发明内容
有鉴于此,本发明提供一种故障定位方法、装置及电子设备,以解决亟需根据包括故障点的图片中的故障点,精确地定位出实际设备的故障点的地理坐标的问题。
为解决上述技术问题,本发明采用了如下技术方案:
一种故障定位方法,包括:
获取采集的待测设备预设范围内的多个图片样本,并基于所述多个图片样本确定所述待测设备预设范围内的实际高程信息;
获取所述待测设备对应的包括故障点的图片,并确定出所述图片对应的相机参数信息;
基于所述实际高程信息以及相机参数信息,确定出所述故障点对应的所述待测设备的定位坐标;
从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标。
可选地,基于所述多个图片样本确定所述待测设备预设范围内的实际高程信息,包括:
提取出所述图片样本中的相机参数信息样本;
对所述图片样本中的相机参数信息样本进行修正,得到所述图片样本对应的参考相机参数信息;
对所述图片样本对应的参考相机参数信息进行全局密集匹配,得到密集三维点云;
对所述密集三维点云进行反距离权插值计算,得到所述待测设备预设范围内的实际高程信息。
可选地,确定出所述图片对应的相机参数信息,包括:
将所述图片与所述多个图片样本进行图片匹配,确定出所述图片对应的图片样本,并作为目标图片样本;
获取所述目标图片样本对应的参考相机参数信息,并作为所述图片对应的相机参数信息。
可选地,基于所述实际高程信息以及相机参数信息,确定出所述故障点对应的所述待测设备的定位坐标,包括:
获取共线方程,所述共线方程包括所述相机参数信息与所述故障点对应的所述待测设备的定位坐标的关联关系;
确定迭代参数;所述迭代参数包括最大高程、最小高程以及高程步长;
基于所述迭代参数以及所述共线方程,进行迭代计算,得到所述故障点对应的所述待测设备的定位坐标。
可选地,获取共线方程,包括:
获取基础共线方程;所述基础共线方程包括:所述包括故障点的图片中的故障点的图像坐标、所述相机参数信息、所述故障点对应的所述待测设备的定位坐标以及指定系数之间的关联关系;
根据所述相机参数信息中的相机姿态信息,计算所述指定系数的数值;
将所述指定系数的数值带入所述基础共线方程,得到共线方程。
可选地,确定迭代参数,包括:
确定所述实际高程信息中所述相机参数信息对应的位置点;
筛选出所述实际高程信息中,以所述位置点为基准点的指定范围内的最大高程和最小高程;
获取预先设定的高程步长。
可选地,基于所述迭代参数以及所述共线方程,进行迭代计算,得到所述故障点对应的所述待测设备的定位坐标,包括:
将参考高程设置为所述最小高程;
根据所述共线方程,计算得到所述参考高程对应的所述定位坐标的横纵坐标点,并确定所述横纵坐标点在所述实际高程信息中对应的目标高程;
判断所述目标高程与所述参考高程的高程差是否小于预设高程差;
若小于,则将所述预设高程差更新为所述高程差,并将所述目标高程以及所述横纵坐标点对应的待测设备位置作为定位坐标;
将所述参考高程与所述高程步长之和作为新的参考高程,并返回执行根据所述共线方程,计算得到所述参考高程对应的所述定位坐标的横纵坐标点这一步骤,直至参考高程大于所述最大高程时停止。
可选地,确定所述横纵坐标点在所述实际高程信息中对应的目标高程,包括:
确定所述横纵坐标点是否位于所述实际高程信息中的网格点上;
若不是,则采用双线性插值方式,确定所述横纵坐标点在所述实际高程信息中对应的目标高程。
可选地,在判断出所述目标高程与所述参考高程的高程差不小于预设高程差的情况下,还包括:
将所述参考高程与所述高程步长之和作为新的参考高程,并返回执行根据所述共线方程,计算得到所述参考高程对应的所述定位坐标的横纵坐标点这一步骤,直至参考高程大于所述最大高程时停止。
可选地,从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标,包括:
从所述定位坐标中,筛选出目标高程与所述目标高程对应的参考高程的高程差最小或高程比最接近于指定数值的定位坐标。
一种故障定位装置,包括:
