CN114842243A - 一种基于大跨度巡线机器人的故障检测方法、系统及设备 - Google Patents

一种基于大跨度巡线机器人的故障检测方法、系统及设备 Download PDF

Info

Publication number
CN114842243A
CN114842243A CN202210393032.7A CN202210393032A CN114842243A CN 114842243 A CN114842243 A CN 114842243A CN 202210393032 A CN202210393032 A CN 202210393032A CN 114842243 A CN114842243 A CN 114842243A
Authority
CN
China
Prior art keywords
image
target detection
detection equipment
inspection robot
target
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
CN202210393032.7A
Other languages
English (en)
Inventor
潘杰锋
马丽军
杨跃平
秦桑
林雯瑜
张聪
秦如意
李琪
叶夏明
杨扬
王辉华
郑瑞云
徐科兵
俞佳捷
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.)
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Ningbo Power Supply Co of State Grid Zhejiang Electric Power 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 Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210393032.7A priority Critical patent/CN114842243A/zh
Publication of CN114842243A publication Critical patent/CN114842243A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种基于大跨度巡线机器人的故障检测方法、系统及设备，本申请通过巡线机器人内置的读写器扫描预设在目标检测设备的电子标签；根据电子标签确定目标检测设备的信息，根据该信息调整巡线机器人的姿态以采集多个角度的目标检测设备的原始图像；将原始图像发送给远端服务器进行故障检测和预警。本申请基于巡线机器人，自动进行大跨度的巡检工作，并通过预置电子标签，能够快速的识别出目标检测设备的类型，方便根据目标检测设备的类型采取相应的采集策略，从而能够采集到更加全面、完整的、多个角度的图像，保证检测的精确度。另外采用缺陷检测模型进行智能缺陷检测，将图像进行类别分类后再进行进一步的缺陷检测，检测效率更高。

