CN113850344A - 一种巡检机器人设备识别方法及系统 - Google Patents
一种巡检机器人设备识别方法及系统 Download PDFInfo
- Publication number
- CN113850344A CN113850344A CN202111191364.9A CN202111191364A CN113850344A CN 113850344 A CN113850344 A CN 113850344A CN 202111191364 A CN202111191364 A CN 202111191364A CN 113850344 A CN113850344 A CN 113850344A
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- image
- background
- classification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明涉及一种巡检机器人设备识别方法及系统，所述方法初始图像信息进行图像预处理，得到背景信息和待测设备信息；基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息；对所述背景分类信息和所述设备分类信息进行融合，得到融合信息；基于预设设备库对所述融合信息进行匹配，得到设备识别结果。本发明通过机器学习算法对图像进行自动分类和识别，从而提高了巡检机器人的设备识别的自动化程度。
Description
技术领域
本发明涉及电力系统智能巡检技术领域，特别是涉及一种巡检机器人设备识别方法及系统。
背景技术
保证特高压变电站的安全稳定可靠运行是目前的重中之重，尤其特高压变电站，1000kV GIS设备结构紧密，巡检路径不规则，常规室外智能巡检机器人无法实现对该设备区设备的自动巡视，同时现有站内巡检机器人和视频监控功能单一，不具备图像分析和智能检测功能，需要运维人员人工进行异常检查和缺陷查找，尚无法支撑变电站精益化运维管控的需要，无法发挥整合协同力量，难以从根本上减轻运维人员工作量。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种巡检机器人设备识别方法及系统，能够提高巡检机器人的设备识别的自动化程度。
为实现上述目的，本发明提供了如下方案：
一种巡检机器人设备识别方法，包括：
获取待测设备的初始图像信息；
根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息；
基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息；
对所述背景分类信息和所述设备分类信息进行融合，得到融合信息；
基于预设设备库对所述融合信息进行匹配，得到设备识别结果。
优选地，所述根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息，包括：
根据所述初始图像信息进行像素点提取，得到提取信息和未提取信息；
分别对所述提取信息和所述未提取信息进行像素合并，得到所述背景信息和所述待测设备信息。
优选地，所述根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息之后，还包括：
分别对所述背景信息和所述待测设备信息进行图像二值化处理，得到图像细化后的背景信息和图像细化后的待测设备信息。
优选地，基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息，包括：
利用训练好的图像识别模型分别识别所述背景信息和所述待测设备信息，得到背景识别信息和设备识别信息；
所述图像识别模型的训练方法为：
获取训练分割图像数据；
标注所述训练分割图像数据，得到标注图像数据；
根据所述标注图像数据和所述训练分割图像数据确定损失函数；
利用梯度下降优化器最小化所述损失函数的数值，得到所述图像识别模型的更新梯度；
判断训练次数是否达到预设训练次数，若未达到所述预设训练次数，则根据所述更新梯度更新所述图像识别模型的权值，将所述训练分割图像数据输入更新后的所述图像识别模型中进行分割训练；若达到所述预设训练次数，则输出训练好的所述图像识别模型。
优选地，所述对所述背景分类信息和所述设备分类信息进行融合，得到融合信息，包括：
根据所述背景分类信息和所述设备分类信息进行框架构建，得到辨别框架；
基于D-S证据推理的方法对所述辨别框架进行解析，得到所述融合信息。
一种巡检机器人设备识别系统，包括：
获取模块，用于获取待测设备的初始图像信息；
预处理模块，用于根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息；
分类模块，用于基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息；
融合模块，用于对所述背景分类信息和所述设备分类信息进行融合，得到融合信息；
匹配模块，用于基于预设设备库对所述融合信息进行匹配，得到设备识别结果。
优选地，所述预处理模块包括：
提取单元，用于根据所述初始图像信息进行像素点提取，得到提取信息和未提取信息；
合并单元，用于分别对所述提取信息和所述未提取信息进行像素合并，得到所述背景信息和所述待测设备信息。
优选地，还包括：
细化模块，用于分别对所述背景信息和所述待测设备信息进行图像二值化处理，得到图像细化后的背景信息和图像细化后的待测设备信息。
优选地，所述分类模块包括：
识别单元，用于利用训练好的图像识别模型分别识别所述背景信息和所述待测设备信息，得到背景识别信息和设备识别信息；
所述识别单元具体包括：
获取子单元，用于获取训练分割图像数据；
标注子单元，用于标注所述训练分割图像数据，得到标注图像数据；
确定子单元，用于根据所述标注图像数据和所述训练分割图像数据确定损失函数；
更新子单元，用于利用梯度下降优化器最小化所述损失函数的数值，得到所述图像识别模型的更新梯度；
判断子单元，用于判断训练次数是否达到预设训练次数，若未达到所述预设训练次数，则根据所述更新梯度更新所述图像识别模型的权值，将所述训练分割图像数据输入更新后的所述图像识别模型中进行分割训练；若达到所述预设训练次数，则输出训练好的所述图像识别模型。
