CN114240924A - 一种基于数字化技术的电网设备质量评估方法 - Google Patents
一种基于数字化技术的电网设备质量评估方法 Download PDFInfo
- Publication number
- CN114240924A CN114240924A CN202111613396.3A CN202111613396A CN114240924A CN 114240924 A CN114240924 A CN 114240924A CN 202111613396 A CN202111613396 A CN 202111613396A CN 114240924 A CN114240924 A CN 114240924A
- Authority
- CN
- China
- Prior art keywords
- image
- equipment
- pixel
- block diagram
- pixel points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000004043 dyeing Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000001303 quality assessment method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000003860 storage Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及电网设备技术领域,揭露一种基于数字化技术的电网设备质量评估方法,包括:利用设备识别模型对获得的待检测图像进行检测,得到待检测图像中的设备尺寸和每一个像素点的置信度;汇集置信度大于预设阈值的像素点为设备像素点,选取设备像素点的中心像素点,根据中心像素点和设备尺寸对待检测图像进行剪裁,得到设备框图;对设备框图进行噪声处理和染色,得到标准图像;对标准图像进行细节增强处理和二值化分割,得到二值化图像;提取二值化图像中磨损纹理的面积、长度及数量,并根据面积、长度及数量计算得到设备框图中设备的质量评估结果。本发明可以提高设备质量评估准确度。
Description
技术领域
本发明涉及电网设备技术领域,尤其涉及一种基于数字化技术的电网设备质量评估方法。
背景技术
现有的电网基站站内,设备众多,电网设备质量管理涉及到研发、生产、采购、运行等环节,环节多、链条长、相关方多及因素。为保证设备的无故障运行,需要人工定期巡检,查看设备状态,但人工巡检存在占用人员多,设备状态查看不及时的情况。现有技术中的自动化巡检为设置巡检机器人,通过巡检机器人获取设备图像,并对设备图像进行自动识别和检测,以得出变电站中的设备状况,但在图像识别过程中,由于对待检测图像中设备的框选不准确以及待检测图像中的影响因素较多,使得对最终得到的设备质量评估准确度较低。
发明内容
本发明提供一种基于数字化技术的电网设备质量评估方法,其主要目的在于解决设备质量评估准确度较低的问题。
为实现上述目的,本发明提供的一种基于数字化技术的电网设备质量评估方法,包括:
获得待检测图像,利用预构建的设备识别模型对所述待检测图像进行检测,得到所述待检测图像中的设备尺寸和每一个像素点的置信度;
汇集置信度大于预设阈值的像素点为设备像素点,选取所述设备像素点的中心像素点,根据所述中心像素点和所述设备尺寸对所述待检测图像进行剪裁,得到设备框图;
对所述设备框图进行噪声处理和染色,得到标准图像;
对所述标准图像进行细节增强处理和二值化分割,得到二值化图像;
提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算得到所述设备框图中设备的质量评估结果。
可选地,所述对所述设备框图进行噪声处理和染色,得到标准图像,包括:
对所述设备框图进行噪声像素滤波,得到滤波图像;
获取预设的颜色参数,遍历并获取所述滤波图像中各像素点的像素值;
根据所述颜色参数对所述像素值进行线性调整,得到标准图像。
可选地,所述对所述设备框图进行噪声像素滤波,得到滤波图像,包括:
将所述设备框图进行均匀切割,得到多个图像块;
分别对所述多个图像块进行像素卷积,得到多个卷积图像块;
分别对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块;
将所述多个平滑图像块进行拼接,得到滤波图像。
可选地,所述对所述标准图像进行细节增强处理和二值化分割,得到二值化图像,包括:
对所述标准图像进行细节增强处理,得到增强图像;
获取所述增强图像中各像素点的像素值,利用预设二值化公式对所述增强图像中各像素点的像素值进行二值化分割,得到二值化图像。
