CN115063699A - 基于无人机的变电站巡检方法、装置、设备以及存储介质 - Google Patents

基于无人机的变电站巡检方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN115063699A
CN115063699A CN202210602053.5A CN202210602053A CN115063699A CN 115063699 A CN115063699 A CN 115063699A CN 202210602053 A CN202210602053 A CN 202210602053A CN 115063699 A CN115063699 A CN 115063699A
Authority
CN
China
Prior art keywords
liquid level
meter
oil level
identification
gauge
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.)
Granted
Application number
CN202210602053.5A
Other languages
English (en)
Other versions
CN115063699B (zh
Inventor
潘屹峰
李勇
黄吴蒙
邓广宏
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 Imapcloud Intelligent Technology Co ltd
Original Assignee
Guangzhou Imapcloud Intelligent Technology 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 Imapcloud Intelligent Technology Co ltd filed Critical Guangzhou Imapcloud Intelligent Technology Co ltd
Priority to CN202210602053.5A priority Critical patent/CN115063699B/zh
Publication of CN115063699A publication Critical patent/CN115063699A/zh
Application granted granted Critical
Publication of CN115063699B publication Critical patent/CN115063699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06V10/70—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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • G06V2201/02—Recognising information on displays, dials, clocks

Abstract

本发明涉及巡检与管理技术领域，特别涉及一种基于无人机的变电站巡检方法，方法包括：获取巡检航线上的若干个互感器油位表对应的图像；将互感器油位表对应的图像输入至预设的表计识别模型，获取表计识别模型输出的互感器油位表对应的表计区域识别图像，将互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取表计区域识别图像对应的液面分割图像，获取液面分割图像中的目标像元，并对目标像元的坐标数据进行分析，获取各个互感器油位表对应的图像的液面高度检测结果；响应于显示指令，获取与所述巡检航线相关联的电子地图数据，根据液面高度检测结果以及预设的检测标识，在电子地图数据上进行检测标识的显示以及标注。

