CN114663404A - 一种线路缺陷识别方法、装置、电子设备及存储介质 - Google Patents
一种线路缺陷识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114663404A CN114663404A CN202210304349.9A CN202210304349A CN114663404A CN 114663404 A CN114663404 A CN 114663404A CN 202210304349 A CN202210304349 A CN 202210304349A CN 114663404 A CN114663404 A CN 114663404A
- Authority
- CN
- China
- Prior art keywords
- original picture
- line
- original
- picture
- determining
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 230000002950 deficient Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 34
- 238000007689 inspection Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000012212 insulator Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种线路缺陷识别方法、装置、电子设备及存储介质,涉及缺陷识别技术领域。首先获取拍摄的原始图片,其中,原始图片中包括线路特征,然后基于图像属性确定原始图片是否合格,其中,图像属性包括亮度、色彩、对比度、锐度以及噪声,若合格,则利用预设的识别模型对原始图片进行识别,以确定线路特征是否存在缺陷。本申请提供的线路缺陷识别方法、装置、电子设备及存储介质具有缺陷识别的准确率更高的优点。
Description
技术领域
本申请涉及缺陷识别技术领域,具体而言,涉及一种线路缺陷识别方法、装置、电子设备及存储介质。
背景技术
目前于输电线路智能化巡检敏感区域中,随着时间的推移,输电线路设备损坏将成为可能,此时在敏感重点区域部署无人机巡检,系统自动实时捕捉到该区域图片,然后通过人工筛选的方式或者目标检测算法筛选,并判断出是否属输电线路缺陷,此时远程监控中心后台界面会弹出存在缺陷报警,随后平台管理员及时确认并采取相应的措施。
然而,在判断输电线路是否存在缺陷时,无论是人工巡检的方式,还是采用无人机与人工智能目标检测方法相结合的方式,误报率均较高。
综上,现有技术中存在进行输电线路缺陷检测时,误报率较高的问题。
发明内容
本申请的目的在于提供一种线路缺陷识别方法、装置、电子设备及存储介质,以解决现有技术中存在进行输电线路缺陷检测时,误报率较高的问题。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种线路缺陷识别方法,所述方法包括:
获取拍摄的原始图片,其中,所述原始图片中包括线路特征;
基于图像属性确定所述原始图片是否合格,其中,所述图像属性包括亮度、色彩、对比度、锐度以及噪声;
如果是,则利用预设的识别模型对所述原始图片进行识别,以确定所述线路特征是否存在缺陷。
可选地,在所述获取拍摄的原始图片的步骤之前,所述方法还包括:
利用训练集图片对评分模型进行训练,以获取目标评分模型,其中,所述训练集图片也包括线路特征;
所述基于图像属性确定所述原始图片是否合格的步骤包括:
利用所述目标评分模型对所述原始图片进行评分;
当所述原始图片的得分大于或等于阈值时,确定所述原始图片合格;
当所述原始图片的得分小于阈值时,确定所述原始图片不合格。
可选地,在利用预设的识别模型对所述原始图片进行识别,以确定所述线路特征是否存在缺陷的步骤之后,所述方法还包括:
当获取基于同一目标区域拍摄的多张原始图片时,获取所述目标区域的光线状态;
依据所述光线状态确定判定阈值;
当所述目标区域拍摄的多张原始图片中,线路特征存在缺陷的原始图片的数量大于或等于所述判定阈值时,确定所述目标区域的线路存在缺陷。
可选地,所述依据所述光线状态确定判定阈值的步骤包括:
当所述光线状态为明亮时,确定所述判定阈值为第一阈值;
当所述光线状态为昏暗时,确定所述判定阈值为第二阈值,其中,所述第二阈值小于所述第一阈值。
可选地,所述获取拍摄的原始图片的步骤包括:
设定无人机的飞行航线;
控制所述无人机沿所述飞行航线飞行,并通过无人机携带的摄像装置获取原始图片。
第二方面,本申请实施例还提供了一种线路缺陷识别装置,所述装置包括:
数据获取单元,用于获取拍摄的原始图片,其中,所述原始图片中包括线路特征;
数据处理单元,用于基于图像属性确定所述原始图片是否合格,其中,所述图像属性包括亮度、色彩、对比度、锐度以及噪声;
数据处理单元还用于在确定所述原始图片合格时,利用预设的识别模型对所述原始图片进行识别,以确定所述线路特征是否存在缺陷。