高程确定模块,用于获取采集的待测设备预设范围内的多个图片样本,并基于所述多个图片样本确定所述待测设备预设范围内的实际高程信息;
信息确定模块,用于获取所述待测设备对应的包括故障点的图片,并确定出所述图片对应的相机参数信息;
故障点确定模块,用于基于所述实际高程信息以及相机参数信息,确定出所述故障点对应的所述待测设备的定位坐标;
故障点筛选模块,用于从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标。
一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的故障定位方法。
一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于执行上述的故障定位方法。
相较于现有技术,本发明具有以下有益效果:
本发明提供了一种故障定位方法、装置及电子设备,获取采集的待测设备预设范围内的多个图片样本,并基于所述多个图片样本确定所述待测设备预设范围内的实际高程信息,获取所述待测设备对应的包括故障点的图片,并确定出所述图片对应的相机参数信息,基于所述实际高程信息以及相机参数信息,确定出所述故障点对应的所述待测设备的定位坐标,然后从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标。通过本发明,能够根据包括故障点的图片中的故障点,定位出设备的故障点的实际坐标。进一步,在确定实际故障点坐标时,还会从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标,提高实际故障点坐标的确定精度。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着无人机技术的发展,光伏电站的运维逐渐由过去的人工巡检转变为通过无人机搭载可见光、红外摄像头采集照片的方式来实现设备,如光伏组件故障的智能检测,这种方式极大的提高了光伏电站运维的效率,节省大量人力资源。
光伏组件的故障检测完成后,需要对光伏组件故障进行精确定位,将定位后的结果标记到全局电子地图上,指导运维人员进行运维。
目前,可以通过下述三种方法实现光伏组件故障的精确定位:
1.利用无人机巡检时同时拍摄的可见光照片和红外照片进行图像配准,确定可见光照片和红外照片的像素坐标转换关系,将在红外照片上检测到的故障的像素坐标转换为可见光照片的像素坐标,再进行可见光照片和电站的电子地图的配准,最终完成光伏组件故障在电站电子地图上的标定。
此方案的缺点是:由于可见光照片和红外照片的成像方式不同,可见光照片和红外照片分辨率、拍摄范围等差异大,组串之间纹理差异小,因此在很多无人机光伏巡检场景中很难进行可见光和红外图像的精确配准或者无法进行配准。
2.利用无人机拍摄照片时,无人机系统提供的相机摄影中心GPS坐标和相机的姿态参数(姿态参数主要为偏航角、俯仰角、翻滚角)以及飞行高度数据,根据红外照片上检测到的故障的像素坐标计算到红外照片的中心像素坐标的距离,实现故障点的定位。此类方案存在的问题是无人机系统提供的姿态参数并不精确,红外照片的中心像素坐标存在偏移、在高程差异大的地方无人机飞行的高度数据无法保持恒定,这些会导致故障点位置解算存在较大的偏移。
3.利用SFM(运动恢复结构)重建无人机拍摄时的所有照片的相机GPS(GlobalPositioning System,全球定位系统)坐标和相机姿态,并根据SFM生成的稀疏点云数据建立三维坐标和二维像素点的对应关系,最后插值出故障点的像素坐标对应的三维坐标。此类方案最大的问题是当故障点的像素坐标周围一定范围内没有足够的稀疏点云或没有稀疏点云时,插值的就会不稳定,误差就会不可控,且在光伏场景中这种情况很常见。此外,还要求点云数据是光伏组件的点云数据,但是实际中,点云数据可能是光伏组件周围的树木的点云数据,进而无法实现故障定位。
通过上述三个方法可以看出,目前无法精确地定位出设备的实际故障点坐标,因此,亟需一种能够精确地定位出故障点的方法。
