CN113743235B - 基于边缘计算的电力巡检图像处理方法、装置和设备 - Google Patents
基于边缘计算的电力巡检图像处理方法、装置和设备 Download PDFInfo
- Publication number
- CN113743235B CN113743235B CN202110919246.9A CN202110919246A CN113743235B CN 113743235 B CN113743235 B CN 113743235B CN 202110919246 A CN202110919246 A CN 202110919246A CN 113743235 B CN113743235 B CN 113743235B
- Authority
- CN
- China
- Prior art keywords
- image
- power inspection
- inspection image
- fault
- power
- 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.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 351
- 238000004364 calculation method Methods 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title claims description 19
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005538 encapsulation Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 description 14
- 230000007547 defect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于边缘计算的电力巡检图像处理方法、装置和设备。所述方法包括:获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取所述目标电力对象对应的标准故障图像集合;若所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件,则对所述电力巡检图像进行分类处理,得到图像分类结果;所述图像分类结果为所述电力巡检图像是否为异常图像的结果;若确定所述电力巡检图像为所述异常图像,则发送所述电力巡检图像至后台服务器;所述后台服务器用于对所述电力巡检图像进行识别处理,获得针对所述目标电力对象的故障识别结果。采用本方法能够提高电力巡检效率。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种基于边缘计算的电力巡检图像处理方法、装置、计算机设备和存储介质。
背景技术
目前随着我国输电线路的建设,传统的人工检修模式面临着工作量太大、效率太低等问题,巡检无人机智能巡检技术具有智能化水平高、减少运维压力等优势,得到了一定程度的发展,逐步成为路线巡检的主流。
相关技术中的无人机巡检主要利用巡检无人机对输电线路进行图像采集,采集得到数据后,再传送到后台进行分析,诊断输电线路及其元件可能出现的缺陷或故障,这使得巡检无人机传送回系统后台的数据量过大传输耗时较长,不利于提高对输电线路的巡检效率。
因此,相关技术中存在对输电线路的巡检效率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对输电线路的巡检效率的一种基于边缘计算的电力巡检图像处理方法、装置、计算机设备和存储介质。
一种基于边缘计算的电力巡检图像处理方法,所述方法包括:
获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取所述目标电力对象对应的标准故障图像集合;
若所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件,则对所述电力巡检图像进行分类处理,得到图像分类结果;所述图像分类结果为所述电力巡检图像是否为异常图像的结果;
若确定所述电力巡检图像为所述异常图像,则发送所述电力巡检图像至后台服务器;所述后台服务器用于对所述电力巡检图像进行识别处理,获得针对所述目标电力对象的故障识别结果。
在其中一个实施例中,所述标准故障图像集合中的每帧参考图像均具有对应的故障特征,所述方法还包括:
获取所述电力巡检图像对应的故障特征;
若所述电力巡检图像对应的故障特征与所述参考图像对应的故障特征之间的差异小于预设的差异阈值,则判定所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件。
在其中一个实施例中,在所述获取所述电力巡检图像对应的故障特征的步骤之后,所述方法还包括:
