CN114693776A - 一种电缆位置信息确定方法、装置、设备和存储介质 - Google Patents

一种电缆位置信息确定方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114693776A
CN114693776A CN202210305093.3A CN202210305093A CN114693776A CN 114693776 A CN114693776 A CN 114693776A CN 202210305093 A CN202210305093 A CN 202210305093A CN 114693776 A CN114693776 A CN 114693776A
Authority
CN
China
Prior art keywords
target
hyperbolic
candidate
cable
column
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
CN202210305093.3A
Other languages
English (en)
Inventor
曾振达
叶杭
王红飞
汪进锋
金杨
姚瑶
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.)
Guangdong Power Grid Co Ltd
Heyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Heyuan Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Heyuan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202210305093.3A priority Critical patent/CN114693776A/zh
Publication of CN114693776A publication Critical patent/CN114693776A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种电缆位置信息确定方法、装置、设备和存储介质。该方法包括：获取目标电缆扫描图像；提取所述目标电缆扫描图像中的候选双曲线区域；根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行预处理，得到双曲线点集；对所述双曲线点集进行聚类拟合，得到目标双曲线；根据所述目标双曲线确定目标电缆的位置信息。本发明实施例能够有效提高地下电缆的可维护性，方便地下电缆的工程管理，具有广泛的应用前景。

Description

一种电缆位置信息确定方法、装置、设备和存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种电缆位置信息确定方法、装置、设备和存储介质。
背景技术
近年来，随着电力电网的发展，电力电缆在各类配电网中的应用比例大幅增加，地下电缆输电已成为城市电网中的主要电能传输途径。随着城市的不断建设与改造，城市地下管线的分布越来越广。由于电力电缆常年埋设于地下，在电网发展过程中对地下电缆网络的改造较大，相关资料出现部分遗失或未及时更新，导致在出现电缆故障，同时日常检修时无法实现对电缆的精确识别与确定地下电力电缆。
探测仪是目前应用最广泛的地下电缆路径探测装置，可通过确定地面电磁信号的强弱变化确定电缆具体位置。虽然具有很高的准确性，但管线探测仪只能实现对金属管线的探测，且需要在管线离线状态下注入足够能量的脉冲信号，因此其应用受到了限制。
探地雷达探测技术可以进行真实、快速、无损、高分辨率的地下探测。然而在野外条件下，由于介质的不均匀性、波波相互作用以及仪器噪声使图像中含有大量的干涉反射，导致动处理和提取图像中的双曲线效果不理想，无法对地下电缆进行精确定位。
发明内容
本发明提供了一种电缆位置信息确定方法、装置、设备和存储介质，以解决无法对地下电缆进行精确定位的问题，能够准确地定位地下电缆的位置信息，可有效提高地下电缆的可维护性，方便地下电缆的工程管理，具有广泛的应用前景。
根据本发明的一方面，提供了一种电缆位置信息确定方法，该方法包括：
获取目标电缆扫描图像；
提取所述目标电缆扫描图像中的候选双曲线区域；
根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行预处理，得到双曲线点集；
对所述双曲线点集进行聚类拟合，得到目标双曲线；
根据所述目标双曲线确定目标电缆的位置信息。
根据本发明的另一方面，提供了一种电缆位置信息确定装置，该装置包括：