可选地,所述对所述标准图像进行细节增强处理,得到增强图像,包括:
利用n×n的图像窗口在所述标准图像中依次进行区域选择,得到多个图像区域,其中,所述n为正整数;
根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元;
根据所述二进制码元对所述中心像素进行像素增强,得到增强图像。
可选地,所述获得待检测图像之前,所述方法还包括:
获取训练图像集以及所述训练图像集对应的真实设备置信度和真实设备尺寸;
利用预设的设备识别模型计算所述训练图像集的预测设备置信度和预测设备尺寸;
计算所述预测设备置信度与所述真实设备置信度之间的损失值,得到第一损失值,并计算所述预测设备尺寸和所述真实设备尺寸之间的损失值,得到第二损失值,利用所述第一损失值和所述第二损失值对所述设备识别模型进行优化,得到所述预构建的设备识别模型。
可选地,所述利用预设的设备识别模型计算所述训练图像集的预测设备置信度和预测设备尺寸,包括:
从所述标准训练图像集中逐一选取其中一个图像为目标图像;
统计所述目标图像中所有像素点的像素值,得到所述目标图像的像素矩阵;
利用所述设备识别模型对所述像素矩阵进行卷积、池化以及激活处理,得到所述目标图像中每一个像素点的预测设备置信度;
统计所述目标图像中所述预测设备置信度大于预设阈值的像素点为设备像素点,根据所述设备像素点计算得到所述目标图像的预测设备尺寸。
本发明实施例通过设备识别模型生成设备尺寸和每一个像素点的置信度,进而实现对图像中的设备进行定位,使设备框的定位更加精准,错误率低,鲁棒性好;并且本发明从待检测图像中剪裁出设备框图,通过对设备框图进行噪声像素滤波,可去除图像中的噪声,保留后续质量分析时需要的磨损纹理;通过预设的染色方式对滤波图像进行染色,可实现在不同颜色下突出滤波图像中的图像细节;通过对标准图像进行细节增强处理,将标准图像中噪声像素点进行过滤,并对图像细节进行局部纹理加深,突出了图像中的细节特征,提高了对图像进行分析的精确度,最终实现了对设备质量评估的准确性。因此本发明提出的基于数字化技术的电网设备质量评估方法、装置、电子设备及计算机可读存储介质,可以解决设备质量评估准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于数字化技术的电网设备质量评估方法的流程示意图;
图2为本发明一实施例提供的获取标准图像的流程示意图;
图3为本发明一实施例提供的生成设备识别模型的流程示意图;
图4为本发明一实施例提供的基于图像识别的设备质量评估装置的功能模块图;
图5为本发明一实施例提供的实现所述基于数字化技术的电网设备质量评估方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于数字化技术的电网设备质量评估方法。所述基于数字化技术的电网设备质量评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于数字化技术的电网设备质量评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于数字化技术的电网设备质量评估方法的流程示意图。在本实施例中,所述基于数字化技术的电网设备质量评估方法包括:
S1、获得待检测图像,利用预构建的设备识别模型对所述待检测图像进行检测,得到所述待检测图像中的设备尺寸和每一个像素点的置信度;
本发明实施例中,所述待检测图像可以为负责检测设备的巡检机器人拍摄得到或者由拍照装置拍摄得到。
本发明实施例可利用具有数据抓取功能的python语句从用于存储所述待检测图像的存储区域,如区块链中抓取所述待检测目标物图像,当获取到待检测图像后,将所述待检测图像输入至设备识别模型进行检测。
本发明实施例中,请参阅图2所示,所述获得待检测图像之前,所述方法还包括:
S11、获取训练图像集以及所述训练图像集对应的真实设备置信度和真实设备尺寸;
S12、利用预设的设备识别模型计算所述训练图像集的预测设备置信度和预测设备尺寸;
S13、计算所述预测设备置信度与所述真实设备置信度之间的损失值,得到第一损失值,并计算所述预测设备尺寸和所述真实设备尺寸之间的损失值,得到第二损失值,利用所述第一损失值和所述第二损失值对所述设备识别模型进行优化,得到所述预构建的设备识别模型。
本发明实施例中,所述设备识别模型可以为UNet神经网络,该UNet神经网络采用全卷积神经网络,左边卷积网络为特征提取网络:使用卷积(conv)和池化(pooling),右边卷积网络为特征融合网络:右边卷积网络使用上采样产生的特征图与左侧卷积网络卷积得到的特征图进行跳层连接(concatenate)操作,这一网络有利于提高图像处理速度以及更好的保留图像特征。
