CN114782396A - 一种基于cctv的岸基天线检测系统 - Google Patents
一种基于cctv的岸基天线检测系统 Download PDFInfo
- Publication number
- CN114782396A CN114782396A CN202210504905.7A CN202210504905A CN114782396A CN 114782396 A CN114782396 A CN 114782396A CN 202210504905 A CN202210504905 A CN 202210504905A CN 114782396 A CN114782396 A CN 114782396A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- shore
- module
- based antenna
- 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
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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于CCTV的岸基天线检测系统,包括监控中心、无人机巢和无人机,无人机巢用于起降无人机,无人机上的图像采集模块采集岸基天线信息并无线传输至监控中心;无人机上还设置飞控模块和定位模块,飞控模块电性连接定位模块,定位模块用于定位无人机位置,并可将无人机位置显示在地图上,飞控模块接收检测工位电脑和手机APP向无人机发送飞行和拍摄命令并控制无人机飞行和图像采集模块采集岸基天线信息。该基于CCTV的岸基天线检测系统,采用无人机进行岸基天线的巡检,且无人机可按照设置路线进行自动巡逻拍摄,大大降低了人工劳动强度,提升了检测效率;而且设置了缺陷识别功能,进一步减少人工检测强度。
Description
技术领域
本发明属于岸基天线检测技术领域,具体涉及一种基于CCTV的岸基天线检测系统。
背景技术
现有技术中对岸基天线的巡查、检测往往是通过人工,工作人员依次巡查各个岸基天线,进行详细检查往往还需要爬上天线,检测效率低,浪费人力物力,而且容易产生危险。
发明内容
本发明的目的在于提供一种基于CCTV的岸基天线检测系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于CCTV的岸基天线检测系统,包括监控中心、无人机巢和无人机,所述无人机巢用于起降无人机,所述无人机上的图像采集模块采集岸基天线信息并无线传输至监控中心;
所述监控中心包括检测工位电脑和手机APP,所述检测工位电脑和手机APP内置地图模块,所述地图模块用于显示具有岸基天线标志的地图信息;所述检测工位电脑和手机APP用于向无人机发送飞行和拍摄命令;
所述无人机上还设置飞控模块和定位模块,所述飞控模块电性连接定位模块,定位模块用于定位无人机位置,并可将无人机位置显示在地图上,飞控模块接收检测工位电脑和手机APP向无人机发送飞行和拍摄命令并控制无人机飞行和图像采集模块采集岸基天线信息。
优选的,所述图像采集模块包括摄像头,且采集岸基天线信息包括图片和视频。
优选的,所述监控中心还设置显示大屏,用于显示无人机采集的岸基天线信息,且显示大屏通过检测工位电脑控制。
优选的,所述无人机巢还设置通讯模块、充换电模块、存储器和中央处理器,所述中央处理器电性连接通讯模块、充换电模块、存储器,所述无人机上还设置无线通讯模块,所述无线通讯模块与飞控模块电性连接,用于无线数据传输,所述无线通讯模块与通讯模块信号连接,通讯模块与检测工位电脑和手机APP信号连接,将无人机拍摄的岸基天线信息中转发送至监控中心;所述中央处理器用于向飞控模块发送命令。
优选的,所述无人机巢还设置充换电模块和存储器,所述存储器用于存储图像采集模块采集的集岸基天线信息,所述充换电模块用于对无人机电源进线充电和更换电源,所述充换电模块包括机械手,机械手用于对无人机进行更换电池操作。
优选的,所述图像采集模块采集的图片与数据库对比的具体步骤为:将采集的图片预处理后输入卷积神经网络模型,经过神经元的激活函数处理后得到输出结果,分析判断岸基天线的状态;
预处理采用低通滤波器,低通滤波器模板为:
其中,D0表示通带半径,D(u,v)是到频谱中心的距离;
滤波后使用PCA进行降维处理,增加图片检索速度;
激活函数为
进行图像识别时,同一个物体会具有不同的形态,受到光照等因素的影响,而卷积神经网络模型的下采样层可以一定程度上对输入的小型变化具有特征不变性,为增加卷积神经网络模型的效率可在下采样层学习图像的稳定特征,具体的:
下采样层把输入分成多个区块,将每一个区块所有像素值经过设定的采样方法得到输出,然后加上偏置,最后经过下列公式输出;
公式为:
一种基于CCTV的岸基天线检测方法,包括如下步骤:
1)以岸基天线为基础建立直角坐标系,并在直角坐标系中标明无人机巡逻点;
2)设置无人机工作路线;
