CN113609921A - 一种预警方法和系统 - Google Patents
一种预警方法和系统 Download PDFInfo
- Publication number
- CN113609921A CN113609921A CN202110790245.9A CN202110790245A CN113609921A CN 113609921 A CN113609921 A CN 113609921A CN 202110790245 A CN202110790245 A CN 202110790245A CN 113609921 A CN113609921 A CN 113609921A
- Authority
- CN
- China
- Prior art keywords
- image
- early warning
- hidden danger
- target hidden
- power transmission
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 claims 2
- 230000006378 damage Effects 0.000 claims 2
- 208000014674 injury Diseases 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种预警方法和系统,该方法包括:获取输电线路的图像,从所述图像中识别出目标隐患;根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息;根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警。本申请实施例通过对目标隐患到输电线路进行精确测距,实现目标隐患与输电线路之间的安全距离的智能计算和分级预警。
Description
技术领域
本申请属于电力工程技术领域,具体涉及一种预警方法和系统。
背景技术
电力行业的发展和整个社会息息相关,确保电力设施的安全稳定运行是一切工作的核心。然而,在雾霾等恶劣天气下拍摄的室外场景图像通常受到可见度不高和对比度较差的影响,图像清晰度较低,严重影响了计算机视觉识别系统、智能目标检测发挥效用,对输电线路的智能巡视及测距提供了一些挑战。研究极端天气状况下图像的预处理技术,是实现能见度较低的天气条件下精准测距的一项重点。
目前,常见的测距技术包括单目测距和双目测距。单目视觉测距结构相对简单,计算量相对较小,传统的单目测距算法可大致分为3类:基于成像模型的方法、基于数学回归建模的方法和基于几何关系推导的方法。基于成像模型的方法需要已知行人的实际高度和宽度,并不适合实际运用。基于数学回归建模的方法需要大量的前期数据采集、分析和数学建模等工作,当更换数据集时,其泛化能力差。基于几何关系推导的方法需要已知精确的相机内外参数。双目测距的精度相对较高,最初采用SURF算法对左右图像进行特征提取,对得到的特征点进行距离上的约束,选择适当的特征点,最后利用得到的特征点的坐标和双目视觉测距原理得出相应的距离信息,但现实中很多情况下左右相机不能达到完全平行的时候,进而给测距带来很大的误差这一问题。
发明内容
本申请实施例的目的是提供一种预警方法和系统,能够解决现有技术中由于无法精准测距而导致无法对隐患及时预警的缺陷。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了一种预警方法,包括:
获取输电线路的图像,从所述图像中识别出目标隐患;
根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息;
根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警。
进一步地,所述根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息,包括:
通过霍夫变换,将所述图像中使用直角坐标表示的直线变换为极坐标空间中的点;
利用图像全局特性,将图像边缘像素进行连接,以组成所述图像的封闭边界;
在空间坐标系中,根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息。
进一步地,所述根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警,包括:
将所述图像进行缩放、裁剪和归一化预处理;
对所述图像进行特征提取,得到特征图;
将所述特征图和所述测距信息作为长短期记忆LSTM网络的输入,建立预警等级自动生成模型;
对所述预警等级自动生成模型进行评价及优化,得到预警等级,并基于所述预警等级,对所述目标隐患进行预警。
进一步地,所述获取输电线路的图像之后,还包括:
对所述图像进行分析;
若为大雾场景,则对所述图像进行去雾处理;若所述图像过暗,则对所述图像进行增亮处理;
对所述图像执行增强和降噪操作。
进一步地,所述目标隐患为外破隐患。
第二方面,本申请实施例提供了一种预警系统,包括:
获取模块,用于获取输电线路的图像,从所述图像中识别出目标隐患;
测距模块,用于根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息;
预警模块,用于根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警。
进一步地,所述测距模块,具体用于通过霍夫变换,将所述图像中使用直角坐标表示的直线变换为极坐标空间中的点;利用图像全局特性,将图像边缘像素进行连接,以组成所述图像的封闭边界;在空间坐标系中,根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息。
