CN114445694A - 巡检报告生成方法、装置、电子设备及存储介质 - Google Patents

巡检报告生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114445694A
CN114445694A CN202111678205.1A CN202111678205A CN114445694A CN 114445694 A CN114445694 A CN 114445694A CN 202111678205 A CN202111678205 A CN 202111678205A CN 114445694 A CN114445694 A CN 114445694A
Authority
CN
China
Prior art keywords
inspection
image
information
attribute information
geometric attribute
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
CN202111678205.1A
Other languages
English (en)
Inventor
程冰
徐嘉
邹博
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202111678205.1A priority Critical patent/CN114445694A/zh
Publication of CN114445694A publication Critical patent/CN114445694A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种巡检报告生成方法、装置、电子设备及存储介质，该巡检报告生成方法包括：获取巡检机器人在预设时间内采集的巡检图像信息；并按预定规则对所述巡检图像信息进行筛选，确定得到目标巡检图像信息；然后将所述目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；根据所述图像识别结果计算出对应的几何属性信息；最后根据所述几何属性信息生成对应的巡检报告。由此使得巡检机器人采集的图像巡检数据可以更准确地生成对应的巡检数据报告，以使工作人员可以通过巡检报告查看到变电站各个区域的问题，并及时诊断修理。

Description

巡检报告生成方法、装置、电子设备及存储介质
技术领域
本发明涉及电力巡检技术领域，具体涉及一种巡检报告生成方法、装置、电子设备及存储介质。
背景技术
目前的变电站区域在采用传统的人力巡检时，任务工作量极大及其重复性，很容易导致一部分巡检人员产生厌烦心理，巡检工作不到位，在一定程度上还存在因无人在现场及时监视、巡视而带来的一系列问题；因此，目前在变电站区域基本采用的巡检机器人实现各种智能化的执行巡检任务，而对于巡检机器人采集的图像巡检数据难以生成对应的巡检数据报告，导致变电站各个区域出现问题难以及时诊断。
发明内容
第一方面，本发明的主要目的是提供一种巡检报告生成方法，包括：
获取巡检机器人在预设时间内采集的巡检图像信息；
按预定规则对所述巡检图像信息进行筛选，确定得到目标巡检图像信息；
将所述目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；
根据所述图像识别结果计算出对应的几何属性信息；
根据所述几何属性信息生成对应的巡检报告。
可选地，所述获取巡检机器人在预设时间内采集的巡检图像信息，包括：
获取所述巡检机器人在预设时间内的巡检路线；
根据所述巡检路线，确定所述巡检路线中每个巡检位置对应的多张巡检图像信息。
可选地，所述按预定规则对所述巡检图像信息进行筛选，确定得到目标巡检图像信息，包括：
根据每个巡检位置对应的多张巡检图像信息，确定所述多张巡检图像信息的图像质量；
根据所述多张巡检图像信息的图像质量进行筛选，以确定出图像质量最优的目标巡检图像信息。
可选地，所述将所述目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出识别结果，包括：
将所述目标巡检图像信息输入神经网络模型中，以确定出全局特征图像；
对所述全局特征图像进行图像分割，得到原始局部特征图像和偏差局部特征图像；
将所述原始局部特征图像和所述偏差局部特征图像确定为所述图像识别结果。
可选地，所述根据所述图像识别结果计算出对应的几何属性信息，包括：
分别对所述原始局部特征图像和所述偏差局部特征图像进行语义信息融合，得到包含语义信息的第一局部特征图像和第二局部特征图像；
分别计算所述第一局部特征图像和所述第二局部特征图像对应的像素点；
