CN114266963A - 一种导线缠绕间隙识别方法、设备及存储介质 - Google Patents
一种导线缠绕间隙识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114266963A CN114266963A CN202111502609.5A CN202111502609A CN114266963A CN 114266963 A CN114266963 A CN 114266963A CN 202111502609 A CN202111502609 A CN 202111502609A CN 114266963 A CN114266963 A CN 114266963A
- Authority
- CN
- China
- Prior art keywords
- gap
- wire
- wire winding
- picture
- winding gap
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种导线缠绕间隙识别方法、设备及存储介质,方法包括:获取若干个含有导线缠绕间隙的图像并进行预处理,以预处理后得到的图像集并作为训练集;构建语义分割模型,采用所述语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型;获取待识别图像,采用所述导线缠绕间隙识别模型对所述待识别图像进行识别,以得到语义分割图片;根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小。本发明解决了现有技术中在进行预绞丝修补时,无法识别导线缠绕间隙的技术问题。
Description
技术领域
本发明涉及导线修补技术领域,具体涉及一种导线缠绕间隙识别方法、设备及存储介质。
背景技术
架空输电线路作为目前长距离输送电力的主要方式,其线路具有:架设里程长、档距大、分布面积广、高达50米的特点。因其自身高度及其输送大电流的缘故,输电导线久经风害,雷击,及局部线股过流的影响,从而引起局部导线断股,目前解决方法是通过无人机巡视线路,发现断股点,再由人工上塔在断股点进行导线修补作业。所以争对修补作业现状,开发相应机器人来代替工作人员完成导线修补工作。通过机器人携带用于修补的预绞丝,采用无人机挂线的方法,机器人在高空作业时机器人沿线路行驶,采用基于深度学习的断股检测方法使行走轮和顶紧轮行走到导线断股位置并且固定机器人。机器人上有旋转转盘带动预绞丝缠绕修补导线,然后在修补完成后采用裁刀裁剪多余的预绞丝。在修补的过程中,旋转转盘在旋转的过程中,会带动预绞丝缠绕在导线上,导线与预绞丝之间具有缠绕间隙,如果缠绕间隙过大会使放置在旋转转盘的预绞丝上发生较大偏移,而缠绕间隙过小不仅使得预绞丝发生较大形变,在拧线时会使得预绞丝发生错位而产生缝隙,目前,缺少对导线缠绕间隙的大小识别,因此,目前无法保证在进行预绞丝修补时保证导线缠绕间隙的大小,导致修补效果不佳。
发明内容
本发明的目的在于克服上述技术不足,提供一种导线缠绕间隙识别方法、设备及存储介质,解决现有技术中在进行预绞丝修补时,无法识别导线缠绕间隙的技术问题。
为达到上述技术目的,本发明采取了以下技术方案:
第一方面,本发明提供一种导线缠绕间隙识别方法,包括如下步骤:
获取若干个含有导线缠绕间隙的图像并进行预处理,以预处理后得到的图像集并作为训练集;
构建语义分割模型,采用所述语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型;
获取待识别图像,采用所述导线缠绕间隙识别模型对所述待识别图像进行识别,以得到语义分割图片;
根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小。
优选的,所述的导线缠绕间隙识别方法中,所述获取若干个含有导线缠绕间隙的图像并进行预处理,以预处理后得到的图像集并作为训练集具体包括:
获取若干个含有导线缠绕间隙的图像;
对所述导线缠绕间隙的图像中的待检测目标进行标注,获取与图像对应的标注文件;
对所述标注文件进行格式转换,并将所述图像与其对应的格式转换后的标注文件作为所述训练集。
优选的,所述的导线缠绕间隙识别方法中,所述待检测目标包括导线、预绞丝、导线上方与预绞丝的间隙以及导线下方与预绞丝的间隙。
优选的,所述的导线缠绕间隙识别方法中,所述标注文件为json格式文件。
优选的,所述的导线缠绕间隙识别方法中,所述语义分割模型为UNET语义分割模型。
优选的,所述的导线缠绕间隙识别方法中,所述根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小具体包括:
根据所述语义分割图片,获取所述语义分割图片中导线上方间隙区域和导线下方间隙区域所在的HSV色域空间,根据所述HSV色域空间分别筛选出导线上方间隙区域和导线下方间隙区域,并分别保存至第一间隙图片和第二间隙图片中;