为此,发明人经过研究发现,获取采集的待测设备预设范围内的多个图片样本,并基于所述多个图片样本确定所述待测设备预设范围内的实际高程信息,获取所述待测设备对应的包括故障点的图片,并确定出所述图片对应的相机参数信息,基于所述实际高程信息以及相机参数信息,确定出所述故障点对应的所述待测设备的定位坐标,然后从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标。通过本发明,能够根据包括故障点的图片中的故障点,定位出设备的故障点的实际坐标。进一步,在确定实际故障点坐标时,还会从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标,提高实际故障点坐标的确定精度。
在上述内容的基础上,本发明的一实施例提供了一种故障定位方法,参照图1,可以包括:
S11、获取采集的待测设备预设范围内的多个图片样本,并基于所述多个图片样本确定所述待测设备预设范围内的实际高程信息。
本实施例中,待测设备可以是光伏电站中的设备,如光伏组件等。具体的,以待测设备为光伏组件为例,在光伏巡检场景中,可以使用无人机搭载红外摄像头对光伏组件进行图像采集,得到无人机红外照片。在具体图像采集时,各个图片之间需要设置较高的航向和旁向重叠率,此外需要保证所有的图片拼接起来能够覆盖所有的光伏组件,也即需要采集多张光伏组件的照片,以覆盖所有的光伏组件。本实施例中,采集的图片称为图片样本。
除了可以采集红外图片之外,还可以使用无人机采集可见光图片。
然后,可以基于所述多个图片样本确定所述待测设备预设范围内的实际高程信息,如获取待测设备100米内的实际高程信息,实际高程信息可以是数字表面模型DSM信息,该DSM信息中存储有待测设备100米内的地面、数目、设备(如光伏组件)、建筑物等的实际高程信息。
S12、获取所述待测设备对应的包括故障点的图片,并确定出所述图片对应的相机参数信息。
本实施例中,可以使用无人机采集待测设备的图片,本实施例中可以称为无人机图片。无人机图片可以是上述的红外图片或可见光图片等。
然后从采集的图片中筛选出包括故障点的图片,然后确定出所述图片对应的相机参数信息,本实施例中的相机参数信息可以是相机GPS坐标、相机姿态信息、以及相机内参。
本实施例中,相机GPS坐标用(Xa,Ya,Za)表示,相机姿态信息用三个角度
来表达,表示以Y为主轴旋转
角,然后绕X轴旋转ω角,最后绕Z轴旋转k角。
相机内参用(f,cx,cy)表示,f表示的相机的焦距,cx和cy表示相机摄影中心的像素坐标。
上述图片检测到故障点的像素坐标为(u,v),该故障点的实际三维坐标用(X,Y,Z)表示。其中,X,Y,Z即为本实施例中所需求解的数据。
S13、基于所述实际高程信息以及相机参数信息,确定出所述故障点对应的所述待测设备的定位坐标。
本实施例中,可以根据所述实际高程信息以及相机参数信息,确定出多个定位坐标,本实施例中的定位坐标是该待测设备存在故障的可能位置,需要从这些位置中筛选出最终的故障点位置。
S14、从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标。
具体的,可以从所述定位坐标中,筛选出目标高程与参考高程最相近的定位坐标,具体可以是二者满足预设高程差规则或预设高程比规则,并作为所述故障点对应的所述待测设备的实际故障点坐标;所述参考高程基于所述相机参数信息确定且与所述目标高程相对应。
本实施例中,可以从所述定位坐标中,筛选出目标高程与所述目标高程对应的参考高程的高程差最小或者是高程比最接近1(即指定数值)的定位坐标。
其中,目标高程与所述目标高程对应的参考高程的高程差最小或者是高程比最接近1,则说明,确定出的目标高程更加贴近于参考高程,提高了实际故障点坐标的高程的确定精度,然后根据高程计算得到XY,即横纵坐标的数值,进而能够得到故障点的实际三维坐标,本实施例中,由于提高了确定的高程Z的精度,XY坐标基于高程Z计算得到,进而能够提高实际故障点坐标的实际位置的确定精度。
