CN113781388A - 基于图像增强的输电线路通道隐患图像识别方法及装置 - Google Patents
基于图像增强的输电线路通道隐患图像识别方法及装置 Download PDFInfo
- Publication number
- CN113781388A CN113781388A CN202110816811.9A CN202110816811A CN113781388A CN 113781388 A CN113781388 A CN 113781388A CN 202110816811 A CN202110816811 A CN 202110816811A CN 113781388 A CN113781388 A CN 113781388A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- hidden danger
- power transmission
- deep learning
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000013136 deep learning model Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像增强的输电线路通道隐患图像识别方法及装置,采集输电线路通道图像;采用基于暗通道优先的除雾算法对图片进行图像增加处理,得到去雾后清晰的图像;按照深度学习模型输入图像尺寸要求对输电线路图片进行尺寸缩放处理;利用深度学习图像识别算法模型对输电线路图像进行检测识别,获得图像中的施工机械、山火等通道隐患目标尺寸大小及类别。本发明提供的基于图像增强的输电线路通道隐患图像识别算法及装置,采用YOLOv4算法满足在装置嵌入式平台上部署深度学习模型对模型文件大小、运算速度的要求,模型识别准确率高,识别速度快,此外,采用图像增强算法,提高在有雾天气条件下拍摄的输电线路通道隐患图像识别准确率。
Description
技术领域
本发明涉及输电线路图像处理技术领域,尤其涉及一种基于图像增强的输电线路通道隐患图像识别方法及装置。
背景技术
新能源电能的消纳将带来输电线路建设快速发展。输电线路运维传统采用人工巡线的方式工作效率低,不能满足输电线路里程快速增长的要求。目前,依靠视频、图像监控装置对输电线路进行在线监控、实时感知,成为输电线路运维的主要手段。
然而,大多监控装置不具备隐患目标图像识别边缘计算能力,每天向输电线路监控后台传回大量视频、图像数据,依靠后台进行图像分析,判断输电线路是否存在通道隐患,存在隐患目标识别实时性差、网络传输带宽压力大的问题。此外,输电线路运行环境大多在山区,一年中有雾天气情况多,拍摄带雾的图片造成图像识别准确率低的问题。
发明内容
针对现有技术中存在的问题,本发明提供一种基于图像增强的输电线路通道隐患图像识别方法及装置,具备装置侧人工智能图像识别计算能力,能够在前端及时识别输电线路通道隐患图像,降低传输到后台侧进行图像识别带来的时延,减小网络传输带宽压力;采用图像增强方法模型对图像进行除雾处理,解决图像中有雾带来图像识别率低的问题。
为达到上述目的,本发明提供了一种基于图像增强的输电线路通道隐患图像识别方法,包括:
(1)采集输电线路通道图像;
(2)对有雾的图像进行去雾图像增加处理;
(3)对图片进行尺寸缩放处理,使图片的尺寸满足深度学习模型输入图像尺寸要求;
(4)利用部署的深度学习模型对图像进行识别,检测是否存在通道隐患对象。
进一步地,采集输电线路通道图像,包括,相机进行拍摄参数自适应调整,驱动摄像头连续采集多张采集输电线路通道的图像,选择拍摄的最后一张图像。
进一步地,对有雾的图像进行去雾图像增加处理,包括:
(2.1)运用灰度直方图算法来检测图像中是否有雾,如果有雾,则进入步骤(2.2),如果无雾则直接进入步骤(3);
(2.2)将有雾图片的灰度图采用梯度导向滤波算法来过滤掺杂的雾霾噪声;
(2.3)基于灰度信息求解透射率和大气全局光照信息,复原得到除雾后的新图像。
进一步地,检测图像中是否有雾包括:
计算灰度等级为K的像素数:
H(rk)=nk
其中,rk表示灰度等级0-255区间内第k个强度等级;nk表示灰度等级为K的像素数;
在灰色直方图中,定义一条高度为T的水平线,并计算低于T的垂直线的数量H:
T=na1
其中n代表像素中所以的点,a1为常数系数;比较H与T值:
如果L为0时,则判断图片无雾,如果为1时,则判断图片有雾。
进一步地,对图片进行尺寸缩放处理,包括:运用OPENCV库,按照深度学习模型输入图像尺寸要求对输电线路图像进行尺寸缩放处理,得到模型检测输入的标准尺寸图像。
进一步地,通道隐患对象包括各种施工机械以及山火;所述深度学习模型采用YOLOv4架构,输出三种不同尺度的特征图,剔除置信度小于阈值的预测框,对剩余预测框进行非极大值抑制,得到最终包括隐患目标类型和隐患目标在待检测图片中位置的识别结果;当识别结果中隐患目标存在时,将识别结果传输至后端监控平台。