Description

一种基于大跨度巡线机器人的故障检测方法、系统及设备
技术领域
本申请涉及故障检测技术领域，尤其涉及一种基于大跨度巡线机器人的故障检测方法、系统及设备。
背景技术
输电是用变压器将发电机发出的电能升压后，再经断路器等控制设备接入输电线路来实现。高压输电线长期暴露在野外，受大气环境、气候变化、人为破坏等因素的影响，容易发生各种故障，电网输变电中的一些电力设备例如导线、铁塔、金具、绝缘子等长期暴露在野外，受强电场、机械应力、污秽等影响，发生故障的概率非常大，如果不及时修复更换，将影响电力系统的安全运行，造成大面积的停电和巨大的经济损失。
目前，常见的故障检测法，有超声波检测法、红外测温法和航测法等，由于输电线路较长，且检测点较多，采用上述方法均需要借助人力辅助，耗时较长，效率较慢，检测结果不精准。
因此，本申请提供了一种基于大跨度巡线机器人的故障检测方法、系统及设备。
发明内容
本申请实施例的目的在于提供一种基于大跨度巡线机器人的故障检测方法、系统及设备，以解决目前检测耗时较长，效率较慢，检测结果不精准问题。
具体技术方案如下：
第一方面，提供了一种基于大跨度巡线机器人的故障检测方法，所述方法包括：
通过巡线机器人内置的读写器扫描预设在目标检测设备的电子标签；
根据所述电子标签确定目标检测设备的信息，所述信息包括目标检测设备的类别和长度；
根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像；
将所述原始图像发送给远端服务器进行故障检测和预警。
可选地，所述根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像包括：
确定所述目标检测设备的长度；
将所述目标检测设备的长度与预设阈值进行比较；
若超过所述预设阈值，则以第一采集策略采集多个角度的目标检测设备的原始图像；
若小于所述预设阈值，则以第二采集策略采集多个角度的目标检测设备的原始图像；所述第一采集策略为沿目标检测设备的一端向目标检测设备的另一端行进，每前进预设距离采集一次图像；所述第二采集策略为以目标检测设备的一端为基点，调整巡线机器人的姿态进行采集。
可选地，所述将所述原始图像发送给远端服务器进行故障检测和预警包括：
对所述原始图像进行预处理；
利用Fast R-CNN神经网络确定预处理后的图像中的目标区域；所述目标区域中包含有目标检测设备；
将所述目标区域输入到第一分类器中进行目标检测设备的状态分类，所述状态包括正常状态和非正常状态；
将非正常状态的目标区域输入到预构建的缺陷检测模型中进行缺陷检测；
根据检测结果生成故障预警。
可选地，所述对所述原始图像进行预处理包括：
对所述原始图像进行灰度化处理得到灰度图像；
采用直方图均衡处理算法对所述灰度图像进行图像增强；
基于高斯滤波对增强后的图像进行图像滤波。
可选地，所述利用Fast R-CNN神经网络确定预处理后的图像中的目标区域包括：
利用选择搜索算法在预处理后的图像中提取预设数量的候选框；
将所述候选框所在的候选区域输入到Fast R-CNN神经网络的卷积层提取特征；将这些特征输入到Fast R-CNN神经网络的全连接层进行排列组合得到组合特征；
利用第二分类器对所述组合特征进行分类得到粗选的目标区域；
在所述粗选的目标区域中利用边框回归得到精确的目标区域。
可选地，所述缺陷检测模型的构建过程包括如下步骤：
获取若干实际拍摄的目标检测设备的图像；
对所述图像进行数据扩充处理；
对数据扩充处理后的图像进行预处理得到训练图像集；
将所述训练图像集输入到缺陷检测训练模型中进行训练直至该模型的损失函数最小化得到缺陷检测模型。
可选地，所述对所述图像进行数据扩充处理包括：
对所述图像进行裁剪、旋转、平移中的一种或多种操作处理。
第二方面，本申请提供一种基于大跨度巡线机器人的故障检测系统，所述系统包括：
扫描单元，用于通过巡线机器人内置的读写器扫描预设在目标检测设备的电子标签；
确定单元，用于根据所述电子标签确定目标检测设备的信息，所述信息包括目标检测设备的类别、安装方向和规模；
调整采集单元，用于根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像；
发送单元，用于将所述原始图像发送给远端服务器进行故障检测和预警。
第三方面，本申请提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的方法步骤。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述种基于大跨度巡线机器人的故障检测方法。
本申请实施例有益效果：
本申请实施例提供了一种基于大跨度巡线机器人的故障检测方法、系统及设备，本申请通过巡线机器人内置的读写器扫描预设在目标检测设备的电子标签；根据电子标签确定目标检测设备的信息，根据该信息调整巡线机器人的姿态以采集多个角度的目标检测设备的原始图像；将原始图像发送给远端服务器进行故障检测和预警。本申请基于巡线机器人，自动进行大跨度的巡检工作，并通过预置电子标签，能够方便快速的识别出目标检测设备的类型，进而方便根据目标检测设备的类型采取相应的采集策略，从而能够采集到更加全面、完整的、多个角度的图像，保证检测的精确度。另外采用缺陷检测模型进行智能缺陷检测，将图像进行类别分类后再进行进一步的缺陷检测，使检测效率更高。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于大跨度巡线机器人的故障检测方法的流程图；
图2为本申请又一实施例提供的一种基于大跨度巡线机器人的故障检测方法的流程图；
图3为本申请实施例提供的一种基于大跨度巡线机器人的故障检测装置的结构示意图；
图4为本申请实施例提供的一种电子设备的结构示意图。
