CN114118129A - 一种检测城市照明设施的方法 - Google Patents

一种检测城市照明设施的方法 Download PDF

Info

Publication number
CN114118129A
CN114118129A CN202111244658.3A CN202111244658A CN114118129A CN 114118129 A CN114118129 A CN 114118129A CN 202111244658 A CN202111244658 A CN 202111244658A CN 114118129 A CN114118129 A CN 114118129A
Authority
CN
China
Prior art keywords
street lamp
image data
data
rgb data
street
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
Application number
CN202111244658.3A
Other languages
English (en)
Inventor
金承璋
孙毅
范春飙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Urban Power Lighting Engineering Co ltd
Original Assignee
Shanghai Urban Power Lighting Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Urban Power Lighting Engineering Co ltd filed Critical Shanghai Urban Power Lighting Engineering Co ltd
Priority to CN202111244658.3A priority Critical patent/CN114118129A/zh
Publication of CN114118129A publication Critical patent/CN114118129A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于城市照明设备管理技术领域，提供了一种检测城市照明设施的方法，通过依次进行采集路灯的图像数据A、对所述图像数据进行路灯识别处理，提取带有路灯的图像数据A1、对图像数据A1进行RGB数据转换，获得路灯的原始RGB数据、对RGB数据进行状态特征提取，获得灭灯状态的路灯；最后输出与灭灯状态的路灯对应的地点信息，从而可以准确识别故障路灯，并提供其地理信息，方便维修人员进行及时维护，本发明通过科技手段节省人力物力,从而实现信息化、智能化管理,提高城市照明管理水平，提升工作效率、改革创新管养模式来提高城市照明设施的长效管养机制。