可选地,所述装置还包括:
模型训练单元,用于利用训练集图片对评分模型进行训练,以获取目标评分模型,其中,所述训练集图片也包括线路特征;
所述数据处理单元用于利用所述目标评分模型对所述原始图片进行评分,并在当所述原始图片的得分大于或等于阈值时,确定所述原始图片合格,当所述原始图片的得分小于阈值时,确定所述原始图片不合格。
可选地,所述数据获取单元还用于当获取基于同一目标区域拍摄的多张原始图片时,获取所述目标区域的光线状态;
所述数据处理单元还用于依据所述光线状态确定判定阈值,并在当所述目标区域拍摄的多张原始图片中,线路特征存在缺陷的原始图片的数量大于或等于所述判定阈值时,确定所述目标区域的线路存在缺陷。
第三方面,本申请实施例还提供了一种电子设备,包括:存储器,用于存储一个或多个程序;处理器;当所述一个或多个程序被所述处理器执行时,实现上述的线路缺陷识别方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的线路缺陷识别方法。
相对于现有技术,本申请具有以下有益效果:
本申请提供了一种线路缺陷识别方法、装置、电子设备及存储介质,首先获取拍摄的原始图片,其中,原始图片中包括线路特征,然后基于图像属性确定原始图片是否合格,其中,图像属性包括亮度、色彩、对比度、锐度以及噪声,若合格,则利用预设的识别模型对原始图片进行识别,以确定线路特征是否存在缺陷。由于本申请在确定线路特征是否缺陷时,先对拍摄的原始图片按照一定的标准进行筛选,进而可以筛选出不合格的原始图片,因此在进行识别时,其准确率更高,不容易出现误报。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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获得其它相关的附图。
图1为本申请实施例提供的电子设备的一种模块示意图。
图2为本申请实施例提供的线路缺陷识别方法的第一种示例性流程图。
图3为本申请实施例提供的线路缺陷识别方法的第二种示例性流程图。
图4为本申请实施例提供的线路缺陷识别方法的第三种示例性流程图。
图5为本申请实施例提供的线路缺陷识别方法的第四种示例性流程图。
图6为本申请实施例提供的线路缺陷识别装置的模块示意图。
图中:100-电子设备;101-处理器;102-存储器;103-通信接口;200-线路缺陷识别装置;210-数据获取单元;220-数据处理单元;230-模型训练单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
随着现代技术的发展,输电线路巡检日新月异,无人机与人工智能目标检测算法相结合的应用是输电线路智能化巡检技术的关键所在,必须构建更加完善的高空输电线路巡检管理系统,切实提高输电线路的巡检水平。
随着国人对输电线路智能化巡检意识的提高,输电线路智能巡检市场进一步增长,技术日趋成熟,目前关键敏感场所的智能化巡检技术更是多如牛毛。无人机与人工智能目标检测算法相结合用于识别输电线路中的主要缺陷,比如,绝缘子自爆、绝缘子破损、导线散股、防震锤破损以及驱鸟器损坏等,大大提高了输电线路智能化巡检的效率。
然而,正如背景技术中所述,判断输电线路是否存在缺陷,无论是人工巡检的方式,还是采用无人机与人工智能目标检测方法相结合的方式,均存在很大的难度,最大的问题就是误报。首先是输电线路是高空架空输电线路,而是一般架空输电线路几公里到几十公里,其次,架空输电线路往往经过山川和河流等,并且因为不同角度、光线、遮挡等因素给输电线路巡检带来极大的挑战,导致一定程度的漏检和误检。
有鉴于此,本申请提供的一种线路缺陷识别方法,通过在采集图像后,对图像质量进行评价,确定该图像是否合格,且仅识别合格图像的方式,使得很大程度上降低误报的可能,提升了缺陷识别的准确率。
需要说明的是,本申请的所述的线路缺陷识别方法可以应用于电子设备中,基于不同的应用场景,电子设备可以不同。例如,当应用于飞行器场景时,该电子设备可以为无人机,利用无人机实现线路缺陷识别操作,当然地,也可以为后台服务器,该服务器与无人机之间通信,通过无人机将当前位置拍摄的图像反馈至服务器,然后由后台服务器对线路特征是否存在缺陷进行判断,在此不做限定。
其中,图1示出本申请实施例提供的电子设备100的一种示意性结构框图,电子设备100包括存储器102、处理器101和通信接口103,该存储器102、处理器101和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器102可用于存储软件程序及模块,如本申请实施例提供的线路缺陷识别装置对应的程序指令或模块,处理器101通过执行存储在存储器102内的软件程序及模块,从而执行各种功能应用以及数据处理,进而执行本申请实施例提供的线路缺陷识别方法的步骤。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器102可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除可编程只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器101可以是一种集成电路芯片,具有信号处理能力。该处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图1所示的结构仅为示意,电子设备100还可以包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
