CN114998889A - 一种沉浸式三维影像的智能识别方法及系统 - Google Patents
一种沉浸式三维影像的智能识别方法及系统 Download PDFInfo
- Publication number
- CN114998889A CN114998889A CN202210443506.4A CN202210443506A CN114998889A CN 114998889 A CN114998889 A CN 114998889A CN 202210443506 A CN202210443506 A CN 202210443506A CN 114998889 A CN114998889 A CN 114998889A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- insulator
- infrared
- contour
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种沉浸式三维影像的智能识别方法及系统,涉及图像处理领域。所述方法包括:通过对智能电网的绝缘子进行三维影像的数据采集,同时搭建状态自动检测系统,通过系统的先验形状检测层,对绝缘子的先验轮廓进行统计,进而根据中层特征检测层上的目标物红外成像分类器,对先验轮廓进行分类训练,获得绝缘子的红外图像轮廓集合,进而,根据深度特征检测层上的嵌入式卷积神经网络,对需要识别的绝缘子图像进行状态判别训练,用以确定该绝缘子表面的具体缺陷类别,达到了利用沉浸式三维影像的处理技术对在役绝缘子表面缺陷进行快速精准检修的技术效果。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种沉浸式三维影像的智能识别方法及系统。
背景技术
随着深度学习技术的大力发展,使得计算机视觉在人脸识别、智能驾驶以及场景分类中获得了广泛的场景应用,沉浸式三维影像可以逼真的模拟现实产品或创造常规拍摄所无法实现的产品和事件,从真实到想象空间,给人们解决问题提供了最快捷的方式,极大的便捷了人们的生活方式以及工业生产需要。
在智能电网建设过程中,由于绝缘子是输电线路中极其重要且大量存在的部件,起到电气绝缘及机械支撑作用;同时又是故障多发元件,其表面污秽、裂纹、破损等表面缺陷严重威胁电网的安全运行。
然而,现有技术中存在对电力系统故障进行排查时,由于绝缘子缺陷引起的事故占比较高,无法对在役绝缘子表面缺陷进行智能检测的技术问题。
发明内容
本发明的目的是提供一种沉浸式三维影像的智能识别方法及系统,用以解决现有技术中对电力系统故障进行排查时,由于绝缘子缺陷引起的事故占比较高,无法对在役绝缘子表面缺陷进行智能检测的技术问题。
鉴于上述问题,本发明提供了一种沉浸式三维影像的智能识别方法及系统。
第一方面,本发明提供了一种沉浸式三维影像的智能识别方法,所述方法包括:构建状态自动检测系统,所述状态自动检测系统包括先验形状检测层、中层特征检测层以及深度特征检测层;基于所述先验形状检测层,对目标物的历史三维影像进行采集,且对采集影像进行特征挖掘、统计,获得所述目标物的先验轮廓统计特征集;基于红外图像成像机理,在所述中层特征检测层上,对所述目标物进行中层特征建模,构建目标物红外成像分类器;将所述先验轮廓统计特征集输入至所述目标物红外成像分类器进行训练,获得所述目标物的红外图像轮廓数据集;对所述红外图像轮廓数据集进行分割,获得各分割轮廓散图;基于所述深度特征检测层上的嵌入式卷积神经网络,对待识别目标图像进行状态判别训练,获得所述目标物的状态识别信息。
另一方面,本发明还提供了一种沉浸式三维影像的智能识别系统,用于执行如第一方面所述的一种沉浸式三维影像的智能识别方法,其中,所述系统包括:第一构建单元,所述第一构建单元用于构建状态自动检测系统,所述状态自动检测系统包括先验形状检测层、中层特征检测层以及深度特征检测层;第一采集单元,所述第一采集单元用于基于所述先验形状检测层,对目标物的历史三维影像进行采集,且对采集影像进行特征挖掘、统计,获得所述目标物的先验轮廓统计特征集;第二构建单元,所述第二构建单元用于基于红外图像成像机理,在所述中层特征检测层上,对所述目标物进行中层特征建模,构建目标物红外成像分类器;第一训练单元,所述第一训练单元用于将所述先验轮廓统计特征集输入至所述目标物红外成像分类器进行训练,获得所述目标物的红外图像轮廓数据集;第一分割单元,所述第一分割单元用于对所述红外图像轮廓数据集进行分割,获得各分割轮廓散图;第二训练单元,所述第二训练单元用于基于所述深度特征检测层上的嵌入式卷积神经网络,对待识别目标图像进行状态判别训练,获得所述目标物的状态识别信息。
第三方面,一种电子设备,其中,包括处理器和存储器;
该存储器,用于存储;