若所述电力巡检图像对应的故障特征与所述参考图像对应的故障特征之间的差异小于预设的差异阈值,则确定所述电力巡检图像的相邻序列帧图像;
获取各所述相邻序列帧图像对应的故障特征;
若各所述相邻序列帧图像对应的故障特征与所述参考图像对应的故障特征之间的差异均小于所述差异阈值,则判定所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件。
在其中一个实施例中,所述获取所述电力巡检图像对应的故障特征,包括:
获取所述电力巡检图像对应的直方图;
对所述直方图的亮度分布进行归一化,得到直方图特征值;
将所述直方图特征值,作为所述电力巡检图像对应的故障特征。
在其中一个实施例中,若所述电力巡检图像为彩色图像,所述获取所述电力巡检图像对应的直方图,包括:
将所述电力巡检图像进行灰度处理,得到灰度化电力巡检图像;
生成所述灰度化电力巡检图像对应的直方图,作为所述电力巡检图像对应的直方图。
在其中一个实施例中,在所述对所述电力巡检图像进行分类处理,得到图像分类结果的步骤之后,所述方法还包括:
若确定所述电力巡检图像不为所述异常图像,则将所述电力巡检图像缓存至本地的目标缓存位置。
在其中一个实施例中,所述发送所述电力巡检图像至后台服务器,包括:
获取预设帧数量的所述电力巡检图像的相邻序列帧图像;
将所述电力巡检图像和所述相邻序列帧图像进行数据封装,得到异常图像数据包;
发送所述异常图像数据包至所述后台服务器。
一种基于边缘计算的电力巡检图像处理装置,所述装置包括:
获取模块,用于获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取所述目标电力对象对应的标准故障图像集合;
分类模块,用于若所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件,则对所述电力巡检图像进行分类处理,得到图像分类结果;所述图像分类结果为所述电力巡检图像是否为异常图像的结果;
发送模块,用于若确定所述电力巡检图像为所述异常图像,则发送所述电力巡检图像至后台服务器;所述后台服务器用于对所述电力巡检图像进行识别处理,获得针对所述目标电力对象的故障识别结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述基于边缘计算的电力巡检图像处理方法、装置、计算机设备和存储介质,通过获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取目标电力对象对应的标准故障图像集合;若标准故障图像集合中的其中一帧参考图像与电力巡检图像间的相似度满足预设条件,则对电力巡检图像进行分类处理,得到图像分类结果;图像分类结果为电力巡检图像是否为异常图像的结果;若确定电力巡检图像为异常图像,则发送电力巡检图像至后台服务器,以使后台服务器对电力巡检图像进行进一步地识别处理,以准确地获得针对目标电力对象的故障识别结果;如此,巡检无人机无需将拍摄到所有电力巡检图像全部传送至后台服务器,可以有效降低巡检无人机与后台服务器之间的数据交互量,减轻了网络带宽要求或人工数据拷贝工作量,同时,也可以使后台服务器可以更有针对性地对接收到的电力巡检图像进行识别,降低了后台服务器对电力巡检图像的数据处理量,有效地提高了电力巡检效率。
附图说明
图1为一个实施例中一种基于边缘计算的电力巡检图像处理方法的应用环境图;
图2为一个实施例中一种基于边缘计算的电力巡检图像处理方法的流程示意图;
图3为一个实施例中一种电力巡检图像的处理示意图;
图4为另一个实施例中一种基于边缘计算的电力巡检图像处理方法的流程示意图;
图5为一个实施例中一种基于边缘计算的电力巡检图像处理方法的逻辑流程图;
图6为一个实施例中一种基于边缘计算的电力巡检图像处理装置的结构框;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种基于边缘计算的电力巡检图像处理方法,可以应用于如图1所示的应用环境中。其中,巡检无人机110通过网络与后台服务器120进行通信。其中,巡检无人机110获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,巡检无人机110获取目标电力对象对应的标准故障图像集合;若标准故障图像集合中的其中一帧参考图像与电力巡检图像间的相似度满足预设条件,巡检无人机110则对电力巡检图像进行分类处理,得到图像分类结果;图像分类结果为电力巡检图像是否为异常图像的结果;若确定电力巡检图像为异常图像,巡检无人机110则发送电力巡检图像至后台服务器;后台服务器用于对电力巡检图像进行识别处理,获得针对目标电力对象的故障识别结果。实际应用中,后台服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于边缘计算的电力巡检图像处理方法,以该方法应用于图1中的巡检无人机110为例进行说明,包括以下步骤:
步骤S210,获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取目标电力对象对应的标准故障图像集合。