需要说明的是,可以通过高程差或者高程比筛选出目标高程与参考高程最相近的定位坐标,此外,还可以通过偏离度、相似度等方式确定出目标高程与参考高程最相近的定位坐标。
在上述内容的基础上,参照图2,获取待测设备预设范围内的实际高程信息,可以包括:
S21、提取出所述图片样本中的相机参数信息样本。
具体的,以待测设备为光伏组件,在光伏巡检场景中,可以使用无人机搭载红外摄像头对光伏组件进行图像采集,得到无人机红外照片为例。红外摄像头采集的图片上,会记载有相机参数信息样本,具体的,包括:相机GPS坐标、相机姿态信息、以及相机内参。
S22、对所述图片样本中的相机参数信息样本进行修正,得到所述图片样本对应的参考相机参数信息。
上述的图片样本中携带的相机参数信息样本会受到无人机飞行稳定性等影响,准确度较低,因此,需要对相机参数信息样本进行修正,具体的,采用SFM三维重建技术恢复每张照片精确的相机GPS坐标、相机姿态信息以及相机内参,本实施例中,修正后的相机参数信息样本称为参考相机参数信息。
S23、对所述图片样本对应的参考相机参数信息进行全局密集匹配,得到密集三维点云。
具体的,利用上述精确的相机GPS坐标、相机姿态信息以及相机内参进行全局密集匹配,得到的密集的三维点云,本实施例中称为密集三维点云。
S24、对所述密集三维点云进行反距离权插值计算,得到所述待测设备预设范围内的实际高程信息。
具体的,对密集三维点云依据光伏组件信息,采用反距离权插值的方法生成DSM(数字表面模型)。具体的,在采用反距离权插值方法时,需要考虑参与反距离权插值的空间范围、权重方式等。
本实施例中,得到的DSM模型即为实际高程信息。
本实施例中,在基于三维点云生成DSM模型时,进行了全局密集匹配,进而使得三维点云的密集程度更高,从而生成的DSM的准确性更高。
在上述确定出DSM模型的实施例的基础上,确定出所述图片对应的相机参数信息,可以包括:
S31、将所述图片与所述多个图片样本进行图片匹配,确定出所述图片对应的图片样本,并作为目标图片样本。
具体的,上述的多个图片样本是对光伏组件进行拍摄的所有图片,且确定出了参考相机参数信息,进而可以从多个图片样本中筛选出与本次拍摄的包括故障点的图片相匹配的图片样本,从而将图片样本的参考相机参数信息作为本次的图片的相机参数信息。
在进行图片与所述多个图片样本进行图片匹配时,可以采用图片名称匹配方法,或者是计算图片的相似度,将相似度最大的图片样本作为与图片匹配的图片样本。
需要说明的是,为了提高图片匹配的准确度,在采集图片和图片样本时,可以按照相同拍摄方式进行拍摄,如在同一高度拍摄等。
S32、获取所述目标图片样本对应的参考相机参数信息,并作为所述图片对应的相机参数信息。
本实施例中,由于预先确定了多个图片样本的参考相机参数信息,且参考相机参数信息是由相机参数信息样本修正得到,准确度较高。进而可以直接通过确定出与图片匹配的图片样本,从而将图片样本的参考相机参数信息作为本次的图片的相机参数信息,相比于直接从图片上提取图片的相机参数信息,再进行修正的方式,能够提高相机参数信息确定的效率。
本发明的另一实现方式中,给出了“基于所述实际高程信息以及相机参数信息,确定出所述故障点对应的所述待测设备的定位坐标”的具体实现过程,参照图4,可以包括:
S41、获取共线方程。
所述共线方程包括所述相机参数信息与所述故障点对应的所述待测设备的定位坐标的关联关系。
在实际应用中,共线方程也需要通过计算基础共线方程中的指定系数的数值,从而得到共线方程。
因此,获取共线方程可以包括:
1)获取基础共线方程。
所述基础共线方程包括:所述包括故障点的图片中的故障点的图像坐标、所述相机参数信息、所述故障点对应的所述待测设备的定位坐标以及指定系数之间的关联关系。
具体的,基础共线方程为:
其中,(u,v)为包括故障点的图片中的故障点的图像坐标,也称为像素坐标。
相机GPS坐标用(Xa,Ya,Za)表示,故障点的实际三维坐标用(X,Y,Z)表示。其中,X,Y,Z即为本实施例中所需求解的数据。