3)设置无人机拍摄参数;
4)启动无人机,无人机按照飞行线路飞抵至巡逻点,依次拍摄巡逻点处的岸基天线照片并录像;
5)将照片和录像内容发送至监控中心,监控中心工作人员根据照片和录像内容检测岸基天线;
6)无人机返回无人机巢,若需要再次飞行则进行电源更换,若无需飞行则进行充电。
优选的,所述步骤1)中建立直角坐标系的具体步骤为:以地面为xy轴,岸基天线的竖直方向为z轴建立直角坐标系;且在巡逻位置所在的水平面上均再次设置xy轴,在设置的xy轴所在平面内设置巡逻点,直至包含所有巡逻点。
优选的,对所述巡逻点设置序号,无人机按照序号依次拍摄。
本发明的技术效果和优点:该基于CCTV的岸基天线检测系统,采用无人机进行岸基天线的巡检,且无人机可按照设置路线进行自动巡逻拍摄,大大降低了人工劳动强度,提升了检测效率;而且设置了缺陷识别功能,进一步减少人工检测强度。
附图说明
图1为本发明的模块示意图;
图2为本发明的模块示意图;
图3为本发明的直角坐标系示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了如图1、2所示的一种基于CCTV的岸基天线检测系统,包括监控中心、无人机巢和无人机,所述无人机巢用于起降无人机,所述无人机上的图像采集模块采集岸基天线信息并无线传输至监控中心;所述图像采集模块包括摄像头,且采集岸基天线信息包括图片和视频;岸基天线上也安装多个固定摄像头,用于拍摄岸基天线,监控中心可通过固定摄像头检测岸基天线情况。
所述监控中心包括检测工位电脑和手机APP,所述检测工位电脑和手机APP内置地图模块,所述地图模块用于显示具有岸基天线标志的地图信息;所述检测工位电脑和手机APP用于向无人机发送飞行和拍摄命令;所述监控中心还设置显示大屏,用于显示无人机采集的岸基天线信息,且显示大屏通过检测工位电脑控制,通过检测工位电脑控制显示大屏的显示内容。
所述无人机上还设置飞控模块和定位模块,所述飞控模块电性连接定位模块,定位模块用于定位无人机位置,并可将无人机位置显示在地图上,飞控模块接收检测工位电脑和手机APP向无人机发送飞行和拍摄命令并控制无人机飞行和图像采集模块采集岸基天线信息。
所述无人机内还设置避障模块,用于规避障碍物。
所述无人机巢还设置通讯模块、充换电模块、存储器和中央处理器,所述中央处理器电性连接通讯模块、充换电模块、存储器,所述无人机上还设置无线通讯模块,所述无线通讯模块与飞控模块电性连接,用于无线数据传输,所述无线通讯模块与通讯模块信号连接,通讯模块与检测工位电脑和手机APP信号连接,将无人机拍摄的岸基天线信息中转发送至监控中心;所述中央处理器用于向飞控模块发送命令;中央处理器采用STM32,还可以控制充换电模块进行无人机的充换电,以及通讯模块的收发数据。
所述无人机巢还设置充换电模块和存储器,所述存储器用于存储图像采集模块采集的集岸基天线信息,无人机拍摄的岸基天线信息备份至存储器中,工作人员可以取下存储器并带回,检查存储器中的岸基天线信息;所述充换电模块用于对无人机电源进线充电和更换电源,所述充换电模块包括机械手,机械手用于对无人机进行更换电池操作。
所述存储器内还存储岸基天线的外观缺陷图片的数据库,外观缺陷图片的数据库用于训练卷积神经网络模型,无人机巢的中央处理器将图像采集模块采集的图片与数据库对比,判断出岸基天线的外观缺陷类型,每种缺陷类型对应一种拍摄方法,包括缺陷位置的路线以及摄像头角度的调节,例如,天线出现缺损,无人机围绕天线位置环绕拍摄,环绕飞行过程中避免触碰岸基天线,且拍摄过程中摄像头角度自动俯仰运动,使工作人员能完整看清缺损情况;大大减少了工作人员检测的负担。
所述图像采集模块采集的图片与数据库对比的具体步骤为:将采集的图片预处理后输入卷积神经网络模型,经过神经元的激活函数处理后得到输出结果,分析判断岸基天线的状态。
预处理采用低通滤波器,低通滤波器模板为:
其中,D0表示通带半径,D(u,v)是到频谱中心的距离;
滤波后使用PCA进行降维处理,增加图片检索速度;
激活函数为
通常进行图像识别时,同一个物体会具有不同的形态,受到光照等因素的影响,而卷积神经网络模型的下采样层可以一定程度上对输入的小型变化具有特征不变性,为增加卷积神经网络模型的效率可在下采样层学习图像的稳定特征,具体的:
下采样层把输入分成多个区块,将每一个区块所有像素值经过设定的采样方法得到输出,然后加上偏置,最后经过下列公式输出;
公式为:
下采样层可以使特征更加的鲁棒,抵抗一定的形变,只要形变后特征所在的局部没有发生变化,那么通过下采样后得到的特征是保持一致的,同时,下采样后特征图的尺寸减小了,这样以后需要处理的数据量也大幅减少,提升了训练的效率。
本发明还提供了一种基于CCTV的岸基天线检测方法,包括如下步骤:
1)以岸基天线为基础建立直角坐标系,并在直角坐标系中标明无人机巡逻点;建立直角坐标系的具体步骤为:如图3,以地面为xy轴,岸基天线的竖直方向为z轴建立直角坐标系;且在巡逻位置所在的水平面上均再次设置xy轴,设置位置即为所需巡逻位置,并按照从上之下依次为xy轴所在平面设置序号,序号可为①、②、③...,在设置的xy轴所在平面内设置巡逻点,直至包含所有巡逻点;对所述巡逻点设置序号,序号可为1、2、3...,无人机按照序号依次拍摄。