其中,目标电力对象可以是需要进行巡检的电力对象。实际应用中,目标电力对象可以是某一输电线路、电力部件、变电站、输电塔等对象。
其中,电力巡检图像可以是指巡检无人机的图像采集装置对目标电力对象进行巡检拍摄得到的图像。
其中,标准故障图像集合可以是指由标准故障图像组成的集合。实际应用中,标准故障图像集合也可以命名为缺陷标准库或故障标准库。
其中,标准故障图像可以是指通过对发生故障的样本电力对象进行拍摄得到的图像。
具体实现中,设有图像采集设备(例如,摄像头)的巡检无人机在进行电力巡检的过程中,巡检无人机可以通过该图像采集设备对目标电力对象进行巡检拍摄得到电力巡检图像。然后,巡检无人机的图像采集设备可以将采集到的电力巡检图像发送至该巡检无人机的边缘计算模块,以使巡检无人机的边缘计算模块获取到该电力巡检图像。通过巡检无人机的边缘计算模块,巡检无人机在获取到该电力巡检图像后,巡检无人机还可以获取与该目标电力对象对应的标准故障图像集合。例如,当目标电力对象为目标输电线路时,标准故障图像集合可以是输电线路缺陷标准库;当目标电力对象为目标电力部件时,标准故障图像集合可以是电力部件缺陷标准库。
步骤S220,若标准故障图像集合中的其中一帧参考图像与电力巡检图像间的相似度满足预设条件,则对电力巡检图像进行分类处理,得到图像分类结果;图像分类结果为电力巡检图像是否为异常图像的结果。
具体实现中,巡检无人机可以将电力巡检图像与标准故障图像集合中的各帧参考图像进行相似度比对,确定该电力巡检图像与各帧参考图像之间的相似度。若标准故障图像集合中的其中一帧参考图像与电力巡检图像间的相似度大于预设的相似度阈值时,巡检无人机则可以将该电力巡检图像标记为可疑故障图像,并将标记为可疑故障图像的电力巡检图像进行分类处理,判断该电力巡检图像是否为故障图像或异常图像。
具体来说,巡检无人机可以将该电力巡检图像输入至预训练的二分类模型,得到图像分类结果。其中,该二分类模型用于判断该电力巡检图像是否为故障图像或异常图像。
步骤S230,若确定电力巡检图像为异常图像,则发送电力巡检图像至后台服务器;后台服务器用于对电力巡检图像进行识别处理,获得针对目标电力对象的故障识别结果。
具体实现中,当巡检无人机根据图像分类结果确定该电力巡检图像为异常图像时,巡检无人机则可以将该电力巡检图像发送至后台服务器,以供该后台服务器对电力巡检图像进行进一步地识别处理,确定该目标电力对象的故障识别结果。具体来说,后台服务器可以将该电力巡检图像输入至预训练的故障识别模型中,得到该目标电力对象的故障识别结果。实际应用中,故障识别结果可以包括该目标电力对象的故障类型、故障位置、故障严重等级等。
上述的基于边缘计算的电力巡检图像处理方法中,通过获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取目标电力对象对应的标准故障图像集合;若标准故障图像集合中的其中一帧参考图像与电力巡检图像间的相似度满足预设条件,则对电力巡检图像进行分类处理,得到图像分类结果;图像分类结果为电力巡检图像是否为异常图像的结果;若确定电力巡检图像为异常图像,则发送电力巡检图像至后台服务器,以使后台服务器对电力巡检图像进行进一步地识别处理,以准确地获得针对目标电力对象的故障识别结果;如此,巡检无人机无需将拍摄到所有电力巡检图像全部传送至后台服务器,可以有效降低巡检无人机与后台服务器之间的数据交互量,减轻了网络带宽要求或人工数据拷贝工作量,同时,也可以使后台服务器可以更有针对性地对接收到的电力巡检图像进行识别,降低了后台服务器对电力巡检图像的数据处理量,有效地提高了电力巡检效率。
在另一个实施例中,上述方法还包括:获取电力巡检图像对应的故障特征;若电力巡检图像对应的故障特征与参考图像对应的故障特征之间的差异小于预设的差异阈值,则判定标准故障图像集合中的其中一帧参考图像与电力巡检图像间的相似度满足预设条件。
其中,标准故障图像集合中的每帧参考图像均具有对应的故障特征。
具体实现中,巡检无人机在获取到电力巡检图像后,巡检无人机可以提取电力巡检图像对应的故障特征;然后,巡检无人机将电力巡检图像对应的故障特征分别与标准故障图像集合中的各参考图像对应的故障特征进行对比,确定电力巡检图像对应的故障特征与各帧参考图像对应的故障特征之间的差异。若电力巡检图像对应的故障特征与某一帧参考图像对应的故障特征之间的差异小于预设的差异阈值,例如,电力巡检图像对应的故障特征与某一帧参考图像对应的故障特征之间的误差小于5%,巡检无人机则判定该电力巡检图像与参考图像间的相似度满足预设条件。
本实施例的技术方案,通过获取电力巡检图像对应的故障特征,并基于电力巡检图像对应的故障特征与参考图像对应的故障特征之间的差异,高效地实现比对电力巡检图像与各帧参考图像之间的相似度,进而便于后续对该电力巡检图像进行分类处理。
在另一个实施例中,在获取电力巡检图像对应的故障特征的步骤之后,方法还包括:若电力巡检图像对应的故障特征与参考图像对应的故障特征之间的差异小于预设的差异阈值,则确定电力巡检图像的相邻序列帧图像;获取各相邻序列帧图像对应的故障特征;若各相邻序列帧图像对应的故障特征与参考图像对应的故障特征之间的差异均小于差异阈值,则判定标准故障图像集合中的其中一帧参考图像与电力巡检图像间的相似度满足预设条件。
