CN114863357A - 一种输电线路外力破坏的识别告警方法及系统 - Google Patents

一种输电线路外力破坏的识别告警方法及系统 Download PDF

Info

Publication number
CN114863357A
CN114863357A CN202210377060.XA CN202210377060A CN114863357A CN 114863357 A CN114863357 A CN 114863357A CN 202210377060 A CN202210377060 A CN 202210377060A CN 114863357 A CN114863357 A CN 114863357A
Authority
CN
China
Prior art keywords
transmission line
power transmission
target
alarm
dimensional
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
CN202210377060.XA
Other languages
English (en)
Inventor
徐涛
张耿斌
张滔
祁宏昌
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202210377060.XA priority Critical patent/CN114863357A/zh
Publication of CN114863357A publication Critical patent/CN114863357A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30232—Surveillance
    • 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

Landscapes

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

Abstract

本发明公开了一种输电线路外力破坏的识别告警方法及系统，方法为：对输电线路保护区的目标对象进行特征提取和分割得到目标识别结果；对不同电压等级输电线路保护区划定报警区域规则框并进行识别框选，结合目标识别结果生成图像识别告警；获取一段时间内的目标对象行进动作，分析目标对象是否存在趋近行为，利用视频背景提取和帧间差分生成视频分析告警；获取输电线路档距及其通道范围的激光点云模型，进行三维场景重建并与二维图像进行匹配重构获取目标对象，测量并筛选出目标对象与输电线路的最短距离，生成三维点云告警；综合分析结果并执行告警动作；缩短了输电线路外力破坏隐患的排查成本，提高了输电线路短时外力破坏识别效率和告警准确率。