下面以电子设备100作为示意性执行主体,对本申请实施例提供的线路缺陷识别方法进行示例性说明。
作为一种实现方式,请参阅图2,该线路缺陷识别方法包括:
S102,获取拍摄的原始图片,其中,原始图片中包括线路特征。
S104,基于图像属性确定原始图片是否合格,其中,图像属性包括亮度、色彩、对比度、锐度以及噪声;如果是,则执行S106。
S106,利用预设的识别模型对原始图片进行识别,以确定线路特征是否存在缺陷。
其中,本申请所述的线路特征,指输电线路,即拍摄输电线路的相关图片,并对图片中的输电线路进行识别,进而确定输电线路是否存在故障,例如绝缘子自爆、绝缘子破损、导线散股、防震锤破损以及驱鸟器损坏等故障。
为了提升识别的准确率,本申请中,在获取原始图片后,会对原始图片进行判定,进而确定出原始图片是否合格,若原始图片合格,则继续进行图像识别,若原始图片不合格,则直接舍弃该原始图片,以防止出现误判。
需要说明的是,本申请在进行原始图片是否合格的判断时,需要结合亮度、色彩、对比度、锐度以及噪声等图像属性进行判定,使得判定结果精准。
在确定线路特征是否存在缺陷时,可以采用识别模型进行识别,例如,采用基于神经网络的识别模型进行识别。由于基于神经网络模型对图片进行识别的技术已相对完善,因此本申请不再对具体的识别过程进行赘述。
作为一种可选的实现方式,请参阅图3,S102包括:
S1021,设定无人机的飞行航线。
S1022,控制无人机沿飞行航线飞行,并通过无人机携带的摄像装置获取原始图片。
即本申请中,利用无人机拍摄原始图片,其中,无人机搭载有摄像头等图片获取装置,进而能够获取航拍图片。
需要说明的是,在实际操作中,可以无人机获取原始图片后,直接将原始图片回传至服务端,进而通过服务端对输电线路是否故障进行识别;或者,无人机的在获取原始图片后,直接对原始图片进行处理,进而确定出当前拍摄的原始图片中,是否出现输电线路故障,并将判定结果反馈至服务器,在此不做限定。
此外,还需要说明的是,为了能够拍摄需要路段的输电线路图片,可以依据需要识别的区域设定无人机飞行的航线,进而便于原始图片的拍摄。
例如,某段输电线路为A点至B点,其中C点位于A点与B点之间,此时若只需要判断A点至C点之间的输电线路是否存在故障,则只需要将设定无人机在A点至C点之间飞行。并且,为了保证无人机拍摄的原始图片中,始终包含线路特征,需要依据输电线路的具体路段设置无人机的飞行航线,进而覆盖该路段的输电线路。例如,设置无人机飞行的航线始终位于输电线路的上方,进而使无人机能够自动根据航线飞行并采集图片。
作为一种实现方式,在采集图片过程中,可以设定采样点,并在无人机飞行至采样点时,拍摄原始图片。其中,无人机在每个采样点拍摄的原始图片可以为多张,例如,无人机可以在飞行至其中一个采样点时,连续拍摄多张图片,或者,无人机可以往复多次飞行,并在每个采样点均拍摄一张或多张图片。
由于无人机在不同的时间段及不同的天气拍摄的原始图片,因此可能出现拍摄的原始图片质量不佳的情况,需要对其进行图像质量评价并筛选。
作为一种实现方式,可以通过设置评分模型的方式确定原始图片是否合格。在此基础上,请参阅图4,在S102之前,该方法还包括:
S101,利用训练集图片对评分模型进行训练,以获取目标评分模型,其中,训练集图片也包括线路特征。
S104包括:
S1041,利用目标评分模型对原始图片进行评分;
S1042,判断原始图片的得分是否低于阈值,如果否,则执行S1043,如果是,则执行S1044。
S1043,确定原始图片合格。
S1044,确定原始图片不合格。
其中,在训练集图片中,包括亮度、色彩、对比度、锐度以及噪声等图像属性不同的多张图片,并基于训练集图片对评分模型进行训练,以使得评分模型能够基于亮度、色彩、对比度、锐度以及噪声等图像属性对图片进行评分。
当然地,也可以采用其他方式确定原始图片的评分,例如,直接分配亮度、色彩、对比度、锐度以及噪声等图像属性不同权重,并利用权重与图像属性的数值分别相乘后再计算总分数,进而也同样能够达到获取原始图片的评分效果。
在确定原始图片的评分后,可以设置阈值,当原始图片的评分大于阈值时,则表示其质量较好,反之则质量较差,无法用于进行线路特征缺陷的识别。
例如,对原始图片的评分为0~1之间的数值,数值越大,则表示原始图片的质量越好,在此基础上,若将阈值设置为0.6,则原始图片评分大于或等于0.6即表示原始图片合格,可以利用原始图片进行缺陷识别;而若原始图片小于0.6,则表示原始图片不合格,此时直接将该原始图片删除,提升整个线路缺陷识别的准确性。