根据所述所述第一局部特征图像的像素点进行面积计算，以得到第一几何属性信息；以及根据所述第二局部特征图像的像素点进行面积计算，以得到第二几何属性信息。
可选地，所述根据所述几何属性信息生成对应的巡检报告，包括：
将所述第一几何属性信息以及所述第一局部特征图像进行关联并输入巡检报告模板中，以得到第一巡检报告；
将所述第二几何属性信息以及所述第二局部特征图像进行关联并输入巡检报告模板中，以得到第二巡检报告。
可选地，所述根据所述第二局部特征图像的像素点进行面积计算，以得到第二几何属性信息之后，包括：
判断所述第二几何属性信息是否超过预设几何属性信息；
当所述第二几何属性信息超过所述预设几何属性信息时，确定所述目标巡检图像信息为异常图像信息；
当所述第二几何属性信息低于所述预设几何属性信息时，确定所述目标巡检图像信息为正常图像信息。
第二方面，本发明实施例提供了一种巡检报告生成装置，包括：
获取模块，用于获取巡检机器人在预设时间内采集的巡检图像信息；
筛选模块，用于按预定规则对所述巡检图像信息进行筛选，确定得到目标巡检图像信息；
识别模块，用于将所述目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；
计算模块，用于根据所述图像识别结果计算出对应的几何属性信息；
确定模块，用于根据所述几何属性信息生成对应的巡检报告。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的巡检报告生成方法的步骤。
第四方面，本发明实施例提供了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计算机程序，所述计算机程序被处理器执行时实现如上述的巡检报告生成方法的步骤。
本发明的上述方案至少包括以下有益效果：
本发明提供的巡检报告生成方法，首先获取巡检机器人在预设时间内采集的巡检图像信息；并按预定规则对所述巡检图像信息进行筛选，确定得到目标巡检图像信息；然后将所述目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；根据所述图像识别结果计算出对应的几何属性信息；最后根据所述几何属性信息生成对应的巡检报告。由此使得巡检机器人采集的图像巡检数据可以更准确地生成对应的巡检数据报告，以使工作人员可以通过巡检报告查看到变电站各个区域的问题，并及时诊断修理。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例提供的巡检报告生成方法的整体流程示意图；
图2为本发明实施例提供的步骤S30的具体流程示意图；
图3为本发明实施例提供的步骤S40的具体流程示意图；
图4为本发明实施例提供的步骤S40的另一流程示意图；
图5为本发明实施例提供的步骤S50的具体流程示意图；
图6为本发明实施例提供的巡检报告生成装置的结构框图；
图7为本发明实施例提供的电子设备的结构框图。
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
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的一部分实施例，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先结合相关附图来举例介绍下本申请实施例的方案。
如图1所示，本发明的具体实施例提供了一种巡检报告生成方法，包括：
S10、获取巡检机器人在预设时间内采集的巡检图像信息；
在本实施例中，预设时间可以是1天，巡检机器人可以是具有自主行走、自主充电、自主避障等功能的巡检机器人也可以是具有自主计算能力和执行能力的机械电子设备，也可以是具有控制能力的终端设备和机械机构的组合；巡检图像信息可以是BMP格式、jpg格式、PNG格式等，并且巡检图像信息中可以包括有输电线、变压器、开关柜等电力设备；巡检机器人可以通过远程控制平台对其进行控制，使得远程控制平台可以接收巡检机器人采集的巡检图像信息，可选地，巡检机器人在采集巡检图像信息时，可以是1天内每间隔1小时巡检一次，并且可以是针对每个位置采集多张巡检图像信息；例如变电器的区域位置可以拍摄对应的多张巡检图像信息。
具体的，上述获取巡检机器人在预设时间内采集的巡检图像信息，包括：
步骤一，获取巡检机器人在预设时间内的巡检路线；
步骤二，根据巡检路线，确定巡检路线中每个巡检位置对应的多张巡检图像信息。