Description

一种输电线路外力破坏的识别告警方法及系统
技术领域
本发明属于输电线路防外力破坏的技术领域，具体涉及一种输电线路外力破坏的识别告警方法及系统。
背景技术
随着电网数字化转型和智能技术的发展，远程视频监控初步解决了输电线路到现场监管的问题，给运行班组人员的日常维护带来的极大的便利，因此塔上视频设备安装数量日益增多。塔上视频设备以预置位图片抓拍为主，由于设备量大每天产生几十万张图片，运维人员逐一检查图片是否存在威胁输电线路安全稳定的因素，耗时长且效率低，对于施工机械等外力破坏的实时性和突发性监管不够，急需提升外破识别告警准确率和视频监盘效率。
现有的外力破坏图像识别主要采取深度学习算法对施工机械进行物体检测识别并发出告警，弊端是图像识别背景干扰大且物体检测范围大，为了确保不漏报只能扩大置信区间，造成外力破坏识别告警准确度不高，运维人员检查异常图片范围大。现有技术中主要采用单层卷积神经网络识别方法对抓拍图像进行识别，这种方法的思路是：首先获取视场范围内的物体并与常用施工机械进行对比检测，然后输出每个图像对应的异常物体。但是，这种方法的图像识别范围比较广，由于实际场景中部分施工机械不在输电线路保护区安全距离内或者只是短暂停留并无危险靠近趋势，导致现有的单层卷积神经网络物体检测方法在实际应用中不够精确和实时，不能够准确的反应出输电线路保护区现场的实时危险因素，而且现有技术中缺少多重方式结合的外力破坏识别告警的校核方法。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种输电线路外力破坏的识别告警方法及系统，本方法采用目标检测与特征提取、视频取帧分析和激光点云三维测距的综合分析，对输电线路保护区的外力破坏行为进行分级告警动作，提高外力破坏识别告警的准确性和实时性，从而缩短视频监盘检查图像的耗时，提高输电线路外力破坏的效率。
为了达到上述目的，本发明采用以下技术方案：
一方面，本发明提供了一种输电线路外力破坏的识别告警方法，其特征在于，包括下述步骤：
在摄像机视场范围内，对输电线路保护区的目标对象进行分类，基于目标检测和卷积神经网络对摄像机抓拍图像进行特征提取和分割，得到目标识别结果；
以摄像机视场范围内的杆塔为中心线，对不同电压等级输电线路保护区划定报警区域并进行识别框选，结合目标识别结果对威胁输电线路的目标对象生成图像识别告警；
根据图像识别告警启动实时视频录制，获取一段时间内的目标对象行进动作，提取含目标对象的视频帧图像，结合目标检测分析目标对象是否存在向输电线路趋近的行为，利用视频背景提取和帧间差分生成视频分析告警；
获取输电线路的档距及其通道范围的激光点云三维模型，与摄像机视场范围内的目标进行空间坐标变换对应，实现三维点云场景在二维图像中的对应重建；
根据三维场景中匹配重构输电线路保护区的目标对象及其位置，结合相似三角形原理对目标对象与输电线路进行多方位距离量测，筛选出最短距离并与对应电压等级输电线路安全距离比较，生成三维点云告警；
综合分析图像识别告警、视频分析告警及三维点云告警，相互验证检测输出输电线路外力破坏告警信息，若三者有两者及以上发出告警则立即执行输电线路外力破坏告警动作。
作为优选的技术方案，所述目标检测采用YOLOv4目标检测网络结构，使用K-means算法对抓拍图像进行聚类分析；
所述卷积神经网络基于Tensorflow和Faster-RCNN网络进行构建，使用分级加权交叉熵作为损失函数对卷积神经网络进行训练，并采用Focal Loss算法优化损失函数；利用卷积神经网络进行两次学习训练，提取目标特征并分割图像，获得目标识别结果。
作为优选的技术方案，所述生成图像识别告警具体为：
在摄像机视场范围内，以输电线路杆塔为中心线，以不同电压等级安全距离为平行线，将两平行线间的区域划定为报警区域；
采用目标检测对不同电压等级输电线路杆塔及保护区进行识别框选，结合目标识别结果，当目标对象进入报警区域时，对威胁输电线路的目标对象生成图像识别告警。
作为优选的技术方案，所述生成视频分析告警，具体为：
通过改进混合高斯模型对目标对象行进动作进行校验匹配，获取背景图像并提取目标；
采用改进三帧差分法对目标对象行进动作中的图像帧与背景图像进行时间差分，获取运动目标像素区域；
综合背景图像、提取的目标与运动目标像素区域，以输电线路及杆塔为参照物，分析目标对象是否存在向输电线路趋近的行为，若是则生成视频分析告警，发出预警信号。
作为优选的技术方案，所述改进混合高斯模型使用自适应学习速率进行参数更新，即通过设定帧数阈值，当小于帧数阈值时加快背景的更新速率；当大于帧数阈值时减慢背景的更新速率；