进一步地,所述预警模块,用于将所述图像进行缩放、裁剪和归一化预处理;对所述图像进行特征提取,得到特征图;将所述特征图和所述测距信息作为长短期记忆LSTM网络的输入,建立预警等级自动生成模型;对所述预警等级自动生成模型进行评价及优化,得到预警等级,并基于所述预警等级,对所述目标隐患进行预警。
进一步地,所述的系统,还包括:
处理模块,用于对所述图像进行分析;若为大雾场景,则对所述图像进行去雾处理;若所述图像过暗,则对所述图像进行增亮处理;对所述图像执行增强和降噪操作。
进一步地,所述目标隐患为外破隐患。
本申请实施例通过对目标隐患到输电线路进行精确测距,实现目标隐患与输电线路之间的安全距离的智能计算和分级预警。
附图说明
图1是本申请实施例提供的一种预警方法的流程示意图;
图2是本申请实施例提供的空间坐标系的示意图;
图3是本申请实施例提供的隐患与输电线路的相对位置的示意图;
图4是本申请实施例提供的一种预警系统的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的预警方法进行详细地说明。
参照图1,示出了本申请实施例提供的一种预警方法的流程示意图,该方法包括以下步骤:
步骤101,获取输电线路的图像,从所述图像中识别出目标隐患。
其中,目标隐患为外破隐患。
步骤102,根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息;
具体地,可以通过霍夫变换,将所述图像中使用直角坐标表示的直线变换为极坐标空间中的点;利用图像全局特性,将图像边缘像素进行连接,以组成所述图像的封闭边界;在空间坐标系中,根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息。
步骤103,根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警。
具体地,可以将所述图像进行缩放、裁剪和归一化预处理;对所述图像进行特征提取,得到特征图;将所述特征图和所述测距信息作为长短期记忆LSTM网络的输入,建立预警等级自动生成模型;对所述预警等级自动生成模型进行评价及优化,得到预警等级,并基于所述预警等级,对所述目标隐患进行预警。
此外,在获取输电线路的图像之后,还可以对所述图像进行分析;若为大雾场景,则对所述图像进行去雾处理;若所述图像过暗,则对所述图像进行增亮处理;对所述图像执行增强和降噪操作。
本申请实施例通过对目标隐患到输电线路进行精确测距,实现目标隐患与输电线路之间的安全距离的智能计算和分级预警。
进一步地,在本申请实施例中,将采集的图像数据传输至智能分析模块,经数据处理后进行隐患识别、精确测距与预警等级的自动生成;客户端通过计算机访问智能终端交互平台,实现实时监控及运营维护。其中,输电线路精准测距及智能预警,包括以下步骤:S1、极端天气状况下图像的预处理技术;S2、通过Hough变换对导线进行检测,将图像空间中使用直角坐标表示的直线变换为极坐标空间中的点;S3、根据Hough的原理,用Hough变换提取直线;S4、针对Hough变换的直线可能会产生不连续现象的问题,通过Hough变换边缘连接,利用图像全局特性将图像边缘像素进行连接以组成图像的封闭边界;S5、根据单点透视原理,建立空间坐标系,根据隐患相对与输电线的相对位置对隐患进行测距;S6、对双目相机进行参数标定,对图像进行处理,减少误匹配点,提高双目视觉的距离测量精度;S7、根据测距信息自动生成隐患预警等级。
其中,上述S1的过程具体包括:S11、由预处理模块对采集到的图片进行分析,若为大雾场景或图像过暗则对当前图像进行去雾或者增亮处理;S12、统一进行图像增强、降噪等常规预处理操作;S13、对处理完的图片进行输电线外破隐患识别,并结合先验知识、参数表等对检测结果进行过滤和除错等后处理;S14、筛选出需要测距的特定隐患目标进行外破隐患到输电线路的智能精确测距;
其中,上述S2的过程具体包括:
S21、为了避免垂直线的斜率无限大的这个问题,采用极坐标,以此作为变换空间,极坐标方程如下:
ρ=x cosθ+y sinθ
S22、图像坐标原点到直线的距离使用表示,该直线的法线与x轴的交角使用表示。对于空间的任意一点,采用极坐标作为变换空间,变换方程为:
ρ=xi cosθ+yi sinθ
其中,上述S3的过程具体包括:S31、建立数组A,其元素可以写为A(ρ,θ),初始值设为0;S32、对于二值图像上的每个目标点,让θ依变换根据公式ρ=x cosθ+y sinθ计算,并对A累加:A(ρ,θ)=A(ρ,θ)+1;S33、累加结束后,根据A(ρ,θ)的值就可以知道有多少点是共线的,即A(ρ,θ)的值就是在(ρ,θ)处共线点的个数,同时(ρ,θ)值也给出了直线方程共线点的参数,由此可得到点所在的线。
其中,上述S4的过程具体包括:S41、将原始图像转换为灰度图像;S42、使用edge函数将灰度图像转化为二值图像;S43、计算二值图像的Hough变换;S44、如果这这些像素属于N个具有最高计数的累加器单元或者没有长于N个像素的间隙认为是相邻的像素集合。
其中,上述S5的过程具体包括:S51、根据单点透视原理,建立空间坐标系,如图2所示。其中,点O为horizon中心点,S及S’代表距离摄像位置远近不同、实际尺寸相同的两个隐患,Cuboid长方体用以表明远近尺寸规律。依据成像原理,Cuboid远近两端的真实距离与像素距离换算比并不相同,即a与a’的像素长度不相等。S52、根据隐患相对与输电线的相对位置,按照图3所示的方案,对图中的隐患进行测距。对于左侧的隐患A,其测距步骤为:1)以A的右下角点Abr水平向右作射线与Pw1和Pw2相交得到点Gp1和Gp2;2)以点Gp1垂直向上作射线与导线w1相交得到点Gw1;3)根据已有的先验知识计算其比例换算关系,进而求得隐患与导线的实际距离。右侧隐患与此情况类似,仅需做左右对换。S53、根据计算的外破隐患到导线的距离,对外破隐患进行风险等级预测及预警。