其中，巡检路线可以是预先设定的固定路线，例如巡检位置可以是机器人充电站、高低压配电室、开关柜室、电容器室、变压器室、机器人充电站，由此，在控制巡检机器人进行巡检时，巡检机器人的路线可以是从机器人充电站出发，然后依次经过高低压配电室、开关柜室、电容器室、变压器室，最后再返回机器人充电站；并且，在巡检过程中，可以将巡检路线上的所有输电线依次拍摄对应的输电线巡检图像信息，由此，采集的巡检图像信息中可以包括有高低压配电室对应的多张巡检图像信息，开关柜室对应的多张巡检图像信息，电容器室对应的多张巡检图像信息，变压器室对应的多张巡检图像信息以及巡检路线上的多张巡检图像信息；可选地，对于每个巡检位置所采集的巡检图像信息，可以有图像质量各不相同，因此在后续可以对每个巡检位置对应的巡检图像信息进行筛选。
S20、按预定规则对巡检图像信息进行筛选，确定得到目标巡检图像信息。
在本实施例中，上述按预定规则对巡检图像信息进行筛选，确定得到目标巡检图像信息，包括：根据每个巡检位置对应的多张巡检图像信息，确定多张巡检图像信息的图像质量；根据多张巡检图像信息的图像质量进行筛选，以确定出图像质量最优的目标巡检图像信息。
其中，预定规则表示为确定出图像质量最优的巡检图像信息作为目标巡检图像信息；因此，在对每个巡检位置的多张巡检图像信息进行筛选时，可以针对每个巡检位置中的每种电力设备确定出唯一的目标巡检图像信息，由此，针对图像质量最优的目标巡检图像信息生成巡检报告更为准确；例如，在高低压配电室中包括有开闭所、配电房、进线柜、计量柜等，当开闭所拍摄有20张图片时，则开闭所可以从20张图片中确定出图像质量最优的目标巡检图像信息，当进线柜拍摄有30张图片时，则进线柜可以从30张图片中确定出图像质量最优的目标巡检图像信息，由此可以确保每个巡检位置的每种电力设备所对应的目标巡检图像信息更为准确。
可选地，每个巡检位置的每种电力设备可以对应有多张巡检图像信息，并且每种电力设备的巡检图像信息均有对应的图像噪音，例如强光照、低光照、模糊抖动等图像，通过将每种电力设备的巡检图像信息进行筛选，可以确定出每个巡检位置对应的多张巡检图像信息，进而可以针对每个巡检位置生成对应的巡检报告；可以理解的是，在对巡检图像信息进行筛选时，可以预先设定图像噪声阈值，当巡检图像信息的噪声大于预先设定的图像噪声阈值时，则可以删除，当巡检图像信息的噪声小于预先设定的图像噪声阈值时，则可以保留，也就是说，在图像噪声越大时，则表示巡检图像信息的图像质量越低，在图像噪声越小时，则表示巡检图像的图像质量越高；例如，对于高低压配电室中的开闭所和进线柜，当开闭所拍摄有50张图片时，则开闭所可以从50张图片中确定出小于预先设定的图像噪声阈值的作为目标巡检图像信息，当进线柜拍摄有60张图片时，则进线柜可以从60张图片中确定出小于预先设定的图像噪声阈值的作为目标巡检图像信息，由此可以确保每个巡检位置的每种电力设备所对应的目标巡检图像信息更为准确。
S30、将目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果。
在本实施例中，神经网络模型可以是FCN(Fully Convolutional Networks)网络模型，FCN网络模型表示为对图像采用进行像素级的分类，通过反卷积层对最后一个卷积层的特征图进行上采样，使特征图恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类；因此，在对神经网络模型进行训练时，可以将历史时间得到的多张巡检图像信息输入神经网络模型进行训练，由此，在通过神经网络模型对目标巡检图像信息进行处理时，可以确定出目标巡检图像信息中对应的语义信息，并根据对应的语义信息确定出目标巡检图像信息中的电力设备是否出现问题，在生成巡检报告时所对应的数据更为全面。
如图2所示，上述将目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出识别结果，包括：
S31、将目标巡检图像信息输入神经网络模型中，确定出全局特征图像；
S32、对全局特征图像进行图像分割，得到原始局部特征图像和偏差局部特征图像；
S33、将原始局部特征图像和偏差局部特征图像确定为图像识别结果。
其中，全局特征是指图像的整体属性，常见的全局特征包括颜色特征、纹理特征和形状特征，比如强度直方图等，局部特征则是从图像局部区域中抽取的特征，包括边缘、角点、线、曲线和特别属性的区域等。因此，在对目标巡检图像信息进行处理时，可以通过神经网络模型进行特征处理后，可以确定出对应的全局特征图像，同时对全局特征图像进行图像分割，以确定出原始局部特征图像和偏差局部特征图像，原始局部特征图像可以表示为电力设备的区域特征图像；偏差局部特征图像可以表示为异物的区域特征图像，当然，原始局部特征图像也可以表示为输电线的区域特征图像，偏差局部特征图像可以表示为异物的区域特征图像；例如冬天输电线结冰，则输电线对应的为原始局部特征图像，冰块对应的为偏差局部特征图像，由此，可以通过目标巡检图像信息确定电力设备或是输电线是否出现异常，进而生成对应的巡检报告。