所述改进三帧差分法对目标对象行进动作中连续三帧的灰度图像序列进行绝对差运算，得到两个二值图像进行逻辑或运算并进行形态学处理，同时引入Sobel边缘算子进行边缘对比补充，根据目标对象运动参数自适应获取参与边缘对比的最佳帧数，降低背景误判，获得运动目标像素区域。
作为优选的技术方案，所述实现三维点云场景在二维图像中的对应重建，具体为：
利用激光测距原理，通过激光雷达扫描进行原始点云数据采集，在实体建模工具中加载点云数据并进行绘制，获取输电线路的档距及其通道范围的激光点云三维模型；
以摄像机视场范围内的输电杆塔为基础特征选取目标点，通过目标检测对视场范围内的目标逐一进行识别对应，获取目标三维特征点；
根据三维点云与摄像机抓拍图像，对图像像素点和三维特征点进行匹配，利用不同坐标系之间的变换原理，求出激光点云与抓拍图像之间的映射关系，获取抓拍图像中对应匹配的三维场景，实现两种数据的融合对应。
作为优选的技术方案，所述求出激光点云与抓拍图像之间的映射关系，具体为：
定义激光点云三维坐标系和二维图像坐标系；
根据相似三角形原理，将二维图像坐标系中某点与激光点云三维坐标系对应点建立关系；
将该点的二维图像坐标系通过缩放与原点平移变换到像素坐标系下；
将对应点的激光点云三维坐标系通过旋转和平移变换到世界坐标系下，完成三维点云投影到二维图像变为像素点。
作为优选的技术方案，所述生成三维点云告警具体为：
获取摄像机抓拍图像，进行目标检测并提取目标特征；
将目标特征在三维场景中匹配重构输电线路保护区的目标对象及其位置，包括：
在三维场景中，每个点都有唯一的空间坐标(x，y，z)；在二维图像中，每个像素在图像中有唯一的平面坐标(x，y)；
根据激光点云和抓拍图像之间的映射关系，重新构建三维空间数据模型，根据目标特征中的像素点集实现输电线路保护区的目标对象及其位置的重构；
采用相似三角形原理，计算目标对象三维空间范围多点位置与输电线路的距离；
筛选输电线路与目标对象的最短距离数据，并与对应电压等级的安全距离进行比较；若小于对应电压等级的安全距离则生成三维点云告警。
另一方面，本发明提供了一种输电线路外力破坏的识别告警系统，其特征在于，包括目标识别模块、图像识别告警模块、视频分析告警模块、三维场景重建模块、三维点云告警模块及告警动作执行模块；
所述目标识别模块用于在摄像机视场范围内，对输电线路保护区的目标对象进行分类，基于目标检测和卷积神经网络对摄像机抓拍图像进行特征提取和分割，得到目标识别结果；
所述图像识别告警模块以摄像机视场范围内的杆塔为中心线，对不同电压等级输电线路保护区划定报警区域并进行识别框选，结合目标识别结果对威胁输电线路的目标对象生成图像识别告警；
所述视频分析告警模块根据图像识别告警启动实时视频录制，获取一段时间内的目标对象行进动作，提取含目标对象的视频帧图像，结合目标检测分析目标对象是否存在向输电线路趋近的行为，利用视频背景提取和帧间差分生成视频分析告警；
所述三维场景重建模块获取输电线路的档距及其通道范围的激光点云三维模型，与摄像机视场范围内的目标进行空间坐标变换对应，实现三维点云场景在二维图像中的对应重建；
所述三维点云告警模块根据三维场景中匹配重构输电线路保护区的目标对象及其位置，结合相似三角形原理对目标对象与输电线路进行多方位距离量测，筛选出最短距离并与对应电压等级输电线路安全距离比较，生成三维点云告警；
所述告警动作执行模块综合分析图像识别告警、视频分析告警及三维点云告警，相互验证检测输出输电线路外力破坏告警信息，若三者有两者及以上发出告警则立即执行输电线路外力破坏告警动作。
还一方面，本发明提供了一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现上述的一种输电线路外力破坏的识别告警方法。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明采用目标检测和特征提取双重方式对输电线路保护区的外力破坏行为进行隐患识别，识别准确率高，节省了运维人员排查的时间成本，提高了识别效率；
2、本发明通过对一段时间内的目标对象行进动作进行时间差分和目标检测，分析目标对象的趋近行为，避免了实际场景中部分目标对象不在输电线路保护区安全距离内或者只是短暂停留并无危险靠近趋势的错误预警行为，保证了告警的准确性；
3、本发明使用激光点云三维模型重建三维场景，计算并筛选出目标对象与输电线路的最短距离，生成三维点云告警，结合图像识别告警及视频分析告警综合分析，执行外力破坏告警动作，避免了输电线路外力破坏，降低了告警的漏报率和误报率，提高了告警效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本发明实施例中一种输电线路外力破坏的识别告警方法的流程图；