获取模块，用于获取目标电缆扫描图像；
提取模块，用于提取所述目标电缆扫描图像中的候选双曲线区域；
预处理模块，用于根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行预处理，得到双曲线点集；
聚类拟合模块，用于对所述双曲线点集进行聚类拟合，得到目标双曲线；
确定模块，用于根据所述目标双曲线确定目标电缆的位置信息。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的电缆位置信息确定方法。
根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电缆位置信息确定方法。
本发明实施例的技术方案，通过获取目标电缆扫描图像，提取目标电缆扫描图像中的候选双曲线区域，根据候选双曲线区域中每个像素点的灰度值对候选双曲线区域进行预处理，得到双曲线点集，对双曲线点集进行聚类拟合，得到目标双曲线，根据目标双曲线确定目标电缆的位置信息。本发明实施例解决了无法对地下电缆进行精确定位的问题，能够准确地定位地下电缆的位置信息，可有效提高地下电缆的可维护性，方便地下电缆的工程管理，具有广泛的应用前景。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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获得其他的附图。
图1是根据本发明实施例一提供的一种电缆位置信息确定方法的流程图；
图2a是根据本发明实施例一提供的小于点集阈值的带有点分割的点段的示意图；
图2b是根据本发明实施例一提供的大于或者等于点集阈值的带有点分割的点段的示意图；
图2c是根据本发明实施例一提供的向上开口的中间点簇的示意图；
图2d是根据本发明实施例一提供的向下开口的中间点簇的示意图；
图2e是根据本发明实施例一提供的两个双曲线交叉衍生的错误目标的示意图；
图3是根据本发明实施例二提供的一种电缆位置信息确定装置的结构示意图；
图4是实现本发明实施例的电缆位置信息确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种电缆位置信息确定方法的流程图，本实施例可适用于电缆位置信息确定情况，该方法可以由电缆位置信息确定装置来执行，该电缆位置信息确定装置可以采用硬件和/或软件的形式实现，该电缆位置信息确定装置可集成在任何提供电缆位置信息确定功能的电子设备中。如图1所示，该方法包括：
S101、获取目标电缆扫描图像。
需要解释的是，目标电缆可以是待确定位置信息的电缆。相应的，目标电缆扫描图像可以是待确定位置信息的电缆的扫描图像，具体可以是探地雷达探测到电缆在雷达图像上形成的图像。
具体的，首先确定要进行目标电缆的探测位置，然后开启探地雷达仪器，仪器接收天线收到反射波信号并将其数字化生成目标电缆扫描图像。
其中，探地雷达(Ground-penetrating radar，GPR)是一种电磁技术，用于检测物理特性的变化。探地雷达通过向地下发送高频电磁波在不同介质中传播，在雷达图像上形成具有不同特征的图像。目前用于探测的探地雷达频率大多在100MHz到7GHz之间，探测深度在1米左右，足以探测大部分目标。探地雷达的浅层成像和定位是利用电磁波产生的反射和散射来实现的。
S102、提取目标电缆扫描图像中的候选双曲线区域。
需要说明的是，候选双曲线区域可以是目标电缆对应的双曲线所在的区域。
具体的，可以采用训练好的基于区域检测的卷积神经网络(Region-CNN，R-CNN)检测器识别目标电缆扫描图像中带双曲线特征的区域并进行提取。
在实际操作过程中，采用区域检测算法RCNN检测识别目标电缆扫描图像的步骤如下：基于300MHz的探地雷达仪器从不同区域和深度的电力电缆站点探测获取大约1000幅电缆扫描图像；基于开源数据集，选取不同土质和深度地下电力电缆大约2000幅电缆扫描图像；将上述3000幅电缆扫描图像制作标签，其中60％的电缆扫描图像作为模型数据集训练，40％的电缆扫描图像用于模型测试集；搭建RCNN算法初始框架模型，采用数据集训练模型，得到训练好的RCNN模型；采用训练好的RCNN模型测试采集的目标电缆扫描图像，提取出目标电缆扫描图像中的候选双曲线区域。
S103、根据候选双曲线区域中每个像素点的灰度值对候选双曲线区域进行预处理，得到双曲线点集。
需要说明的是，候选双曲线区域由许多像素点组成，每个像素点都对应有各自的灰度值。
需要解释的是，预处理可以是对候选双曲线区域进行阈值分割以及形态学去噪处理。
其中，双曲线点集可以是由对候选双曲线区域进行预处理后得到的候选双曲线区域中的像素点所形成的集合。