分别对所述第一间隙图片中的导线上方间隙区域以及第二间隙图片中的导线下方间隙区域进行消孔处理,并对消孔处理后的图片进行二值化处理后,得到第一二值图片以及第二二值图片;
根据第一二值图片以及第二二值图片计算出导线缠绕间隙的大小。
优选的,所述的导线缠绕间隙识别方法中,所述根据第一二值图片以及第二二值图片计算出导线缠绕间隙的大小具体包括:
读取第一二值图片以及第二二值图片;
分别对第一二值图片以及第二二值图片进行像素点计算,从第一列开始计算,依次计算每一列的白色像素点个数,并当某一列白色像素点个数大于像素点阈值时,返回这一列的列数x;
依次计算第一二值图片以及第二二值图片的(x+50)列、(x+100)列、(x+150)列的白色像素点个数后,计算第一二值图片以及第二二值图片这四列的白色像素点个数的平均值,以两个所述平均值分别作为所述导线上方缠绕间隙以及导线下方缠绕间隙的大小。
优选的,所述的导线缠绕间隙识别方法中,所述根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小之后还包括:
根据所述导线缠绕间隙的大小,控制旋转转盘进行横向移动,以使所述导线缠绕间隙在预设范围内。
第二方面,本发明还提供一种导线缠绕间隙识别设备,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上所述的导线缠绕间隙识别方法中的步骤。
第三方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的导线缠绕间隙识别方法中的步骤。
与现有技术相比,本发明提供的导线缠绕间隙识别方法、设备及存储介质,通过获取若干个含有导线缠绕间隙的图像并进行预处理后作为训练集,然后采用语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型,通过导线缠绕间隙识别模型即可对所述待识别图像进行识别,得到语义分割图片,然后根据语义分割图片筛选出导线间隙区域,即可根据所述导线间隙区域计算出导线缠绕间隙的大小,从而实现导线缠绕间隙大小的识别,方便导线修补机器人根据导线缠绕间隙的大小实时调整旋转转盘的位置,从而可以保证导线修补的效果。
附图说明
图1是本发明导线修补机器人的一较佳实施例的示意图;
图2是本发明提供的导线缠绕间隙识别方法的一较佳实施例的示意图;
图3是本发明提供的导线缠绕间隙识别方法,导线缠绕间隙的一较佳实施例的示意图;
图4是本发明提供的导线缠绕间隙识别装置的一较佳实施例的示意图;
图5是本发明导线缠绕间隙识别程序的较佳实施例的运行环境示意图。
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。
请参阅图1,本发明实施例提供的导线缠绕及间隙识别方法应用的导线修补机器人,具有一旋转转盘1,旋转转盘1在旋转的过程中,会带动预绞丝缠绕在导线上,导线与预绞丝之间具有缠绕间隙,如果缠绕间隙过大会使放置在旋转转盘的预绞丝上发生较大偏移,而缠绕间隙过小不仅使得预绞丝发生较大形变,在拧线时会使得预绞丝发生错位而产生缝隙。
基于此,请参阅图2,本发明实施例提供一种导线缠绕间隙识别方法,包括如下步骤:
S100、获取若干个含有导线缠绕间隙的图像并进行预处理,以预处理后得到的图像集并作为训练集;
S200、构建语义分割模型,采用所述语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型;
S300、获取待识别图像,采用所述导线缠绕间隙识别模型对所述待识别图像进行识别,以得到语义分割图片;
S400、根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小。
本实施例中,通过获取若干个含有导线缠绕间隙的图像并进行预处理后作为训练集,然后采用语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型,通过导线缠绕间隙识别模型即可对所述待识别图像进行识别,得到语义分割图片,然后根据语义分割图片筛选出导线间隙区域,即可根据所述导线间隙区域计算出导线缠绕间隙的大小,从而实现导线缠绕间隙大小的识别,方便导线修补机器人根据导线缠绕间隙的大小实时调整旋转转盘的位置,从而可以保证导线修补的效果。
在一个优选的实施例中,所述步骤S100中,在导线修补机器人的旋转转盘1上搭建多个摄像头,在旋转转盘带动预绞丝旋转缠绕修补导线时,两个摄像头能同时观测到四根预绞丝的导线缠绕间隙,。然后采集四根预绞丝在缠绕导线各种不同旋转姿态下的图像数据后,对采集的图像进行预处理。具体的,所述步骤S100具体包括:
获取若干个含有导线缠绕间隙的图像;
对所述导线缠绕间隙的图像中的待检测目标进行标注,获取与图像对应的标注文件;
对所述标注文件进行格式转换,并将所述图像与其对应的格式转换后的标注文件作为所述训练集。