由于若只采用一张图片进行线路缺陷识别,则准确性相对较低。因此,作为一种可选的实现方式,请参阅图5,在S106之后,该方法还包括:
S108,当获取基于同一目标区域拍摄的多张原始图片时,获取目标区域的光线状态。
S110,依据光线状态确定判定阈值。
S112,当目标区域拍摄的多张原始图片中,线路特征存在缺陷的原始图片的数量大于或等于判定阈值时,确定目标区域的线路存在缺陷。
若在同一区域获取多张原始图片后,则可同时获取该区域的光线状态,并依据光线状态确定判定阈值。
可选得,光线状态可以分为明亮与昏暗,当光线状态为明亮时,确定判定阈值为第一阈值;当光线状态为昏暗时,确定判定阈值为第二阈值,其中,第二阈值大于第一阈值。其中,无人机上可携带光传感器等装置,实时监测当前位置的光强;当光强大于定值时,则判定此时光线状态为明亮,当光强小于定值时,则判定此时光线状态为昏暗。并且,由于昏暗状态下的光线更容易出现误判,因此第二阈值小于第一阈值。
例如,在明亮光线下,无人机在同一航拍点拍摄十张图片,能够识别出八张缺陷图片,那么则得出结论此区域的线路存在缺陷;如果光线昏暗,则在同一航拍点拍摄十张图片进行缺陷识别,那么达到六张图片识别出来则判定此区域的线路存在缺陷。当然地,航拍角度以及飞行的高度对识别阈值也有类似影响。
基于上述实现方式,请参阅图6,本申请实施例还提供了一种线路缺陷识别装置200,该装置包括:
数据获取单元210,用于获取拍摄的原始图片,其中,原始图片中包括线路特征。
可以理解地,通过数据获取单元210可以执行上述的S102。
数据处理单元220,用于基于图像属性确定原始图片是否合格,其中,图像属性包括亮度、色彩、对比度、锐度以及噪声。
可以理解地,通过数据处理单元220可以执行上述的S104。
数据处理单元220还用于在确定原始图片合格时,利用预设的识别模型对原始图片进行识别,以确定线路特征是否存在缺陷。
可以理解地,通过数据处理单220可以执行上述的S106。
并且,该装置还包括:
模型训练单元230,用于利用训练集图片对评分模型进行训练,以获取目标评分模型,其中,训练集图片也包括线路特征;
数据处理单元220用于利用目标评分模型对原始图片进行评分,并在当原始图片的得分大于或等于阈值时,确定原始图片合格,当原始图片的得分小于阈值时,确定原始图片不合格。
数据获取单元210还用于当获取基于同一目标区域拍摄的多张原始图片时,获取目标区域的光线状态;
数据处理单元220还用于依据光线状态确定判定阈值,并在当目标区域拍摄的多张原始图片中,线路特征存在缺陷的原始图片的数量大于或等于判定阈值时,确定目标区域的线路存在缺陷。
当然地,上述实施例中每一个步骤均可以对应一个虚拟模块,虚拟模块用于执行对应的步骤。
综上所述,本申请提供了一种线路缺陷识别方法、装置、电子设备及存储介质,首先获取拍摄的原始图片,其中,原始图片中包括线路特征,然后基于图像属性确定原始图片是否合格,其中,图像属性包括亮度、色彩、对比度、锐度以及噪声,若合格,则利用预设的识别模型对原始图片进行识别,以确定线路特征是否存在缺陷。由于本申请在确定线路特征是否缺陷时,先对拍摄的原始图片按照一定的标准进行筛选,进而可以筛选出不合格的原始图片,因此在进行识别时,其准确率更高,不容易出现误报。
综上所述,本申请提供了一种冻土分带制图方法、装置、电子设备及存储介质,首先利用雷达设备对目标调查区域进行剖面数据采集,然后对剖面数据进行解析,当剖面数据包括冻土边界信息时,确定边界信息的坐标与海拔信息,再利用数字高程模型数据在预设的地理信息平台进行地形因子提取,以确定坐标与坡向的对应关系,再依据对应关系与边界信息的坐标确定边界信息的坡向,然后对边界信息的坡向与海拔信息进行拟合,以确定海拔信息与坡向的函数与满足目标置信度的预测区间,最后利用海拔信息与坡向的函数、数字高程模型数据以及满足目标置信度的预测区间在地理信息平台进行栅格计算,以确定目标调查区域的冻土空间分布图,其中,沿海拔升高方向,目标调查区域包括季节性冻土带、不连续多年冻土带以及连续多年冻土带。由于本申请能够确定出季节性冻土带、不连续多年冻土带以及连续多年冻土带,因此绘制的冻土分布图更加详细。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
也要注意的是,框图和或流程图中的每个方框、以及框图和或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种线路缺陷识别方法,其特征在于,所述方法包括:
获取拍摄的原始图片,其中,所述原始图片中包括线路特征;
基于图像属性确定所述原始图片是否合格,其中,所述图像属性包括亮度、色彩、对比度、锐度以及噪声;
如果是,则利用预设的识别模型对所述原始图片进行识别,以确定所述线路特征是否存在缺陷。
2.如权利要求1所述的线路缺陷识别方法,其特征在于,在所述获取拍摄的原始图片的步骤之前,所述方法还包括:
利用训练集图片对评分模型进行训练,以获取目标评分模型,其中,所述训练集图片也包括线路特征;
所述基于图像属性确定所述原始图片是否合格的步骤包括:
利用所述目标评分模型对所述原始图片进行评分;
当所述原始图片的得分大于或等于阈值时,确定所述原始图片合格;