该处理器,用于通过调用,执行上述第一方面中任一项所述的方法。
第四方面,一种计算机程序产品,包括计算机程序和/或指令,该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过对智能电网的绝缘子进行三维影像的数据采集,同时搭建状态自动检测系统,用于对在役绝缘子的表面缺陷进行图像处理,使得识别出表面的具体缺陷,便于进行故障检修。具体的,可通过系统的先验形状检测层,对绝缘子的先验轮廓进行统计,进而根据中层特征检测层上的目标物红外成像分类器,对先验轮廓进行分类训练,获得绝缘子的红外图像轮廓集合,进而,根据深度特征检测层上的嵌入式卷积神经网络,对需要识别的绝缘子图像进行状态判别训练,用以确定该绝缘子表面的具体缺陷类别,达到了利用沉浸式三维影像的处理技术对在役绝缘子表面缺陷进行快速精准检修的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本发明一种沉浸式三维影像的智能识别方法的流程示意图;
图2为本发明一种沉浸式三维影像的智能识别方法中对待识别目标图像进行状态判别训练的流程示意图;
图3为本发明一种沉浸式三维影像的智能识别系统的结构示意图;
图4为本发明示例性电子设备的结构示意图。
附图标记说明:
第一构建单元11,第一采集单元12,第二构建单元13,第一训练单元14,第一分割单元15,第二训练单元16,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本发明通过提供一种沉浸式三维影像的智能识别方法及系统,解决现有技术中对电力系统故障进行排查时,由于绝缘子缺陷引起的事故占比较高,无法对在役绝缘子表面缺陷进行智能检测的技术问题。达到了利用沉浸式三维影像的处理技术对在役绝缘子表面缺陷进行快速精准检修的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
本发明提供了一种沉浸式三维影像的智能识别方法,所述方法包括:通过对智能电网的绝缘子进行三维影像的数据采集,同时搭建状态自动检测系统,用于对在役绝缘子的表面缺陷进行图像处理,使得识别出表面的具体缺陷,便于进行故障检修。具体的,可通过系统的先验形状检测层,对绝缘子的先验轮廓进行统计,进而根据中层特征检测层上的目标物红外成像分类器,对先验轮廓进行分类训练,获得绝缘子的红外图像轮廓集合,进而,根据深度特征检测层上的嵌入式卷积神经网络,对需要识别的绝缘子图像进行状态判别训练,用以确定该绝缘子表面的具体缺陷类别,达到了利用沉浸式三维影像的处理技术对在役绝缘子表面缺陷进行快速精准检修的技术效果。
在介绍了本发明基本原理后,下面将结合说明书附图来具体介绍本发明的各种非限制性的实施方式。
实施例一
请参阅附图1,本发明提供了一种沉浸式三维影像的智能识别方法,所述方法具体包括如下步骤:
步骤S100:构建状态自动检测系统,所述状态自动检测系统包括先验形状检测层、中层特征检测层以及深度特征检测层;
步骤S200:基于所述先验形状检测层,对目标物的历史三维影像进行采集,且对采集影像进行特征挖掘、统计,获得所述目标物的先验轮廓统计特征集;
进一步的,步骤S200包括:
步骤S210:对所述历史三维影像进行遍历,将方向角检测作为第一要素,将形状特征作为第二要素;
步骤S220:根据所述第一要素,对所述采集影像进行一次挖掘,获得一次挖掘结果;
步骤S230:根据所述第二要素,对所述采集影像进行二次挖掘,获得二次挖掘结果;
步骤S240:对所述一次挖掘结果和所述二次挖掘结果进行交集处理,获得所述目标物的先验轮廓统计特征集。
具体而言,随着深度学习技术的大力发展,使得计算机视觉在人脸识别、智能驾驶以及场景分类中获得了广泛的场景应用,沉浸式三维影像可以逼真的模拟现实产品或创造常规拍摄所无法实现的产品和事件,从真实到想象空间,给人们解决问题提供了最快捷的方式,极大的便捷了人们的生活方式以及工业生产需要。
在智能电网建设过程中,由于绝缘子是输电线路中极其重要且大量存在的部件,起到电气绝缘及机械支撑作用;同时又是故障多发元件,其表面污秽、裂纹、破损等表面缺陷严重威胁电网的安全运行。
然而,现有技术中存在对电力系统故障进行排查时,由于绝缘子缺陷引起的事故占比较高,无法对在役绝缘子表面缺陷进行智能检测的技术问题。
为了解决现有技术中存在的问题,本申请提出了一种沉浸式三维影像的智能识别方法。通过对智能电网的绝缘子进行三维影像的数据采集,同时搭建状态自动检测系统,用于对在役绝缘子的表面缺陷进行图像处理,使得识别出表面的具体缺陷,便于进行故障检修。具体的,可通过系统的先验形状检测层,对绝缘子的先验轮廓进行统计,进而根据中层特征检测层上的目标物红外成像分类器,对先验轮廓进行分类训练,获得绝缘子的红外图像轮廓集合,进而,根据深度特征检测层上的嵌入式卷积神经网络,对需要识别的绝缘子图像进行状态判别训练,用以确定该绝缘子表面的具体缺陷类别,达到了利用沉浸式三维影像的处理技术对在役绝缘子表面缺陷进行快速精准检修的技术效果。