具体的，提取出目标电缆扫描图像中的候选双曲线区域后，可以采用基于自适应阈值分割算法和形态学开、闭运算操作对候选双曲线区域进行预处理，得到双曲线点集。
S104、对双曲线点集进行聚类拟合，得到目标双曲线。
需要说明的是，聚类拟合可以是将双曲线点集进行分类，并将分类后的点集拟合成双曲线。
其中，目标双曲线可以是对双曲线点集进行聚类拟合后得到的双曲线。
具体的，可以采用基于下开口扫描算法聚类器聚类预处理后得到的双曲线点集，再通过基于代数距离拟合算法的双曲线拟合器对聚类后的双曲线点集进行拟合，最终检测得到目标电缆扫描图像中的目标双曲线。
S105、根据目标双曲线确定目标电缆的位置信息。
其中，位置信息可以包括目标电缆埋在地下的深度以及电缆的管径等信息。
具体的，得到目标双曲线后，根据目标双曲线方程计算抛物线方程就可以得到地下电缆的深度和电缆的直径等信息。
本发明实施例的技术方案，通过获取目标电缆扫描图像，提取目标电缆扫描图像中的候选双曲线区域，根据候选双曲线区域中每个像素点的灰度值对候选双曲线区域进行预处理，得到双曲线点集，对双曲线点集进行聚类拟合，得到目标双曲线，根据目标双曲线确定目标电缆的位置信息。本发明实施例解决了无法对地下电缆进行精确定位的问题，能够准确地定位地下电缆的位置信息，可有效提高地下电缆的可维护性，方便地下电缆的工程管理，具有广泛的应用前景。
可选的，根据候选双曲线区域中每个像素点的灰度值对候选双曲线区域进行预处理，得到双曲线点集，包括：
根据候选双曲线区域中每个像素点的灰度值对候选双曲线区域进行阈值分割，得到二值化图像。
需要说明的是，阈值分割可以是根据阈值对候选双曲线区域进行图像分割。
需要解释的是，二值化图像指的是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果的图像。
具体的，计算候选双曲线区域中每个像素点的灰度变化值；求上述灰度变化值的平均值，得到阈值，然后通过阈值将候选双曲线区域自适应阈值分割二值化，得到二值化图像。
根据二值化图像确定双曲线点集。
具体的，采用形态学闭运算操作处理二值化图像，以此填充二值化图像中的孔洞以及合并邻近区域；之后采用形态学开运算操作处理二值化图像，以消除较小的区域噪声；重复上述的形态学方法操作，直到得到良好的二值化图像，最后根据二值化图像确定双曲线点集。
在实际操作过程中，形态学方法包括膨胀运算和腐蚀运算两种基本运算，旨在连接阈值分割处理后的具有相似特性的候选双曲线区域，并去除明亮的噪声点。本发明实施例中的形态学方法是将膨胀腐蚀运算结合起来，首先采用闭运算先膨胀后腐蚀操作，定义E是二值化图像B的结构元素，则E对B的闭运算操作可以表示为：
Figure BDA0003564615000000071
其中，·表示闭运算操作，
Figure BDA0003564615000000081
表示膨胀运算，Θ表示腐蚀运算，B表示二值化图像，E1表示二值化图像B的结构元素1，E2表示二值化图像B的结构元素2。
采用形态学闭运算操作处理二值化图像，以此填充二值化图像中的孔洞以及合并邻近区域。再进行E对B的开运算先腐蚀膨胀操作，可以表示为：
Figure BDA0003564615000000082
其中，
Figure BDA0003564615000000083
表示开运算操作，Θ表示腐蚀运算，
Figure BDA0003564615000000084
表示膨胀运算，B表示二值化图像，E1表示二值化图像B的结构元素1，E2表示二值化图像B的结构元素2。
采用形态学开运算操作处理二值化图像，以此消除较小的区域噪声点集。
可选的，根据候选双曲线区域中每个像素点的灰度值对候选双曲线区域进行阈值分割，得到二值化图像，包括：
获取候选双曲线区域中每个像素点的灰度值。
具体的，候选双曲线区域由许多像素点组成，可以设定用(x,y)表示候选双曲线区域中每个像素点，每个像素点都对应有各自的灰度值，可以设定用I(x,y)表示候选双曲线区域中每个像素点的灰度。
根据像素点对应的灰度值计算得到相邻像素点的灰度变化值。
需要说明的是，相邻像素点可以是与某像素点上下左右相邻的像素点。
在本实施例中，灰度变化值可以根据相邻像素点的差值得到，相邻像素点的可以用D(x,y)表示。
具体的，根据像素点对应的灰度值得到相邻像素点的灰度变化值的计算公式如下：
Figure BDA0003564615000000091
其中，D(x,y)表示相邻像素点的灰度变化值，Dx(x,y)表示相邻像素点的x轴坐标的灰度变化值，Dy(x,y)表示相邻像素点的y轴坐标的灰度变化值。
其中，Dx(x,y)和Dy(x,y)的计算方式如下：
Figure BDA0003564615000000092
Figure BDA0003564615000000093