2)设置无人机工作路线;具体的,在地图上标记出飞机的飞行路线,飞行路线抵至岸基天线所在位置,然后①、②、③等平面内的各巡逻点连接生成巡逻线路,飞行路线和巡逻线路合成便是无人机工作路线。
3)设置无人机拍摄参数;包括拍照的数量、相机的俯仰角度、
4)启动无人机,无人机按照飞行线路飞抵至巡逻点,按照巡逻线路依次拍摄巡逻点处的岸基天线照片并录像;
5)将照片和录像内容发送至监控中心,监控中心工作人员根据照片和录像内容检测岸基天线;
6)无人机返回无人机巢,若需要再次飞行则进行电源更换,若无需飞行则进行充电。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于CCTV的岸基天线检测系统,包括监控中心、无人机巢和无人机,其特征在于:所述无人机巢用于起降无人机,所述无人机上的图像采集模块采集岸基天线信息并无线传输至监控中心;
所述监控中心包括检测工位电脑和手机APP,所述检测工位电脑和手机APP内置地图模块,所述地图模块用于显示具有岸基天线标志的地图信息;所述检测工位电脑和手机APP用于向无人机发送飞行和拍摄命令;
所述无人机上还设置飞控模块和定位模块,所述飞控模块电性连接定位模块,定位模块用于定位无人机位置,并可将无人机位置显示在地图上,飞控模块接收检测工位电脑和手机APP向无人机发送飞行和拍摄命令并控制无人机飞行和图像采集模块采集岸基天线信息。
2.根据权利要求1所述的一种基于CCTV的岸基天线检测系统,其特征在于:所述图像采集模块包括摄像头,且采集岸基天线信息包括图片和视频。
3.根据权利要求1所述的一种基于CCTV的岸基天线检测系统,其特征在于:所述监控中心还设置显示大屏,用于显示无人机采集的岸基天线信息,且显示大屏通过检测工位电脑控制。
4.根据权利要求1所述的一种基于CCTV的岸基天线检测系统,其特征在于:所述无人机巢还设置通讯模块、充换电模块、存储器和中央处理器,所述中央处理器电性连接通讯模块、充换电模块、存储器,所述无人机上还设置无线通讯模块,所述无线通讯模块与飞控模块电性连接,用于无线数据传输,所述无线通讯模块与通讯模块信号连接,通讯模块与检测工位电脑和手机APP信号连接,将无人机拍摄的岸基天线信息中转发送至监控中心;所述中央处理器用于向飞控模块发送命令。
5.根据权利要求1所述的一种基于CCTV的岸基天线检测系统,其特征在于:所述无人机巢还设置充换电模块和存储器,所述存储器用于存储图像采集模块采集的集岸基天线信息,所述充换电模块用于对无人机电源进线充电和更换电源,所述充换电模块包括机械手,机械手用于对无人机进行更换电池操作;所述存储器内还存储岸基天线的外观缺陷图片的数据库,无人机巢的中央处理器将图像采集模块采集的图片与数据库对比,判断出岸基天线的外观缺陷类型。
6.根据权利要求5所述的一种基于CCTV的岸基天线检测系统,其特征在于:所述图像采集模块采集的图片与数据库对比的具体步骤为:将采集的图片预处理后输入卷积神经网络模型,经过神经元的激活函数处理后得到输出结果,分析判断岸基天线的状态;
预处理采用低通滤波器,低通滤波器模板为:
其中,D0表示通带半径,D(u,v)是到频谱中心的距离;
滤波后使用PCA进行降维处理,增加图片检索速度;
激活函数为
进行图像识别时,同一个物体会具有不同的形态,受到光照等因素的影响,而卷积神经网络模型的下采样层可以一定程度上对输入的小型变化具有特征不变性,为增加卷积神经网络模型的效率可在下采样层学习图像的稳定特征,具体的:
下采样层把输入分成多个区块,将每一个区块所有像素值经过设定的采样方法得到输出,然后加上偏置,最后经过下列公式输出;
公式为:
7.一种基于CCTV的岸基天线检测方法,其特征在于,包括如下步骤:
1)以岸基天线为基础建立直角坐标系,并在直角坐标系中标明无人机巡逻点;
2)设置无人机工作路线;
3)设置无人机拍摄参数;
4)启动无人机,无人机按照飞行线路飞抵至巡逻点,依次拍摄巡逻点处的岸基天线照片并录像;
5)将照片和录像内容发送至监控中心,监控中心工作人员根据照片和录像内容检测岸基天线;
6)无人机返回无人机巢,若需要再次飞行则进行电源更换,若无需飞行则进行充电。
8.根据权利要求7所述的一种基于CCTV的岸基天线检测系统,其特征在于:所述步骤1)中建立直角坐标系的具体步骤为:以地面为xy轴,岸基天线的竖直方向为z轴建立直角坐标系;且在巡逻位置所在的水平面上均再次设置xy轴,在设置的xy轴所在平面内设置巡逻点,直至包含所有巡逻点。