图2为本发明实施例中一种输电线路外力破坏的识别告警系统的结构图；
图3为本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
如图1所示，本实施例一种输电线路外力破坏的识别告警方法，包括下述步骤：
S1、在摄像机视场范围内，对输电线路保护区的目标对象进行分类，基于目标检测和卷积神经网络对摄像机抓拍图像进行特征提取和分割，得到目标识别结果；
本实施例中目标检测采用YOLOv4目标检测网络结构，使用K-means算法对抓拍图像进行聚类分析；
卷积神经网络基于Tensorflow和Faster-RCNN网络进行构建，使用分级加权交叉熵作为损失函数对卷积神经网络进行训练，并采用Focal Loss算法优化损失函数；利用卷积神经网络进行两次学习训练，提取目标特征并分割图像，获得目标识别结果。
S2、以摄像机视场范围内的杆塔为中心线，对不同电压等级输电线路保护区划定报警区域并进行识别框选，结合目标识别结果对威胁输电线路的目标对象生成图像识别告警，具体为：
在摄像机视场范围内，以输电线路杆塔为中心线，以不同电压等级安全距离为平行线，将两平行线间的垂直区域划定为报警区域；
采用目标检测对不同电压等级输电线路杆塔及保护区进行识别框选，结合目标识别结果，当目标对象进入报警区域时，即对威胁输电线路的目标对象生成图像识别告警。
S3、根据图像识别告警启动实时视频录制，获取一段时间内的目标对象行进动作，提取含目标对象的视频帧图像，结合目标检测分析目标对象是否存在向输电线路趋近的行为，利用视频背景提取和帧间差分生成视频分析告警，具体为：
通过改进混合高斯模型对目标对象行进动作进行校验匹配，获取背景图像并提取目标；
采用改进三帧差分法对目标对象行进动作中的图像帧与背景图像进行时间差分，获取运动目标像素区域；
综合背景图像、提取的目标与运动目标像素区域，以输电线路及杆塔为参照物，分析目标对象是否存在向输电线路趋近的行为，若是则生成视频分析告警，发出预警信号。
传统混合高斯建模的模型采用固定的学习速率进行更新，具体步骤为：
在背景图像中每个像素分别由K个高斯分布构成，故定义K个混合高斯分布概率密度函数；将改进混合高斯模型中每个混合高斯分布概率密度函数的权重系数、均值向量和协方差进行初始化；将目标对象行进动作中不同时刻图像帧的像素值与对应混合高斯分布概率密度函数进行匹配校验，匹配合格即定义该混合高斯分布概率密度函数与该像素值匹配；对于匹配的混合高斯分布概率密度函数，其均值向量和协方差矩阵按固定学习速率进行参数更新；对于不匹配的混合高斯分布概率密度函数，其均值向量和协方差矩阵保持不变；确定混合高斯模型中哪些混合高斯分布概率密度函数是由背景像素匹配的，依据混合高斯分布概率密度函数序列，选择前N个混合高斯分布概率密度函数作为背景像素模型；重新校验目标对象行进动作中不同时刻图像帧的像素值与背景像素模型的匹配关系，若匹配则为背景点；重新校验完毕后，实现背景图像的准确提取。但是传统的混合高斯模型容易造成目标的丢失和误判。
而本实施例中的改进混合高斯模型使用自适应学习速率进行参数更新，解决了目标丢失和误判的问题，通过设定帧数阈值，当小于帧数阈值时则加快背景的更新速率，当大于帧数阈值时则减慢背景的更新速率，从而实现准确地背景图像提取；
时间差分是指在目标场景下对相邻时间点的图像进行相减，从而能够得到目标场景随时间的变换。本实施例中采用的改进三帧差分法对目标对象行进动作中连续三帧的灰度图像序列进行绝对差运算，然后将得到的两个二值图像进行逻辑或运算并进行形态学处理，同时引入Sobel边缘算子进行边缘对比，根据目标运动参数自适应获取参与边缘对比的最佳帧数，降低背景点的误判率，消除运动位置变化导致的边缘模糊问题，使得运动目标边缘连续完整，再对三帧差分结果进行边缘补充，并通过形态学滤波消除噪声干扰，获取运动目标像素区域。
S4、获取输电线路的档距及其通道范围的激光点云三维模型，与摄像机视场范围内的目标进行空间坐标变换对应，实现三维点云场景在二维图像中的对应重建，具体为：
利用激光测距原理，通过激光雷达扫描进行原始点云数据采集，在实体建模工具中加载点云数据并进行绘制，获取输电线路的档距及其通道范围的激光点云三维模型；
以摄像机视场范围内的输电杆塔为基础特征选取目标点，通过目标检测对视场范围内的目标逐一进行识别对应，获取目标三维特征点；
根据三维点云与摄像机抓拍图像，对图像像素点和三维特征点进行匹配，利用不同坐标系之间的变换原理，求出激光点云与抓拍图像之间的映射关系，获取抓拍图像中对应匹配的三维场景，实现两种数据的融合对应，达到三维场景重建的目标。