Description

基于无人机的变电站巡检方法、装置、设备以及存储介质
技术领域
本发明涉及巡检与管理技术领域，特别涉及是一种基于无人机的变电站巡检方法、装置、设备以及存储介质。
背景技术
在变电站智能化巡检敏感区域中，随着时间的推移，变电站下的电压互感器及电流互感器油位表液位过低或者过高时，会产生设备损坏的风险。
目前的技术方案，一方面通过人工巡检的方式，对各个电压互感器以及电流互感器油位表液面进行巡检，并目视判别油位表液位是否过高或者过低，具有较高的人力成本，而且效率低下；
另一方面采用无人机与可见光相机相结合的方法然后通过人工筛选的方式判别油位表液位是否过高或者过低，然而，由于变电站环境拍摄电压、电流互感器油位表存在多角度、光线、遮挡等因素，导致巡检过程中出现一定程度的漏检和误检，降低了巡检的准确性以及效率。
发明内容
基于此，本发明的目的在于，提供一种基于无人机的变电站巡检方法、装置、设备以及存储介质，通过预设的表计识别模型以及液面分割模型，获取无人机拍摄的互感器油位表对应的图像的液面分割图像，并通过对液面分割图像的目标像元进行分析，能够准确、快速对互感器油位表对应的图像中的液面高度进行识别，提高了变电站巡检的效率，节省人力。
第一方面，本申请实施例提供了一种基于无人机的变电站巡检方法，包括以下步骤：
通过无人机，获取预设的巡检航线上的若干个互感器油位表对应的图像；
将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像，其中，所述表计区域识别图像包括液面区域以及液面高度标识区域；
将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像，其中，所述液面分割图像包括液面区域对应的第一分割区域以及液面高度标识区域对应的第二分割区域；
获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果；
响应于显示指令，获取与所述巡检航线相关联的电子地图数据，根据所述液面高度检测结果以及预设的检测标识，在所述电子地图数据上进行检测标识的显示以及标注。
第二方面，本申请实施例提供了一种基于无人机的变电站巡检装置，包括：
获取模块，用于通过无人机，获取预设的巡检航线上的若干个互感器油位表对应的图像；
识别模块，用于将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像，其中，所述表计区域识别图像包括液面区域以及液面高度标识区域；
分割模块，用于将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像，其中，所述液面分割图像包括液面区域对应的第一分割区域以及液面高度标识区域对应的第二分割区域；
分析模块，用于获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果；
显示模块，用于响应于显示指令，获取与所述巡检航线相关联的电子地图数据，根据所述液面高度检测结果以及预设的检测标识，在所述电子地图数据上进行检测标识的显示以及标注。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述的基于无人机的变电站巡检方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于无人机的变电站巡检方法的步骤。
在本申请实施例中，提供一种基于无人机的变电站巡检方法、装置、设备以及存储介质，通过预设的表计识别模型以及液面分割模型，获取无人机拍摄的互感器油位表对应的图像的液面分割图像，并通过对液面分割图像的目标像元进行分析，能够准确、快速对互感器油位表对应的图像中的液面高度进行识别，提高了变电站巡检的效率，节省人力。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请第一实施例提供的基于无人机的变电站巡检方法的流程示意图；
图2为本申请一个实施例提供的基于无人机的变电站巡检方法中S2的流程示意图；
图3为本申请一个实施例提供的基于无人机的变电站巡检方法中S201的流程示意图；
图4为本申请一个实施例提供的基于无人机的变电站巡检方法的液面分割图像示意图；
图5为本申请另一个实施例提供的基于无人机的变电站巡检方法的流程示意图；
图6为本申请一个实施例提供的基于无人机的变电站巡检方法中S4的流程示意图；
图7为本申请第一实施例提供的基于无人机的变电站巡检装置的结构示意图；
图8为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请第一实施例提供的基于无人机的变电站巡检方法的流程示意图，所述方法包括如下步骤：
S1：通过无人机，获取预设的巡检航线上的若干个互感器油位表对应的图像。
所述基于无人机的变电站巡检方法的执行主体为基于无人机的变电站巡检方法的巡检设备(以下简称巡检设备)，在一个可选的实施例中，所述巡检设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
在本实施例中，巡检设备通过控制无人机，在预设的巡检航线上的进行飞行作业，获取预设的巡检航线上的若干个互感器油位表对应的图像，其中，所述图像为无人机拍摄的航拍图像，所述航拍图像为可见光图像。
S2：将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像。
所述表计识别模型采用YOLOV5(You Only Look Once)模型，所述YOLOv5模型是基于开源框架pytorch模型进行的，而Pytorch模型是由一组基本的神经网络参数来定义的。
在本实施例中，巡检设备将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像，其中，所述表计区域识别图像包括电压互感器表计区域以及电流互感器表计区域；
在一个可选的实施例中，所述表计区域识别图像包括液面显示区域以及横向设置在所述液面显示区域周围的液面高度标识，其中，所述液面高度标识包括最高液面标识以及最低液面标识。
请参阅图2，图2为本申请一个实施例提供的基于无人机的变电站巡检方法中S2的流程示意图，包括步骤S201～S202，具体如下：
S201：获取所述各个图像中的互感器油位表的类型信息。
在本实施例中，巡检设备可以获取用户输入的各个图像互感器油位表中的类型信息，也可以预设的数据库中获取所述各个图像互感器油位表中的类型信息，其中，所述互感器油位表的类型包括电压互感器油位表类型以及电流互感器油位表类型，互感器油位表对应的图像包括电压互感器油位表以及电流互感器油位表对应的图像。
S202：根据所述类型信息以及预设的表计区域配置表，获取与所述各个图像对应的表计区域坐标数据，根据所述表计区域坐标数据，从所述各个互感器油位表对应的图像中截取表计区域对应的分割图像，作为所述各个互感器油位表对应的表计区域识别图像。