本发明实施例中,利用UNet神经网络构建设备识别网络,避免了繁琐的锚点的和非极大值抑制(NMS)后的数据处理时间,快速高效,召回率高,误检率低。
本发明实施例中,所述预测设备置信度为所述训练图像集的图像每一个像素点为设备像素点的置信度;所述设备尺寸包括设备区域的宽和高,是训练图像集的图像设备框的尺寸。
详细地,所述利用预设的设备识别模型计算所述训练图像集的预测设备置信度和预测设备尺寸,包括:
从所述标准训练图像集中逐一选取其中一个图像为目标图像;
统计所述目标图像中所有像素点的像素值,得到所述目标图像的像素矩阵;
利用所述设备识别模型对所述像素矩阵进行卷积、池化以及激活处理,得到所述目标图像中每一个像素点的预测设备置信度;
统计所述目标图像中所述预测设备置信度大于预设阈值的像素点为设备像素点,根据所述设备像素点计算得到所述目标图像的预测设备尺寸。
本发明实施例中,将预测设备置信度中大于预设阈值(例如0.9)的像素点,统计所述像素点的数量,根据数量的多少对预测设备尺寸进行计算。例如,所述图像宽和高为像素点数量为312×283,其中预测设备置信度大于预设阈值的像素点的数量为50000个,最上方和最下方相隔计算250个像素点,最左方和最右方相隔200个像素点。图像宽度按照312:250比例计算得到,预测设备尺寸按照所述图像宽度以5:4的比例计算得到。
本发明实施例中,所述第一损失值为预测设备置信度与真实设备置信度之间的偏差值;所述第二损失值为预测设备尺寸的高度和宽度与真实设备尺寸的高度和宽度之间的偏差值。
详细地,本发明实施例利用下述Focal Loss损失函数计算根据所述预测设备置信度及所述真实设备置信度的第一损失值:
进一步地,本发明实施例利用下述smooth-L1损失函数计算所述预测设备尺寸及所述真实设备尺寸中的第二损失值,所述第二损失值包含宽度损失值和高度损失值:
其中Lw为宽度损失值,Lh为高度损失值,wk为真实设备宽度,为预测设备宽度,hk为真实设备高度,为预测设备高度,N为待检测图像集数量,a可为真实设备宽度和预测设备宽度差异值或真实设备高度和预测设备高度差异值。
本发明实施例中,所述利用所述第一损失值和所述第二损失值对所述设备识别模型进行优化,得到标准设备识别模型,可采用预设的串联损失函数计算所述置信度损失、所述宽度损失及所述高度损失的串联损失,包括:
利用下述串联损失函数计算所述置信度损失、所述宽度损失及所述高度损失的串联损失:
L=Lc+λwLw+λhLh
其中,λw,λh为预设权重,L为串联损失值,Lc为第一损失值,Lw为宽度损失值,Lh为高度损失值。
本发明一可选实施例中,当所述串联损失值大于预设的损失阈值,使用Adam优化算法对标准设备识别模型的参数进行优化,Adam优化算法可自适应调节目标物检测模型训练过程中的学习率,使得设备识别模型更加精确,提升设备识别模型的性能,例如当学习率降低至预设学习率5e-5时,则设备识别模型训练结束,得到标准设备识别模型。
本发明实施例中,所述利用所述标准设备识别模型对所述待检测图像进行检测,得到所述待检测图像中的设备尺寸和每一个像素点的置信度与上述利用所述设备识别模型生成所述训练图像的预测设备置信度和预测设备尺寸的过程相似,在此不过多赘述。
S2、汇集置信度大于预设阈值的像素点为设备像素点,选取所述设备像素点的中心像素点,根据所述中心像素点和所述设备尺寸对所述待检测图像进行剪裁,得到设备框图;
本发明实施例中,待检测图像每一点像素点都有对应的置信度,当所述置信度大于预设阈值(例如0.9),则可确定所述置信度对应的像素点即为设备像素点。所述设备中心点为所述识别的设备像素点中位于中心处的像素点。所述设备框图为对图像上设备区域的矩形框选图。
本发明实施例中,所述设备框图为包含设备的较优框选图像。
本发明一可选实施例中,所述选取所述设备像素点的中心像素点,包括:
从所述设备像素点中筛选出横坐标的极值像素点及纵坐标的极值像素点,得到横坐标最大的第一像素点、纵坐标最大的第二像素点,横坐标最小的第三像素点,以及纵坐标最小的第四像素点;
将所述第一像素点与所述第三像素点相连接得到第一直线,以及将所述第二像素点与所述第四像素点相连接,得到第二直线;
根据所述第一直线与所述第二直线的交叉点,确定所述设备像素点的中心像素点。
本发明实施例中,所述根据所述中心像素点和所述设备尺寸对所述目标图像进行剪裁,得到设备框图,包括:
以所述中心像素点为中心点,根据所述设备尺寸的宽和高构建矩形框,得到设备框;
从所述待检测图像中裁剪所述设备框的区域,得到设备框图。
本发明另一选实施例中,以所述待检测图像左下角的点为原点,建立坐标系,获得所述中心像素点的坐标(c,r),从所述设备尺寸获取设备宽度W和高度H,则设备框左上角点坐标计算为:
x1=eR*c-W/2
y1=eR*r-H/2
设备框右下角点坐标为:
x2=eR*c+W/2
y2=eR*r+H/2
其中R为步长,例如,R=4。
通过所述左上角点坐标和右下角坐标得到设备框,保留所述设备框区域,对待检测图像进行裁剪,即可得到设备框图。
S3、对所述设备框图进行噪声处理和染色,得到标准图像;
本发明实施例中,通过对待检测图像中的设备识别,获得剔除多余像素点的设备框图。
本发明实施例中,请参阅图3所示,所述对所述设备框图进行噪声处理和染色,得到标准图像,包括:
S31、对所述设备框图进行噪声像素滤波,得到滤波图像;
S32、获取预设的颜色参数,遍历并获取所述滤波图像中各像素点的像素值;
S33、根据所述颜色参数对所述像素值进行线性调整,得到标准图像。
本发明实施例中,预设的染色方式可以为一种或多种,可以根据获取到的图像的属性采取相同或者不同的染色方式。
详细地,所述颜色参数是用于唯一标识不同色彩的参数,所述颜色参数为动态浮点数值,可根据目标像素的像素值将目标像素转化至预设的颜色范围内。
例如,红色的颜色参数为r,红色的颜色范围为(qp),存在目标像素的像素值为k,且k不在(qp)范围内,则利用颜色参数r对目标像素的像素值进行线性调整,使得所述目标像素的像素值落入(qp)范围内。
本发明实施例中,分别利用多种颜色参数对滤波图像中各像素点的像素值进行线性调整,得到标准图像。
进一步地,所述对所述设备框图进行噪声像素滤波,得到滤波图像,包括:
将所述设备框图进行均匀切割,得到多个图像块;
分别对所述多个图像块进行像素卷积,得到多个卷积图像块;
分别对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块;
将所述多个平滑图像块进行拼接,得到滤波图像。
例如,存在尺寸为9X9的设备框图,按照等长度与等宽度将所述设备框图切分为9个3X3的图像块。
本发明实施例中,将设备框图进行均匀切割为多个图像块,有利于减少每个图像块中的像素数量,从而提高对设备框图进行噪声像素滤波的效率。
具体地,本发明实施例采用Gabor滤波器对所述多个图像块进行像素卷积,所述Gabor滤波器会根据预先设定的方向数和尺度数对所述多个图像块进行卷积计算,只允许符合预设纹理的图像通过,而不符合滤波器的图像则受到抑制,因此,当预设纹理设置为划痕时,通过Gabor滤波器根据预先设定的方向数和尺度数对所述多个图像块进行卷积计算,可保留图像块中划痕的纹理,而去处非划痕的纹理,以便于突出所述设备框图中的划痕特征,有利于提高最终分析的精确度。
本发明实施例中,利用高斯核函数对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块,所述高斯核函数也称径向基函数,是常用的一种平滑核函数,可利用高斯核函数的旋转对称性将有限维数据(既像素值)平滑映射到高维空间,以实现对多个卷积图像块进行高斯平滑处理。
本发明实施例对设备框图进行噪声像素滤波,可去除设备框图中的噪声,保留后续分析时需要的划痕纹理,有利于提高最终分析的精确度;利用预设的染色方式对滤波图像进行染色,可实现在不同颜色下突出滤波图像中的图像细节,有利于提高对图像中细节进行质量评估结果分析的精确度。
S4、对所述标准图像进行细节增强处理和二值化分割,得到二值化图像;
本发明实施例中,所述对所述标准图像进行细节增强处理和二值化分割,得到二值化图像,包括:
对所述标准图像进行细节增强处理,得到增强图像;
获取所述增强图像中各像素点的像素值,利用预设二值化公式对所述增强图像中各像素点的像素值进行二值化分割,得到二值化图像。
本发明实施例中,所述对所述标准图像进行细节增强处理,得到增强图像,包括:
利用n×n的图像窗口在所述标准图像中依次进行区域选择,得到多个图像区域,其中,所述n为正整数;
根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元;
根据所述二进制码元对所述中心像素进行像素增强,得到增强图像。
可选地,所述根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元,包括:
其中,P0为所述图像区域的中心像素,Pe为所述中心像素的邻域像素的均值,n为所述邻域像素的个数,s(P0-Pe)为量化运算。
本发明实施例中,所述预设二值化公式为:
其中,f(m,n)为所述增强图像中像素点(m,n)的像素值,g(m,n)为所述增强图像中像素点(m,n)二值化后的像素值,C为预设常数。
本发明实施例对标准图像进行细节增强处理,将标准图像中噪声像素点进行过滤,并对图像细节进行局部纹理加深,突出了图像中的细节特征,有利于提高对图像进行分析的精确度;通过对增强图像进行二值化分割,可突出增强图像中的划痕,提高后续利用划痕对设备质量评估结果进行分析的精确度。