相机内参用(f,cx,cy)表示,f表示的相机的焦距,cx和cy表示相机摄影中心的像素坐标。
相机姿态信息用三个角度
来表达,表示以Y为主轴旋转
角,然后绕X轴旋转ω角,最后绕Z轴旋转k角。
a11,a12,a13,a21,a22,a23,a31,a32,a33为本实施例中的指定系数,可以利用相机姿态信息计算得到。
2)根据所述相机参数信息中的相机姿态信息,计算所述指定系数的数值。
a11,a12,a13,a21,a22,a23,a31,a32,a33的计算方式如下:
a11,a12,a13,a21,a22,a23,a31,a32,a33和相机姿态信息满足以下关系式:
通过本关系式,可以计算得到a11,a12,a13,a21,a22,a23,a31,a32,a33的数值。
3)将所述指定系数的数值带入所述基础共线方程,得到共线方程。
具体的,将上述的a11,a12,a13,a21,a22,a23,a31,a32,a33带入基础共线方程中,即可得到共线方程,该方程中,u,v,已知,则未知数仅有XYZ三个。
S42、确定迭代参数。
本实施例中,从共线方程可以看出需要求解的未知数为(X,Y,Z),即三个未知数,但是共线方程仅满足2个方程,无法直接求解出三个未知数。因此需要利用DSM数据,即实际高程信息提供Z值,进行辅助迭代求解。
本实施例中,所述迭代参数包括最大高程、最小高程以及高程步长。
具体的,迭代参数的确定过程如下:
1)确定所述实际高程信息中所述相机参数信息对应的位置点。
具体的,在确定出所述图片对应的相机参数信息之后,基于该信息可以在实际高程信息中确定出对应的一个位置,本实施例中称为位置点。
2)筛选出所述实际高程信息中,以所述位置点为基准点的指定范围内的最大高程和最小高程。
具体的,可以以该位置点为圆心,以10米为半径,筛选出一块区域,称为区域Z。然后,获取区域Z中的最大高程Zmax和最小高程Zmin。
3)获取预先设定的高程步长。
本实施例中,高程步长step可以人工设定,如0.1米。
S43、基于所述迭代参数以及所述共线方程,进行迭代计算,得到所述故障点对应的所述待测设备的定位坐标。
在实际应用中,参照图5,步骤S43可以包括:
S51、将参考高程设置为所述最小高程。
本实施例中,由于已经限定了上述的区域Z,需要从区域Z中选择出一个合适的高程作为待测设备的定位坐标的实际高程。所以本实施例中,待测设备的定位坐标的实际高程的范围在最小高程和最大高程之间,需要通过迭代方式确定出最合适的高程。
首先将定位坐标的高程设置为最小高程,然后不断调整高程的值,直至达到最大高程。整个过程进行迭代计算,从最大高程和最小高程中选择出合适的高程值,并作为待测设备的定位坐标的实际高程。
本实施例中,可以将参考高程设置为Zi,即本实施例中Zi=Zmin。
S52、根据所述共线方程,计算得到所述参考高程对应的所述定位坐标的横纵坐标点,并确定所述横纵坐标点在所述实际高程信息中对应的目标高程。
具体的,假设当前的迭代的高程为Zi值,此时,共线方程中仅有XY两个未知数,可以计算得到XY的值,分别为Xi,Yi。
根据当前的DSM数据,即上述的实际高程信息,利用Xi,Yi计算其在DSM数据中的格点位置,确定所述横纵坐标点是否位于所述实际高程信息中的网格点上,若是,则直接读取网格点的高程值,并作为目标高程Zt。
若不是,则采用双线性插值方式,确定所述横纵坐标点在所述实际高程信息中对应的目标高程,即通过双线性插值方式确定出Xi,Yi处对应的实际高程值,即目标高程Zt。
S53、判断所述目标高程与所述参考高程的高程差是否小于预设高程差;若是,则执行步骤S54;若否,则执行步骤S55。
本实施例中,计算高程差Zdiff=abs(Zi-Zt)。判断Zdiff是否小于预设高程差DIFFZ,本实施例中,DIFFZ初始可以为一个较大的数值,如999。
在所述目标高程与所述参考高程的高程差不小于预设高程差时,说明本次的高程差太大,即计算出的目标高程和选择的参考高程差距过大,不符合要求,则更新Zi=Zi+step,进行下一次迭代。