本实施例中,在进行图像获取时,预绞线一端被预绞丝夹爪紧紧抓住在导线上,预绞线另外一端放在旋转转盘内部预绞丝开槽口,旋转电机带动旋转转盘转动,实现预绞丝缠绕导线。在导线修补机器人旋转转盘上搭建两个摄像头,修补导线作业时,使其能同时观测到四根导线缠绕间隙,并且收集四根预绞丝在缠绕导线时不同旋转姿态下的图片数据。
在得到了图像数据后,对采集到的图像的待检测目标labelme进行标注,如图3导线缠绕间隙图的语义分割标签所示,具体的,所述待检测目标包括导线、预绞丝、导线上方与预绞丝的间隙以及导线下方与预绞丝的间隙。其中,将导线分为第一类,把预绞丝分为第二类,把导线上方与预绞丝的间隙分为第三类,把导线下方与预绞丝的间隙分为第四类,对每一张采集的图像生成一个标注文件,所述标注文件中包括各类别的待检测目标的基础信息。
本实施例中,所述标注文件为json格式文件,因为json文件并不能直接用来进行训练,所以用labelme_json_to_dataset工具将.json标注文件转换成可训练数据,并以此训练模型。
优选的,在得到了训练集后,本发明实施例还对所述训练集进行数据增强处理,采用数据增强方式扩充数据集,增加训练数据的多样性,提髙网络对环境的适应能力。数据增强方式采用翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、旋转变换、反射变换扩充含有导线缠绕间隙图片数据集。
在一个优选的实施例中,所述步骤S200中,所述语义分割模型为UNET语义分割模型。Unet语义分割模型提出的初衷是为了解决医学图像分割的问题,其网络结构类似于U形结构。其网络结构首先对图片进行卷积和池化,在Unet结构中池化了4次,每一次池化操作,特征图的尺寸将减少一半。例如一开始的图片尺寸是224×224,那么4次池化后依次就会变成112×112、56×56、28×28、14×14四个不同尺寸的特征图。然后再对14×14的特征图做上采样或者反卷积,即每次上采样或者反卷积特征图的尺寸将扩大一倍,得到28×28的特征图,这个28×28的特征图与之前的28×28的特征图进行通道上的拼接,再对拼接之后的特征图做卷积和上采样,得到56×56的特征图,再与之前的56×56的特征图拼接、卷积,再上采样或反卷积,经过四次上采样可以得到一个与输入图像尺寸相同的224×224的预测结果。通过Unet网络对图片特征提取后获取上下文的信息和位置信息等。
把训练集输入UNet网络进行训练,UNet网络总训练世代为m,其中前50%个世代为冻结VGG16卷积神经网络情况下训练的代数,后50%个世代为解冻之后训练的代数,UNet网络采用的预训练权重为网络在PASCAL VOC挑战赛标准数据集上训练的权重;初始学习率设置为k,每训练j个世代,学习率调整为上个世代的l倍,每批样本大小设置为n,损失函数值采用交叉熵损失函数和Dice Loss的和,Dice系数是一种集合相似度度量函数,通常用于计算两个样本的相似度,取值范围在[0,1]。计算公式如下:
其中,X是输入图像经过UNet网络预测的结果,Y是标签图的真实结果。每个世代训练完都代入验证集计算验证集的损失函数值,保存损失函数值最低的权值文件为训练获得的最优的权重参数及对应的导线缠绕间隙识别模型。
在一个优选的实施例中,在训练好模型后,即可采用所述导线缠绕间隙识别模型进行图片的识别,具体的,所述步骤S300中,输入需要被检测的图片,经过语义分割后,图片中背景以及4个类的颜色都各不相同,且各类的颜色固定不变,因此,可以得到一张语义分割图片,然后即可根据所述语义分割图片来实现导线缠绕间隙的大小的计算。
在一个优选的实施例中,所述步骤S400具体包括:
根据所述语义分割图片,获取所述语义分割图片中导线上方间隙区域和导线下方间隙区域所在的HSV色域空间,根据所述HSV色域空间分别筛选出导线上方间隙区域和导线下方间隙区域,并分别保存至第一间隙图片和第二间隙图片中;
分别对所述第一间隙图片中的导线上方间隙区域以及第二间隙图片中的导线下方间隙区域进行消孔处理,并对消孔处理后的图片进行二值化处理后,得到第一二值图片以及第二二值图片;
根据第一二值图片以及第二二值图片计算出导线缠绕间隙的大小。
本实施例中,找到语义分割后图片中导线上方间隙区域和导线下方区域所在的HSV色域空间,按HSV色域空间分别筛选出导线上方间隙区域和导线下方间隙区域,分为保存在两张图片,再用上闭运算消除各区域内部的小孔。然后再对其进行二值化操作。接下来这两张二值化图片间隙的距离进行计算。具体的,所述根据第一二值图片以及第二二值图片计算出导线缠绕间隙的大小具体包括:
读取第一二值图片以及第二二值图片;
分别对第一二值图片以及第二二值图片进行像素点计算,从第一列开始计算,依次计算每一列的白色像素点个数,并当某一列白色像素点个数大于像素点阈值时,返回这一列的列数x;
依次计算第一二值图片以及第二二值图片的(x+50)列、(x+100)列、(x+150)列的白色像素点个数后,计算第一二值图片以及第二二值图片这四列的白色像素点个数的平均值,以两个所述平均值分别作为所述导线上方缠绕间隙以及导线下方缠绕间隙的大小。