S40、根据图像识别结果计算出对应的几何属性信息。
在本实施例中，图像识别结果中包括原始局部特征图像和偏差局部特征图像，几何属性信息可以包括像素点面积、像素点方向，原始局部特征图像的像素点面积可以表示为电力设备的图像面积，原始局部特征图像的像素点方向可以表示为电力设备的边缘方向，偏差局部特征图像的像素点面积可以表示为异物的图像面积，偏差局部特征图像的像素点方向可以表示为异物的边缘方向，通过分别确定出原始局部特征图像的几何属性信息，以及偏差局部特征图像的几何属性信息，由此可以根据几何属性信息生成出电力设备的巡检报告，以及电力设备上对应异物的巡检报告，使得在巡检报告中可以确定电力设备是否出现异常等问题。
如图3所示，上述根据图像识别结果计算出对应的几何属性信息，包括：
S41、分别对原始局部特征图像和偏差局部特征图像进行语义信息融合，得到包含语义信息的第一局部特征图像和第二局部特征图像；
S42、分别计算第一局部特征图像和第二局部特征图像对应的像素点；
S43、根据第一局部特征图像的像素点进行面积计算，以得到第一几何属性信息；以及根据第二局部特征图像的像素点进行面积计算，以得到第二几何属性信息。
其中，语义信息可以通过神经网络模型确定得到，因此，可以通过神经网络模型将原始局部特征图像和其对应的语义信息进行融合，以及将偏差局部特征图像和其对应的语义信息，原始局部特征图像的语义信息可以是电力设备对应的名称；偏差局部特征图像的语义信息可以是异物对应的名称；通过神经网络模型可以确定出多种不同的语义信息，进而将其对应的原始局部特征图像进行融合以及对应的偏差局部特征图像进行融合；可以理解的是，在融合后确定的第一局部图像和第二局部图像中均包含有对应的语义信息，通过计算第一局部特征图像的像素点面积以确定出第一几何属性信息，以及计算第二局部特征图像的像素点面积以确定出第二几何属性信息，进而可以通过第一几何属性信息生成电力设备对应的巡检报告，通过第二几何属性信息生成异物对应的巡检报告。
如图4所示，上述根据第二局部特征图像的像素点进行面积计算，以得到第二几何属性信息之后，包括：
S45、判断第二几何属性信息是否超过预设几何属性信息；
S46、当第二几何属性信息超过预设几何属性信息时，确定目标巡检图像信息为异常图像信息；
S47、当第二几何属性信息低于预设几何属性信息时，确定目标巡检图像信息为正常图像信息。
其中，预设几何属性信息中可以包括预设像素点面积和预设像素点方向，通过判断异物的像素点面积是否超过预设像素点面积，以及异物的像素点方向是否超出预设像素点方向，进而可以确定出异物是否会导致电力设备异常；因此，在第二几何属性超过预设几何属性信息时，则表示异物的尺寸比较大，因此可以确定目标巡检图像信息为异常图像信息，例如输电线上出现冰块、电力设备上出现杂物等；在第二几何属性没有超过预设几何属性信息时，则表示异物的尺寸比较小，因此可以确定目标巡检图像信息为正常图像信息，例如电力设备上出现树叶等。
S50、根据几何属性信息生成对应的巡检报告。
在本实施例中，巡检报告中可以包括有电力设备的巡检报告和异物的巡检报告，并且巡检报告可以以表格形式生成，因此巡检报告中可以有每个巡检位置，每个巡检位置对应的多个电力设备，以及每个电力设备对应的巡检结果，例如电力设备为正常状态的结果、以及电力设备为异常状态的结果，也可以将电力设备的目标图像信息作为巡检结果，当然，也可以将第一几何属性信息和第二几何属性信息作为每个电力设备的巡检结果。
如图5所示，上述根据几何属性信息生成对应的巡检报告，包括：
S51、将第一几何属性信息以及第一局部特征图像进行关联并输入巡检报告模板中，以得到第一巡检报告；
S52、将第二几何属性信息以及第二局部特征图像进行关联并输入巡检报告模板中，以得到第二巡检报告。
其中，第一巡检报告可以表示为电力设备的巡检报告，第二巡检报告可以表示为异物的巡检报告，巡检报告模板可以是预先设定的巡检报表等，将第一几何属性信息和第一局部特征图像进行关联表示将像素点面积和像素点方向标注在第一局部特征图像上，由此，在关联后的输入巡检报告模板中可以确定得到第一巡检报告，第一巡检报告可以包括有电力设备的尺寸；第二几何属性信息和第二局部特征图像进行关联表示将像素点面积和像素点方向标注在第二局部特征图像上，在关联后的输入巡检报告模板中可以确定得到第二巡检报告，第二巡检报告中可以包括有异物的尺寸和异物的方向，通过第一巡检报告和第二巡检报告可以准确确定出每个电力设备的状态。