其中,上述S6的过程具体包括:S61、为了有效地获得左右相机的内外参数信息,在MATLAB中利用stereo Camera Calibrator工具对双目相机进行参数标定,选择标定棋盘格的尺寸为边长24mm,8*6个角点获得相机的基线d。
S62、标定相机后需要对图像进行去噪处理,增强图像的质量,增加角点提取数量,提高测距系统的测量精度。
S63、为了减少误匹配点,提高双目视觉的距离测量精度,首先通过工程经验筛选匹配点对(点对距离大于最小距离的2倍,即为错误匹配,且最小限值为30)的基础上,分别记录20、25、30、35、40汉明距离时的匹配效果及筛选后的特征点数,然后结合特征点的数量,选取最佳的汉明距离,并以该距离为后续特征点对初次筛选的距离阈值,最后对阈值筛选后的匹配点进行RANSAC模型估计,过滤掉错误匹配。
S64、计算出图片中每个点的深度信息后根据Hough直线检测出来的导线和隐患识别方法定位到隐患的位置,根据隐患和导线的位置通过三维信息计算距离。
其中,上述S7的过程具体包括:S71、将图像进行缩放、裁剪、归一化等预处理;S72、利用Inception-v4网络对图像进行特征提取,得到特征图;S73、将特征图作为输入,结合对应的精准测距,一起作为输入传入LSTM网络,供其学习,建立预警等级自动生成模型;S74、对模型进行评价及优化,得到预警等级。
本申请实施例通过有效的图像处理及特征提取,并进行了信息的模型转换,大大提升了测距的精准度。本文利用Hough变换提取导线,通过霍夫变换将图像空间中使用直角坐标表示的直线变换为极坐标空间中的点,将单目测距的相关模型转换为三维信息模型,进而实现距离的测算。同时,本文通过适当的匹配点筛选技术,避免了左右相机不能达到完全平行的时给测距带来很大误差这一问题,能够根据隐患和导线的位置,通过三维信息及时、准确地预测出各类隐患到输电线路的距离,获取相应的风险等级。
参照图4,示出了本申请实施例提供的一种预警系统的结构示意图,该系统包括:
获取模块410,用于获取输电线路的图像,从所述图像中识别出目标隐患;
其中,目标隐患可以为外破隐患。
测距模块420,用于根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息;
具体地,上述测距模块420,具体用于通过霍夫变换,将所述图像中使用直角坐标表示的直线变换为极坐标空间中的点;利用图像全局特性,将图像边缘像素进行连接,以组成所述图像的封闭边界;在空间坐标系中,根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息。
预警模块430,用于根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警。
具体地,上述预警模块430,用于将所述图像进行缩放、裁剪和归一化预处理;对所述图像进行特征提取,得到特征图;将所述特征图和所述测距信息作为长短期记忆LSTM网络的输入,建立预警等级自动生成模型;对所述预警等级自动生成模型进行评价及优化,得到预警等级,并基于所述预警等级,对所述目标隐患进行预警。
此外,上述系统,还包括:
处理模块,用于对所述图像进行分析;若为大雾场景,则对所述图像进行去雾处理;若所述图像过暗,则对所述图像进行增亮处理;对所述图像执行增强和降噪操作。
本申请实施例提供的预警系统能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
本申请实施例通过对目标隐患到输电线路进行精确测距,实现目标隐患与输电线路之间的安全距离的智能计算和分级预警。
本申请实施例中的虚拟装置可以是装置,也可以是终端中的部件、集成电路、或芯片。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种预警方法,其特征在于,包括:
获取输电线路的图像,从所述图像中识别出目标隐患;
根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息;
根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息,包括:
通过霍夫变换,将所述图像中使用直角坐标表示的直线变换为极坐标空间中的点;
利用图像全局特性,将图像边缘像素进行连接,以组成所述图像的封闭边界;
在空间坐标系中,根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警,包括:
将所述图像进行缩放、裁剪和归一化预处理;
对所述图像进行特征提取,得到特征图;
将所述特征图和所述测距信息作为长短期记忆LSTM网络的输入,建立预警等级自动生成模型;
对所述预警等级自动生成模型进行评价及优化,得到预警等级,并基于所述预警等级,对所述目标隐患进行预警。
4.根据权利要求1所述的方法,其特征在于,所述获取输电线路的图像之后,还包括:
对所述图像进行分析;
若为大雾场景,则对所述图像进行去雾处理;若所述图像过暗,则对所述图像进行增亮处理;
对所述图像执行增强和降噪操作。
5.根据权利要求1所述的方法,其特征在于,所述目标隐患为外破隐患。
6.一种预警系统,其特征在于,包括:
获取模块,用于获取输电线路的图像,从所述图像中识别出目标隐患;
测距模块,用于根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息;
预警模块,用于根据所述测距信息生成所述目标隐患的预警等级,并基于所述预警等级,对所述目标隐患进行预警。
7.根据权利要求6所述的系统,其特征在于,
所述测距模块,具体用于通过霍夫变换,将所述图像中使用直角坐标表示的直线变换为极坐标空间中的点;利用图像全局特性,将图像边缘像素进行连接,以组成所述图像的封闭边界;在空间坐标系中,根据所述目标隐患相对于所述输电线路的相对位置,对所述目标隐患进行测距,得到测距信息。
8.根据权利要求6所述的系统,其特征在于,