本实施例中激光点云与抓拍图像之间的映射关系为：
定义点云三维坐标系和二维图像坐标系；根据相似三角形原理，将二维图像坐标系中某点与激光点云三维坐标系对应点建立关系；将该点所在的二维图像坐标系通过缩放与原点平移变换到像素坐标系下；将激光点云三维坐标系通过旋转和平移统一变换到世界坐标系下；完成三维点云投影到二维图像变为像素点。
S5、根据三维场景中匹配重构输电线路保护区的目标对象及其位置，结合相似三角形原理对目标对象与输电线路进行多方位距离量测，筛选出最短距离并与对应电压等级输电线路安全距离比较，生成三维点云告警，具体为：
首先获取摄像机抓拍图像，进行目标检测并提取目标特征；
接着将目标特征在三维场景中匹配重构输电线路保护区的目标对象及其位置，原理为：
在三维场景中，每个点都有唯一的空间坐标(x，y，z)；在二维图像中，每个像素在图像中有唯一的平面坐标(x，y)；根据激光点云和抓拍图像之间的映射关系，重新构建三维空间数据模型；根据目标像素点集实现输电线路保护区的目标对象及其位置的重构；
然后采用相似三角形原理，计算目标对象三维空间范围多点位置与输电线路的距离；
最后筛选输电线路与目标对象的最短距离数据，并与对应电压等级的安全距离进行比较；若小于对应电压等级的安全距离则生成三维点云告警。
本实施例中对应电压等级的安全距离是指输电线路带电导线与目标对象的安全距离，例如：110kV带电导线与目标对象的安全距离为5m；220kV带电导线与目标对象的安全距离为6m；500kV带电导线与目标对象的安全距离为8.5m。
S6、综合分析图像识别告警、视频分析告警及三维点云告警，相互验证检测输出输电线路外力破坏告警信息，若三者有两者及以上发出告警则立即执行输电线路外力破坏告警动作，否则继续对输电线路保护区进行外力破坏监测。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于上述实施例中的一种输电线路外力破坏的识别告警方法相同的思想，本发明还提供一种输电线路外力破坏的识别告警系统，该系统可用于执行上述一种输电线路外力破坏的识别告警方法。为了便于说明，一种输电线路外力破坏的识别告警系统实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图2所示，本发明另一个实施例提供了一种输电线路外力破坏的识别告警系统，包括目标识别模块、图像识别告警模块、视频分析告警模块、三维场景重建模块、三维点云告警模块及告警动作执行模块；
目标识别模块用于在摄像机视场范围内，对输电线路保护区的目标对象进行分类，基于目标检测和卷积神经网络对摄像机抓拍图像进行特征提取和分割，得到目标识别结果；
图像识别告警模块以摄像机视场范围内的杆塔为中心线，对不同电压等级输电线路保护区划定报警区域并进行识别框选，结合目标识别结果对威胁输电线路的目标对象生成图像识别告警；
视频分析告警模块根据图像识别告警启动实时视频录制，获取一段时间内的目标对象行进动作，提取含目标对象的视频帧图像，结合目标检测分析目标对象是否存在向输电线路趋近的行为，利用视频背景提取和帧间差分生成视频分析告警；
三维场景重建模块获取输电线路的档距及其通道范围的激光点云三维模型，与摄像机视场范围内的目标进行空间坐标变换对应，实现三维点云场景在二维图像中的对应重建；
三维点云告警模块根据三维场景中匹配重构输电线路保护区的目标对象及其位置，结合相似三角形原理对目标对象与输电线路进行多方位距离量测，筛选出最短距离并与对应电压等级输电线路安全距离比较，生成三维点云告警；
告警动作执行模块综合分析图像识别告警、视频分析告警及三维点云告警，相互验证检测输出输电线路外力破坏告警信息，若三者有两者及以上发出告警则立即执行输电线路外力破坏告警动作。
需要说明的是，本发明的一种输电线路外力破坏的识别告警系统与本发明的一种输电线路外力破坏的识别告警方法一一对应，在上述一种输电线路外力破坏的识别告警方法的实施例阐述的技术特征及其有益效果均适用于一种输电线路外力破坏的识别告警系统的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述的一种输电线路外力破坏的识别告警系统的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述一种输电线路外力破坏的识别告警系统的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