其中，Dx(x,y)表示相邻像素点的x轴坐标的灰度变化值，Dy(x,y)表示相邻像素点的y轴坐标的灰度变化值，I(x+1,y)表示右相邻点的灰度值，I(x-1,y)表示左相邻点的灰度值，I(x,y+1)表示上相邻点的灰度值，I(x,y-1)表示下相邻点的灰度值。
将灰度变化值小于设定阈值的相邻像素点的平均灰度值确定为分割阈值。
其中，设定阈值可以是根据实际情况预先设定的灰度变化值，也可称为像素过滤阈值，例如可以是0.5，本实施例对此不进行限定。
需要说明的是，平均灰度值可以是对像素点的灰度值求平均得到的值。
在本实施例中，分割阈值可以是对候选双曲线区域进行分割的阈值。
具体的，将灰度变化值小于设定阈值的相邻像素点求平均值，将得到的平均灰度值确定为分割阈值。
在实际操作过程中，分割阈值的计算公式如下：
T＝Mean{I′(x,y),D(x,y)≤θ}；
其中，T表示分割阈值，Mean表示求平均，I’(x,y)表示灰度变化值小于设定阈值的相邻像素点，D(x,y)表示相邻像素点的灰度变化值，θ表示设定阈值。
根据分割阈值对候选双曲线区域进行阈值分割，得到二值化图像。
具体的，可以将大于分割阈值的像素点的灰度级设置为255，将小于分割阈值的像素点的灰度级设置为0，得到阈值分割后的二值化图像。
可选的，对双曲线点集进行聚类拟合，得到目标双曲线，包括：
对双曲线点集进行聚类，得到目标点集。
需要说明的是，目标点集可以是对双曲线点集进行聚类后得到的点集。
具体的，采用下开口聚类算法对双曲线点集进行聚类，得到目标点集。其中，下开口聚类算法主要包括目标双曲线特征搜索和特征簇聚类两轮操作，扫描检测不规则双曲线并消除，聚类输出带完整双曲线特征的点(即目标点集)。
在实际操作过程中，下开口聚类算法对双曲线点集从上到下逐级扫描，设定点集阈值S(点集阈值S可以表示S层连续点，阈值S可以是2，本发明实施例对此不进行限定)。
示例性的，设点集阈值S＝2，图2a是根据本发明实施例一提供的小于点集阈值的带有点分割的点段的示意图，如图2a所示，标有数字1的点集小于S，因此消除小于点集阈值S的带有点分割的点段，保留下开口特征双曲线；图2b是根据本发明实施例一提供的大于或者等于点集阈值的带有点分割的点段的示意图，如图2b所示，标有数字1的点集等于S，因此保留大于或者等于点集阈值的带有点分割的点段，即保留下开口特征双曲线。
再次扫描上述输出图像中剩余的簇(簇即点集)，扫描过程中将向上开口的位置标记为下开口点簇，并标记中间点簇为标签1，将向下开口的特征簇标记为2，且在特征扫描过程中需要标记同时带开口向下特征的为2和开口向上特征为1。搜索目标双曲线特征所有的开口并消除不规则区域，聚类目标双曲线特征簇，即目标点集。
示例性的，图2c是根据本发明实施例一提供的向上开口的中间点簇的示意图，如图2c所示，将扫描过程中向上开口的中间点簇位置标记为标签1，此时将带上开口特征点簇1视为开始点集群，删除点簇1上方的非目标点集；图2d是根据本发明实施例一提供的向下开口的中间点簇的示意图，如图2d所示，将扫描过程中向下开口的中间点簇位置标记为标签2，此时带下开口特征点簇2不能被视为开始点集群；图2e是根据本发明实施例一提供的两个双曲线交叉衍生的错误目标的示意图，如图2e所示，点簇标签1和2被认为是由两个双曲线的交叉衍生的错误目标,此时下开口特征的点簇不再被视为一个开始点集群,而带上开口特征点簇1则被视为开始点集群，其他点集群直接被删除。去掉无目标簇后的特征簇聚类，输出带下开口特征的双曲线点簇。
对目标点集进行拟合，得到目标双曲线。
具体的，可以通过基于代数距离拟合算法的双曲线拟合器对候选双曲线区域的的目标点集进行拟合，得到目标双曲线。
可选的，对目标点集进行拟合，得到目标双曲线，包括：
逐列扫描目标点集，确定每列上端点坐标与每列下端点坐标。
需要说明的是，逐列扫描可以是按列扫描所有目标点集。
其中，每列上端点坐标指的是每列最上面的目标点集的坐标，例如第一列上端点坐标可以用P1＝(x0，y1)表示；每列下端点坐标指的是每列最下面的目标点集的坐标，例如第一列下端点坐标可以用P2＝(x0，y2)表示。
具体的，按列扫描所有目标点集，确定最上面的目标点集的坐标和每列最下面的目标点集的坐标。
根据每列上端点坐标与每列下端点坐标确定每列对应的目标拟合点坐标。
需要解释的是，目标拟合点坐标可以是由每列上端点坐标与每列下端点坐标确定的每列用于拟合成目标双曲线的坐标。
具体的，根据每列上端点坐标与每列下端点坐标确定每列对应的目标拟合点坐标的方式可以是，将每列上端点的Y坐标和每列下端点的Y坐标的平均值确定为该列对应的目标拟合点的Y坐标，将每标列上端点的X坐标或者每列下端点的X坐标确定为该列对应的目标拟合点的X坐标。示例性的，第一列的目标拟合点的坐标可表示为：