换而言之,在进行导线缠绕间隙计算时,读取二值化图片,然后从第一列开始计算,依次计算每一列的白色像素点个数,当某一列白色像素点个数大于一个阈值(本实施例中,阈值设为20),则返回这一列的列数x。接下来依次计算(x+50)列,(x+100)列,(x+150)列的白色像素点个数,再对这四列的白色像素点个数做平均值,以此来衡量间隙距离的大小。
优选的实施例中,在所述步骤S400之后还包括:
根据所述导线缠绕间隙的大小,控制旋转转盘进行横向移动,以使所述导线缠绕间隙在预设范围内。
本实施例中,如果导线缠绕间隙过宽会使放置在旋转转盘的预绞丝上发生较大偏移,而导线缠绕间隙距离过短不仅使得预绞丝发生较大形变,在拧线时会使得预绞丝发生错位而产生缝隙。因此,在识别出导线缠绕间隙后,即可根据间隙大小再通过转盘横移电机调整旋转转盘和预绞丝夹爪之间的横向距离。本发明实施例中设置有两个阈值,当导线缠绕间隙处于两个阈值之间,旋转转盘和预绞丝夹爪之间的横向距离不改变。本发明实施例中,两个阈值设置为30和70,当间隙大于70时,旋转转盘前进,当间隙小于30时,旋转转盘后退,使预绞丝缠绕修补时预绞丝和导线之间的间隙能保持良好的修补距离。
基于上述导线缠绕间隙识别方法,请参阅图4,本发明实施例还相应的提供一种导线缠绕间隙识别装置600,包括:
训练集获取模块610,用于获取若干个含有导线缠绕间隙的图像并进行预处理,以预处理后得到的图像集并作为训练集;
模型构建模块620,用于采用所述语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型;
识别模块630,用于采用所述导线缠绕间隙识别模型对所述待识别图像进行识别,以得到语义分割图片;
间隙计算模块640,用于根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小。
本实施例通过获取若干个含有导线缠绕间隙的图像并进行预处理后作为训练集,然后采用语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型,通过导线缠绕间隙识别模型即可对所述待识别图像进行识别,得到语义分割图片,然后根据语义分割图片筛选出导线间隙区域,即可根据所述导线间隙区域计算出导线缠绕间隙的大小,从而实现导线缠绕间隙大小的识别,方便导线修补机器人根据导线缠绕间隙的大小实时调整旋转转盘的位置,从而可以保证导线修补的效果。
由于上文已对导线缠绕间隙识别方法进行详细描述,在此不再赘述。
如图5所示,基于上述导线缠绕间隙识别方法,本发明还相应提供了一种导线缠绕间隙识别设备,所述导线缠绕间隙识别设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该导线缠绕间隙识别设备包括处理器10、存储器20及显示器30。图5仅示出了导线缠绕间隙识别设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述导线缠绕间隙识别设备的内部存储单元,例如导线缠绕间隙识别设备的硬盘或内存。所述存储器20在另一些实施例中也可以是所述导线缠绕间隙识别设备的外部存储设备,例如所述导线缠绕间隙识别设备上配备的插接式硬盘,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20还可以既包括导线缠绕间隙识别设备的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述导线缠绕间隙识别设备的应用软件及各类数据,例如所述安装导线缠绕间隙识别设备的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有导线缠绕间隙识别程序40,该导线缠绕间隙识别程序40可被处理器10所执行,从而实现本申请各实施例的导线缠绕间隙识别方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述导线缠绕间隙识别方法等。
所述显示器30在一些实施例中可以是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。所述显示器30用于显示在所述导线缠绕间隙识别设备的信息以及用于显示可视化的用户界面。所述导线缠绕间隙识别设备的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行所述存储器20中导线缠绕间隙识别程序40时实现如上所述的导线缠绕间隙识别方法中的步骤。