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做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。
本申请实施例提供了一种基于大跨度巡线机器人的故障检测方法，下面将结合具体实施方式，对本申请实施例提供的一种基于大跨度巡线机器人的故障检测方法进行详细的说明，如图1所示，具体步骤如下：
步骤S101：通过巡线机器人内置的读写器扫描预设在目标检测设备的电子标签。
在本申请实施例中，目标检测设备是指安装在输电线路上的电力设备，例如，金具、绝缘子等，在本实施例中以绝缘子为例。
步骤S102：根据所述电子标签确定目标检测设备的信息，所述信息包括目标检测设备的类别和长度。
例如，绝缘子有长度较大的，长度跨越至少一两米，有长度较小的支柱型绝缘子，每个绝缘子都提前贴设有电子标签，将其信息存储在电子标签内。
通过扫描电子标签，就能确认该目标检测设备的类别，例如是绝缘子，就按照绝缘子的故障检测流程进行检测，如果是其他金具就按照其对应的检测流程进行检测。
步骤S103：根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像。
可选地，所述根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像包括：
确定所述目标检测设备的长度；
将所述目标检测设备的长度与预设阈值进行比较；
若超过所述预设阈值，则以第一采集策略采集多个角度的目标检测设备的原始图像；
若小于所述预设阈值，则以第二采集策略采集多个角度的目标检测设备的原始图像；所述第一采集策略为沿目标检测设备的一端向目标检测设备的另一端行进，每前进预设距离采集一次图像；所述第二采集策略为以目标检测设备的一端为基点，调整巡线机器人的姿态进行采集。
在一个具体的示例中，例如预设阈值为80cm，如果绝缘子的长度超过80cm，巡线机器人为了采集全方位的绝缘子图像，需要边移动边采集，此时采用第一采集策略，例如每前进40cm，就停下采集一次图像，采集时需要调整巡线机器人的姿态，以便能够采集到多个角度的绝缘子图像。如果绝缘子的长度小于80cm，那么就采用第二采集策略，巡线机器人无须移动，只需要在绝缘子的一个端点，通过调整姿态，就能够采集到绝缘子的多个角度的图像。
步骤S104：将所述原始图像发送给远端服务器进行故障检测和预警。
如图2所示，所述将所述原始图像发送给远端服务器进行故障检测和预警包括如下步骤：
步骤S201：对所述原始图像进行预处理。
可选地，所述对所述原始图像进行预处理包括：
对所述原始图像进行灰度化处理得到灰度图像。
灰度图就是每一个像素颜色的RGB各个分量的值相等，但是又不是一位的位图，由于灰度图像只包含强度信息，不包含颜色信息，所以在预处理阶段，将彩色图像转换为灰度图像，不仅可以提高后续算法的运行速度，而且有利于后期的识别和检测。
由于采集的图像有背景的干扰，例如，房屋、天空、树木等，所以需要对图像的前景图像进行增强，弱化背景图像的影响。本申请实施例主要采用直方图均衡处理算法对所述灰度图像进行图像增强。通过使用直方图均衡化来扩大巡检图像的目标和背景的差异，增强对比度。通过直方图，将采集的图像中一些集中在狭窄的区域的灰度值均匀的分布在每个像素区间，这样，整个图像看上去更加清晰，对比度更高，一些细节信息会更加明显。
由于图像在产生、传输和记录的过程中，会受到各种噪声的干扰，所以在进一步进行特征提取和目标识别等工作之前，减少噪声是非常重要的，在本申请实施例中基于高斯滤波对增强后的图像进行图像滤波。
高斯滤波就是对图像中的每一个像素点的灰度值求解加权，然后进行归一化操作。
步骤S202：利用Fast R-CNN神经网络确定预处理后的图像中的目标区域；所述目标区域中包含有目标检测设备。
可选地，所述利用Fast R-CNN神经网络确定预处理后的图像中的目标区域包括：
利用选择搜索算法在预处理后的图像中提取预设数量的候选框。
在一个示例中，例如提取1K-2K的候选框。选择搜索算法结合了分割和蛮力搜索的方法，在此之前，常采用的是蛮力法，就是选用一个窗口从头到尾扫描整个图片，然后改变窗口大小继续从头到尾扫描图片，直观看上去非常的耗时和效率低下，而且单一的识别方式无法应对多种类别的图像。选择搜索算法，解决这些不足，提供了多种策略，使用颜色、纹理、大小等多种策略对已经分割好的区域进行合并，同时采用了图像分割算法和一种层次算法有效的降低了搜索空间，提升了搜索效率。
将所述候选框所在的候选区域输入到Fast R-CNN神经网络的卷积层提取特征；Fast R-CNN神经网络是对R-CNN神经网络的改进，直接在最后一层卷积特征图上提取候选区域，只对输入图像进行一次向前卷积运算即可，不用对每个候选区域做卷积运算，这样大大减少了卷积操作，提高了效率和精确度。
将这些特征输入到Fast R-CNN神经网络的全连接层进行排列组合得到组合特征。
利用第二分类器对所述组合特征进行分类得到粗选的目标区域；
在所述粗选的目标区域中利用边框回归得到精确的目标区域。
步骤S203：将所述目标区域输入到第一分类器中进行目标检测设备的状态分类，所述状态包括正常状态和非正常状态。
在该步骤中，正常状态是指绝缘子没有任何缺陷，非正常状态是指发生了故障缺陷，例如表面污秽缺陷、自爆缺陷、裂纹缺陷和少串缺陷等。由于正常状态的绝缘子占绝大部分，如果直接对所有的图像进行缺陷判断，处理时的计算量和复杂度是很大的，所以本申请实施例在进行缺陷检测前，首先对绝缘子进行分类，大大减少了缺陷检测的计算量。
步骤S204：将非正常状态的目标区域输入到预构建的缺陷检测模型中进行缺陷检测。
可选地，所述缺陷检测模型的构建过程包括如下步骤：
获取若干实际拍摄的目标检测设备的图像；
对所述图像进行数据扩充处理；
对数据扩充处理后的图像进行预处理得到训练图像集；