Figure BDA0003564615000000121
其中，Pt表示第一列的目标拟合点，x0表示第一列的目标拟合点的横坐标，
Figure BDA0003564615000000122
表示第一列的目标拟合点的纵坐标。
将每列对应的目标拟合点坐标输入目标双曲线方程，得到目标双曲线。
在本实施例中，目标双曲线方程可以是双曲线抛物线方程，双曲线抛物线方程可表示为：
Figure BDA0003564615000000123
其中，点(k,h)表示双曲线的中心点，a表示双曲线抛物线的半长轴的长度，b表示双曲线抛物线的半短轴的长度。
具体的，确定每列对应的目标拟合点坐标后，将这些点作为目标双曲线方程的输入点输入目标双曲线方程，得到目标双曲线。
在实际操作过程中，考虑到用于拟合目标双曲线的目标拟合点可能由于噪声和不必要的地下反射而包含异常值，因此在输入前先采用低通滤波器对目标拟合点Pn＝(x,y)(其中，n表示列数，n＝1、2、…，x表示每一列目标拟合点的横坐标，y表示每一列目标拟合点的纵坐标)进行平滑处理。在遍历过程中，可将Pn替换为相邻n个潜在拟合点(潜在拟合点指的是每一列除上端点和下端点的其余点)的平均值，得到最终目标拟合点可以表示为：
Figure BDA0003564615000000124
其中，Pn'表示最终目标拟合点，x(n)'表示每列最终目标拟合点的横坐标，
Figure BDA0003564615000000131
表示每列最终目标拟合点的纵坐标(即相邻n个潜在拟合点的平均值)。
可选的，根据每列上端点坐标与每列下端点坐标确定每列对应的目标拟合点坐标，包括：
将目标列上端点的Y坐标和目标列下端点的Y坐标的平均值确定为目标列对应的目标拟合点的Y坐标，将目标列上端点的X坐标或者目标列下端点的X坐标确定为目标列对应的目标拟合点的X坐标。
其中，目标列为候选双曲线区域的每一列。
具体的，将每列上端点的Y坐标和每列下端点的Y坐标的平均值确定为该列对应的目标拟合点的Y坐标，将每标列上端点的X坐标或者每列下端点的X坐标确定为该列对应的目标拟合点的X坐标。
可选的，提取目标电缆扫描图像中的候选双曲线区域，包括：
将目标电缆扫描图像输入目标模型，得到目标电缆扫描图像中的候选双曲线区域的位置信息。
其中，目标模型可以是神经网络模型，具体可以是RCNN模型。
需要说明的是，候选双曲线区域的位置信息可以是目标电缆扫描图像中的候选双曲线区域对应的目标电缆的位置信息。
其中，目标模型通过目标样本集迭代训练神经网络模型得到。
需要解释的是，目标样本集可以是用于迭代训练神经网络模型的样本集。
目标样本集包括：电缆图像样本和电缆图像样本对应的候选双曲线区域的位置信息。
在本实施例中，电缆图像样本可以包括实际探测得到的电缆扫描图像和数据库中的电缆扫描图像。
具体的，通过目标样本集迭代训练神经网络模型包括：建立神经网络模型；将目标样本集中的电缆图像样本输入神经网络模型，得到预测候选双曲线区域的位置信息；根据电缆图像样本对应的候选双曲线区域的位置信息和预测候选双曲线区域的位置信息形成的目标函数训练神经网络模型的参数；返回执行将目标样本集中的电缆图像样本输入神经网络模型，得到预测候选双曲线区域的位置信息的操作，直至得到目标模型。
示例性的，目标模型可以是RCNN模型，RCNN模型的迭代训练过程可以是：基于300MHz的探地雷达仪器从不同区域和深度的电力电缆站点探测获取大约1000幅电缆扫描图像；基于开源数据集，选取不同土质和深度地下电力电缆大约2000幅电缆扫描图像；将上述3000幅电缆扫描图像制作标签，其中60％的电缆扫描图像作为模型数据集训练，40％的电缆扫描图像用于模型测试集；搭建RCNN算法初始框架模型，采用数据集训练模型，得到训练好的RCNN模型。
具体的，可以将目标电缆扫描图像输入训练好的RCNN模型，检测识别目标电缆扫描图像中带双曲线特征的区域并分割提取出候选双曲线区域，得到目标电缆扫描图像中的候选双曲线区域的位置信息。
根据候选双曲线区域的位置信息提取目标电缆扫描图像中的候选双曲线区域。
具体的，将目标电缆扫描图像输入目标模型，得到目标电缆扫描图像中的候选双曲线区域的位置信息后，根据候选双曲线区域的位置信息提取目标电缆扫描图像中的候选双曲线区域。
实施例二
图3是根据本发明实施例二提供的一种电缆位置信息确定装置的结构示意图。如图3所示，该装置包括：获取模块201、提取模块202、预处理模块203、聚类拟合模块204和确定模块205。
其中，获取模块201，用于获取目标电缆扫描图像；
提取模块202，用于提取所述目标电缆扫描图像中的候选双曲线区域；
预处理模块203，用于根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行预处理，得到双曲线点集；