进一步地,所述深度学习模型的获得包括:
采集施工机械和山火多种不同角度的图像样本,形成样本数据库,标注图像中隐患对象的位置和类型;由样本数据库中获取样本对深度学习模型进行训练,满足精度要求后,封装形成模型文件,移植适配到所述图像监拍装置。
另一方面提供一种基于图像增强的输电线路通道隐患图像识别装置,包括:
摄像头,采集输电线路通道图像;
图像增强模块,对有雾的图像进行去雾图像增加处理;
图像预处理模块,对图片进行尺寸缩放处理,使图片的尺寸满足深度学习模型输入图像尺寸要求;
识别模块,利用部署的深度学习模型对图像进行识别,检测是否存在通道隐患对象。
进一步地,还包括摄像控制器,进行拍摄参数自适应调整,驱动摄像头连续采集多张采集输电线路通道的图像,选择拍摄的最后一张图像输出至图像增强模块。
进一步地,图像增强模块,对有雾的图像进行去雾图像增加处理,包括:
运用灰度直方图算法来检测图像中是否有雾,如果有雾,则将有雾图片的灰度图采用梯度导向滤波算法来过滤掺杂的雾霾噪声;基于灰度信息求解透射率和大气全局光照信息,复原得到除雾后的新图像。
进一步地,通道隐患对象包括施工机械以及山火;所述深度学习模型采用YOLOv4架构,输出三种不同尺度的特征图,剔除置信度小于阈值的预测框,对剩余预测框进行非极大值抑制,得到最终包括隐患目标类型和隐患目标在待检测图片中位置的识别结果;当识别结果中隐患目标存在时,将识别结果传输至后端监控平台。
本发明的上述技术方案具有如下有益的技术效果:
(1)本发明采用基于暗通道优先的除雾算法对采集的图像进行去雾处理,把经过去雾处理的图像作为待检测样本输入图像识别模型,提高输电线路隐患图像识别准确率。
(2)本发明采用在监控装置嵌入式平台上部署YOLOv4深度学习图像识别模型,与后台端进行图像识别分析方法相比,使装置具备图像识别边缘计算能力,提高输电线路通道隐患图像识别实时性,减少远程传输视频、图像带来网络带宽压力。
附图说明
图1为本发明方法的流程图;
图2为图像增强除雾方法模型流程图;
图3为YOLOv4深度学习图像识别模型结构示意图;
图4为基于YOLOv4深度学习模型的输电线路通道隐患图像识别流程图。
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明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明公开一种基于图像增强的输电线路通道隐患图像识别方法,结合图1,步骤如下:
(1)采集输电线路通道图像。
(2)采用基于暗通道优先的除雾方法对图片进行去雾图像增加处理。
(3)按照深度学习模型输入图像尺寸要求对输电线路图片进行尺寸缩放处理。
(4)利用在装置中部署的YOLOv4深度学习图像识别方法模型对输电线路图像进行检测识别。
本发明的整体流程图如图1所示。
所述步骤(1)中装置采集输电线路通道图像包括以下步骤:
装置采用MCU核心控制模块,驱动摄像头机芯连续采集5张采集输电线路通道图像,选择拍摄的最后一张照片,其目的在于摄像头机芯在连续拍摄的过程中,根据天气光照强度、背光情况自适应调整摄像头参数,获得亮度、饱和度、对比度等图像参数较好的图片。
所述步骤(2)中采用基于暗通道优先的除雾算法对图片进行去雾图像增加处理,结合图2,包括以下步骤:
2.1运用灰度直方图算法来检测图片中是否有雾,无雾图片直接进入步骤(3)处理;有雾则进入步骤2.2。
进一步地,检测图片中是否有雾,具体包括:
首先将RGB图像转化为灰度图,并按照灰度值大小将灰度图的灰度等级划分为0-255,那么灰度等级为K的像素数可以表示为:
H(rk)=nk
其中,rk表示灰度等级0-255区间内第k个强度等级;nk表示灰度等级为K的像素数。
其次,在灰色直方图中,定义一条高度为T的水平线,并计算低于T的垂直线的数量。
T=na1
其中n代表像素中所以的点,a1是一个系数,这里设定为0.03,意思是只要0-255中某些值超过总像素的百分之0.03,就将其设置为0,不超过的设置为1,接着求取超过的值的总和,最后判断其总和的阈值。
最后通过比较H于T值得大小来判断L的值,如果L为0时,则表明该图像无雾,如果为1时,则说明该图像有雾。
2.2对于检测到有雾图片,将有雾图片的灰度图采用梯度导向滤波算法来过滤掺杂的雾霾噪声。
2.3将该运算得到的灰度信息处理并求解透射率和大气全局光照信息,通过I-DCP算法复原算法得到除雾后的新图片。
所述步骤(3)中按照深度学习模型输入图像尺寸要求对输电线路图片进行尺寸缩放处理包括以下步骤:
采集的输电线路图像分辨率多数情况下设置为1920×1080、1080×720 两种规格,采用C语言程序调用OPENCV图像处理软件库将图像统一处缩放为 608×608,作为YOLOv4深度学习图像识别算法模型的输入图像规定尺寸。