9.根据权利要求8所述的一种基于CCTV的岸基天线检测系统,其特征在于:对所述巡逻点设置序号,无人机按照序号依次拍摄。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504905.7A CN114782396A (zh) | 2022-05-10 | 2022-05-10 | 一种基于cctv的岸基天线检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504905.7A CN114782396A (zh) | 2022-05-10 | 2022-05-10 | 一种基于cctv的岸基天线检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782396A true CN114782396A (zh) | 2022-07-22 |
Family
ID=82436797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210504905.7A Pending CN114782396A (zh) | 2022-05-10 | 2022-05-10 | 一种基于cctv的岸基天线检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782396A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437188A (zh) * | 2023-10-17 | 2024-01-23 | 广东电力交易中心有限责任公司 | 一种用于智慧电网的绝缘子缺陷检测系统 |
-
2022
- 2022-05-10 CN CN202210504905.7A patent/CN114782396A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437188A (zh) * | 2023-10-17 | 2024-01-23 | 广东电力交易中心有限责任公司 | 一种用于智慧电网的绝缘子缺陷检测系统 |
CN117437188B (zh) * | 2023-10-17 | 2024-05-28 | 广东电力交易中心有限责任公司 | 一种用于智慧电网的绝缘子缺陷检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
CN111272148B (zh) | 输电线路无人机自主巡检自适应成像质量优化方法 | |
CN112164015B (zh) | 单目视觉自主巡检图像采集方法、装置及电力巡检无人机 | |
CN112767391B (zh) | 融合三维点云和二维图像的电网线路部件缺陷定位方法 | |
CN114035614B (zh) | 基于先验信息的无人机自主巡检方法、系统及存储介质 | |
CN109284739B (zh) | 一种基于深度学习的输电线路防外力破坏预警方法及系统 | |
CN111537515A (zh) | 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 | |
CN107450587A (zh) | 一种无人机精细化巡检的智能飞行控制方法及系统 | |
CN111178148B (zh) | 一种基于无人机视觉系统的地面目标地理坐标定位方法 | |
CN106547814A (zh) | 一种输电线路无人机巡检图像的结构化自动归档方法 | |
CN111765974B (zh) | 一种基于微型制冷红外热像仪的野生动物观测系统及方法 | |
CN113759960A (zh) | 基于无人机的风机叶片及塔筒巡检识别系统及方法 | |
CN114092473B (zh) | 一种大型产品视觉巡检装置及系统 | |
US20220084133A1 (en) | Method and apparatus for processing an insurance claim | |
CN114782396A (zh) | 一种基于cctv的岸基天线检测系统 | |
CN112788110A (zh) | 一种基于云边协同模型优化的产品外观检测方法及其实现系统 | |
CN112067137A (zh) | 一种基于无人机巡线的电力线路自动测温方法 | |
CN112528912A (zh) | 基于边缘计算的作物生长监测嵌入式系统及方法 | |
CN114564049B (zh) | 一种基于深度学习的无人机广域搜索的装置及方法 | |
CN110334820A (zh) | 一种配电网智能巡检系统 | |
CN114200958A (zh) | 一种光伏发电设备自动巡检系统和方法 | |
CN113984037A (zh) | 一种基于任意方向目标候选框的语义地图构建方法 | |
CN212459378U (zh) | 一种基于无人机的地物高光谱仪遥感土地利用样本采集仪 | |
CN112631333A (zh) | 无人机的目标跟踪方法、装置及图像处理芯片 | |
CN115297303B (zh) | 适用于电网输变电设备的图像数据采集处理方法及装置 |
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 |