聚类拟合模块204，用于对所述双曲线点集进行聚类拟合，得到目标双曲线；
确定模块205，用于根据所述目标双曲线确定目标电缆的位置信息。
可选的，所述预处理模块203包括：
阈值分割单元，用于根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行阈值分割，得到二值化图像；
确定单元，用于根据所述二值化图像确定双曲线点集。
可选的，所述阈值分割单元具体用于：
获取所述候选双曲线区域中每个像素点的灰度值；
根据所述像素点对应的灰度值计算得到相邻像素点的灰度变化值；
将所述灰度变化值小于设定阈值的相邻像素点的平均灰度值确定为分割阈值；
根据所述分割阈值对所述候选双曲线区域进行阈值分割，得到二值化图像。
可选的，所述聚类拟合模块204包括：
聚类单元，用于对所述双曲线点集进行聚类，得到目标点集；
拟合单元，用于对所述目标点集进行拟合，得到目标双曲线。
可选的，所述拟合单元包括：
第一确定子单元，用于逐列扫描所述目标点集，确定每列上端点坐标与每列下端点坐标；
第二确定子单元，用于根据所述每列上端点坐标与每列下端点坐标确定每列对应的目标拟合点坐标；
输入子单元，用于将所述每列对应的目标拟合点坐标输入目标双曲线方程，得到目标双曲线。
可选的，所述第二确定子单元具体用于：
将目标列上端点的Y坐标和目标列下端点的Y坐标的平均值确定为目标列对应的目标拟合点的Y坐标，将目标列上端点的X坐标或者目标列下端点的X坐标确定为目标列对应的目标拟合点的X坐标。
可选的，所述提取模块202具体用于：
将所述目标电缆扫描图像输入目标模型，得到所述目标电缆扫描图像中的候选双曲线区域的位置信息，其中，所述目标模型通过目标样本集迭代训练神经网络模型得到，所述目标样本集包括：电缆图像样本和所述电缆图像样本对应的候选双曲线区域的位置信息；
根据所述候选双曲线区域的位置信息提取所述目标电缆扫描图像中的候选双曲线区域。
本发明实施例所提供的电缆位置信息确定装置可执行本发明任意实施例所提供的电缆位置信息确定方法，具备执行方法相应的功能模块和有益效果。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备30的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备30包括至少一个处理器31，以及与至少一个处理器31通信连接的存储器，如只读存储器(ROM)32、随机访问存储器(RAM)33等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器31可以根据存储在只读存储器(ROM)32中的计算机程序或者从存储单元38加载到随机访问存储器(RAM)33中的计算机程序，来执行各种适当的动作和处理。在RAM 33中，还可存储电子设备30操作所需的各种程序和数据。处理器31、ROM 32以及RAM 33通过总线34彼此相连。输入/输出(I/O)接口35也连接至总线34。
电子设备30中的多个部件连接至I/O接口35，包括：输入单元36，例如键盘、鼠标等；输出单元37，例如各种类型的显示器、扬声器等；存储单元38，例如磁盘、光盘等；以及通信单元39，例如网卡、调制解调器、无线通信收发机等。通信单元39允许电子设备30通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器31可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器31的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器31执行上文所描述的各个方法和处理，例如电缆位置信息确定方法：
获取目标电缆扫描图像；
提取所述目标电缆扫描图像中的候选双曲线区域；
根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行预处理，得到双曲线点集；
对所述双曲线点集进行聚类拟合，得到目标双曲线；
根据所述目标双曲线确定目标电缆的位置信息。
在一些实施例中，电缆位置信息确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元38。在一些实施例中，计算机程序的部分或者全部可以经由ROM 32和/或通信单元39而被载入和/或安装到电子设备30上。当计算机程序加载到RAM 33并由处理器31执行时，可以执行上文描述的电缆位置信息确定方法的一个或多个步骤。备选地，在其他实施例中，处理器31可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行电缆位置信息确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种电缆位置信息确定方法，其特征在于，包括：