所述步骤(4)中利用在装置中部署的YOLOv4深度学习图像识别算法模型对输电线路图像进行检测识别包括以下步骤:
运用C/C++语言,开发基于YOLOv4深度学习图像识别模型的软件架构。其中,YOLOv4深度学习图像识别模型结构示意图如图3所示。YOLOv4网络结构主要包括主干网络、Neck模块。Darknet-53残差网络结构包括一系列的1 ×1和3×3卷积以及不同大小的残差模块组成。主干网络采用CSPDarknet53 结构形式,将CSPNet网络结构应用于Darknet-53中残差模块,使上层的特征图一个分支进行残差运算,同时另外一个分支和经过残差运算后的特征图相结合。此外,CSPDarknet53在卷积层之后采用Mish激励函数,代替YOLOv3 中的Leaky ReLU函数,提高非线性映射能力。Neck模块包括SPP网络结构和PANet网络结构。其中,SPP网络结构采用1×1、5×5、9×9、13×13最大池化层分别对上层特征图进行处理;PANet采用高低层特征融合方法实现三个不同大小的特征图Y1、Y2、Y3输出,用于不同大小的目标识别。C为识别目标类别数。
在装置嵌入式平台上部署YOLOv4深度学习图像识别模型,并完成基于人工智能芯片的模型运算软件设计。具体实现过程如下:基于Darknet框架训练得到YOLOv4深度学习图像识别模型文件;在PC端搭建模型文件转化环境,生成适用于装置嵌入式平台模型文件格式;采用C++语言设计模型运行程序,调用装置硬件平台上人工智能芯片驱动软件API接口,实现在人工智能芯片上运算YOLOv4深度学习图像识别模型。
将待检测的输电线路通道图像输入到YOLOv4深度学习图像识别模型中,获得图像中的施工机械、山火等通道隐患目标尺寸大小及类别。其中,基于 YOLOv4深度学习模型的输电线路通道隐患图像识别流程图如图4所示,具体实现过程如下:按照3通道RGB格式读取经过上述图像增强去雾处理、尺寸统一缩放为608×608的图像;采用CSPDarknet53主干网络对图像进行特征提取,CSPDarknet53主干网络包括多个级联的残差块(Resblock);采用SPP 网络和PANet网络组成的Neck模块处理上一步提取的特征图,生成3个不同尺度的特征图;剔除置信度小于阈值的预测框,一般设置阈值为0.5;对剩余的预测框采用非极大值抑制算法(NMS),得到最终识别结果,即待检测图片中识别的隐患目标类型及隐患目标在图片中的位置。
采集吊车、塔吊、挖掘机等施工机械和山火多种角度的图像样本,形成样本数据库,标注图像中隐患目标的位置和类型;由样本数据库中获取样本对深度学习模型进行训练,满足精度要求后,封装形成模型文件,移植适配到前端图像监拍装置。
另一方面提供一种基于图像增强的输电线路通道隐患图像识别装置,包括摄像头、摄像控制器、图像增强模块、图像预处理模块以及识别模块。
摄像头,采集输电线路通道图像。
摄像控制器,进行拍摄参数自适应调整,驱动摄像头连续采集多张采集输电线路通道的图像,选择拍摄的最后一张图像输出至图像增强模块。
图像增强模块,对有雾的图像进行去雾图像增加处理。
图像预处理模块,对图片进行尺寸缩放处理,使图片的尺寸满足深度学习模型输入图像尺寸要求;
识别模块,利用部署的深度学习模型对图像进行识别,检测是否存在通道隐患对象。
图像增强模块,对有雾的图像进行去雾图像增加处理,包括:
运用灰度直方图算法来检测图像中是否有雾,如果有雾,则将有雾图片的灰度图采用梯度导向滤波算法来过滤掺杂的雾霾噪声;基于灰度信息求解透射率和大气全局光照信息,复原得到除雾后的新图像。
通道隐患对象包括吊车、塔吊、挖掘机等各种施工机械以及山火;所述深度学习模型采用YOLOv4架构,输出三种不同尺度的特征图,剔除置信度小于阈值的预测框,对剩余预测框进行非极大值抑制,得到最终包括隐患目标类型和隐患目标在待检测图片中位置的识别结果;当识别结果中隐患目标存在时,将识别结果传输至后端监控平台。
综上所述,本发明公开了一种基于图像增强的输电线路通道隐患图像识别方法及装置,采集输电线路通道图像;采用基于暗通道优先的除雾算法对图片进行图像增加处理,得到去雾后清晰的图像;按照深度学习模型输入图像尺寸要求对输电线路图片进行尺寸缩放处理;利用深度学习图像识别算法模型对输电线路图像进行检测识别,获得图像中的施工机械、山火等通道隐患目标尺寸大小及类别。本发明提供的基于图像增强的输电线路通道隐患图像识别算法及装置,采用YOLOv4算法满足在装置嵌入式平台上部署深度学习模型对模型文件大小、运算速度的要求,模型识别准确率高,识别速度快,此外,采用图像增强算法,提高在有雾天气条件下拍摄的输电线路通道隐患图像识别准确率。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于图像增强的输电线路通道隐患图像识别方法,其特征在于,包括:
(1)采集输电线路通道图像;
(2)对有雾的图像进行去雾图像增加处理;