将所述训练图像集输入到缺陷检测训练模型中进行训练直至该模型的损失函数最小化得到缺陷检测模型。
可选地，所述对所述图像进行数据扩充处理包括：
对所述图像进行裁剪、旋转、平移中的一种或多种操作处理。
步骤S205：根据检测结果生成故障预警。
基于相同的发明构思，本申请提供一种基于大跨度巡线机器人的故障检测系统，如图3所示，所述系统包括：
扫描单元301，用于通过巡线机器人内置的读写器扫描预设在目标检测设备的电子标签；
确定单元302，用于根据所述电子标签确定目标检测设备的信息，所述信息包括目标检测设备的类别、安装方向和规模；
调整采集单元303，用于根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像；
发送单元304，用于将所述原始图像发送给远端服务器进行故障检测和预警。
基于相同的技术构思，本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
存储器403，用于存放计算机程序；
处理器401，用于执行存储器403上所存放的程序时，实现基于大跨度巡线机器人的故障检测方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一基于大跨度巡线机器人的故障检测方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于大跨度巡线机器人的故障检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于大跨度巡线机器人的故障检测方法，其特征在于，所述方法包括：通过巡线机器人内置的读写器扫描预设在目标检测设备的电子标签；
根据所述电子标签确定目标检测设备的信息，所述信息包括目标检测设备的类别和长度；
根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像；
将所述原始图像发送给远端服务器进行故障检测和预警。
2.根据权利要求1所述的方法，其特征在于，所述根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像包括：
确定所述目标检测设备的长度；
将所述目标检测设备的长度与预设阈值进行比较；
若超过所述预设阈值，则以第一采集策略采集多个角度的目标检测设备的原始图像；
若小于所述预设阈值，则以第二采集策略采集多个角度的目标检测设备的原始图像；所述第一采集策略为沿目标检测设备的一端向目标检测设备的另一端行进，每前进预设距离采集一次图像；所述第二采集策略为以目标检测设备的一端为基点，调整巡线机器人的姿态进行采集。
3.根据权利要求1所述的方法，其特征在于，所述将所述原始图像发送给远端服务器进行故障检测和预警包括：
对所述原始图像进行预处理；
利用Fast R-CNN神经网络确定预处理后的图像中的目标区域；所述目标区域中包含有目标检测设备；
将所述目标区域输入到第一分类器中进行目标检测设备的状态分类，所述状态包括正常状态和非正常状态；
将非正常状态的目标区域输入到预构建的缺陷检测模型中进行缺陷检测；
根据检测结果生成故障预警。
4.根据权利要求3所述的方法，其特征在于，所述对所述原始图像进行预处理包括：
对所述原始图像进行灰度化处理得到灰度图像；
采用直方图均衡处理算法对所述灰度图像进行图像增强；
基于高斯滤波对增强后的图像进行图像滤波。
5.根据权利要求3所述的方法，其特征在于，所述利用Fast R-CNN神经网络确定预处理后的图像中的目标区域包括：
利用选择搜索算法在预处理后的图像中提取预设数量的候选框；
将所述候选框所在的候选区域输入到Fast R-CNN神经网络的卷积层提取特征；将这些特征输入到Fast R-CNN神经网络的全连接层进行排列组合得到组合特征；
利用第二分类器对所述组合特征进行分类得到粗选的目标区域；
在所述粗选的目标区域中利用边框回归得到精确的目标区域。
6.根据权利要求3所述的方法，其特征在于，所述缺陷检测模型的构建过程包括如下步骤：
获取若干实际拍摄的目标检测设备的图像；
对所述图像进行数据扩充处理；
对数据扩充处理后的图像进行预处理得到训练图像集；
将所述训练图像集输入到缺陷检测训练模型中进行训练直至该模型的损失函数最小化得到缺陷检测模型。
7.根据权利要求6所述的方法，其特征在于，所述对所述图像进行数据扩充处理包括：
对所述图像进行裁剪、旋转、平移中的一种或多种操作处理。
8.一种基于大跨度巡线机器人的故障检测系统，其特征在于，所述系统包括：扫描单元，用于通过巡线机器人内置的读写器扫描预设在目标检测设备的电子标签；
确定单元，用于根据所述电子标签确定目标检测设备的信息，所述信息包括目标检测设备的类别、安装方向和规模；
调整采集单元，用于根据所述信息调整所述巡线机器人的姿态以采集多个角度的目标检测设备的原始图像；
发送单元，用于将所述原始图像发送给远端服务器进行故障检测和预警。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN202210393032.7A 2022-04-14 2022-04-14 一种基于大跨度巡线机器人的故障检测方法、系统及设备 Pending CN114842243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210393032.7A CN114842243A (zh) 2022-04-14 2022-04-14 一种基于大跨度巡线机器人的故障检测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210393032.7A CN114842243A (zh) 2022-04-14 2022-04-14 一种基于大跨度巡线机器人的故障检测方法、系统及设备