如图3所示，在一个实施例中，提供了一种计算机可读存储介质，存储有程序于存储器中，所述程序被处理器执行时，实现所述的一种输电线路外力破坏的识别告警方法，具体为：
在摄像机视场范围内，对输电线路保护区的目标对象进行分类，基于目标检测和卷积神经网络对摄像机抓拍图像进行特征提取和分割，得到目标识别结果；
以摄像机视场范围内的杆塔为中心线，对不同电压等级输电线路保护区划定报警区域并进行识别框选，结合目标识别结果对威胁输电线路的目标对象生成图像识别告警；
根据图像识别告警启动实时视频录制，获取一段时间内的目标对象行进动作，提取含目标对象的视频帧图像，结合目标检测分析目标对象是否存在向输电线路趋近的行为，利用视频背景提取和帧间差分生成视频分析告警；
获取输电线路的档距及其通道范围的激光点云三维模型，与摄像机视场范围内的目标进行空间坐标变换对应，实现三维点云场景在二维图像中的对应重建；
根据三维场景中匹配重构输电线路保护区的目标对象及其位置，结合相似三角形原理对目标对象与输电线路进行多方位距离量测，筛选出最短距离并与对应电压等级输电线路安全距离比较，生成三维点云告警；
综合分析图像识别告警、视频分析告警及三维点云告警，相互验证检测输出输电线路外力破坏告警信息，若三者有两者及以上发出告警则立即执行输电线路外力破坏告警动作。
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非易失性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，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种输电线路外力破坏的识别告警方法，其特征在于，包括下述步骤：
在摄像机视场范围内，对输电线路保护区的目标对象进行分类，基于目标检测和卷积神经网络对摄像机抓拍图像进行特征提取和分割，得到目标识别结果；
以摄像机视场范围内的杆塔为中心线，对不同电压等级输电线路保护区划定报警区域并进行识别框选，结合目标识别结果对威胁输电线路的目标对象生成图像识别告警；
根据图像识别告警启动实时视频录制，获取一段时间内的目标对象行进动作，提取含目标对象的视频帧图像，结合目标检测分析目标对象是否存在向输电线路趋近的行为，利用视频背景提取和帧间差分生成视频分析告警；
获取输电线路的档距及其通道范围的激光点云三维模型，与摄像机视场范围内的目标进行空间坐标变换对应，实现三维点云场景在二维图像中的对应重建；
根据三维场景中匹配重构输电线路保护区的目标对象及其位置，结合相似三角形原理对目标对象与输电线路进行多方位距离量测，筛选出最短距离并与对应电压等级输电线路安全距离比较，生成三维点云告警；
综合分析图像识别告警、视频分析告警及三维点云告警，相互验证检测输出输电线路外力破坏告警信息，若三者有两者及以上发出告警则立即执行输电线路外力破坏告警动作。
2.根据权利要求1所述的一种输电线路外力破坏的识别告警方法，其特征在于，所述目标检测采用YOLOv4目标检测网络结构，使用K-means算法对抓拍图像进行聚类分析；
所述卷积神经网络基于Tensorflow和Faster-RCNN网络进行构建，使用分级加权交叉熵作为损失函数对卷积神经网络进行训练，并采用Focal Loss算法优化损失函数；利用卷积神经网络进行两次学习训练，提取目标特征并分割图像，获得目标识别结果。
3.根据权利要求2所述的一种输电线路外力破坏的识别告警方法，其特征在于，所述生成图像识别告警具体为：
在摄像机视场范围内，以输电线路杆塔为中心线，以不同电压等级安全距离为平行线，将两平行线间的垂直区域划定为报警区域；
采用目标检测对不同电压等级输电线路杆塔及保护区进行识别框选，结合目标识别结果，当目标对象进入报警区域时，即对威胁输电线路的目标对象生成图像识别告警。
4.根据权利要求3所述的一种输电线路外力破坏的识别告警方法，其特征在于，所述生成视频分析告警，具体为：
通过改进混合高斯模型对目标对象行进动作进行校验匹配，获取背景图像并提取目标；
采用改进三帧差分法对目标对象行进动作中的图像帧与背景图像进行时间差分，获取运动目标像素区域；
综合背景图像、提取的目标与运动目标像素区域，以输电线路及杆塔为参照物，分析目标对象是否存在向输电线路趋近的行为，若是则生成视频分析告警，发出预警信号。
5.根据权利要求4所述的一种输电线路外力破坏的识别告警方法，其特征在于，所述改进混合高斯模型使用自适应学习速率进行参数更新，即通过设定帧数阈值，当小于帧数阈值时加快背景的更新速率；当大于帧数阈值时减慢背景的更新速率；