当所述原始图片的得分小于阈值时,确定所述原始图片不合格。
3.如权利要求1所述的线路缺陷识别方法,其特征在于,在利用预设的识别模型对所述原始图片进行识别,以确定所述线路特征是否存在缺陷的步骤之后,所述方法还包括:
当获取基于同一目标区域拍摄的多张原始图片时,获取所述目标区域的光线状态;
依据所述光线状态确定判定阈值;
当所述目标区域拍摄的多张原始图片中,线路特征存在缺陷的原始图片的数量大于或等于所述判定阈值时,确定所述目标区域的线路存在缺陷。
4.如权利要求3所述的线路缺陷识别方法,其特征在于,所述依据所述光线状态确定判定阈值的步骤包括:
当所述光线状态为明亮时,确定所述判定阈值为第一阈值;
当所述光线状态为昏暗时,确定所述判定阈值为第二阈值,其中,所述第二阈值小于所述第一阈值。
5.如权利要求1所述的线路缺陷识别方法,其特征在于,所述获取拍摄的原始图片的步骤包括:
设定无人机的飞行航线;
控制所述无人机沿所述飞行航线飞行,并通过无人机携带的摄像装置获取原始图片。
6.一种线路缺陷识别装置,其特征在于,所述装置包括:
数据获取单元,用于获取拍摄的原始图片,其中,所述原始图片中包括线路特征;
数据处理单元,用于基于图像属性确定所述原始图片是否合格,其中,所述图像属性包括亮度、色彩、对比度、锐度以及噪声;
数据处理单元还用于在确定所述原始图片合格时,利用预设的识别模型对所述原始图片进行识别,以确定所述线路特征是否存在缺陷。
7.如权利要求6所述的线路缺陷识别装置,其特征在于,所述装置还包括:
模型训练单元,用于利用训练集图片对评分模型进行训练,以获取目标评分模型,其中,所述训练集图片也包括线路特征;
所述数据处理单元用于利用所述目标评分模型对所述原始图片进行评分,并在当所述原始图片的得分大于或等于阈值时,确定所述原始图片合格,当所述原始图片的得分小于阈值时,确定所述原始图片不合格。
8.如权利要求6所述的线路缺陷识别装置,其特征在于,所述数据获取单元还用于当获取基于同一目标区域拍摄的多张原始图片时,获取所述目标区域的光线状态;
所述数据处理单元还用于依据所述光线状态确定判定阈值,并在当所述目标区域拍摄的多张原始图片中,线路特征存在缺陷的原始图片的数量大于或等于所述判定阈值时,确定所述目标区域的线路存在缺陷。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210304349.9A CN114663404A (zh) | 2022-03-25 | 2022-03-25 | 一种线路缺陷识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210304349.9A CN114663404A (zh) | 2022-03-25 | 2022-03-25 | 一种线路缺陷识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663404A true CN114663404A (zh) | 2022-06-24 |
Family
ID=82031487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210304349.9A Pending CN114663404A (zh) | 2022-03-25 | 2022-03-25 | 一种线路缺陷识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663404A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961003A (zh) * | 2018-12-26 | 2019-07-02 | 安徽继远软件有限公司 | 一种基于fpga的嵌入式输电线路机载辅助巡视装置 |
CN110602484A (zh) * | 2019-08-29 | 2019-12-20 | 海南电网有限责任公司海口供电局 | 一种输电线路设备拍摄质量在线检核方法 |
US20200394376A1 (en) * | 2018-08-16 | 2020-12-17 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, and storage medium for identifying identification code |
CN113706490A (zh) * | 2021-08-19 | 2021-11-26 | 中科苏州智能计算技术研究院 | 一种晶片缺陷检测方法 |
CN113763355A (zh) * | 2021-09-07 | 2021-12-07 | 创新奇智(青岛)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
CN113902719A (zh) * | 2021-10-14 | 2022-01-07 | 国网冀北电力有限公司技能培训中心 | 一种输电线路无人机巡检图像质量的检测方法 |
-