Publications (1)

Publication Number Publication Date
CN114842243A true CN114842243A (zh) 2022-08-02

Family

ID=82565957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210393032.7A Pending CN114842243A (zh) 2022-04-14 2022-04-14 一种基于大跨度巡线机器人的故障检测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN114842243A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115195516A (zh) * 2022-09-19 2022-10-18 国网浙江省电力有限公司宁波供电公司 一种电动车充电系统及方法、电子设备、存储介质
CN116342571A (zh) * 2023-03-27 2023-06-27 中吉创新技术(深圳)有限公司 通风系统控制箱的状态检测方法、装置及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115195516A (zh) * 2022-09-19 2022-10-18 国网浙江省电力有限公司宁波供电公司 一种电动车充电系统及方法、电子设备、存储介质
CN115195516B (zh) * 2022-09-19 2022-12-09 国网浙江省电力有限公司宁波供电公司 一种电动车充电系统及方法、电子设备、存储介质
CN116342571A (zh) * 2023-03-27 2023-06-27 中吉创新技术(深圳)有限公司 通风系统控制箱的状态检测方法、装置及存储介质
CN116342571B (zh) * 2023-03-27 2023-12-22 中吉创新技术(深圳)有限公司 通风系统控制箱的状态检测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN114842243A (zh) 一种基于大跨度巡线机器人的故障检测方法、系统及设备
CN107680090A (zh) 基于改进全卷积神经网络的输电线路绝缘子状态识别方法
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN111289854A (zh) 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法
CN113177566B (zh) 一种特征提取模型训练方法、装置及计算机设备
CN111160407A (zh) 一种深度学习目标检测方法及系统
CN109448009A (zh) 用于输电线路检测的红外图像处理方法及装置
CN109523543B (zh) 一种基于边缘距离的导线断股检测方法
CN114241364A (zh) 一种架空输电线路异物目标快速标定方法
CN113989257A (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN111008641B (zh) 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法
CN115953566B (zh) 一种用于红外热成像仪的特征分析方法、系统及介质
CN111046950A (zh) 一种图像处理方法、装置、存储介质和电子装置
CN113888462A (zh) 一种裂纹识别方法、系统、可读介质及存储介质
CN105374029A (zh) 变电站设备红外图像感兴趣区域的分割方法及系统
CN113506290A (zh) 一种线路绝缘子缺陷检测方法及装置
CN112541478A (zh) 一种基于双目摄像头的绝缘子串污损检测方法及系统
CN115272262A (zh) 室外绝缘子表面缺陷识别方法、装置及电子设备
CN112614094B (zh) 基于序列状态编码的绝缘子串异常定位识别方法
CN114418968A (zh) 一种基于深度学习的输电线路小目标缺陷检测方法
Otamendi et al. A scalable framework for annotating photovoltaic cell defects in electroluminescence images
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
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
CN116958905A (zh) 输电线路故障监测方法、系统、介质及设备

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