获取目标电缆扫描图像；
提取所述目标电缆扫描图像中的候选双曲线区域；
根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行预处理，得到双曲线点集；
对所述双曲线点集进行聚类拟合，得到目标双曲线；
根据所述目标双曲线确定目标电缆的位置信息。
2.根据权利要求1所述的方法，其特征在于，根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行预处理，得到双曲线点集，包括：
根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行阈值分割，得到二值化图像；
根据所述二值化图像确定双曲线点集。
3.根据权利要求2所述的方法，其特征在于，根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行阈值分割，得到二值化图像，包括：
获取所述候选双曲线区域中每个像素点的灰度值；
根据所述像素点对应的灰度值计算得到相邻像素点的灰度变化值；
将所述灰度变化值小于设定阈值的相邻像素点的平均灰度值确定为分割阈值；
根据所述分割阈值对所述候选双曲线区域进行阈值分割，得到二值化图像。
4.根据权利要求1所述的方法，其特征在于，对所述双曲线点集进行聚类拟合，得到目标双曲线，包括：
对所述双曲线点集进行聚类，得到目标点集；
对所述目标点集进行拟合，得到目标双曲线。
5.根据权利要求4所述的方法，其特征在于，对所述目标点集进行拟合，得到目标双曲线，包括：
逐列扫描所述目标点集，确定每列上端点坐标与每列下端点坐标；
根据所述每列上端点坐标与每列下端点坐标确定每列对应的目标拟合点坐标；
将所述每列对应的目标拟合点坐标输入目标双曲线方程，得到目标双曲线。
6.根据权利要求5所述的方法，其特征在于，根据所述每列上端点坐标与每列下端点坐标确定每列对应的目标拟合点坐标，包括：
将目标列上端点的Y坐标和目标列下端点的Y坐标的平均值确定为目标列对应的目标拟合点的Y坐标，将目标列上端点的X坐标或者目标列下端点的X坐标确定为目标列对应的目标拟合点的X坐标。
7.根据权利要求1所述的方法，其特征在于，提取所述目标电缆扫描图像中的候选双曲线区域，包括：
将所述目标电缆扫描图像输入目标模型，得到所述目标电缆扫描图像中的候选双曲线区域的位置信息，其中，所述目标模型通过目标样本集迭代训练神经网络模型得到，所述目标样本集包括：电缆图像样本和所述电缆图像样本对应的候选双曲线区域的位置信息；
根据所述候选双曲线区域的位置信息提取所述目标电缆扫描图像中的候选双曲线区域。
8.一种电缆位置信息确定装置，其特征在于，包括：
获取模块，用于获取目标电缆扫描图像；
提取模块，用于提取所述目标电缆扫描图像中的候选双曲线区域；
预处理模块，用于根据所述候选双曲线区域中每个像素点的灰度值对所述候选双曲线区域进行预处理，得到双曲线点集；
聚类拟合模块，用于对所述双曲线点集进行聚类拟合，得到目标双曲线；
确定模块，用于根据所述目标双曲线确定目标电缆的位置信息。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的电缆位置信息确定方法。
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计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电缆位置信息确定方法。
CN202210305093.3A 2022-03-25 2022-03-25 一种电缆位置信息确定方法、装置、设备和存储介质 Pending CN114693776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210305093.3A CN114693776A (zh) 2022-03-25 2022-03-25 一种电缆位置信息确定方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210305093.3A CN114693776A (zh) 2022-03-25 2022-03-25 一种电缆位置信息确定方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114693776A true CN114693776A (zh) 2022-07-01

Family