所述改进三帧差分法对目标对象行进动作中连续三帧的灰度图像序列进行绝对差运算，得到两个二值图像进行逻辑或运算并进行形态学处理，同时引入Sobel边缘算子进行边缘对比补充，根据目标对象运动参数自适应获取参与边缘对比的最佳帧数，降低背景误判，获得运动目标像素区域。
6.根据权利要求4所述的一种输电线路外力破坏的识别告警方法，其特征在于，所述实现三维点云场景在二维图像中的对应重建，具体为：
利用激光测距原理，通过激光雷达扫描进行原始点云数据采集，在实体建模工具中加载点云数据并进行绘制，获取输电线路的档距及其通道范围的激光点云三维模型；
以摄像机视场范围内的输电杆塔为基础特征选取目标点，通过目标检测对视场范围内的目标逐一进行识别对应，获取目标三维特征点；
根据三维点云与摄像机抓拍图像，对图像像素点和三维特征点进行匹配，利用不同坐标系之间的变换原理，求出激光点云与抓拍图像之间的映射关系，获取抓拍图像中对应匹配的三维场景，实现两种数据的融合对应。
7.根据权利要求6所述的一种输电线路外力破坏的识别告警方法，其特征在于，所述求出激光点云与抓拍图像之间的映射关系，具体为：
定义激光点云三维坐标系和二维图像坐标系；
根据相似三角形原理，将二维图像坐标系中某点与激光点云三维坐标系对应点建立关系；
将该点的二维图像坐标系通过缩放与原点平移变换到像素坐标系下；
将对应点的激光点云三维坐标系通过旋转和平移变换到世界坐标系下，完成三维点云投影到二维图像变为像素点。
8.根据权利要求7所述的一种输电线路外力破坏的识别告警方法，其特征在于，所述生成三维点云告警具体为：
获取摄像机抓拍图像，进行目标检测并提取目标特征；
将目标特征在三维场景中匹配重构输电线路保护区的目标对象及其位置，包括：
在三维场景中，每个点都有唯一的空间坐标(x，y，z)；在二维图像中，每个像素在图像中有唯一的平面坐标(x，y)；
根据激光点云和抓拍图像之间的映射关系，重新构建三维空间数据模型，根据目标特征中的像素点集实现输电线路保护区的目标对象及其位置的重构；
采用相似三角形原理，计算目标对象三维空间范围多点位置与输电线路的距离；
筛选输电线路与目标对象的最短距离数据，并与对应电压等级的安全距离进行比较；若小于对应电压等级的安全距离则生成三维点云告警。
9.一种输电线路外力破坏的识别告警系统，其特征在于，包括目标识别模块、图像识别告警模块、视频分析告警模块、三维场景重建模块、三维点云告警模块及告警动作执行模块；
所述目标识别模块用于在摄像机视场范围内，对输电线路保护区的目标对象进行分类，基于目标检测和卷积神经网络对摄像机抓拍图像进行特征提取和分割，得到目标识别结果；
所述图像识别告警模块以摄像机视场范围内的杆塔为中心线，对不同电压等级输电线路保护区划定报警区域并进行识别框选，结合目标识别结果对威胁输电线路的目标对象生成图像识别告警；
所述视频分析告警模块根据图像识别告警启动实时视频录制，获取一段时间内的目标对象行进动作，提取含目标对象的视频帧图像，结合目标检测分析目标对象是否存在向输电线路趋近的行为，利用视频背景提取和帧间差分生成视频分析告警；
所述三维场景重建模块获取输电线路的档距及其通道范围的激光点云三维模型，与摄像机视场范围内的目标进行空间坐标变换对应，实现三维点云场景在二维图像中的对应重建；
所述三维点云告警模块根据三维场景中匹配重构输电线路保护区的目标对象及其位置，结合相似三角形原理对目标对象与输电线路进行多方位距离量测，筛选出最短距离并与对应电压等级输电线路安全距离比较，生成三维点云告警；
所述告警动作执行模块综合分析图像识别告警、视频分析告警及三维点云告警，相互验证检测输出输电线路外力破坏告警信息，若三者有两者及以上发出告警则立即执行输电线路外力破坏告警动作。
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-8任一项所述的一种输电线路外力破坏的识别告警方法。
CN202210377060.XA 2022-04-12 2022-04-12 一种输电线路外力破坏的识别告警方法及系统 Pending CN114863357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210377060.XA CN114863357A (zh) 2022-04-12 2022-04-12 一种输电线路外力破坏的识别告警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210377060.XA CN114863357A (zh) 2022-04-12 2022-04-12 一种输电线路外力破坏的识别告警方法及系统