本发明提供的巡检报告生成方法，首先获取巡检机器人在预设时间内采集的巡检图像信息；并按预定规则对巡检图像信息进行筛选，确定得到目标巡检图像信息；然后将目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；根据图像识别结果计算出对应的几何属性信息；最后根据几何属性信息生成对应的巡检报告。由此使得巡检机器人采集的图像巡检数据可以更准确地生成对应的巡检数据报告，以使工作人员可以通过巡检报告查看到变电站各个区域的问题，并及时诊断修理。
如图6所示，本发明实施例提供了一种巡检报告生成装置10，包括：
获取模块11，用于获取巡检机器人在预设时间内采集的巡检图像信息；
筛选模块12，用于按预定规则对巡检图像信息进行筛选，确定得到目标巡检图像信息；
识别模块13，用于将目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；
计算模块14，用于根据图像识别结果计算出对应的几何属性信息；
确定模块15，用于根据几何属性信息生成对应的巡检报告。
本发明提供的巡检报告生成装置10，首先获取巡检机器人在预设时间内采集的巡检图像信息；并按预定规则对巡检图像信息进行筛选，确定得到目标巡检图像信息；然后将目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；根据图像识别结果计算出对应的几何属性信息；最后根据几何属性信息生成对应的巡检报告。由此使得巡检机器人采集的图像巡检数据可以更准确地生成对应的巡检数据报告，以使工作人员可以通过巡检报告查看到变电站各个区域的问题，并及时诊断修理。
需要说明的是，本发明具体实施例提供的巡检报告生成装置10为与上述巡检报告生成方法对应的装置，上述巡检报告生成方法的所有实施例均适用于该巡检报告生成装置10，上述巡检报告生成装置10实施例中均有相应的模块对应上述巡检报告生成方法中的步骤，能达到相同或相似的有益效果，为避免过多重复，在此不对巡检报告生成装置2中的每一模块进行过多赘述。
如图7所示，本发明的具体实施例还提供了一种电子设备20，包括存储器202、处理器201以及存储在存储器202中并可在处理器201上运行的计算机程序，该处理器201执行计算机程序时实现上述的巡检报告生成方法的步骤。
具体的，处理器201用于调用存储器202存储的计算机程序，执行如下步骤：
获取巡检机器人在预设时间内采集的巡检图像信息；
按预定规则对巡检图像信息进行筛选，确定得到目标巡检图像信息；
将目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；
根据图像识别结果计算出对应的几何属性信息；
根据几何属性信息生成对应的巡检报告。
可选的，处理器201执行的获取巡检机器人在预设时间内采集的巡检图像信息，包括：
获取巡检机器人在预设时间内的巡检路线；
根据巡检路线，确定巡检路线中每个巡检位置对应的多张巡检图像信息。
可选的，处理器201执行的按预定规则对巡检图像信息进行筛选，确定得到目标巡检图像信息，包括：
根据每个巡检位置对应的多张巡检图像信息，确定多张巡检图像信息的图像质量；
根据多张巡检图像信息的图像质量进行筛选，以确定出图像质量最优的目标巡检图像信息。
可选的，处理器201执行的将目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出识别结果，包括：
将目标巡检图像信息输入神经网络模型中，以确定出全局特征图像；
对全局特征图像进行图像分割，得到原始局部特征图像和偏差局部特征图像；
将原始局部特征图像和偏差局部特征图像确定为图像识别结果。
可选的，处理器201执行的根据图像识别结果计算出对应的几何属性信息，包括：
分别对原始局部特征图像和偏差局部特征图像进行语义信息融合，得到包含语义信息的第一局部特征图像和第二局部特征图像；
分别计算第一局部特征图像和第二局部特征图像对应的像素点；
根据第一局部特征图像的像素点进行面积计算，以得到第一几何属性信息；以及根据第二局部特征图像的像素点进行面积计算，以得到第二几何属性信息。
可选的，处理器201执行的根据几何属性信息生成对应的巡检报告，包括：
将第一几何属性信息以及第一局部特征图像进行关联并输入巡检报告模板中，以得到第一巡检报告；
将第二几何属性信息以及第二局部特征图像进行关联并输入巡检报告模板中，以得到第二巡检报告。
可选的，处理器201执行的根据第二局部特征图像的像素点进行面积计算，以得到第二几何属性信息之后，包括：
判断第二几何属性信息是否超过预设几何属性信息；
当第二几何属性信息超过预设几何属性信息时，确定目标巡检图像信息为异常图像信息；
当第二几何属性信息低于预设几何属性信息时，确定目标巡检图像信息为正常图像信息。
即，在本发明的具体实施例中，电子设备20的处理器201执行计算机程序时实现上述巡检报告生成方法的步骤，由此使得巡检机器人采集的图像巡检数据可以更准确地生成对应的巡检数据报告，以使工作人员可以通过巡检报告查看到变电站各个区域的问题，并及时诊断修理。