具体实现中,若巡检无人机电力巡检图像对应的故障特征与参考图像对应的故障特征之间的差异小于预设的差异阈值,巡检无人机还可以确定电力巡检图像的相邻序列帧图像,例如,巡检无人机可以读取与电力巡检图像的临近M个相邻序列帧,即可疑故障图像前后各X(X=M-3)帧图像。实际应用中,M为正整数,M可以为5。然后,巡检无人机则判断各相邻序列帧图像对应的故障特征与参考图像对应的故障特征之间的差异是否均小于差异阈值,若各相邻序列帧图像对应的故障特征与参考图像对应的故障特征之间的差异均小于差异阈值,巡检无人机则判定标准故障图像集合中的其中一帧参考图像与电力巡检图像间的相似度满足预设条件。
例如,巡检无人机在确定电力巡检图像对应的故障特征与某一帧参考图像对应的故障特征之间的误差小于5%时,巡检无人机则进一步采取电力巡检图像的临近5个相邻序列帧,即电力巡检图像前后各2帧图像,统一进行第二轮分析,则第二轮每一次分析时模块是对相邻多帧图像进行统一分析,分析方法如下:若5个相邻序列帧中除第一轮筛选出的电力巡检图像外,还有其他图像的故障特征也与线路故障库中的某帧参考图像的故障特征之间的误差小于5%,即说明两帧图像也具有较高的相似性,则说明该图像拍摄地区出现故障的可能性较高,于是对此电力巡检图像进行标记,确定该电力巡检图像为可疑故障图像;若临近5个相邻序列帧中除第一轮筛选出的电力巡检图像外,没有其他图像的特征值与线路故障库中的某帧图像的特征值之间的误差小于5%,即不存在具有较高的相似性,则说明可能是拍摄过程中的图像遗漏或角度不适当等问题导致图像误差较大,所以此图像不是可疑故障图像。
本实施例的技术方案,通过在电力巡检图像对应的故障特征与参考图像对应的故障特征之间的差异小于预设的差异阈值的情况下,通过进一步地判断电力巡检图像的相邻序列帧图像对应的故障特征与参考图像对应的故障特征之间的差异是否均小于差异阈值,进而来判定参考图像与电力巡检图像间的相似度满足预设条件,从而可以减少图像拍摄过程的图像遗漏或角度不适当的可能性,以及,提高识别准确率。
在另一个实施例中,获取电力巡检图像对应的故障特征,包括:获取电力巡检图像对应的直方图;对直方图的亮度分布进行归一化,得到直方图特征值;将直方图特征值,作为电力巡检图像对应的故障特征。
具体实现中,巡检无人机在获取电力巡检图像对应的故障特征的过程中,巡检无人机可以获取电力巡检图像对应的直方图。然后,巡检无人机可以对直方图的亮度分布进行归一化,得到直方图特征值。其中,该直方图特征值可以用于表征电力巡检图像的像素亮度分布情况。最后,巡检无人机可以将该直方图特征值,作为电力巡检图像对应的故障特征。
本实施例的技术方案,通过获取电力巡检图像对应的直方图,并对直方图的亮度分布进行归一化,从而得到可以用于表征电力巡检图像的像素亮度分布情况的直方图特征值,作为电力巡检图像对应的故障特征,如此,可以实现有效地提取出电力巡检图像对应的故障特征的效率,减少巡检无人机对图像处理的数据量。
在另一个实施例中,若电力巡检图像为彩色图像,获取电力巡检图像对应的直方图,包括:将电力巡检图像进行灰度处理,得到灰度化电力巡检图像;生成灰度化电力巡检图像对应的直方图,作为电力巡检图像对应的直方图。
具体实现中,在巡检无人机获取电力巡检图像对应的直方图的过程中,若确定该电力巡检图像为彩色图像时,巡检无人机可以对该电力巡检图像进行灰度处理,进而实现将电力巡检图像转换成灰度图像得到灰度化电力巡检图像。然后,巡检无人机再生成该灰度化电力巡检图像对应的直方图,作为电力巡检图像对应的直方图。
为了便于本领域技术人员的理解,图3提供了一种电力巡检图像的处理示意图;其中,310为电力巡检图像,320为灰度化电力巡检图像,330为灰度化电力巡检图像对应的直方图。
本实施例的技术方案,若电力巡检图像为彩色图像,通过将电力巡检图像进行灰度处理,得到灰度化电力巡检图像,从而在不损失整幅图像的图像色度和亮度等级等特征的前提下,进而减少巡检无人机对图像的处理负担,以减少后续处理的计算量并加快处理速度。
在另一个实施例中,在对电力巡检图像进行分类处理,得到图像分类结果的步骤之后,方法还包括:若确定电力巡检图像不为异常图像,则将电力巡检图像缓存至本地的目标缓存位置。
具体实现中,巡检无人机在对电力巡检图像进行分类处理,得到图像分类结果之后,巡检无人机在根据该图像分类结果确定该电力巡检图像不为异常图像时,巡检无人机则将该电力巡检图像判定为非可疑故障图像,巡检无人机可以将电力巡检图像缓存至本地的目标缓存位置。实际应用中,巡检无人机可以将该电力巡检图像在本地临时缓存。
本实施例的技术方案,若确定电力巡检图像不为异常图像,则将电力巡检图像缓存至巡检无人机本地中的目标缓存位置,减少了巡检无人机与后台服务器之间的数据传输量。
在另一个实施例中,发送电力巡检图像至后台服务器,包括:获取预设帧数量的电力巡检图像的相邻序列帧图像;将电力巡检图像和相邻序列帧图像进行数据封装,得到异常图像数据包;发送异常图像数据包至后台服务器。