S54、将所述预设高程差更新为所述高程差,并将所述目标高程以及所述横纵坐标点对应的待测设备位置作为定位坐标。
若Zdiff小于预设高程差DIFFZ,则DIFFZ=Zdiff,记录当前的Xi,Yi,Zt值为X=Xi,Y=Yi,Z=Zt,并将(Xi,Yi,Zt)对应的待测设备的位置点,作为定位坐标。
S55、判断参考高程是否大于所述最大高程;若大于,则结束。若不大于,则执行步骤S56。
本实施例中,在参考高程大于最大高程Zmax时,则跳出循环,迭代停止。
S56、将所述参考高程与所述高程步长之和作为新的参考高程。
具体的,更新Zi=Zi+step,并返回执行步骤S52。若Zi>Zmax,则跳出循环。
本实施例中,不断更新Zi=Zi+step,然后确定此次的Zi是否有对应的定位坐标,在不断迭代使得若Zi>Zmax时,会得到多个定位坐标。
在得到多个定位坐标之后,需要从中选择出一个合适的定位坐标,本实施例中,从所述定位坐标中,筛选出目标高程与所述目标高程对应的参考高程的高程差最小或高程比最接近于1的定位坐标,然后把确定的定位坐标的坐标,即XYZ值输出,具体可以输出至显示界面,也可以输出至预设终端,如巡检人员的手机等终端。
对目前已经采集到的无人机光伏巡检数据做精度验证,其定位精度误差小于50cm,能够满足精确定位到组件的级别。(光伏组件长1.5m宽度为1m,已有的做无人机光伏巡检的故障定位的高度最高为误差小于1m)。
本实施例中,通过SFM过程重建出精确的相机GPS坐标、相机姿态信息和相机内参,通过密集匹配生成密集点云,从而得到DSM。在SFM结果的基础上,利用精确的相机GPS坐标、相机姿态信息、相机内参以及高分辨率的DSM数据,采用共线方程迭代求解的方式得到光伏组件故障点精确的三维坐标,提高了故障点定位的准确度。
可选地,在上述故障定位方法的实施例的基础上,本发明的另一实施例提供了一种故障定位装置,包括:
高程确定模块11,用于获取采集的待测设备预设范围内的多个图片样本,并基于所述多个图片样本确定所述待测设备预设范围内的实际高程信息;
信息确定模块12,用于获取所述待测设备对应的包括故障点的图片,并确定出所述图片对应的相机参数信息;
故障点确定模块13,用于基于所述实际高程信息以及相机参数信息,确定出所述故障点对应的所述待测设备的定位坐标;
故障点筛选模块14,用于从所述定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为所述故障点对应的所述待测设备的实际故障点坐标。
进一步,高程确定模块11包括:
样本处理子模块,用于提取出所述图片样本中的相机参数信息样本;
修正子模块,用于对所述图片样本中的相机参数信息样本进行修正,得到所述图片样本对应的参考相机参数信息;
密集匹配子模块,用于对所述图片样本对应的参考相机参数信息进行全局密集匹配,得到密集三维点云;
信息计算子模块,用于对所述密集三维点云进行反距离权插值计算,得到所述待测设备预设范围内的实际高程信息。
进一步,信息确定模块12具体用于:
将所述图片与所述多个图片样本进行图片匹配,确定出所述图片对应的图片样本,并作为目标图片样本,获取所述目标图片样本对应的参考相机参数信息,并作为所述图片对应的相机参数信息。
进一步,故障点确定模块13包括:
方程获取子模块,用于获取共线方程,所述共线方程包括所述相机参数信息与所述故障点对应的所述待测设备的定位坐标的关联关系;
参数确定子模块,用于确定迭代参数;所述迭代参数包括最大高程、最小高程以及高程步长;
故障点确定子模块,用于基于所述迭代参数以及所述共线方程,进行迭代计算,得到所述故障点对应的所述待测设备的定位坐标。
进一步,方程获取子模块包括:
方程获取单元,用于获取基础共线方程;所述基础共线方程包括:所述包括故障点的图片中的故障点的图像坐标、所述相机参数信息、所述故障点对应的所述待测设备的定位坐标以及指定系数之间的关联关系;
数值计算单元,用于根据所述相机参数信息中的相机姿态信息,计算所述指定系数的数值;