Publications (1)

Publication Number Publication Date
CN114863357A true CN114863357A (zh) 2022-08-05

Family

ID=82630559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210377060.XA Pending CN114863357A (zh) 2022-04-12 2022-04-12 一种输电线路外力破坏的识别告警方法及系统

Country Status (1)

Country Link
CN (1) CN114863357A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115565324A (zh) * 2022-11-24 2023-01-03 北京数字绿土科技股份有限公司 一种电力线的防外破监控方法和系统
CN115620239A (zh) * 2022-11-08 2023-01-17 国网湖北省电力有限公司荆州供电公司 一种点云和视频结合的输电线路在线监测方法和系统
CN116524691A (zh) * 2023-07-05 2023-08-01 广东电网有限责任公司广州供电局 输电线路隐患告警方法、装置、存储介质及计算机设备
CN117092641A (zh) * 2023-10-20 2023-11-21 江苏翰林正川工程技术有限公司 一种基于雷达测距与图像识别的信息融合方法
CN117517864A (zh) * 2023-11-08 2024-02-06 南京航空航天大学 一种基于激光雷达的输电线路近电预警方法与装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620239A (zh) * 2022-11-08 2023-01-17 国网湖北省电力有限公司荆州供电公司 一种点云和视频结合的输电线路在线监测方法和系统
CN115620239B (zh) * 2022-11-08 2024-01-30 国网湖北省电力有限公司荆州供电公司 一种点云和视频结合的输电线路在线监测方法和系统
CN115565324A (zh) * 2022-11-24 2023-01-03 北京数字绿土科技股份有限公司 一种电力线的防外破监控方法和系统
CN116524691A (zh) * 2023-07-05 2023-08-01 广东电网有限责任公司广州供电局 输电线路隐患告警方法、装置、存储介质及计算机设备
CN116524691B (zh) * 2023-07-05 2023-10-20 广东电网有限责任公司广州供电局 输电线路隐患告警方法、装置、存储介质及计算机设备
CN117092641A (zh) * 2023-10-20 2023-11-21 江苏翰林正川工程技术有限公司 一种基于雷达测距与图像识别的信息融合方法
CN117092641B (zh) * 2023-10-20 2023-12-15 江苏翰林正川工程技术有限公司 一种基于雷达测距与图像识别的信息融合方法
CN117517864A (zh) * 2023-11-08 2024-02-06 南京航空航天大学 一种基于激光雷达的输电线路近电预警方法与装置
CN117517864B (zh) * 2023-11-08 2024-04-26 南京航空航天大学 一种基于激光雷达的输电线路近电预警方法与装置

Similar Documents

Publication Publication Date Title
CN114863357A (zh) 一种输电线路外力破坏的识别告警方法及系统
KR102171122B1 (ko) 장면의 다차원 특징을 기반으로 하는 선박 탐지 방법 및 시스템
US9652863B2 (en) Multi-mode video event indexing
Cucchiara et al. Vehicle Detection under Day and Night Illumination.
Peng et al. Pedestrian detection for transformer substation based on gaussian mixture model and YOLO
CN111241343A (zh) 一种道路信息监控与分析检测方法、智慧交通控制系统
CN111723773B (zh) 遗留物检测方法、装置、电子设备及可读存储介质
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN111222478A (zh) 一种工地安全防护检测方法和系统
CN112309068B (zh) 一种基于深度学习的森林火灾预警方法
Sun et al. Fusing Kalman filter with TLD algorithm for target tracking
Zheng et al. Anomaly detection of metro station tracks based on sequential updatable anomaly detection framework
Ren et al. Towards Efficient Video Detection Object Super‐Resolution with Deep Fusion Network for Public Safety
Li et al. Building detection in sar images based on bi-dimensional empirical mode decomposition algorithm
Ham et al. Vision based forest smoke detection using analyzing of temporal patterns of smoke and their probability models
CN109064444B (zh) 基于显著性分析的轨道板病害检测方法
Yang et al. Video anomaly detection for surveillance based on effective frame area
CN116912774A (zh) 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质
CN110135224B (zh) 一种监控视频的前景目标提取方法及系统、存储介质及终端
CN111915713A (zh) 一种三维动态场景的创建方法、计算机设备、存储介质
Negri Estimating the queue length at street intersections by using a movement feature space approach
CN112149683A (zh) 夜视环境下活物检测方法及装置
CN117079221B (zh) 抽蓄电站地下工程的施工安全监测方法及装置
Zeng et al. Detection of vehicle pressure line based on machine learning
Shi et al. Edge Intelligence-Based OCS Fault Detection in Rail Transit Systems

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