具体的,所述状态自动检测系统用于对任何图像数据进行处理,本申请中,可以对绝缘子的表面图像处理为例进行说明,其中,所述状态自动检测系统包括先验形状检测层、中层特征检测层以及深度特征检测层,所述先验形状检测层用于对绝缘子的历史三维影像信息进行挖掘,使得挖掘出绝缘子的大致的轮廓信息;所述中层特征检测层可对绝缘子的表面图像进行遍历,从而利用红外图像成像机理,对绝缘子表面的温度分布进行不同颜色标识,从而搭建绝缘子红外成像分类器;所述深度特征检测层用于构建绝缘子表面缺陷集合的卷积神经网络,使得对需要十倍的绝缘子图像进行卷积运算,从而精确识别具体的缺陷类型。
首先,基于所述先验形状检测层,对目标物的历史三维影像进行采集,所述目标物即为绝缘子,具体的,由于高线线架设置较高,难以进行精准的绝缘子图像采集,因此可通过大量的航拍手段对在役绝缘子进行图像采集,在对采集影像进行特征挖掘、统计时,具体的,可将方向角检测作为第一要素,将形状特征作为第二要素,其中,所述方向角检测为采集高清的绝缘子图像的最佳方向角,可将其作为所述第一要素,用于对采集影像进行一次特征挖掘;所述形状特征即为最能表征绝缘子表面的图像形状,可将其作为所述第二要素,用于对采集影像进行二次特征挖掘,使得获得对应的一次挖掘结果和二次挖掘结果,所述一次挖掘结果表征了以最佳方向角进行特征挖掘的图像集合,所述二次挖掘结果表征了以最优表面形状进行特征挖掘的图像集合,通过对所述一次挖掘结果和所述二次挖掘结果进行交集处理,获得所述目标物的先验轮廓统计特征集,所述先验轮廓统计特征集,即包含了既满足最佳方向角、又满足最优表面形状的特征的绝缘子的先验轮廓集合。
步骤S300:基于红外图像成像机理,在所述中层特征检测层上,对所述目标物进行中层特征建模,构建目标物红外成像分类器;
进一步的,步骤S300包括:
步骤S310:根据红外电子装置,对所述目标物进行红外扫描,且将扫描结果进行投射,获得可视化的目标物表面温度分布;
步骤S320:通过对所述目标物表面温度分布进行温度值划分,且对划分结果进行不同颜色标识,生成不同表面温度值标识分布;
步骤S330:根据所述不同表面温度值标识分布,构建所述目标物红外成像分类器。
步骤S400:将所述先验轮廓统计特征集输入至所述目标物红外成像分类器进行训练,获得所述目标物的红外图像轮廓数据集;
进一步的,步骤S400包括:
步骤S410:将所述先验轮廓统计特征集作为输入信息,输入至所述目标物红外成像分类器,进行轮廓温度的匹配训练;
步骤S420:获得对所述输入信息的训练结果,所述训练结果包括所述目标物的红外图像轮廓数据集,其中,所述红外图像轮廓数据集包含所述目标物的内核红外图像和边缘红外图像。
具体而言,在获得绝缘子的先验轮廓统计特征集之后,可对其进行进一步的图像处理。具体的,可基于红外图像成像机理,在所述中层特征检测层上,对所述目标物进行中层特征建模,构建目标物红外成像分类器。其中,所述红外图像成像机理,红外线是一种电磁波,具有与无线电波和可见光一样的本质。利用某种特殊的电子装置将物体表面的温度分布转换成人眼可见的图像,并以不同颜色显示物体表面温度分布的技术称之为红外热成像技术,这种热像图与物体表面的热分布场相对应;实质上是被测目标物体各部分红外辐射的热像分布图。由于信号非常弱,与可见光图像相比,缺少层次和立体感,因此,在实际动作过程中为更有效地判断被测目标的红外热分布场,常采用一些辅助措施来增加仪器的实用功能,如图像亮度、对比度的控制。
具体的,所述红外电子装置,可将物体表面的温度分布转换成人眼可见的图像,具体表现为,对绝缘子表面进行红外扫描,且将扫描结果进行投射,获得可视化的目标物表面温度分布,所述目标物表面温度分布,即绝缘子的肉眼可见的表面温度分布信息,通过对其进行温度值划分,且对划分结果进行不同颜色标识,生成不同表面温度值标识分布,示例性的,可将温度在0℃-10℃区间的温度分为一类,用蓝色表示,将温度在10℃-20℃区间的温度分为二类,用青色表示,将温度在20℃-30℃区间的温度分为三类,用绿色表示,将温度在30℃-40℃区间的温度分为四类,用橙色表示,将温度在40℃以上区间的温度分为五类,用红色表示等,即构成了所述不同表面温度值标识分布。可基于此,构建所述目标物红外成像分类器,即每一个温度区间对应于绝缘子表面的不同位置,一般的,越靠近绝缘子内核部位,温度越高;反之,越靠近绝缘子边缘部位,温度越低。