(3)对图片进行尺寸缩放处理,使图片的尺寸满足深度学习模型输入图像尺寸要求;
(4)利用部署的深度学习模型对图像进行识别,检测是否存在通道隐患对象。
2.根据权利要求1所述的基于图像增强的输电线路通道隐患图像识别方法,其特征在于,采集输电线路通道图像,包括,相机进行拍摄参数自适应调整,驱动摄像头连续采集多张采集输电线路通道的图像,选择拍摄的最后一张图像。
3.根据权利要求1或2所述的基于图像增强的输电线路通道隐患图像识别方法,其特征在于,对有雾的图像进行去雾图像增加处理,包括:
(2.1)运用灰度直方图算法来检测图像中是否有雾,如果有雾,则进入步骤(2.2),如果无雾则直接进入步骤(3);
(2.2)将有雾图片的灰度图采用梯度导向滤波算法来过滤掺杂的雾霾噪声;
(2.3)基于灰度信息求解透射率和大气全局光照信息,复原得到除雾后的新图像。
进一步地,检测图像中是否有雾包括:
计算灰度等级为K的像素数:
H(rk)=nk
其中,rk表示灰度等级0-255区间内第k个强度等级;nk表示灰度等级为K的像素数;
在灰色直方图中,定义一条高度为T的水平线,并计算低于T的垂直线的数量H:
T=na1
其中n代表像素中所以的点,a1为常数系数;比较H与T值:
如果L为0时,则判断图片无雾,如果为1时,则判断图片有雾。
4.根据权利要求1或2所述的基于图像增强的输电线路通道隐患图像识别方法,其特征在于,对图片进行尺寸缩放处理,包括:运用OPENCV库,按照深度学习模型输入图像尺寸要求对输电线路图像进行尺寸缩放处理,得到模型检测输入的标准尺寸图像。
5.根据权利要求1或2所述的基于图像增强的输电线路通道隐患图像识别方法,其特征在于,通道隐患对象包括各种施工机械以及山火;所述深度学习模型采用YOLOv4架构,输出三种不同尺度的特征图,剔除置信度小于阈值的预测框,对剩余预测框进行非极大值抑制,得到最终包括隐患目标类型和隐患目标在待检测图片中位置的识别结果;当识别结果中隐患目标存在时,将识别结果传输至后端监控平台。
6.根据权利要求5所述的基于图像增强的输电线路通道隐患图像识别方法,其特征在于,所述深度学习模型的获得包括:
采集施工机械和山火多种不同角度的图像样本,形成样本数据库,标注图像中隐患对象的位置和类型;由样本数据库中获取样本对深度学习模型进行训练,满足精度要求后,封装形成模型文件,移植适配到所述图像监拍装置。
7.一种基于图像增强的输电线路通道隐患图像识别装置,其特征在于,包括:
摄像头,采集输电线路通道图像;
图像增强模块,对有雾的图像进行去雾图像增加处理;
图像预处理模块,对图片进行尺寸缩放处理,使图片的尺寸满足深度学习模型输入图像尺寸要求;
识别模块,利用部署的深度学习模型对图像进行识别,检测是否存在通道隐患对象。
8.根据权利要求7所述的基于图像增强的输电线路通道隐患图像识别装置,其特征在于,还包括摄像控制器,进行拍摄参数自适应调整,驱动摄像头连续采集多张采集输电线路通道的图像,选择拍摄的最后一张图像输出至图像增强模块。
9.根据权利要求7或8所述的基于图像增强的输电线路通道隐患图像识别装置,其特征在于,图像增强模块,对有雾的图像进行去雾图像增加处理,包括:
运用灰度直方图算法来检测图像中是否有雾,如果有雾,则将有雾图片的灰度图采用梯度导向滤波算法来过滤掺杂的雾霾噪声;基于灰度信息求解透射率和大气全局光照信息,复原得到除雾后的新图像。
10.根据权利要求7或8所述的基于图像增强的输电线路通道隐患图像识别装置,其特征在于,通道隐患对象包括施工机械以及山火;所述深度学习模型采用YOLOv4架构,输出三种不同尺度的特征图,剔除置信度小于阈值的预测框,对剩余预测框进行非极大值抑制,得到最终包括隐患目标类型和隐患目标在待检测图片中位置的识别结果;当识别结果中隐患目标存在时,将识别结果传输至后端监控平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816811.9A CN113781388A (zh) | 2021-07-20 | 2021-07-20 | 基于图像增强的输电线路通道隐患图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816811.9A CN113781388A (zh) | 2021-07-20 | 2021-07-20 | 基于图像增强的输电线路通道隐患图像识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781388A true CN113781388A (zh) | 2021-12-10 |
Family