Description

一种检测城市照明设施的方法
技术领域
本发明属于城市照明设备管理技术领域，尤其涉及一种检测城市照明设施的方法。
背景技术
采用AI图像分析检测的方法已经成功应用于各个行业，包括安防周界方法，行为分析、人脸识别、机械辅助控制、产品诊断等；随着技术改进，借助该种分析方法代替人眼完成辅助工作已经成为可能。
当需要对城市照明设施运行状况进行检测，管理者利用现有的视频监控采用巡逻的方式对城市照明设施运行状况判别，然而，针对大量的监控视频，单纯采用人工方式进行远程浏览已经不能满足需求。
发明内容
本发明提供一种检测城市照明设施的方法，旨在解决现有技术存在的问题。
本发明是这样实现的，一种检测城市照明设施的方法，包括以下步骤：
S1、采集路灯的图像数据A；
S2、对所述图像数据进行路灯识别处理，提取带有路灯的图像数据A1；
S3、对图像数据A1进行RGB数据转换，获得路灯的原始RGB数据；
S4、对RGB数据进行状态特征提取，获得灭灯状态的路灯；输出与灭灯状态的路灯对应的地点信息。
优选的，在步骤S4之前，还包括：
对原始RGB数据进行HSV转换：
Figure BDA0003320446190000021
Figure BDA0003320446190000022
Figure BDA0003320446190000023
Figure BDA0003320446190000024
其中，参数分别是：色调H、饱和度S、明度V、红R、绿G、蓝B。
优选的，在步骤S4之前，还包括：
对原始RGB数据进行YUV转换，其中，Y表示灰阶值、U、V表示色度。
与现有技术相比，本发明的有益效果是：本发明的一种检测城市照明设施的方法，通过依次进行采集路灯的图像数据A、对所述图像数据进行路灯识别处理，提取带有路灯的图像数据A1、对图像数据A1进行RGB数据转换，获得路灯的原始RGB数据、对RGB数据进行状态特征提取，获得灭灯状态的路灯；最后输出与灭灯状态的路灯对应的地点信息，从而可以准确识别故障路灯，并提供其地理信息，方便维修人员进行及时维护，本发明通过科技手段节省人力物力,从而实现信息化、智能化管理,提高城市照明管理水平，提升工作效率、改革创新管养模式来提高城市照明设施的长效管养机制。
附图说明
图1为本发明的流程示意图。
图2为本发明的HSV转换和YUV转换的结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
请参阅图1，本实施例提供一种技术方案：一种检测城市照明设施的方法，请参阅1，包括以下步骤：
S1、采集路灯的图像数据A。
具体的：采用数字摄像机采集路灯图像数据A，该数字摄像机是集CCD传感器和视频处理模块一体的装置，把模拟信号经过A/D转换，然后输送到控制中心的服务器。基于GIS系统，数字摄像机输出的信息包括预设值的地点信息，该地点信息对应数字摄像机所采集的路灯的地点。
S2、控制中心的计算机对图像数据进行路灯识别处理，提取带有路灯的图像数据A1。
S3、请参阅图2，对原始RGB数据进行HSV转换：
Figure BDA0003320446190000031
Figure BDA0003320446190000032
Figure BDA0003320446190000033
Figure BDA0003320446190000034
其中，参数分别是：色调H、饱和度S、明度V、红R、绿G、蓝B。
S4、对图像数据A1进行RGB数据转换，获得路灯的原始RGB数据。
S5、对RGB数据进行状态特征提取，获得灭灯状态的路灯；输出与灭灯状态的路灯对应的地点信息。
实施例2
请参阅图1，本实施例提供一种技术方案：一种检测城市照明设施的方法，请参阅1，包括以下步骤：
S1、采集路灯的图像数据A。
具体的：采用数字摄像机采集路灯图像数据A，该数字摄像机是集CCD传感器和视频处理模块一体的装置，把模拟信号经过A/D转换，然后输送到控制中心的服务器。基于GIS系统，数字摄像机输出的信息包括预设值的地点信息，该地点信息对应数字摄像机所采集的路灯的地点。
S2、对图像数据进行路灯识别处理，提取带有路灯的图像数据A1。
S3、请参阅图2，对原始RGB数据进行YUV转换，其中，Y表示灰阶值、U、V表示色度。
S4、对图像数据A1进行RGB数据转换，获得路灯的原始RGB数据。
S5、对RGB数据进行状态特征提取，获得灭灯状态的路灯；输出与灭灯状态的路灯对应的地点信息。
需要说明的是：假设：实际路灯总数为M，算法检测到的路灯总数为N，包括实际路灯数n1和实际非路灯数n2，且满足n1+n2＝N，则：
检测率：DR＝n1/M*100％
虚警率：FAR＝n2/N*100％
为了进一步提升准确率，避免不同材质路灯色温的影响，可以对原始RGB数据进行HSV(Hue,Saturation,Value是根据颜色的直观特性一种颜色空间)或YUV(是一种颜色编码方法，用于优化彩色视频信号的传输)变化，方便处理路灯的明暗变化。
另外，在本发明的方案中，采用卷积神经网络实现特征提取功能。卷积神经网络的强大的特征提取性能使得计算机能够使得计算机近似的模拟人类看到事物反映到大脑中的一系列过程，卷积神经网络是深度学习使用最多、效果最好的算法之一，它作为一种前馈神经网络，通过卷积操作实现特征提取，对特征具有较好的学习能力。卷积神经网络对人类的视觉神经进行模拟，可以在有监督的状态和无监督状态进行学习。卷积神经网络在解决目标检测等关键问题时表现出了很好的效果，因此目前在图像中的目标检测和目标分类中主要使用卷积神经网络。
卷积神经网络中大多数的结构中一般包括位于前端的输入层、位于中间处理数据的隐含层和位于末尾的输出层。
1、输入层
卷积神经网络的输入层部分可以完成对多维的数据操作，一般来说，目标检测中的输入数据为与图像尺寸和图像通道数有关的矩阵，输入层把数据处理读入，用来输出到后续的层进行操作。