在构建好所述目标物红外成像分类器之后,可将从所述先验形状检测层获得的先验轮廓统计特征集作为输入信息,输入至所述目标物红外成像分类器,进行轮廓温度的匹配训练,具体的,通过将既满足最佳方向角、又满足最优表面形状的特征的绝缘子的先验轮廓集合输入至目标物红外成像分类器,可根据输入的轮廓对其进行相应的温度匹配,如果该轮廓靠近绝缘子的内核部位,则匹配到的温度较高,通过进行匹配训练,可获得所述目标物的红外图像轮廓数据集,所述红外图像轮廓数据集,即表征了绝缘子的表面红外温度分布,包含了内核红外图像和边缘红外图像,即可通过温度的阶梯分布,确定绝缘子的表面分布信息,所述内核红外图像表征了温度较高的覆盖区域范围,即绝缘子的内核部位,所述边缘红外图像表征了温度较低的覆盖区域范围,即绝缘子的边缘部位。
步骤S500:对所述红外图像轮廓数据集进行分割,获得各分割轮廓散图;
进一步的,步骤S500包括:
步骤S510:获得所述内核红外图像的内核温度标识分布、所述边缘红外图像的边缘温度标识分布;
步骤S520:判断所述内核温度标识分布和所述边缘温度标识分布是否存在临界标识信息;
步骤S530:若所述内核温度标识分布和所述边缘温度标识分布存在所述临界标识信息,根据所述临界标识信息,对所述红外图像轮廓数据集进行有效分割,获得所述各分割轮廓散图,所述各分割轮廓散图包括内核分割散图和边缘分割散图。
具体而言,在获得所述目标物的红外图像轮廓数据集之后,需要对其进行分割,即对红外图像轮廓进行更为精细的图像处理,在进行图像分割过程中,可获得所述内核红外图像的内核温度标识分布、所述边缘红外图像的边缘温度标识分布,所述内核温度标识分布覆盖了绝缘子内核部位的温度标识范围,所述边缘温度标识分布覆盖了绝缘子边缘部位的温度标识范围。
进而,判断所述内核温度标识分布和所述边缘温度标识分布是否存在临界标识信息,即确定绝缘子的内核和边缘部位是否存在明确地界定。由于绝缘子为故障多发元件,其表面污秽、裂纹、破损等表面缺陷严重威胁电网的安全运行,通过确定绝缘子的内核和边缘部位是否存在明确地界定,便于核查绝缘子的表面缺陷范围,即绝缘子表面的边缘裂纹或破损是否已经扩大到绝缘子的内核,所述临界标识信息,即绝缘子的内核和边缘部位是否存在明显的温差标识信息,如果所述内核温度标识分布和所述边缘温度标识分布存在所述临界标识信息,说明绝缘子表面的边缘裂纹或破损已经扩大到绝缘子的内核,可根据所述临界标识信息,对所述红外图像轮廓数据集进行有效分割,获得所述各分割轮廓散图,其中,所述各分割轮廓散图包括内核分割散图和边缘分割散图,所述内核分割散图,即表征了绝缘子的内核服役现状,所述边缘分割散图,即表征了绝缘子的边缘服役现状。反之,如果所述内核温度标识分布和所述边缘温度标识分布不存在所述临界标识信息,说明该绝缘子服役正常,或者绝缘子表面的边缘裂纹或破损还未扩大到绝缘子的内核。
步骤S600:基于所述深度特征检测层上的嵌入式卷积神经网络,对待识别目标图像进行状态判别训练,获得所述目标物的状态识别信息。
进一步的,如图2所示,步骤S600包括:
步骤S610:通过对所述内核分割散图进行图像二值化处理,且对处理结果进行深度分割,获得所述内核分割散图的多个伞盘图像,其中,所述多个伞盘图像包括正常目标物图像和异常目标物图像;
步骤S620:根据所述多个伞盘图像,构建目标物伞盘图像库;
步骤S630:对所述目标物伞盘图像库进行卷积化处理,构建所述嵌入式卷积神经网络,作为特征提取网络;
步骤S640:通过对所述待识别目标图像进行二值化处理,生成目标卷积矩阵;
步骤S650:对所述目标卷积矩阵和所述特征提取网络进行卷积运算,获得所述目标物的状态识别信息。
具体而言,在获得各分割轮廓散图之后,可基于此构建卷积神经网络,进而对需要识别的目标图像进行状态判别。上述图像处理手段,已经对绝缘子的表面图像进行了有效分割,为了对绝缘子的内核破损程度进行精确测量,可对其进行进一步的分割处理。具体的,可对所述内核分割散图进行图像二值化处理,一般的,图像的二值化处理就是将图像上的点的灰度值为0或255,也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中,二值图像占有非常重要的地位,特别是在实用的图像处理中,以二值图像处理实现而构成的系统是很多的,要进行二值图像的处理与分析,首先要把灰度图像二值化,得到二值化图像,这样子有利于在对图像做进一步处理时,图像的集合性质只与像素值为0或255的点的位置有关,不再涉及像素的多级值,使处理变得简单,而且数据的处理和压缩量小。
在将定位后的绝缘子图像二值化之后,可按行扫描绝缘子图像,统计每行绝缘子图像的像素点数,以像素点数的波谷处为分割线,对处理结果进行深度分割,获得所述内核分割散图的多个伞盘图像,即分割绝缘子图像为多个绝缘子伞盘图像。其中,所述多个伞盘图像包括正常目标物图像和异常目标物图像,通过将正常、破损、裂纹及污秽等多种绝缘子伞盘图像建立绝缘子伞盘图像库,可确保该图像库的样本训练数据满足多样性,所述正常目标物图像即为表面无任何缺陷瑕疵的绝缘子图像,所述异常目标物图像即为表面存在破损、裂纹及污秽等的绝缘子图像。