ID=82138581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210305093.3A Pending CN114693776A (zh) 2022-03-25 2022-03-25 一种电缆位置信息确定方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114693776A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502783A (zh) * 2023-06-27 2023-07-28 国网浙江省电力有限公司湖州供电公司 基于gis的adss光缆运维线路规划方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502783A (zh) * 2023-06-27 2023-07-28 国网浙江省电力有限公司湖州供电公司 基于gis的adss光缆运维线路规划方法及装置
CN116502783B (zh) * 2023-06-27 2023-09-08 国网浙江省电力有限公司湖州供电公司 基于gis的adss光缆运维线路规划方法及装置

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
Hoang Detection of surface crack in building structures using image processing technique with an improved Otsu method for image thresholding
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
Su et al. Improving MODIS sea ice detectability using gray level co-occurrence matrix texture analysis method: A case study in the Bohai Sea
CN111681197A (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
CN112989995B (zh) 文本检测方法、装置及电子设备
CN110415241A (zh) 一种基于计算机视觉的混凝土构件表面质量检测方法
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN115294332A (zh) 一种图像处理方法、装置、设备和存储介质
CN114693776A (zh) 一种电缆位置信息确定方法、装置、设备和存储介质
Shen et al. An automatic framework for pylon detection by a hierarchical coarse-to-fine segmentation of powerline corridors from UAV LiDAR point clouds
CN117036457A (zh) 一种屋顶面积的测量方法、装置、设备及存储介质
Li et al. Pavement crack detection using progressive curvilinear structure anisotropy filtering and adaptive graph-cuts
Liu et al. Advances in automatic identification of road subsurface distress using ground penetrating radar: State of the art and future trends
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN116523871A (zh) 一种加工件缺陷检测方法、装置、电子设备及存储介质
CN115376106A (zh) 基于雷达图的车型识别方法、装置、设备及介质
CN111626104B (zh) 一种基于无人机红外热像的电缆隐患点检测方法和装置
CN115359026A (zh) 基于微波雷达的特种车辆行进方法、装置、电子设备及介质
CN115239700A (zh) 一种脊椎Cobb角测量方法、装置、设备及存储介质
CN115436900A (zh) 基于雷达图的目标检测方法、装置、设备和介质
CN114782822A (zh) 电力设备的状态检测方法、装置、电子设备及存储介质

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