2、隐含层
卷积神经网络中的隐含层主要完成对数据进行特征提取，一般使用三类常见层，卷积层、池化层和全连接层。在较为新的网络模型中还会包含其他的部分，如残差块、inception模块等。三类常见的层在隐含层中的连接顺序一般为输入层实现数据的输入，卷积层实现特征的提取，池化层实现对数据的下采样，全连接层将特征完成整合，最后通过输出层输出结果。
(1)卷积层
卷积层的主要利用了卷积操作可以提取特征这一点，是对图片进行卷积操作，其中使用了多个卷积核，每个卷积核都可以通过权值和偏移量来确定运算，卷积层中的每一个神经元都整合了上一个层中部分区域的神经元，范围的大小和卷积核的属性有关，这个属性称为感受野。卷积层提取特征实际是进行计算，每个卷积检查指定范围内的输入数据进行卷积运算，即对相应点的数据和卷积核中的对应矩阵内的权重相乘再加上偏移量，通过对上一层的整个范围完成扫描和卷积运算，进而实现对特征图的运算。
在卷积运算后，可以通过添加激活函数来使卷积运算呈现非线性，通过借助激活函数，增强了网络的拟合能力。常用的激活函数有Sigmoid函数，tanh函数和ReLU(Rectified Linear Unit)函数。
(2)池化层
在经过卷积层提取特征后，输出一张特征图，由于特征图的元素过多，不方便进行后续的操作，故需要对信息选择性的接受。在池化层中，主要使用特定的方法将一定区域内的元素的信息进行综合，得到一个元素。
(3)全连接层
全连接层一般位于隐含层最后，把图像经过卷积层和池化层后得到的数据进行综合，把上一层的特征实现非线性的输出。全连接层中的每个数据输入与上一层的所有数据输出连接，整合上一层中分散的信息映射到集中的标记空间。全连接层的参数的个数与上一层的输入数据个数和全连接层输出数据个数的控制，为两个个数的相乘，故参数的数目会非常大。
3、输出层
在网络结构中，输出层通常以全连接层作为开始，对目标识别的任务来说，可以通过softmax等函数输出类别的分类概率，并且可以输出目标的位置信息，大小信息等。鉴于路灯检测属于目标检测的范畴，考虑使用深度学习的方法来处理这个问题。
当下比较热门的目标检测算法有：Faster R-CNN、Yolo、FPN、RetinaNet、SSD等，对上述的各种方法进行测试后，Yolov4取得了最好的性能，所以最终决定使用Yolov4来解决路灯检测的问题。Yolov4作为当下火热且强大的目标检测算法，其模型结合了之前一些卷积网络的结构，并且加入了诸多数据增强和防止过拟合的方法，在loss函数的设计上也专门对检测框进行了考虑。具体来说，Yolov4使用了两大方面的策略，即Bag of freebies(不增加预测复杂度的情况下提升网络模型的方法)和Bag of specials(只使用微小的代价就可以提升模型性能的方法)。
本发明的一种检测城市照明设施的方法，通过依次进行采集路灯的图像数据A、对所述图像数据进行路灯识别处理，提取带有路灯的图像数据A1、对图像数据A1进行RGB数据转换，获得路灯的原始RGB数据、对RGB数据进行状态特征提取，获得灭灯状态的路灯；最后输出与灭灯状态的路灯对应的地点信息，从而可以准确识别故障路灯，并提供其地理信息，方便维修人员进行及时维护，本发明通过科技手段节省人力物力,从而实现信息化、智能化管理,提高城市照明管理水平，提升工作效率、改革创新管养模式来提高城市照明设施的长效管养机制。
另外，还可以通过结合任务、人员、路灯信息、数据统计等多维度智能化管理；通过路径智能规划，将维修任务自动派单到移动端APP；维修人员通过移动端实现工单全流程处理；指挥控制台可以查看到监测数据和效率分析。结合GIS系统，平台实现数据互联互通，大数据+智能算法提供技术底层支撑，多层次开放API衍生多样化数据应用，助力打造“安全+智能”的路灯管理系统。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种检测城市照明设施的方法，其特征在于：包括以下步骤：
S1、采集路灯的图像数据A；
S2、对所述图像数据进行路灯识别处理，提取带有路灯的图像数据A1；
S3、对图像数据A1进行RGB数据转换，获得路灯的原始RGB数据；
S4、对RGB数据进行状态特征提取，获得灭灯状态的路灯；输出与灭灯状态的路灯对应的地点信息。
2.如权利要求1所述的一种检测城市照明设施的方法，其特征在于：在步骤S4之前，还包括：
对原始RGB数据进行HSV转换：
Figure FDA0003320446180000011
Figure FDA0003320446180000012
Figure FDA0003320446180000013
Figure FDA0003320446180000014
其中，参数分别是：色调H、饱和度S、明度V、红R、绿G、蓝B。
3.如权利要求1所述的一种检测城市照明设施的方法，其特征在于：在步骤S4之前，还包括：
对原始RGB数据进行YUV转换，其中，Y表示灰阶值、U、V表示色度。
CN202111244658.3A 2021-10-26 2021-10-26 一种检测城市照明设施的方法 Pending CN114118129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111244658.3A CN114118129A (zh) 2021-10-26 2021-10-26 一种检测城市照明设施的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111244658.3A CN114118129A (zh) 2021-10-26 2021-10-26 一种检测城市照明设施的方法