进而,对所述目标物伞盘图像库进行卷积化处理,即对经过二值化处理的二维伞盘图像与离散二维滤波器进行卷积操作,简单的讲是二维滤波器滑动到二维图像上所有位置,并在每个位置上与该像素点及其领域像素点做内积。卷积操作被广泛应用与图像处理领域,不同卷积核可以提取不同的特征,即通过对不同二维伞盘图像(包含正常和异常图像)进行特征提取,可构建所述嵌入式卷积神经网络,并将其作为特征提取网络。
最终,可利用深度特征检测层上构建好的嵌入式卷积神经网络,对待识别目标图像进行卷积运算、状态识别。具体的,所述待识别目标图像即为需要进行缺陷检测的在役绝缘子的既有图像信息,同样的,可先对其进行图像二值化处理,并对处理后的二值化图像进行卷积化,所述目标卷积矩阵即为卷积化后的该既有图像的卷积矩阵表示,继而对所述目标卷积矩阵和所述特征提取网络进行卷积运算,可获得所述目标物的状态识别信息。即基于所述特征提取网络,对所述目标卷积矩阵进行卷积运算,可获得特征提取网络中,与目标卷积矩阵相对应的二维伞盘图像的状态,所述状态识别信息即表征了该在役绝缘子的服役状态,若对应的二维伞盘图像显示正常,说明该在役绝缘子服役正常,反之,如果对应的二维伞盘图像显示异常,可进一步的判定具体的异常表现,便于对表面异常的绝缘子进行故障诊断。
综上所述,本发明所提供的一种沉浸式三维影像的智能识别方法具有如下技术效果:
1、通过对智能电网的绝缘子进行三维影像的数据采集,同时搭建状态自动检测系统,用于对在役绝缘子的表面缺陷进行图像处理,使得识别出表面的具体缺陷,便于进行故障检修。具体的,可通过系统的先验形状检测层,对绝缘子的先验轮廓进行统计,进而根据中层特征检测层上的目标物红外成像分类器,对先验轮廓进行分类训练,获得绝缘子的红外图像轮廓集合,进而,根据深度特征检测层上的嵌入式卷积神经网络,对需要识别的绝缘子图像进行状态判别训练,用以确定该绝缘子表面的具体缺陷类别,达到了利用沉浸式三维影像的处理技术对在役绝缘子表面缺陷进行快速精准检修的技术效果。
2、通过对不同二维伞盘图像(包含正常和异常图像)进行特征提取,可构建所述嵌入式卷积神经网络,并将其作为特征提取网络,对待识别目标图像进行卷积运算、状态识别,便于对表面异常的绝缘子进行故障诊断,以防对绝缘子造成更大的损害。
实施例二
基于与前述实施例中一种沉浸式三维影像的智能识别方法,同样发明构思,本发明还提供了一种沉浸式三维影像的智能识别系统,请参阅附图3,所述系统包括:
第一构建单元11,所述第一构建单元11用于构建状态自动检测系统,所述状态自动检测系统包括先验形状检测层、中层特征检测层以及深度特征检测层;
第一采集单元12,所述第一采集单元12用于基于所述先验形状检测层,对目标物的历史三维影像进行采集,且对采集影像进行特征挖掘、统计,获得所述目标物的先验轮廓统计特征集;
第二构建单元13,所述第二构建单元13用于基于红外图像成像机理,在所述中层特征检测层上,对所述目标物进行中层特征建模,构建目标物红外成像分类器;
第一训练单元14,所述第一训练单元14用于将所述先验轮廓统计特征集输入至所述目标物红外成像分类器进行训练,获得所述目标物的红外图像轮廓数据集;
第一分割单元15,所述第一分割单元15用于对所述红外图像轮廓数据集进行分割,获得各分割轮廓散图;
第二训练单元16,所述第二训练单元16用于基于所述深度特征检测层上的嵌入式卷积神经网络,对待识别目标图像进行状态判别训练,获得所述目标物的状态识别信息。
进一步的,所述系统还包括:
第一遍历单元,所述第一遍历单元用于对所述历史三维影像进行遍历,将方向角检测作为第一要素,将形状特征作为第二要素;
第一挖掘单元,所述第一挖掘单元用于根据所述第一要素,对所述采集影像进行一次挖掘,获得一次挖掘结果;
第二挖掘单元,所述第二挖掘单元用于根据所述第二要素,对所述采集影像进行二次挖掘,获得二次挖掘结果;
第一获得单元,所述第一获得单元用于对所述一次挖掘结果和所述二次挖掘结果进行交集处理,获得所述目标物的先验轮廓统计特征集。
进一步的,所述系统还包括:
第一扫描单元,所述第一扫描单元用于根据红外电子装置,对所述目标物进行红外扫描,且将扫描结果进行投射,获得可视化的目标物表面温度分布;
第一生成单元,所述第一生成单元用于通过对所述目标物表面温度分布进行温度值划分,且对划分结果进行不同颜色标识,生成不同表面温度值标识分布;
第三构建单元,所述第三构建单元用于根据所述不同表面温度值标识分布,构建所述目标物红外成像分类器。
进一步的,所述系统还包括:
第三训练单元,所述第三训练单元用于将所述先验轮廓统计特征集作为输入信息,输入至所述目标物红外成像分类器,进行轮廓温度的匹配训练;