S5、提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算得到所述设备框图中设备的质量评估结果。
本发明实施例可直接利用图像处理软件提取所述二值化图像中磨损纹理的面积、长度及数量,所述图像处理软件包括但不限于photoshop,picasa等。
详细地,所述根据所述面积、长度及数量计算所述设备框图中设备的质量评估结果,包括:
利用如下权重算法根据所述面积、长度及数量计算所述设备框图中设备的质量评估结果:
当所述二值化图像中磨损纹理的数量为0时,即可计算得到所述设备框图中设备的质量评估结果为0,当所述二值化图像中磨损纹理的数量不为0时,即可根据所述面积、长度及数量计算出所述设备框图中设备的质量评估结果T。
本发明实施例通过设备识别模型生成设备尺寸和每一个像素点的置信度,进而实现对图像中的设备进行定位,使设备框的定位更加精准,错误率低,鲁棒性好;并且本发明从待检测图像中剪裁出设备框图,通过对设备框图进行噪声像素滤波,可去除图像中的噪声,保留后续质量分析时需要的磨损纹理;通过预设的染色方式对滤波图像进行染色,可实现在不同颜色下突出滤波图像中的图像细节;通过对标准图像进行细节增强处理,将标准图像中噪声像素点进行过滤,并对图像细节进行局部纹理加深,突出了图像中的细节特征,提高了对图像进行分析的精确度,最终实现了对设备质量评估的准确性。因此本发明提出的基于数字化技术的电网设备质量评估方法,可以解决设备质量评估准确度较低的问题。
如图4所示,是本发明一实施例提供的基于图像识别的设备质量评估装置的功能模块图。
本发明所述基于图像识别的设备质量评估装置100可以安装于电子设备中。根据实现的功能,所述基于图像识别的设备质量评估装置100可以包括设备框图获取模块101、设备框图处理模块102及设备质量评估结果生成模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述设备框图获取模块101,用于获得待检测图像,利用预构建的设备识别模型对所述待检测图像进行检测,得到所述待检测图像中的设备尺寸和每一个像素点的置信度;汇集置信度大于预设阈值的像素点为设备像素点,选取所述设备像素点的中心像素点,根据所述中心像素点和所述设备尺寸对所述待检测图像进行剪裁,得到设备框图;
所述设备框图处理模块102,用于对所述设备框图进行噪声处理和染色,得到标准图像;对所述标准图像进行细节增强处理和二值化分割,得到二值化图像;
所述设备质量评估结果生成模块103,用于提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算得到所述设备框图中设备的质量评估结果。
详细地,本发明实施例中所述基于图像识别的设备质量评估装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于数字化技术的电网设备质量评估方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于数字化技术的电网设备质量评估方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于图像识别的设备质量评估程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于图像识别的设备质量评估程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于图像识别的设备质量评估程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于图像识别的设备质量评估程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获得待检测图像,利用预构建的设备识别模型对所述待检测图像进行检测,得到所述待检测图像中的设备尺寸和每一个像素点的置信度;
汇集置信度大于预设阈值的像素点为设备像素点,选取所述设备像素点的中心像素点,根据所述中心像素点和所述设备尺寸对所述待检测图像进行剪裁,得到设备框图;
对所述设备框图进行噪声处理和染色,得到标准图像;
对所述标准图像进行细节增强处理和二值化分割,得到二值化图像;
提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算得到所述设备框图中设备的质量评估结果。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获得待检测图像,利用预构建的设备识别模型对所述待检测图像进行检测,得到所述待检测图像中的设备尺寸和每一个像素点的置信度;
