作为样本标签,对卷积神经网络进行训练后得到的网络模型。
9.如权利要求8所述的基于输电系统的侵入目标实时检测方法,其特征在于,所述物体识别模型包括:
第一层为卷积层conv1,conv1中有64个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第二层为卷积层conv2,conv2中有16个6*6的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第三层为池化层subsampling1层,在池化的过程中使用最大池化操作;
第四层为卷积层conv3,conv3中有64个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第五层为卷积层conv4,conv4中有128个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第六层为池化层subsampling2层,在池化的过程中使用最大池化操作;
第七层为卷积层conv5,conv5中有256个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第八层为池化层subsampling3层,在池化的过程中使用最大池化操作;
第九层为卷积层conv6,conv6中有512个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第十层为卷积层conv7,conv7中有512个3*3的滤波器进行步长为1像素的卷积操作,在卷积结束后通过一个非线性激活层ReLU函数作为激活函数;
第十一层为池化层subsampling4层,在池化的过程中使用最大池化操作;
第十二层为全连接层Fc,以提高神经网络的训练和预测速度;
第十三层为分类层Softmax,将全连接层Fc输出的特征向量输入分类层,得到识别物体的分类标签,计算出每种分类标签的概率,并将最大概率的标签输出。
10.如权利要求7所述的基于输电系统的侵入目标实时检测方法,其特征在于,对识别的异物进行追踪及轨迹预测和定位,包括:
对识别的异物行驶速度和轨迹进行追踪,得到追踪结果;
基于所述追踪结果,通过风力、速度公式对异物行动轨迹进行计算,得到异物的第一位置预测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687719.7A CN113532513B (zh) | 2021-06-21 | 2021-06-21 | 一种基于输电系统的侵入目标实时检测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687719.7A CN113532513B (zh) | 2021-06-21 | 2021-06-21 | 一种基于输电系统的侵入目标实时检测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113532513A true CN113532513A (zh) | 2021-10-22 |
CN113532513B CN113532513B (zh) | 2024-03-29 |
Family
ID=78125395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687719.7A Active CN113532513B (zh) | 2021-06-21 | 2021-06-21 | 一种基于输电系统的侵入目标实时检测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113532513B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
CN109285309A (zh) * | 2018-09-30 | 2019-01-29 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于输电系统的侵入目标实时检测系统 |
CN209282929U (zh) * | 2018-10-18 | 2019-08-20 | 杭州思源信息技术股份有限公司 | 一种电力箱智能监控防护管理系统 |
WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-06-21 CN CN202110687719.7A patent/CN113532513B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
CN109285309A (zh) * | 2018-09-30 | 2019-01-29 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于输电系统的侵入目标实时检测系统 |
CN209282929U (zh) * | 2018-10-18 | 2019-08-20 | 杭州思源信息技术股份有限公司 | 一种电力箱智能监控防护管理系统 |
Non-Patent Citations (1)
Title |
---|
于晓英;苏宏升;姜泽;董昱;: "基于YOLO的铁路侵限异物检测方法", 兰州交通大学学报, no. 02, 15 April 2020 (2020-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN113532513B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031477B (zh) | 基于图像监控数据的桥梁关键构件病害预警系统及方法 | |
CN101957325B (zh) | 基于变电站巡检机器人变电站设备外观异常识别方法 | |
CN110850723B (zh) | 一种基于变电站巡检机器人系统的故障诊断及定位方法 | |
CN111754483A (zh) | 一种基于热像仪进行异常设备识别的方法及系统 | |
CN102842211B (zh) | 一种基于图像识别的输电线路防外力监控预警系统及方法 | |
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN109176513A (zh) | 一种智能巡检机器人的巡检方法及巡检系统 | |
CN115184726B (zh) | 一种智能电网故障实时监测定位系统及方法 | |
CN110944150A (zh) | 一种电力专用的防外破智能识别方法 | |
CN112904328A (zh) | 一种海上风电场的雷达光电跟踪预警系统及预警方法 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN114184232A (zh) | 一种输电线路多参量集成监测系统 | |
CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
CN109345787A (zh) | 一种基于智能图像识别技术的输电线路防外损监控报警系统 | |
CN107784801A (zh) | 一种航标遥测遥控报警系统及其实现方法 | |
CN113532513A (zh) | 一种基于输电系统的侵入目标实时检测系统和方法 | |
CN117213621A (zh) | 一种接触网振动定点监测系统及监测方法 | |
CN117452220A (zh) | 储能电池热失控快速响应系统及方法 | |
CN108198164A (zh) | 一种电缆隧道电缆完整性的检测装置及方法 | |
CN116738319A (zh) | 高速公路车辆爆胎预警装置及方法 | |
CN113516091B (zh) | 一种识别变电站电火花图像的方法 | |
CN114882682B (zh) | 一种高压线缆状态监测平台及监测方法 | |
CN116224123A (zh) | 电池异常检测系统、检测方法、存储介质及换电站 | |
CN115435834A (zh) | 一种道路基础设施终端监测系统及方法 |
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 |