优选地，所述融合模块包括：
构建单元，用于根据所述背景分类信息和所述设备分类信息进行框架构建，得到辨别框架；
解析单元，用于基于D-S证据推理的方法对所述辨别框架进行解析，得到所述融合信息。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种巡检机器人设备识别方法及系统，所述方法初始图像信息进行图像预处理，得到背景信息和待测设备信息；基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息；对所述背景分类信息和所述设备分类信息进行融合，得到融合信息；基于预设设备库对所述融合信息进行匹配，得到设备识别结果。本发明通过机器学习算法对图像进行自动分类和识别，从而提高了巡检机器人的设备识别的自动化程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的巡检机器人设备识别方法流程图；
图2为本发明提供的实施例中的巡检机器人设备识别系统的模块连接图
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。
本发明的目的是提供一种巡检机器人设备识别方法及系统，能够提高巡检机器人的设备识别的自动化程度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的实施例中的巡检机器人设备识别方法流程图，如图1所示，本实施例中的一种巡检机器人设备识别方法，包括：
步骤100：获取待测设备的初始图像信息；
步骤200：根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息；
步骤300：基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息；
步骤400：对所述背景分类信息和所述设备分类信息进行融合，得到融合信息；
步骤500：基于预设设备库对所述融合信息进行匹配，得到设备识别结果。
优选地，所述根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息，包括：
根据所述初始图像信息进行像素点提取，得到提取信息和未提取信息；
分别对所述提取信息和所述未提取信息进行像素合并，得到所述背景信息和所述待测设备信息。
具体的，利用该技术对图像进行识别时，可先将需要进行识别的图像输入到计算机系统当中，然后计算机会自行对该图像进行匹配，提取图像的特点，进行具体分类。在智能图像识别的过程中，预处理环节为图像输入，这是一个较为关键的环节，直接关系到图像的识别效果。将采集到的图像输入到计算机中，此时识别系统会按照图像本身所具备的特点，将背景与图像进行分离。
优选地，所述根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息之后，还包括：
分别对所述背景信息和所述待测设备信息进行图像二值化处理，得到图像细化后的背景信息和图像细化后的待测设备信息。
可选地，对图像的二值化进行整体细化，由此可以确保系统后期对图像的处理速度及效率，从而使图像的真实性得到最限度地保障，降低其中虚假的成分，借助相关的数值完成对图像的识别。
优选地，基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息，包括：
利用训练好的图像识别模型分别识别所述背景信息和所述待测设备信息，得到背景识别信息和设备识别信息；
所述图像识别模型的训练方法为：
获取训练分割图像数据；
标注所述训练分割图像数据，得到标注图像数据；
根据所述标注图像数据和所述训练分割图像数据确定损失函数；
利用梯度下降优化器最小化所述损失函数的数值，得到所述图像识别模型的更新梯度；
判断训练次数是否达到预设训练次数，若未达到所述预设训练次数，则根据所述更新梯度更新所述图像识别模型的权值，将所述训练分割图像数据输入更新后的所述图像识别模型中进行分割训练；若达到所述预设训练次数，则输出训练好的所述图像识别模型。
具体的，本实施例可以采用目标检测算法训练图像识别模型，例如MaskR-CNN算法、FasterR-CNN算法或FastR-CNN算法等等。此外要保证可见光图像识别模型的识别准确率超过预设的门限值才认为训练的图像识别模型合格。
可选地，所述门限值为0.9。
优选地，所述对所述背景分类信息和所述设备分类信息进行融合，得到融合信息，包括：
根据所述背景分类信息和所述设备分类信息进行框架构建，得到辨别框架；
基于D-S证据推理的方法对所述辨别框架进行解析，得到所述融合信息。
作为一种可选的实施方式，计算机智能图像识别归属于多源信息处理的范畴，在此类信息的处理中，数据融合是一项全新的技术，D-S证据推理则是主要的研究方法之一，它是依托非空集合θ进行建立的，其中的θ又被称之为辨别框架。通过这个框架能够对所有构成假设空间的元素的集合进行描述。
图2为本发明提供的实施例中的巡检机器人设备识别系统的模块连接图，如图2所示，本实施例中的一种巡检机器人设备识别系统，包括：
获取模块，用于获取待测设备的初始图像信息；
预处理模块，用于根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息；
分类模块，用于基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息；
融合模块，用于对所述背景分类信息和所述设备分类信息进行融合，得到融合信息；
匹配模块，用于基于预设设备库对所述融合信息进行匹配，得到设备识别结果。
优选地，所述预处理模块包括：
提取单元，用于根据所述初始图像信息进行像素点提取，得到提取信息和未提取信息；
合并单元，用于分别对所述提取信息和所述未提取信息进行像素合并，得到所述背景信息和所述待测设备信息。
优选地，还包括：
细化模块，用于分别对所述背景信息和所述待测设备信息进行图像二值化处理，得到图像细化后的背景信息和图像细化后的待测设备信息。
优选地，所述分类模块包括：
识别单元，用于利用训练好的图像识别模型分别识别所述背景信息和所述待测设备信息，得到背景识别信息和设备识别信息；
所述识别单元具体包括：
获取子单元，用于获取训练分割图像数据；