综上所述,本发明提供的导线缠绕间隙识别方法、设备及存储介质,通过获取若干个含有导线缠绕间隙的图像并进行预处理后作为训练集,然后采用语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型,通过导线缠绕间隙识别模型即可对所述待识别图像进行识别,得到语义分割图片,然后根据语义分割图片筛选出导线间隙区域,即可根据所述导线间隙区域计算出导线缠绕间隙的大小,从而实现导线缠绕间隙大小的识别,方便导线修补机器人根据导线缠绕间隙的大小实时调整旋转转盘的位置,从而可以保证导线修补的效果。
当然,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硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的存储介质中,该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种导线缠绕间隙识别方法,其特征在于,包括如下步骤:
获取若干个含有导线缠绕间隙的图像并进行预处理,以预处理后得到的图像集并作为训练集;
构建语义分割模型,采用所述语义分割模型对所述训练集进行训练,以在训练完成后得到导线缠绕间隙识别模型;
获取待识别图像,采用所述导线缠绕间隙识别模型对所述待识别图像进行识别,以得到语义分割图片;
根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小。
2.根据权利要求1所述的导线缠绕间隙识别方法,其特征在于,所述获取若干个含有导线缠绕间隙的图像并进行预处理,以预处理后得到的图像集并作为训练集具体包括:
获取若干个含有导线缠绕间隙的图像;
对所述导线缠绕间隙的图像中的待检测目标进行标注,获取与图像对应的标注文件;
对所述标注文件进行格式转换,并将所述图像与其对应的格式转换后的标注文件作为所述训练集。
3.根据权利要求2所述的导线缠绕间隙识别方法,其特征在于,所述待检测目标包括导线、预绞丝、导线上方与预绞丝的间隙以及导线下方与预绞丝的间隙。
4.根据权利要求2所述的导线缠绕间隙识别方法,其特征在于,所述标注文件为json格式文件。
5.根据权利要求3所述的导线缠绕间隙识别方法,其特征在于,所述语义分割模型为UNET语义分割模型。
6.根据权利要求5所述的导线缠绕间隙识别方法,其特征在于,所述根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小具体包括:
根据所述语义分割图片,获取所述语义分割图片中导线上方间隙区域和导线下方间隙区域所在的HSV色域空间,根据所述HSV色域空间分别筛选出导线上方间隙区域和导线下方间隙区域,并分别保存至第一间隙图片和第二间隙图片中;
分别对所述第一间隙图片中的导线上方间隙区域以及第二间隙图片中的导线下方间隙区域进行消孔处理,并对消孔处理后的图片进行二值化处理后,得到第一二值图片以及第二二值图片;
根据第一二值图片以及第二二值图片计算出导线缠绕间隙的大小。
7.根据权利要求6所述的导线缠绕间隙识别方法,其特征在于,所述根据第一二值图片以及第二二值图片计算出导线缠绕间隙的大小具体包括:
读取第一二值图片以及第二二值图片;
分别对第一二值图片以及第二二值图片进行像素点计算,从第一列开始计算,依次计算每一列的白色像素点个数,并当某一列白色像素点个数大于像素点阈值时,返回这一列的列数x;
依次计算第一二值图片以及第二二值图片的(x+50)列、(x+100)列、(x+150)列的白色像素点个数后,计算第一二值图片以及第二二值图片这四列的白色像素点个数的平均值,以两个所述平均值分别作为所述导线上方缠绕间隙以及导线下方缠绕间隙的大小。
8.根据权利要求1所述的导线缠绕间隙识别方法,其特征在于,所述根据所述语义分割图片筛选出导线间隙区域,根据所述导线间隙区域计算出导线缠绕间隙的大小之后还包括:
根据所述导线缠绕间隙的大小,控制旋转转盘进行横向移动,以使所述导线缠绕间隙在预设范围内。
9.一种导线缠绕间隙识别设备,其特征在于,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的导线缠绕间隙识别方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-8任意一项所述的导线缠绕间隙识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502609.5A CN114266963A (zh) | 2021-12-09 | 2021-12-09 | 一种导线缠绕间隙识别方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502609.5A CN114266963A (zh) | 2021-12-09 | 2021-12-09 | 一种导线缠绕间隙识别方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266963A true CN114266963A (zh) | 2022-04-01 |
Family