汇集置信度大于预设阈值的像素点为设备像素点,选取所述设备像素点的中心像素点,根据所述中心像素点和所述设备尺寸对所述待检测图像进行剪裁,得到设备框图;
对所述设备框图进行噪声处理和染色,得到标准图像;
对所述标准图像进行细节增强处理和二值化分割,得到二值化图像;
提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算得到所述设备框图中设备的质量评估结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于数字化技术的电网设备质量评估方法,其特征在于,所述方法包括:
获得待检测图像,利用预构建的设备识别模型对所述待检测图像进行检测,得到所述待检测图像中的设备尺寸和每一个像素点的置信度;
汇集置信度大于预设阈值的像素点为设备像素点,选取所述设备像素点的中心像素点,根据所述中心像素点和所述设备尺寸对所述待检测图像进行剪裁,得到设备框图;
对所述设备框图进行噪声处理和染色,得到标准图像;
对所述标准图像进行细节增强处理和二值化分割,得到二值化图像;
提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算得到所述设备框图中设备的质量评估结果。
2.如权利要求1所述的基于数字化技术的电网设备质量评估方法,其特征在于,所述对所述设备框图进行噪声处理和染色,得到标准图像,包括:
对所述设备框图进行噪声像素滤波,得到滤波图像;
获取预设的颜色参数,遍历并获取所述滤波图像中各像素点的像素值;
根据所述颜色参数对所述像素值进行线性调整,得到标准图像。
3.如权利要求2所述的基于数字化技术的电网设备质量评估方法,其特征在于,所述对所述设备框图进行噪声像素滤波,得到滤波图像,包括:
将所述设备框图进行均匀切割,得到多个图像块;
分别对所述多个图像块进行像素卷积,得到多个卷积图像块;
分别对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块;
将所述多个平滑图像块进行拼接,得到滤波图像。
4.如权利要求1所述的基于数字化技术的电网设备质量评估方法,其特征在于,所述对所述标准图像进行细节增强处理和二值化分割,得到二值化图像,包括:
对所述标准图像进行细节增强处理,得到增强图像;
获取所述增强图像中各像素点的像素值,利用预设二值化公式对所述增强图像中各像素点的像素值进行二值化分割,得到二值化图像。
5.如权利要求4所述的基于数字化技术的电网设备质量评估方法,其特征在于,所述对所述标准图像进行细节增强处理,得到增强图像,包括:
利用n×n的图像窗口在所述标准图像中依次进行区域选择,得到多个图像区域,其中,所述n为正整数;
根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元;
根据所述二进制码元对所述中心像素进行像素增强,得到增强图像。
6.如权利要求1至5中任一项所述的基于数字化技术的电网设备质量评估方法,其特征在于,所述获得待检测图像之前,所述方法还包括:
获取训练图像集以及所述训练图像集对应的真实设备置信度和真实设备尺寸;
利用预设的设备识别模型计算所述训练图像集的预测设备置信度和预测设备尺寸;
计算所述预测设备置信度与所述真实设备置信度之间的损失值,得到第一损失值,并计算所述预测设备尺寸和所述真实设备尺寸之间的损失值,得到第二损失值,利用所述第一损失值和所述第二损失值对所述设备识别模型进行优化,得到所述预构建的设备识别模型。
7.如权利要求6所述的基于数字化技术的电网设备质量评估方法,其特征在于,所述利用预设的设备识别模型计算所述训练图像集的预测设备置信度和预测设备尺寸,包括:
从所述标准训练图像集中逐一选取其中一个图像为目标图像;
统计所述目标图像中所有像素点的像素值,得到所述目标图像的像素矩阵;
利用所述设备识别模型对所述像素矩阵进行卷积、池化以及激活处理,得到所述目标图像中每一个像素点的预测设备置信度;
统计所述目标图像中所述预测设备置信度大于预设阈值的像素点为设备像素点,根据所述设备像素点计算得到所述目标图像的预测设备尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111613396.3A CN114240924A (zh) | 2021-12-27 | 2021-12-27 | 一种基于数字化技术的电网设备质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111613396.3A CN114240924A (zh) | 2021-12-27 | 2021-12-27 | 一种基于数字化技术的电网设备质量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240924A true CN114240924A (zh) | 2022-03-25 |