标注子单元，用于标注所述训练分割图像数据，得到标注图像数据；
确定子单元，用于根据所述标注图像数据和所述训练分割图像数据确定损失函数；
更新子单元，用于利用梯度下降优化器最小化所述损失函数的数值，得到所述图像识别模型的更新梯度；
判断子单元，用于判断训练次数是否达到预设训练次数，若未达到所述预设训练次数，则根据所述更新梯度更新所述图像识别模型的权值，将所述训练分割图像数据输入更新后的所述图像识别模型中进行分割训练；若达到所述预设训练次数，则输出训练好的所述图像识别模型。
优选地，所述融合模块包括：
构建单元，用于根据所述背景分类信息和所述设备分类信息进行框架构建，得到辨别框架；
解析单元，用于基于D-S证据推理的方法对所述辨别框架进行解析，得到所述融合信息。
本发明的有益效果如下：
(1)本发明通过机器学习算法对图像进行自动分类和识别，从而提高了巡检机器人的设备识别的自动化程度。
(2)本发明通过对图像的二值化进行整体细化，由此可以提高系统后期对图像的处理速度及效率，从而使图像的真实性得到最限度地保障，降低其中虚假的成分。
(3)本发明采用融合算法使得识别结果更加可靠。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种巡检机器人设备识别方法，其特征在于，包括：
获取待测设备的初始图像信息；
根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息；
基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息；
对所述背景分类信息和所述设备分类信息进行融合，得到融合信息；
基于预设设备库对所述融合信息进行匹配，得到设备识别结果。
2.根据权利要求1所述的巡检机器人设备识别方法，其特征在于，所述根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息，包括：
根据所述初始图像信息进行像素点提取，得到提取信息和未提取信息；
分别对所述提取信息和所述未提取信息进行像素合并，得到所述背景信息和所述待测设备信息。
3.根据权利要求1所述的巡检机器人设备识别方法，其特征在于，所述根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息之后，还包括：
分别对所述背景信息和所述待测设备信息进行图像二值化处理，得到图像细化后的背景信息和图像细化后的待测设备信息。
4.根据权利要求1所述的巡检机器人设备识别方法，其特征在于，基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息，包括：
利用训练好的图像识别模型分别识别所述背景信息和所述待测设备信息，得到背景识别信息和设备识别信息；
所述图像识别模型的训练方法为：
获取训练分割图像数据；
标注所述训练分割图像数据，得到标注图像数据；
根据所述标注图像数据和所述训练分割图像数据确定损失函数；
利用梯度下降优化器最小化所述损失函数的数值，得到所述图像识别模型的更新梯度；
判断训练次数是否达到预设训练次数，若未达到所述预设训练次数，则根据所述更新梯度更新所述图像识别模型的权值，将所述训练分割图像数据输入更新后的所述图像识别模型中进行分割训练；若达到所述预设训练次数，则输出训练好的所述图像识别模型。
5.根据权利要求1所述的巡检机器人设备识别方法，其特征在于，所述对所述背景分类信息和所述设备分类信息进行融合，得到融合信息，包括：
根据所述背景分类信息和所述设备分类信息进行框架构建，得到辨别框架；
基于D-S证据推理的方法对所述辨别框架进行解析，得到所述融合信息。
6.一种巡检机器人设备识别系统，其特征在于，包括：
获取模块，用于获取待测设备的初始图像信息；
预处理模块，用于根据所述初始图像信息进行图像预处理，得到背景信息和待测设备信息；
分类模块，用于基于机器学习算法分别对所述背景信息和所述待测设备信息进行分类，得到背景分类信息和设备分类信息；
融合模块，用于对所述背景分类信息和所述设备分类信息进行融合，得到融合信息；
匹配模块，用于基于预设设备库对所述融合信息进行匹配，得到设备识别结果。
7.根据权利要求6所述的巡检机器人设备识别系统，其特征在于，所述预处理模块包括：
提取单元，用于根据所述初始图像信息进行像素点提取，得到提取信息和未提取信息；
合并单元，用于分别对所述提取信息和所述未提取信息进行像素合并，得到所述背景信息和所述待测设备信息。
8.根据权利要求6所述的巡检机器人设备识别系统，其特征在于，还包括：
细化模块，用于分别对所述背景信息和所述待测设备信息进行图像二值化处理，得到图像细化后的背景信息和图像细化后的待测设备信息。
9.根据权利要求6所述的巡检机器人设备识别系统，其特征在于，所述分类模块包括：
识别单元，用于利用训练好的图像识别模型分别识别所述背景信息和所述待测设备信息，得到背景识别信息和设备识别信息；
所述识别单元具体包括：
获取子单元，用于获取训练分割图像数据；
标注子单元，用于标注所述训练分割图像数据，得到标注图像数据；
确定子单元，用于根据所述标注图像数据和所述训练分割图像数据确定损失函数；
更新子单元，用于利用梯度下降优化器最小化所述损失函数的数值，得到所述图像识别模型的更新梯度；
判断子单元，用于判断训练次数是否达到预设训练次数，若未达到所述预设训练次数，则根据所述更新梯度更新所述图像识别模型的权值，将所述训练分割图像数据输入更新后的所述图像识别模型中进行分割训练；若达到所述预设训练次数，则输出训练好的所述图像识别模型。
10.根据权利要求6所述的巡检机器人设备识别系统，其特征在于，所述融合模块包括：
构建单元，用于根据所述背景分类信息和所述设备分类信息进行框架构建，得到辨别框架；
解析单元，用于基于D-S证据推理的方法对所述辨别框架进行解析，得到所述融合信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191364.9A CN113850344A (zh) | 2021-10-13 | 2021-10-13 | 一种巡检机器人设备识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191364.9A CN113850344A (zh) | 2021-10-13 | 2021-10-13 | 一种巡检机器人设备识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113850344A true CN113850344A (zh) | 2021-12-28 |