需要说明的是，由于电子设备20的处理器201执行计算机程序时实现上述巡检报告生成方法的步骤，因此上述巡检报告生成方法的所有实施例均适用于该电子设备20，且均能达到相同或相似的有益效果。
本发明实施例中提供的计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的巡检报告生成方法或应用端巡检报告生成方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
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的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种巡检报告生成方法，其特征在于，包括：
获取巡检机器人在预设时间内采集的巡检图像信息；
按预定规则对所述巡检图像信息进行筛选，确定得到目标巡检图像信息；
将所述目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；
根据所述图像识别结果计算出对应的几何属性信息；
根据所述几何属性信息生成对应的巡检报告。
2.根据权利要求1所述的巡检报告生成方法，其特征在于，所述获取巡检机器人在预设时间内采集的巡检图像信息，包括：
获取所述巡检机器人在预设时间内的巡检路线；
根据所述巡检路线，确定所述巡检路线中每个巡检位置对应的多张巡检图像信息。
3.根据权利要求2所述的巡检报告生成方法，其特征在于，所述按预定规则对所述巡检图像信息进行筛选，确定得到目标巡检图像信息，包括：
根据每个巡检位置对应的多张巡检图像信息，确定所述多张巡检图像信息的图像质量；
根据所述多张巡检图像信息的图像质量进行筛选，以确定出图像质量最优的目标巡检图像信息。
4.根据权利要求1所述的巡检报告生成方法，其特征在于，所述将所述目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出识别结果，包括：
将所述目标巡检图像信息输入神经网络模型中，以确定出全局特征图像；
对所述全局特征图像进行图像分割，得到原始局部特征图像和偏差局部特征图像；
将所述原始局部特征图像和所述偏差局部特征图像确定为所述图像识别结果。
5.根据权利要求4所述的巡检报告生成方法，其特征在于，所述根据所述图像识别结果计算出对应的几何属性信息，包括：
分别对所述原始局部特征图像和所述偏差局部特征图像进行语义信息融合，得到包含语义信息的第一局部特征图像和第二局部特征图像；
分别计算所述第一局部特征图像和所述第二局部特征图像对应的像素点；
根据所述所述第一局部特征图像的像素点进行面积计算，以得到第一几何属性信息；以及根据所述第二局部特征图像的像素点进行面积计算，以得到第二几何属性信息。
6.根据权利要求5所述的巡检报告生成方法，其特征在于，所述根据所述几何属性信息生成对应的巡检报告，包括：
将所述第一几何属性信息以及所述第一局部特征图像进行关联并输入巡检报告模板中，以得到第一巡检报告；
将所述第二几何属性信息以及所述第二局部特征图像进行关联并输入巡检报告模板中，以得到第二巡检报告。
7.根据权利要求4所述的巡检报告生成方法，其特征在于，所述根据所述第二局部特征图像的像素点进行面积计算，以得到第二几何属性信息之后，包括：
判断所述第二几何属性信息是否超过预设几何属性信息；
当所述第二几何属性信息超过所述预设几何属性信息时，确定所述目标巡检图像信息为异常图像信息；
当所述第二几何属性信息低于所述预设几何属性信息时，确定所述目标巡检图像信息为正常图像信息。
8.一种巡检报告生成装置，其特征在于，包括：
获取模块，用于获取巡检机器人在预设时间内采集的巡检图像信息；
筛选模块，用于按预定规则对所述巡检图像信息进行筛选，确定得到目标巡检图像信息；
识别模块，用于将所述目标巡检图像信息输入历史训练的神经网络模型中进行处理，以确定出图像识别结果；
计算模块，用于根据所述图像识别结果计算出对应的几何属性信息；
确定模块，用于根据所述几何属性信息生成对应的巡检报告。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的巡检报告生成方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的巡检报告生成方法的步骤。