ID=80826764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111502609.5A Pending CN114266963A (zh) | 2021-12-09 | 2021-12-09 | 一种导线缠绕间隙识别方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266963A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430130A (zh) * | 2023-05-05 | 2023-07-14 | 国网安徽省电力有限公司六安市叶集供电公司 | 一种配网开关保护变比检测用数据采集系统 |
CN117590541A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市特发信息光电技术有限公司 | 一种用于光缆预绞丝的制备装置 |
-
2021
- 2021-12-09 CN CN202111502609.5A patent/CN114266963A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430130A (zh) * | 2023-05-05 | 2023-07-14 | 国网安徽省电力有限公司六安市叶集供电公司 | 一种配网开关保护变比检测用数据采集系统 |
CN116430130B (zh) * | 2023-05-05 | 2023-09-15 | 国网安徽省电力有限公司六安市叶集供电公司 | 一种配网开关保护变比检测用数据采集设备的检测系统 |
CN117590541A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市特发信息光电技术有限公司 | 一种用于光缆预绞丝的制备装置 |
CN117590541B (zh) * | 2024-01-18 | 2024-03-26 | 深圳市特发信息光电技术有限公司 | 一种用于光缆预绞丝的制备装置 |
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 | |
CN108229386B (zh) | 用于检测车道线的方法、装置和介质 | |
CN107403197B (zh) | 一种基于深度学习的裂缝识别方法 | |
CN114266963A (zh) | 一种导线缠绕间隙识别方法、设备及存储介质 | |
CN110826476A (zh) | 识别目标物体的图像检测方法、装置、电子设备和存储介质 | |
CN110580475A (zh) | 基于无人机巡检的线路诊断方法、电子装置及存储介质 | |
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、系统及终端设备 | |
CN112116594B (zh) | 一种基于语义分割的风飘异物识别方法和装置 | |
CN111126481A (zh) | 一种神经网络模型的训练方法及装置 | |
CN111507975B (zh) | 一种牵引变电所户外绝缘子异常检测方法 | |
CN112967248B (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN111523429A (zh) | 基于深度学习的堆钢识别方法 | |
CN115908786A (zh) | 一种基于深度学习的电气柜接地线缆异常识别方法及系统 | |
CN116883801A (zh) | 基于注意力机制与多尺度特征融合的YOLOv8目标检测方法 | |
CN114187505A (zh) | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 | |
CN111428753B (zh) | 一种训练集获取方法、电力设施检测方法及装置 | |
CN115063739B (zh) | 异常行为的检测方法、装置、设备及计算机存储介质 | |
CN114418968A (zh) | 一种基于深度学习的输电线路小目标缺陷检测方法 | |
CN113177566B (zh) | 一种特征提取模型训练方法、装置及计算机设备 | |
CN116071299A (zh) | 一种绝缘子rtv喷涂缺陷检测方法及系统 | |
CN115661117A (zh) | 一种接触网绝缘子可见光图像检测方法 | |
CN115424254A (zh) | 车牌识别方法、系统、设备及存储介质 | |
WO2022048193A1 (zh) | 一种地图绘制方法及装置 | |
CN115063348A (zh) | 一种零件表面缺陷检测方法、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 |