Family
ID=78978104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111191364.9A Pending CN113850344A (zh) | 2021-10-13 | 2021-10-13 | 一种巡检机器人设备识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850344A (zh) |
-
2021
- 2021-10-13 CN CN202111191364.9A patent/CN113850344A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN110598736A (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| CN107257161A (zh) | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统 | |
| CN109584222A (zh) | 一种基于无人机的光伏组件图像的故障分类及辨识方法 | |
| CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
| CN111582235A (zh) | 用于实时监控站内异常事件的警报方法、系统及设备 | |
| CN110875039B (zh) | 语音识别方法和设备 | |
| CN115330268B (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
| CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
| CN111695493A (zh) | 一种输电线路隐患的检测方法及系统 | |
| CN111798405B (zh) | 一种基于深度学习的套管红外图像的故障诊断方法 | |
| CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
| CN117218495A (zh) | 一种电表箱的风险检测方法及系统 | |
| CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
| Ke et al. | Research on computer vision application in industry field: focus on distribution network engineering | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
| CN113850344A (zh) | 一种巡检机器人设备识别方法及系统 | |
| CN115511367B (zh) | 生产线的质量智能管理系统 | |
| CN111310723A (zh) | 基于深度学习技术的变电站人员穿戴规范分析方法 | |
| CN112347889B (zh) | 一种变电站作业行为辨识方法及装置 | |
| CN115378140A (zh) | 基于图像识别的无人机电力设备巡检系统及方法 | |
| CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
| CN115083229A (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: 030001 Room 401, 4th floor, North building, No.12 nanxiaoqiang, Xinghualing District, Taiyuan City, Shanxi Province Applicant after: Super high voltage transmission branch of State Grid Shanxi Electric Power Co. Address before: 030000 No. 9, Jiahua street, Taiyuan high tech Development Zone, Taiyuan City, Shanxi Province Applicant before: STATE GRID SHANXI ELECTRIC POWER COMPANY, POWER TRANSMISSION MAINTENANCE BRANCH |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220328 Address after: 030006 No. 9, Jiahua street, Xuefu Industrial Park, comprehensive transformation and reform demonstration zone, Taiyuan City, Shanxi Province Applicant after: Super high voltage substation branch of State Grid Shanxi Electric Power Co. Address before: 030001 Room 401, 4th floor, North building, No.12 nanxiaoqiang, Xinghualing District, Taiyuan City, Shanxi Province Applicant before: Super high voltage transmission branch of State Grid Shanxi Electric Power Co. |
|
| TA01 | Transfer of patent application right |