第二获得单元,所述第二获得单元用于获得对所述输入信息的训练结果,所述训练结果包括所述目标物的红外图像轮廓数据集,其中,所述红外图像轮廓数据集包含所述目标物的内核红外图像和边缘红外图像。
进一步的,所述系统还包括:
第三获得单元,所述第三获得单元用于获得所述内核红外图像的内核温度标识分布、所述边缘红外图像的边缘温度标识分布;
第一判断单元,所述第一判断单元用于判断所述内核温度标识分布和所述边缘温度标识分布是否存在临界标识信息;
第二分割单元,所述第二分割单元用于若所述内核温度标识分布和所述边缘温度标识分布存在所述临界标识信息,根据所述临界标识信息,对所述红外图像轮廓数据集进行有效分割,获得所述各分割轮廓散图,所述各分割轮廓散图包括内核分割散图和边缘分割散图。
进一步的,所述系统还包括:
第四获得单元,所述第四获得单元用于通过对所述内核分割散图进行图像二值化处理,且对处理结果进行深度分割,获得所述内核分割散图的多个伞盘图像,其中,所述多个伞盘图像包括正常目标物图像和异常目标物图像;
第四构建单元,所述第四构建单元用于根据所述多个伞盘图像,构建目标物伞盘图像库;
第五构建单元,所述第五构建单元用于对所述目标物伞盘图像库进行卷积化处理,构建所述嵌入式卷积神经网络,作为特征提取网络。
进一步的,所述系统还包括:
第二生成单元,所述第二生成单元用于通过对所述待识别目标图像进行二值化处理,生成目标卷积矩阵;
第五获得单元,所述第五获得单元用于对所述目标卷积矩阵和所述特征提取网络进行卷积运算,获得所述目标物的状态识别信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种沉浸式三维影像的智能识别方法和具体实例同样适用于本实施例的一种沉浸式三维影像的智能识别系统,通过前述对一种沉浸式三维影像的智能识别方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种沉浸式三维影像的智能识别系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图4来描述本发明的电子设备。
图4图示了根据本发明的电子设备的结构示意图。
基于与前述实施例中一种沉浸式三维影像的智能识别方法的发明构思,本发明还提供一种沉浸式三维影像的智能识别系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种沉浸式三维影像的智能识别方法的任一方法的步骤。
其中,在图4中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明提供了一种沉浸式三维影像的智能识别方法,所述方法包括:构建状态自动检测系统,所述状态自动检测系统包括先验形状检测层、中层特征检测层以及深度特征检测层;基于所述先验形状检测层,对目标物的历史三维影像进行采集,且对采集影像进行特征挖掘、统计,获得所述目标物的先验轮廓统计特征集;基于红外图像成像机理,在所述中层特征检测层上,对所述目标物进行中层特征建模,构建目标物红外成像分类器;将所述先验轮廓统计特征集输入至所述目标物红外成像分类器进行训练,获得所述目标物的红外图像轮廓数据集;对所述红外图像轮廓数据集进行分割,获得各分割轮廓散图;基于所述深度特征检测层上的嵌入式卷积神经网络,对待识别目标图像进行状态判别训练,获得所述目标物的状态识别信息。解决现有技术中对电力系统故障进行排查时,由于绝缘子缺陷引起的事故占比较高,无法对在役绝缘子表面缺陷进行智能检测的技术问题。通过对智能电网的绝缘子进行三维影像的数据采集,同时搭建状态自动检测系统,用于对在役绝缘子的表面缺陷进行图像处理,使得识别出表面的具体缺陷,便于进行故障检修。具体的,可通过系统的先验形状检测层,对绝缘子的先验轮廓进行统计,进而根据中层特征检测层上的目标物红外成像分类器,对先验轮廓进行分类训练,获得绝缘子的红外图像轮廓集合,进而,根据深度特征检测层上的嵌入式卷积神经网络,对需要识别的绝缘子图像进行状态判别训练,用以确定该绝缘子表面的具体缺陷类别,达到了利用沉浸式三维影像的处理技术对在役绝缘子表面缺陷进行快速精准检修的技术效果。
本发明还提供一种电子设备,其中,包括处理器和存储器;
该存储器,用于存储;
该处理器,用于通过调用,执行上述实施例一中任一项所述的方法。
本发明还提供一种计算机程序产品,包括计算机程序和/或指令,该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外,本发明为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory,简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种沉浸式三维影像的智能识别方法,其特征在于,所述方法包括:
构建状态自动检测系统,所述状态自动检测系统包括先验形状检测层、中层特征检测层以及深度特征检测层;
基于所述先验形状检测层,对目标物的历史三维影像进行采集,且对采集影像进行特征挖掘、统计,获得所述目标物的先验轮廓统计特征集;
基于红外图像成像机理,在所述中层特征检测层上,对所述目标物进行中层特征建模,构建目标物红外成像分类器;
将所述先验轮廓统计特征集输入至所述目标物红外成像分类器进行训练,获得所述目标物的红外图像轮廓数据集;
对所述红外图像轮廓数据集进行分割,获得各分割轮廓散图;
基于所述深度特征检测层上的嵌入式卷积神经网络,对待识别目标图像进行状态判别训练,获得所述目标物的状态识别信息。
2.如权利要求1所述的方法,其特征在于,所述对采集影像进行特征挖掘、统计,包括:
对所述历史三维影像进行遍历,将方向角检测作为第一要素,将形状特征作为第二要素;
根据所述第一要素,对所述采集影像进行一次挖掘,获得一次挖掘结果;
根据所述第二要素,对所述采集影像进行二次挖掘,获得二次挖掘结果;
对所述一次挖掘结果和所述二次挖掘结果进行交集处理,获得所述目标物的先验轮廓统计特征集。
3.如权利要求2所述的方法,其特征在于,所述构建目标物红外成像分类器,包括:
根据红外电子装置,对所述目标物进行红外扫描,且将扫描结果进行投射,获得可视化的目标物表面温度分布;
通过对所述目标物表面温度分布进行温度值划分,且对划分结果进行不同颜色标识,生成不同表面温度值标识分布;
根据所述不同表面温度值标识分布,构建所述目标物红外成像分类器。
4.如权利要求3所述的方法,其特征在于,所述获得所述目标物的红外图像轮廓数据集,包括:
将所述先验轮廓统计特征集作为输入信息,输入至所述目标物红外成像分类器,进行轮廓温度的匹配训练;
获得对所述输入信息的训练结果,所述训练结果包括所述目标物的红外图像轮廓数据集,其中,所述红外图像轮廓数据集包含所述目标物的内核红外图像和边缘红外图像。
5.如权利要求4所述的方法,其特征在于,所述对所述红外图像轮廓数据集进行分割,包括:
获得所述内核红外图像的内核温度标识分布、所述边缘红外图像的边缘温度标识分布;
判断所述内核温度标识分布和所述边缘温度标识分布是否存在临界标识信息;
若所述内核温度标识分布和所述边缘温度标识分布存在所述临界标识信息,根据所述临界标识信息,对所述红外图像轮廓数据集进行有效分割,获得所述各分割轮廓散图,所述各分割轮廓散图包括内核分割散图和边缘分割散图。
6.如权利要求5所述的方法,其特征在于,所述对待识别目标图像进行状态判别训练,包括:
通过对所述内核分割散图进行图像二值化处理,且对处理结果进行深度分割,获得所述内核分割散图的多个伞盘图像,其中,所述多个伞盘图像包括正常目标物图像和异常目标物图像;
根据所述多个伞盘图像,构建目标物伞盘图像库;
对所述目标物伞盘图像库进行卷积化处理,构建所述嵌入式卷积神经网络,作为特征提取网络。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
通过对所述待识别目标图像进行二值化处理,生成目标卷积矩阵;
对所述目标卷积矩阵和所述特征提取网络进行卷积运算,获得所述目标物的状态识别信息。
8.一种沉浸式三维影像的智能识别系统,其特征在于,所述系统包括:
第一构建单元,所述第一构建单元用于构建状态自动检测系统,所述状态自动检测系统包括先验形状检测层、中层特征检测层以及深度特征检测层;
第一采集单元,所述第一采集单元用于基于所述先验形状检测层,对目标物的历史三维影像进行采集,且对采集影像进行特征挖掘、统计,获得所述目标物的先验轮廓统计特征集;
第二构建单元,所述第二构建单元用于基于红外图像成像机理,在所述中层特征检测层上,对所述目标物进行中层特征建模,构建目标物红外成像分类器;
第一训练单元,所述第一训练单元用于将所述先验轮廓统计特征集输入至所述目标物红外成像分类器进行训练,获得所述目标物的红外图像轮廓数据集;
第一分割单元,所述第一分割单元用于对所述红外图像轮廓数据集进行分割,获得各分割轮廓散图;
第二训练单元,所述第二训练单元用于基于所述深度特征检测层上的嵌入式卷积神经网络,对待识别目标图像进行状态判别训练,获得所述目标物的状态识别信息。
9.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器,用于存储;