Family
ID=80763424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111613396.3A Pending CN114240924A (zh) | 2021-12-27 | 2021-12-27 | 一种基于数字化技术的电网设备质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240924A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310424A (zh) * | 2023-05-17 | 2023-06-23 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862707A (zh) * | 2021-01-27 | 2021-05-28 | 梁朝军 | 一种基于图像处理的风电叶磨损分析方法及装置 |
CN113705461A (zh) * | 2021-08-30 | 2021-11-26 | 平安银行股份有限公司 | 人脸清晰度检测方法、装置、设备及存储介质 |
-
2021
- 2021-12-27 CN CN202111613396.3A patent/CN114240924A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862707A (zh) * | 2021-01-27 | 2021-05-28 | 梁朝军 | 一种基于图像处理的风电叶磨损分析方法及装置 |
CN113705461A (zh) * | 2021-08-30 | 2021-11-26 | 平安银行股份有限公司 | 人脸清晰度检测方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310424A (zh) * | 2023-05-17 | 2023-06-23 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
CN116310424B (zh) * | 2023-05-17 | 2023-08-18 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN109800698A (zh) | 基于深度网络的图标检测方法 | |
CN109613002A (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN112330597A (zh) | 一种图像差异检测方法、装置及计算机设备 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN113887439A (zh) | 基于图像识别的自动预警方法、装置、设备及存储介质 | |
CN116994721B (zh) | 一种数字病理切片图的快速处理系统 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN112113638A (zh) | 水表功能自检装置及方法 | |
CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
CN114882059A (zh) | 基于图像分析的尺寸测量方法、装置、设备及存储介质 | |
CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
CN112862707A (zh) | 一种基于图像处理的风电叶磨损分析方法及装置 | |
CN112541899A (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
Ashraf et al. | Efficient Pavement Crack Detection and Classification Using Custom YOLOv7 Model | |
CN114708230B (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |
|
RJ01 | Rejection of invention patent application after publication |