ID=78836179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110816811.9A Pending CN113781388A (zh) | 2021-07-20 | 2021-07-20 | 基于图像增强的输电线路通道隐患图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781388A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486934A (zh) * | 2022-01-25 | 2022-05-13 | 陕西理工大学 | 一种用于管道内部裂纹图像识别系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013040857A1 (en) * | 2011-09-20 | 2013-03-28 | Fujitsu Limited | Exposure enhancement method and apparatus for a defogged image |
CN108053369A (zh) * | 2017-11-27 | 2018-05-18 | 努比亚技术有限公司 | 一种图像处理的方法、设备及存储介质 |
CN108650457A (zh) * | 2018-05-03 | 2018-10-12 | Oppo广东移动通信有限公司 | 自动拍照方法、装置、存储介质及移动终端 |
CN112232133A (zh) * | 2020-09-18 | 2021-01-15 | 许继集团有限公司 | 基于深度卷积神经网络的输电线路图像识别方法及装置 |
WO2021052292A1 (zh) * | 2019-09-18 | 2021-03-25 | 华为技术有限公司 | 视频采集方法和电子设备 |
WO2021056630A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京国网富达科技发展有限责任公司 | 输电线路铁塔结构缺陷检测方法及装置 |
WO2021099413A1 (en) * | 2019-11-19 | 2021-05-27 | Abb Power Grids Switzerland Ag | Machine learning based method and device for disturbance classification in a power trasmission line |
CN112950504A (zh) * | 2021-03-02 | 2021-06-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种输电线路巡检雾霾天气单目隐患物体测距方法及系统 |
CN112965405A (zh) * | 2021-01-18 | 2021-06-15 | 赵罗杰 | 拍摄参数自适应调节系统 |
-
2021
- 2021-07-20 CN CN202110816811.9A patent/CN113781388A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013040857A1 (en) * | 2011-09-20 | 2013-03-28 | Fujitsu Limited | Exposure enhancement method and apparatus for a defogged image |
CN108053369A (zh) * | 2017-11-27 | 2018-05-18 | 努比亚技术有限公司 | 一种图像处理的方法、设备及存储介质 |
CN108650457A (zh) * | 2018-05-03 | 2018-10-12 | Oppo广东移动通信有限公司 | 自动拍照方法、装置、存储介质及移动终端 |
WO2021052292A1 (zh) * | 2019-09-18 | 2021-03-25 | 华为技术有限公司 | 视频采集方法和电子设备 |
WO2021056630A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京国网富达科技发展有限责任公司 | 输电线路铁塔结构缺陷检测方法及装置 |
WO2021099413A1 (en) * | 2019-11-19 | 2021-05-27 | Abb Power Grids Switzerland Ag | Machine learning based method and device for disturbance classification in a power trasmission line |
CN112232133A (zh) * | 2020-09-18 | 2021-01-15 | 许继集团有限公司 | 基于深度卷积神经网络的输电线路图像识别方法及装置 |
CN112965405A (zh) * | 2021-01-18 | 2021-06-15 | 赵罗杰 | 拍摄参数自适应调节系统 |