所述预警模块,用于将所述图像进行缩放、裁剪和归一化预处理;对所述图像进行特征提取,得到特征图;将所述特征图和所述测距信息作为长短期记忆LSTM网络的输入,建立预警等级自动生成模型;对所述预警等级自动生成模型进行评价及优化,得到预警等级,并基于所述预警等级,对所述目标隐患进行预警。
9.根据权利要求6所述的系统,其特征在于,还包括:
处理模块,用于对所述图像进行分析;若为大雾场景,则对所述图像进行去雾处理;若所述图像过暗,则对所述图像进行增亮处理;对所述图像执行增强和降噪操作。
10.根据权利要求6所述的系统,其特征在于,所述目标隐患为外破隐患。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790245.9A CN113609921A (zh) | 2021-07-13 | 2021-07-13 | 一种预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790245.9A CN113609921A (zh) | 2021-07-13 | 2021-07-13 | 一种预警方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609921A true CN113609921A (zh) | 2021-11-05 |
Family
ID=78304525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790245.9A Pending CN113609921A (zh) | 2021-07-13 | 2021-07-13 | 一种预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609921A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114942009A (zh) * | 2022-06-20 | 2022-08-26 | 山东信通电子股份有限公司 | 一种基于输电线路的隐患预警方法、装置、设备及介质 |
-
2021
- 2021-07-13 CN CN202110790245.9A patent/CN113609921A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114942009A (zh) * | 2022-06-20 | 2022-08-26 | 山东信通电子股份有限公司 | 一种基于输电线路的隐患预警方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10430951B2 (en) | Method and device for straight line detection and image processing | |
DE102018108027B4 (de) | Objekterfassungsvorrichtung | |
EP3588004B1 (en) | Stereoscopic camera and height acquisition method therefor and height acquisition system | |
CN112102409B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
CN108682039B (zh) | 一种双目立体视觉测量方法 | |
CN104574393A (zh) | 一种三维路面裂缝图像生成系统和方法 | |
CN107796373B (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
CN110276831B (zh) | 三维模型的建构方法和装置、设备、计算机可读存储介质 | |
CN115100423B (zh) | 一种基于视图采集数据实现实时定位系统及方法 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN111476762A (zh) | 一种巡检设备的障碍物检测方法、装置和巡检设备 | |
CN115240087A (zh) | 基于双目立体视觉及激光点云的树障定位分析方法及系统 | |
CN117037103A (zh) | 一种道路检测方法和装置 | |
CN113609921A (zh) | 一种预警方法和系统 | |
CN110992463A (zh) | 一种基于三目视觉的输电导线弧垂的三维重建方法及系统 | |
CN114066795A (zh) | Df-sas高低频声呐图像精细配准融合方法 | |
CN110543824A (zh) | 基于双目视觉的施工安全判断方法 | |
CN111435075A (zh) | 一种计算机视觉测量系统 | |
Miljanovic et al. | Detection of windows in facades using image processing algorithms | |
CN112116561A (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
Choe et al. | Vision-based estimation of bolt-hole location using circular hough transform | |
CN116823819B (zh) | 一种焊缝表面缺陷检测方法、系统、电子设备及存储介质 | |
CN117557616B (zh) | 一种单目相机俯仰角确定和深度估计方法、装置及设备 | |
CN117830589B (zh) | 一种配电变压器规定轮廓线长度测量系统及方法 |
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 |