具体实现中,巡检无人机在发送电力巡检图像至后台服务器的过程中,巡检无人机可以获取预设帧数量的电力巡检图像的相邻序列帧图像。实际应用中,巡检无人机可以将与电力巡检图像相邻前后各N帧的图像,作为该相邻序列帧图像。其中,N可以是20。然后,巡检无人机将电力巡检图像和相邻序列帧图像进行数据封装,得到异常图像数据包。具体来说,巡检无人机可以将电力巡检图像和相邻序列帧图像进行压缩,得到图片压缩包。然后,巡检无人机将该图片压缩包(即异常图像数据包)发送至后台服务器。后台服务器接收到异常图像数据包后,后台服务器则对异常图像数据包进行解压,得到电力巡检图像和与电力巡检图像相邻前后各20帧的图像。后台服务器则将上述图像输入至预训练的故障识别模型,
本实施例的技术方案,通过将获取预设帧数量的电力巡检图像的相邻序列帧图像,并将电力巡检图像和相邻序列帧图像进行数据封装后再发送至后台服务器供后台服务器做进一步的缺陷确认,这也有利于减少数据的传输量负担,不必对全部数据进行传输。
在另一个实施例中,如图4所示,提供了一种基于边缘计算的电力巡检图像处理方法,以该方法应用于图1中的巡检无人机为例进行说明,包括以下步骤:
步骤S410,获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取所述目标电力对象对应的标准故障图像集合。
步骤S420,获取所述电力巡检图像对应的直方图。
步骤S430,对所述直方图的亮度分布进行归一化,得到直方图特征值。
步骤S440,将所述直方图特征值,作为所述电力巡检图像对应的故障特征。
步骤S450,若所述电力巡检图像对应的故障特征与所述标准故障图像集合中的其中一帧参考图像对应的故障特征之间的差异小于预设的差异阈值,则对所述电力巡检图像进行分类处理,得到图像分类结果;所述图像分类结果为所述电力巡检图像是否为异常图像的结果。
步骤S460,若确定所述电力巡检图像为所述异常图像,则获取预设帧数量的所述电力巡检图像的相邻序列帧图像。
步骤S470,将所述电力巡检图像和所述相邻序列帧图像进行数据封装,得到异常图像数据包。
步骤S480,发送所述异常图像数据包至所述后台服务器;所述后台服务器用于对所述电力巡检图像进行识别处理,获得针对所述目标电力对象的故障识别结果。
需要说明的是,上述步骤的具体限定可以参见上文对一种基于边缘计算的电力巡检图像处理方法的具体限定。
应该理解的是,虽然图2和图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2和图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
为了便于本领域技术人员的理解,图5实例性地提供了一种基于边缘计算的电力巡检图像处理方法的逻辑流程图;其中,巡检无人机的边缘计算装置(即前端系统)包括图像取帧模块、图像扫描模块、缺陷筛选模块、和图像分类模块。以目标电力对象为输电线路为例,若对无人机所拍摄的全部线路图像或视频进行处理,数据量过于庞大,处理时间过长。
因此,图像取帧模块,用于首先需要对所获取的全部图像或视频进行一次取帧处理:由图像取帧模块按照顺序对所采集的图像或视频进行均匀周期的抽样取帧处理,按照20帧/秒的获取速度进行获取,每秒钟可获取20帧图像,以此减轻后续计算负担。然后,图像取帧模块将所获取的图像传送到图像扫描模块,作为后续的处理对象与缺陷标准库进行相似性对比。
由于无人机所拍摄获取的图像或者视频一般为RGB模式,即彩色模式6,而对于彩色模式的图像的处理负担较重,因此为了减少后续处理的计算量并加快处理速度;因此,图像扫描模块,用于将RGB图像转换成灰度图像,灰度图像同样能够表达彩色图像所展示的整幅图像的图像色度和亮度等级等特征。因此图像扫描模块将对取帧完成后所获取的图像进行灰度化处理,转换成灰度图像。
图像进行灰度化处理后,为了便于与缺陷标准库中的图像进行对比,需将每帧图像都先转换成直方图并归一化,图像扫描模块,还用于基于每一帧灰度图像都是由有数个亮度不同的像素构成,因此先计算出图像中所有像素的亮度值,并将其映射到横轴代表亮度,纵轴代表像素数量的直方图上,得到图像的像素亮度分布情况;为了便于比较,于是将直方图的亮度分布进行归一化,即将直方图的数据归算成一个数值,这个数值即是此帧图像的“特征值”。
然后,图像扫描模块,还用于计算出每帧图像的特征值后便可与可疑缺陷筛选模块中的缺陷标准库中的图像进行对比。
图像分类模块,用于进行分类处理:对于前述筛选过程所得到的的可疑故障图像,由于筛选算法较为简单,因此为了提高识别的准确性,将可疑故障图像与相邻前后各20帧的图像一并传送到后台做进一步的缺陷确认,这也有利于减少数据的传输量负担,不必对全部数据进行传输;而对于筛选过程中得到的非可疑故障图像,则将其在本地临时缓存。
在一个实施例中,如图6所示,提供了一种基于边缘计算的电力巡检图像处理装置,包括:
获取模块610,用于获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取所述目标电力对象对应的标准故障图像集合;