2022
- 2022-03-25 CN CN202210304349.9A patent/CN114663404A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200394376A1 (en) * | 2018-08-16 | 2020-12-17 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, and storage medium for identifying identification code |
CN109961003A (zh) * | 2018-12-26 | 2019-07-02 | 安徽继远软件有限公司 | 一种基于fpga的嵌入式输电线路机载辅助巡视装置 |
CN110602484A (zh) * | 2019-08-29 | 2019-12-20 | 海南电网有限责任公司海口供电局 | 一种输电线路设备拍摄质量在线检核方法 |
CN113706490A (zh) * | 2021-08-19 | 2021-11-26 | 中科苏州智能计算技术研究院 | 一种晶片缺陷检测方法 |
CN113763355A (zh) * | 2021-09-07 | 2021-12-07 | 创新奇智(青岛)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
CN113902719A (zh) * | 2021-10-14 | 2022-01-07 | 国网冀北电力有限公司技能培训中心 | 一种输电线路无人机巡检图像质量的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108037770B (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
WO2020078229A1 (zh) | 目标对象的识别方法和装置、存储介质、电子装置 | |
CN109631848B (zh) | 输电线路异物入侵检测系统和检测方法 | |
CN109484935A (zh) | 一种电梯轿厢监控方法、装置及系统 | |
CN111832398B (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
CN112001327B (zh) | 一种阀厅设备故障识别方法及系统 | |
CN111339997A (zh) | 火点区域的确定方法及装置、存储介质和电子装置 | |
CN112733690A (zh) | 一种高空抛物检测方法、装置及电子设备 | |
CN112052878B (zh) | 一种雷达的遮挡识别的方法、装置及存储介质 | |
CN112862150A (zh) | 一种基于图像与视频多模型的森林火情预警方法 | |
CN113095114A (zh) | 液压系统漏油检测方法、装置和设备 | |
Ibrahim et al. | The application of UAV images in flood detection using image segmentation techniques | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
Yoon et al. | An intelligent automatic early detection system of forest fire smoke signatures using Gaussian mixture model | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN110569776A (zh) | 台风灾后对输配电线路故障的筛查方法 | |
CN114663404A (zh) | 一种线路缺陷识别方法、装置、电子设备及存储介质 | |
CN113313110A (zh) | 一种车牌类型识别模型构建及车牌类型识别方法 | |
CN113128422A (zh) | 一种深度神经网络的图像烟火检测方法及系统 | |
CN116630866A (zh) | 音视频雷达融合的异常事件监控方法、装置、设备及介质 | |
CN113507341B (zh) | 基于无线电频谱识别的无人机侦测方法、系统和存储介质 | |
CN115620179A (zh) | 基于无人机的火情检测方法及装置、电子设备及介质 | |
CN114445669A (zh) | 一种烟火告警方法、装置、电子设备及存储介质 | |
Xiong et al. | Video fire detection–Techniques and applications in the fire industry | |
CN118135377B (zh) | 一种模型部署方法、端侧设备及存储介质 |
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 |