CN202111678205.1A 2021-12-31 2021-12-31 巡检报告生成方法、装置、电子设备及存储介质 Pending CN114445694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111678205.1A CN114445694A (zh) 2021-12-31 2021-12-31 巡检报告生成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111678205.1A CN114445694A (zh) 2021-12-31 2021-12-31 巡检报告生成方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114445694A true CN114445694A (zh) 2022-05-06

Family

ID=81366084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111678205.1A Pending CN114445694A (zh) 2021-12-31 2021-12-31 巡检报告生成方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114445694A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994354A (zh) * 2023-09-28 2023-11-03 上海闪马智能科技有限公司 道路电力设施巡检方法、装置、存储介质及电子装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994354A (zh) * 2023-09-28 2023-11-03 上海闪马智能科技有限公司 道路电力设施巡检方法、装置、存储介质及电子装置
CN116994354B (zh) * 2023-09-28 2024-01-23 上海闪马智能科技有限公司 道路电力设施巡检方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
CN112379231B (zh) 一种基于多光谱图像的设备检测方法及装置
CN108665487B (zh) 基于红外和可见光融合的变电站作业对象和目标定位方法
CN101443789B (zh) 使用统计像素建模的视频分割
CN112734692A (zh) 一种变电设备缺陷识别方法及装置
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN109085174A (zh) 显示屏外围电路检测方法、装置、电子设备及存储介质
CN112233074A (zh) 一种基于可见光及红外融合图像的电力故障检测方法
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
CN114782286A (zh) 缺陷修复方法、光学修复设备、电子设备及存储介质
CN112101138A (zh) 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法
CN114445694A (zh) 巡检报告生成方法、装置、电子设备及存储介质
CN114187511A (zh) 一种输电全景大数据智能监控方法
CN111402250A (zh) 基于边缘计算的机器视觉缺陷检测方法和平台
CN114445350A (zh) 电力器件的图像检测方法、装置、电子设备及存储介质
CN112001336A (zh) 行人越界报警方法、装置、设备及系统
CN117036798A (zh) 一种基于深度学习的输配电线路图像识别方法及系统
CN116596895A (zh) 一种变电设备图像缺陷识别方法及系统
CN114998570B (zh) 一种对象检测框的确定方法、装置、存储介质及电子装置
CN111428987A (zh) 一种基于人工智能的继保装置图像识别方法和系统
KR20210037199A (ko) 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치
CN115562191A (zh) 基于工业数字孪生的生产力中台智能推测分析方法
CN114419496A (zh) 图像巡检更新方法、装置、电子设备及存储介质
CN114169623A (zh) 一种电力设备故障分析方法、装置、电子设备及存储介质
CN115984158A (zh) 缺陷分析方法、装置、电子设备及计算机可读存储介质
CN112149562A (zh) 基于多功能杆的道路智慧养护系统及方法

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