Publications (1)

Publication Number Publication Date
CN114118129A true CN114118129A (zh) 2022-03-01

Family

ID=80377064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111244658.3A Pending CN114118129A (zh) 2021-10-26 2021-10-26 一种检测城市照明设施的方法

Country Status (1)

Country Link
CN (1) CN114118129A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057784A (zh) * 2023-10-10 2023-11-14 智隆(广州)网络科技有限公司 一种路灯运行状态监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057784A (zh) * 2023-10-10 2023-11-14 智隆(广州)网络科技有限公司 一种路灯运行状态监测方法及系统
CN117057784B (zh) * 2023-10-10 2024-01-30 智隆(广州)网络科技有限公司 一种路灯运行状态监测方法及系统

Similar Documents

Publication Publication Date Title
CN106845434B (zh) 一种基于支持向量机的图像型机房漏水监测方法
CN108268832A (zh) 电力作业监测方法、装置、存储介质和计算机设备
CN113192038B (zh) 基于深度学习的已有火焰环境中异常烟火识别监测方法
CN115331172A (zh) 一种基于监控视频的车间危险行为识别报警方法及系统
CN112347887A (zh) 一种物体检测方法、物体检测装置及电子设备
US6571228B1 (en) Hybrid neural networks for color identification
CN113723300A (zh) 基于人工智能的火情监测方法、装置及存储介质
CN110096945A (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN114118129A (zh) 一种检测城市照明设施的方法
CN109740527B (zh) 一种视频帧中图像处理方法
CN106960188B (zh) 天气图像分类方法及装置
CN116310922A (zh) 石化厂区监控视频风险识别方法、系统、电子设备及存储介质
CN112633179A (zh) 基于视频分析的农贸市场过道物体占道检测方法
CN112488213A (zh) 一种基于多尺度特征学习网络的火灾图片分类方法
CN110796008A (zh) 一种基于视频图像的早期火灾检测方法
WO2023029559A1 (zh) 一种数据处理方法以及装置
CN111402223B (zh) 一种利用变电站视频图像的变电站缺陷问题检测方法
CN111242053B (zh) 一种输电线路火焰检测方法及系统
KR20220144237A (ko) 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체
CN109003254B (zh) 基于逻辑回归覆冰检测方法、装置、设备、系统及介质
Saxena et al. Colour detection in objects using NIN implemented CNN
Campisi et al. Real time Vehicle Color Recognition on a budget: an investigation on the usage of CNN architectures
CN117765467A (zh) 基于智能感知的图像识别方法及系统
CN116168311B (zh) 一种用于森林病虫害的无人机遥感监测系统及方法
CN112435240B (zh) 一种面向工人违规使用手机的深度视觉手机检测系统

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