分类模块620,用于若所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件,则对所述电力巡检图像进行分类处理,得到图像分类结果;所述图像分类结果为所述电力巡检图像是否为异常图像的结果;
发送模块630,用于若确定所述电力巡检图像为所述异常图像,则发送所述电力巡检图像至后台服务器;所述后台服务器用于对所述电力巡检图像进行识别处理,获得针对所述目标电力对象的故障识别结果。
在其中一个实施例中,所述装置还包括:提取模块,用于获取所述电力巡检图像对应的故障特征;判定模块,用于若所述电力巡检图像对应的故障特征与所述参考图像对应的故障特征之间的差异小于预设的差异阈值,则判定所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件。
在其中一个实施例中,所述装置还包括:确定模块,用于若所述电力巡检图像对应的故障特征与所述参考图像对应的故障特征之间的差异小于预设的差异阈值,则确定所述电力巡检图像的相邻序列帧图像;特征获取模块,用于获取各所述相邻序列帧图像对应的故障特征;相似度判定模块,用于若各所述相邻序列帧图像对应的故障特征与所述参考图像对应的故障特征之间的差异均小于所述差异阈值,则判定所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件。
在其中一个实施例中,所述提取模块,具体用于获取所述电力巡检图像对应的直方图;对所述直方图的亮度分布进行归一化,得到直方图特征值;将所述直方图特征值,作为所述电力巡检图像对应的故障特征。
在其中一个实施例中,若所述电力巡检图像为彩色图像,所述提取模块,具体用于将所述电力巡检图像进行灰度处理,得到灰度化电力巡检图像;生成所述灰度化电力巡检图像对应的直方图,作为所述电力巡检图像对应的直方图。
在其中一个实施例中,所述装置还包括:缓存模块,用于若确定所述电力巡检图像不为所述异常图像,则将所述电力巡检图像缓存至本地的目标缓存位置。
在其中一个实施例中,所述发送模块,具体用于获取预设帧数量的所述电力巡检图像的相邻序列帧图像;将所述电力巡检图像和所述相邻序列帧图像进行数据封装,得到异常图像数据包;发送所述异常图像数据包至所述后台服务器。
关于一种基于边缘计算的电力巡检图像处理装置的具体限定可以参见上文中对于一种基于边缘计算的电力巡检图像处理方法的限定,在此不再赘述。上述一种基于边缘计算的电力巡检图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行一种基于边缘计算的电力巡检图像处理方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于边缘计算的电力巡检图像处理方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述一种基于边缘计算的电力巡检图像处理方法的步骤。此处一种基于边缘计算的电力巡检图像处理方法的步骤可以是上述各个实施例的一种基于边缘计算的电力巡检图像处理方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述一种基于边缘计算的电力巡检图像处理方法的步骤。此处一种基于边缘计算的电力巡检图像处理方法的步骤可以是上述各个实施例的一种基于边缘计算的电力巡检图像处理方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于边缘计算的电力巡检图像处理方法,其特征在于,所述方法包括:
获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取所述目标电力对象对应的标准故障图像集合;
若所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件,则对所述电力巡检图像进行分类处理,得到图像分类结果;所述图像分类结果为所述电力巡检图像是否为异常图像的结果;所述标准故障图像集合中的每帧参考图像均具有对应的故障特征;获取所述电力巡检图像对应的故障特征;若所述电力巡检图像对应的故障特征与所述参考图像对应的故障特征之间的差异小于预设的差异阈值,则判定所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件;若所述电力巡检图像对应的故障特征与所述参考图像对应的故障特征之间的差异小于预设的差异阈值,则确定所述电力巡检图像的相邻序列帧图像;获取各所述相邻序列帧图像对应的故障特征;若各所述相邻序列帧图像对应的故障特征与所述参考图像对应的故障特征之间的差异均小于所述差异阈值,则判定所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件;
若确定所述电力巡检图像为所述异常图像,则发送所述电力巡检图像至后台服务器;所述后台服务器用于对所述电力巡检图像进行识别处理,获得针对所述目标电力对象的故障识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取所述电力巡检图像对应的故障特征,包括:
获取所述电力巡检图像对应的直方图;
对所述直方图的亮度分布进行归一化,得到直方图特征值;
将所述直方图特征值,作为所述电力巡检图像对应的故障特征。
3.根据权利要求2所述的方法,其特征在于,若所述电力巡检图像为彩色图像,所述获取所述电力巡检图像对应的直方图,包括:
将所述电力巡检图像进行灰度处理,得到灰度化电力巡检图像;
生成所述灰度化电力巡检图像对应的直方图,作为所述电力巡检图像对应的直方图。
4.根据权利要求1所述的方法,其特征在于,在所述对所述电力巡检图像进行分类处理,得到图像分类结果的步骤之后,所述方法还包括:
若确定所述电力巡检图像不为所述异常图像,则将所述电力巡检图像缓存至本地的目标缓存位置。
5.根据权利要求1所述的方法,其特征在于,所述发送所述电力巡检图像至后台服务器,包括:
获取预设帧数量的所述电力巡检图像的相邻序列帧图像;
将所述电力巡检图像和所述相邻序列帧图像进行数据封装,得到异常图像数据包;
发送所述异常图像数据包至所述后台服务器。
6.一种基于边缘计算的电力巡检图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取对目标电力对象进行巡检拍摄得到的电力巡检图像,以及,获取所述目标电力对象对应的标准故障图像集合;
分类模块,用于若所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件,则对所述电力巡检图像进行分类处理,得到图像分类结果;所述图像分类结果为所述电力巡检图像是否为异常图像的结果;所述标准故障图像集合中的每帧参考图像均具有对应的故障特征;获取所述电力巡检图像对应的故障特征;若所述电力巡检图像对应的故障特征与所述参考图像对应的故障特征之间的差异小于预设的差异阈值,则判定所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件;若所述电力巡检图像对应的故障特征与所述参考图像对应的故障特征之间的差异小于预设的差异阈值,则确定所述电力巡检图像的相邻序列帧图像;获取各所述相邻序列帧图像对应的故障特征;若各所述相邻序列帧图像对应的故障特征与所述参考图像对应的故障特征之间的差异均小于所述差异阈值,则判定所述标准故障图像集合中的其中一帧参考图像与所述电力巡检图像间的相似度满足预设条件;
发送模块,用于若确定所述电力巡检图像为所述异常图像,则发送所述电力巡检图像至后台服务器;所述后台服务器用于对所述电力巡检图像进行识别处理,获得针对所述目标电力对象的故障识别结果。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110919246.9A CN113743235B (zh) | 2021-08-11 | 2021-08-11 | 基于边缘计算的电力巡检图像处理方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110919246.9A CN113743235B (zh) | 2021-08-11 | 2021-08-11 | 基于边缘计算的电力巡检图像处理方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743235A CN113743235A (zh) | 2021-12-03 |
CN113743235B true CN113743235B (zh) | 2024-04-05 |
Family
ID=78730810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110919246.9A Active CN113743235B (zh) | 2021-08-11 | 2021-08-11 | 基于边缘计算的电力巡检图像处理方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743235B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115528686B (zh) * | 2022-11-24 | 2023-03-10 | 东方电子股份有限公司 | 基于边缘计算的分布式配电故障处理系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949296A (zh) * | 2019-03-21 | 2019-06-28 | 北京中飞艾维航空科技有限公司 | 一种输电线路缺陷识别方法、装置及存储介质 |
CN110909669A (zh) * | 2019-11-19 | 2020-03-24 | 湖南国奥电力设备有限公司 | 基于图像检测的地下电缆故障确定方法和装置 |
CN111507147A (zh) * | 2019-10-28 | 2020-08-07 | 深圳市海洋王照明工程有限公司 | 智能巡检方法、装置、计算机设备和存储介质 |