CN112950504A (zh) * | 2021-03-02 | 2021-06-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种输电线路巡检雾霾天气单目隐患物体测距方法及系统 |
Non-Patent Citations (5)
Title |
---|
ALEXEY BOCHKOVSKIY ET.AL: "YOLOv4: Optimal Speed and Accuracy of Object Detection", 《ARXIV》, pages 1 - 17 * |
JIAQIAO ZHOU ET AL.: "Research on Adaptive Adjustment Technology of Intelligent Photoelectric Detection System", 《2019 INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE BIG DATA AND INTELLIGENT SYSTEMS (HPBD&IS)》, 13 June 2019 (2019-06-13), pages 132 - 135 * |
张骥 等: "基于深度学习的输电线路外破图像识别技术", 《计算机系统应用》, no. 08, pages 176 - 179 * |
梅林 等: "深圳市天文台全天云图监测系统的设计与实现", 《天文研究与技术》, vol. 15, no. 2, 30 April 2018 (2018-04-30), pages 232 - 239 * |
陆立颖: "Design and Implementation of Fog Visibility Detection System Based on Image Analysis", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2017, no. 03, pages 138 - 5281 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486934A (zh) * | 2022-01-25 | 2022-05-13 | 陕西理工大学 | 一种用于管道内部裂纹图像识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN104299192B (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN111242868B (zh) | 暗视觉环境下基于卷积神经网络的图像增强方法 | |
CN112734739B (zh) | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 | |
CN112435257A (zh) | 一种多光谱成像的烟雾检测方法及系统 | |
CN111598793A (zh) | 一种用于输电线路图像去雾的方法、系统及存储介质 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
CN113781388A (zh) | 基于图像增强的输电线路通道隐患图像识别方法及装置 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
CN116721288A (zh) | 一种基于YOLOv5的安全帽检测方法及系统 | |
CN116524018A (zh) | 一种基于计算机视觉的自动辨识铅封方法 | |
CN116109813A (zh) | 一种钻锚孔识别方法、系统、电子设备及介质 | |
CN115578664A (zh) | 一种基于视频监控的应急事件判定方法及装置 | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
CN113762084A (zh) | 基于RetinaXNet的建筑夜景灯光异常检测方法 | |
CN111898525A (zh) | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 | |
CN110674764A (zh) | 一种工地裸露土方的检测方法、装置及系统 | |
CN113689399B (zh) | 一种用于电网识别遥感图像处理方法及系统 | |
CN117671472B (zh) | 一种基于动态视觉传感器的水下多目标群体识别方法 | |
CN116071656B (zh) | 地下变电站红外图像积水检测智能报警方法及系统 |
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 |