方程确定单元,用于将所述指定系数的数值带入所述基础共线方程,得到共线方程。
进一步,参数确定子模块包括:
位置点确定单元,用于确定所述实际高程信息中所述相机参数信息对应的位置点;
高程筛选单元,用于筛选出所述实际高程信息中,以所述位置点为基准点的指定范围内的最大高程和最小高程;
步长获取单元,用于获取预先设定的高程步长。
进一步,故障点确定子模块包括:
高程设置单元,用于将参考高程设置为所述最小高程;
高程确定单元,用于根据所述共线方程,计算得到所述参考高程对应的所述定位坐标的横纵坐标点,并确定所述横纵坐标点在所述实际高程信息中对应的目标高程;
第一判断单元,用于判断所述目标高程与所述参考高程的高程差是否小于预设高程差;
故障点确定单元,用于若小于,则将所述预设高程差更新为所述高程差,并将所述目标高程以及所述横纵坐标点对应的待测设备位置作为定位坐标;
第二判断单元,用于判断参考高程是否大于所述最大高程;
高程设置单元,还用于在参考高程不大于所述最大高程的情况下,将所述参考高程与所述高程步长之和作为新的参考高程。
进一步,高程确定单元用于确定所述横纵坐标点在所述实际高程信息中对应的目标高程时,具体用于:
确定所述横纵坐标点是否位于所述实际高程信息中的网格点上;若不是,则采用双线性插值方式,确定所述横纵坐标点在所述实际高程信息中对应的目标高程。
进一步,高程设置单元,还用于:
在判断出所述目标高程与所述参考高程的高程差不小于预设高程差、且在参考高程不大于所述最大高程的情况下,将所述参考高程与所述高程步长之和作为新的参考高程。
进一步,故障点筛选模块14具体用于:
从所述定位坐标中,筛选出目标高程与所述目标高程对应的参考高程的高程差最小或高程比最接近于指定数值的定位坐标。
本实施例中,基于采集的多个图片样本确定待测设备预设范围内的实际高程信息,获取待测设备对应的包括故障点的图片,并确定出图片对应的相机参数信息,基于实际高程信息以及相机参数信息,确定出故障点对应的待测设备的定位坐标,然后从定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为故障点对应的待测设备的实际故障点坐标。通过本发明,能够根据包括故障点的图片中的故障点,定位出设备的故障点的实际坐标。进一步,在确定实际故障点坐标时,还会从定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为故障点对应的待测设备的实际故障点坐标,提高实际故障点坐标的确定精度。
需要说明的是,本实施例中的各个模块、子模块和单元的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选地,在上述故障定位方法及装置的实施例的基础上,本发明的另一实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的故障定位方法。
可选地,在上述故障定位方法及装置的实施例的基础上,本发明的另一实施例提供了一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于执行上述的故障定位方法。
本实施例中,基于采集的多个图片样本确定待测设备预设范围内的实际高程信息,获取待测设备对应的包括故障点的图片,并确定出图片对应的相机参数信息,基于实际高程信息以及相机参数信息,确定出故障点对应的待测设备的定位坐标,然后从定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为故障点对应的待测设备的实际故障点坐标。通过本发明,能够根据包括故障点的图片中的故障点,定位出设备的故障点的实际坐标。进一步,在确定实际故障点坐标时,还会从定位坐标中,筛选出满足预设坐标规则的定位坐标,并作为故障点对应的待测设备的实际故障点坐标,提高实际故障点坐标的确定精度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。