CN111581436A (zh) * | 2020-03-30 | 2020-08-25 | 西安天和防务技术股份有限公司 | 目标识别方法、装置、计算机设备和存储介质 |
CN111784656A (zh) * | 2020-06-28 | 2020-10-16 | 京东数字科技控股有限公司 | 一种铁路接触网故障检测方法、装置、电子设备及存储介质 |
CN112272288A (zh) * | 2020-10-23 | 2021-01-26 | 岭东核电有限公司 | 核电作业监控方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-11 CN CN202110919246.9A patent/CN113743235B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949296A (zh) * | 2019-03-21 | 2019-06-28 | 北京中飞艾维航空科技有限公司 | 一种输电线路缺陷识别方法、装置及存储介质 |
CN111507147A (zh) * | 2019-10-28 | 2020-08-07 | 深圳市海洋王照明工程有限公司 | 智能巡检方法、装置、计算机设备和存储介质 |
CN110909669A (zh) * | 2019-11-19 | 2020-03-24 | 湖南国奥电力设备有限公司 | 基于图像检测的地下电缆故障确定方法和装置 |
CN111581436A (zh) * | 2020-03-30 | 2020-08-25 | 西安天和防务技术股份有限公司 | 目标识别方法、装置、计算机设备和存储介质 |
CN111784656A (zh) * | 2020-06-28 | 2020-10-16 | 京东数字科技控股有限公司 | 一种铁路接触网故障检测方法、装置、电子设备及存储介质 |
CN112272288A (zh) * | 2020-10-23 | 2021-01-26 | 岭东核电有限公司 | 核电作业监控方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113743235A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241985B (zh) | 一种图像识别方法及装置 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN115065798B (zh) | 一种基于大数据的视频分析监控系统 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN113743235B (zh) | 基于边缘计算的电力巡检图像处理方法、装置和设备 | |
CN113065568A (zh) | 目标检测、属性识别与跟踪方法及系统 | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN113361989A (zh) | 货物识别方法、计算机设备和货物监控系统 | |
CN116977907A (zh) | 基于图像识别的电力巡检故障诊断方法及系统 | |
CN111145219B (zh) | 一种基于Codebook原理的高效视频移动目标检测方法 | |
CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN114841932A (zh) | 光伏电站的光伏板的异物检测方法、系统、设备及介质 | |
CN111553408A (zh) | 视频识别软件自动测试的方法 | |
CN115803610A (zh) | 图像获取方法及装置、存储介质 | |
CN110705518A (zh) | 一种视频检测方法及系统 | |
CN117880759B (zh) | 一种智能化视频短信链路高效检测方法 | |
CN116193242B (zh) | 一种摄像装置图像解析与传输方法 | |
CN117496332A (zh) | 一种基于边缘计算的ai视觉识别装置、系统及方法 | |
CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
US20230368336A1 (en) | Using integrated system to enhance a reference image | |
CN117934367A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113822860A (zh) | 视频质量判断方法、系统、存储介质及电子设备 | |
CN116828143A (zh) | 基于边云协同的煤矿井下实时视频处理方法 |
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 |