所述处理器,用于通过调用,执行权利要求1~7中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序和/或指令,其特征在于,该计算机程序和/或指令被处理器执行时实现权利要求1~7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210443506.4A CN114998889A (zh) | 2022-04-26 | 2022-04-26 | 一种沉浸式三维影像的智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210443506.4A CN114998889A (zh) | 2022-04-26 | 2022-04-26 | 一种沉浸式三维影像的智能识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998889A true CN114998889A (zh) | 2022-09-02 |
Family
ID=83025459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210443506.4A Pending CN114998889A (zh) | 2022-04-26 | 2022-04-26 | 一种沉浸式三维影像的智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998889A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563105A (zh) * | 2023-04-18 | 2023-08-08 | 武汉大学 | 一种众源卫星遥感影像数据集优选方法及计算机可读介质 |
-
2022
- 2022-04-26 CN CN202210443506.4A patent/CN114998889A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563105A (zh) * | 2023-04-18 | 2023-08-08 | 武汉大学 | 一种众源卫星遥感影像数据集优选方法及计算机可读介质 |
CN116563105B (zh) * | 2023-04-18 | 2024-02-02 | 武汉大学 | 一种众源卫星遥感影像数据集优选方法及计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544555B (zh) | 基于生成式对抗网络的细小裂缝分割方法 | |
CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
EP2302583B1 (en) | Image segmentation | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
CN111160301A (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN113052754B (zh) | 一种图片背景虚化的方法及装置 | |
CN110119675B (zh) | 一种产品识别方法和装置 | |
CN108416351A (zh) | 路面病害区域的确定方法、装置和计算机设备 | |
CN110660065A (zh) | 一种红外故障检测识别算法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN111598889A (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN112837313A (zh) | 一种输电线路异物的图像分割的方法 | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN114897855A (zh) | 基于x射线图片灰度值分布判定缺陷类型的方法 | |
CN114998889A (zh) | 一种沉浸式三维影像的智能识别方法及系统 | |
CN114926395A (zh) | 一种光伏电板红外图像掉串检测方法和系统 | |
CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
JP7404817B2 (ja) | 学習装置、検出装置、学習方法、及び学習プログラム | |
WO2016092783A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program | |
CN116228659A (zh) | 一种ems小车漏油的视觉检测方法 | |
CN116958035A (zh) | 产品零件缺陷检测方法、装置、介质及电子设备 |
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 |