考虑到电压互感器油位表类型以及电流互感器油位表类型对应的表计区域不同，以及图像的分辨率比较大包含非表计区域较多，存在较多干扰，因此，巡检设备预先构建有以类型信息匹配为基础的表计区域配置表，其中，所述表计区域配置表包括电压互感器油位表类型对应的表计区域坐标数据以及电流互感器油位表类型对应的表计区域坐标数据。
在本实施例中，巡检设备根据所述类型信息以及预设的表计区域配置表，从该表计区域配置表中，获取与所述各个图像对应的表计区域坐标数据，其中，所述表计区域坐标数据包括与各个相应的互感器油位表类型对应的纵向坐标数据以及横向坐标数据，用于分割所述图像中的表计区域；
根据所述表计区域坐标数据，从所述各个互感器油位表对应的图像中截取表计区域对应的分割图像，作为所述各个互感器油位表对应的表计区域识别图像，提高了图像分割的效率，更加精准地获取所述各个互感器油位表对应的表计区域识别图像。
请参阅图3，图3为本申请一个实施例提供的基于无人机的变电站巡检方法中S201的流程示意图，包括步骤S2011～S2012，具体如下：
S2011：获取各个互感器油位表的规格信息。
所述规格信息包括互感器油位表的形状、大小以及尺寸，在本实施例中，巡检设备对所述各个图像中的互感器油位表进行分析，获取各个互感器油位表的规格信息。
S2012：根据所述各个互感器油位表的规格信息以及预设的油位表对照表，将所述各个互感器油位表的类型设置为电压互感器油位表或者电流互感器油位表。
巡检设备预先构建有以规格信息匹配为基础的油位表对照表，其中，所述油位表对照表包括若干种电压互感器油位表对应的规格信息以及电流互感器油位表对应的规格信息，根据所述各个互感器油位表的规格信息以及预设的油位表对照表，将所述各个互感器油位表的类型设置为电压互感器油位表或者电流互感器油位表。
S3：将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像。
该液面分割模型采用deeplabv3模型，其中，所述deeplabv3模型为图像语义分割模型的一种。
请参阅图4，图4为本申请一个实施例提供的基于无人机的变电站巡检方法的液面分割图像示意图，在本实施例中，巡检设备将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像，其中，所述液面分割图像包括液面区域对应的第一分割区域1以及液面高度标识区域对应的第二分割区域2，所述液面高度标识区域包括最高液面标识区域以及最低液面标识区域，所述液面高度标识区域对应的第二分割区域包括最高液面标识区域对应的分割区域21以及最低液面标识区域对应的分割区域22。
请参阅图5，图5为本申请另一个实施例提供的基于无人机的变电站巡检方法的流程示意图，包括步骤S6～S7，所述步骤S6～S7在步骤S3之前，具体如下：
S6：获取若干个样本表计区域识别图像，分别将所述各个样本表计区域识别图像中的液面区域以及液面高度标识区域进行标签标注，获取所述液面区域对应的第一标签数据以及所述液面高度标识区域对应的第二标签数据。
巡检设备获取若干个样本表计区域识别图像，其中，所述样本表计区域识别图像包括样本电压互感器油位表对应的表计区域识别图像以及样本电流互感器油位表对应的表计区域识别图像；
为了提高样本表计区域识别图像的多样性，提高模型训练的准确性，在一个可选的实施例中，巡检设备通过无人机获取不同时间段以及不同的天气拍摄的预设航线上的样本图像，将所述样本图像输入至表计识别模型中，获取表计识别模型输出的样本表计区域识别图像。
并将所述各个样本表计区域识别图像中的液面区域以及液面高度标识区域进行标签标注，获取所述液面区域对应的第一标签数据以及所述液面高度标识区域对应的第二标签数据。
S7：将所述各个样本表计区域识别图像，以及各个样本表计区域识别图像对应的第一标签数据、第二标签数据输入至预设的待训练的神经网络模型进行迭代训练，获取若干个训练后的神经网络模型，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为所述液面分割模型。
在本实施例中，巡检设备将所述各个样本表计区域识别图像，以及各个样本表计区域识别图像对应的第一标签数据、第二标签数据输入至预设的待训练的神经网络模型中，根据预设的迭代次数，进行迭代训练，获取若干个训练后的神经网络模型，并根据预设的准确率计算算法，获取各个训练后的神经网络模型对应的准确率，根据所述准确率以及召回率，从所述若干个训练后的神经网络模型中，获取准确率以及召回率最大的的目标神经网络模型，作为所述液面分割模型。
S4：获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果。
在本实施例中，巡检设备获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果，其中，所述液面高度检测结果包括液面正常结果，液面过高结果以及液面过低结果。
请参阅图6，图6为本申请一个实施例提供的基于无人机的变电站巡检方法中S4的流程示意图，包括步骤S401～S402，具体如下：
S401：获取所述第二分割区域的目标像元的第二坐标数据，根据所述第二坐标数据，设置液面阈值。
所述液面阈值包括最高液面阈值以及最低液面阈值；
为了更加准确地进行图像的液面高度检测，在本实施例中，巡检设备将所述第二分割区域中最高液面标识区域对应的分割区域中纵向坐标数据最高的像元作为目标像元，并将该目标像元的纵向坐标数据作为第二坐标数据，根据该目标像元的第二坐标数据，设置最高液面阈值；
将所述第二分割区域中最低液面标识区域对应的分割区域中纵向坐标数据最低的像元作为目标像元，并将该目标像元的纵向坐标数据作为第二坐标数据，根据该目标像元的第二坐标数据，设置最低液面阈值。
S402：获取所述第一分割区域的目标像元的第一坐标数据，根据所述第一坐标数据以及所述液面阈值，获取所述各个互感器油位表对应的图像的液面高度检测结果。
为了更加准确地进行图像的液面高度检测，获取精准的液面高度检测结果，在本实施例中，巡检设备将所述第一分割区域中的纵向坐标数据最高以及最低的像元作为目标像元，并将该目标像元的纵向坐标数据作为第一坐标数据，将该目标像元的第一坐标数据分别与最高液面阈值以及最低液面阈值作对比，当该目标像元的第一坐标数据大于最高液面阈值，获取液面过高结果；当该目标像元的第一坐标数据小于最低液面阈值，获取液面过低结果；当该目标像元的第一坐标数据小于或者等于最高液面阈值，且大于或等于最低液面阈值，获取液面正常结果。
S5：响应于显示指令，获取与所述巡检航线相关联的电子地图数据，根据所述液面高度检测结果以及预设的检测标识，在所述电子地图数据上进行检测标识的显示以及标注。
所述显示指令为用户发出的，巡检设备接收的。
在本实施例中，巡检设备获取用户发送的所述显示指令，并进行响应，获取与巡检航线相关联的电子地图数据。巡检设备根据所述液面高度检测结果以及预设的检测标识，获取液面高度检测结果对应的检测标识，并返回至巡检设备的显示界面中，在所述电子地图数据上进行相应的检测标识的显示以及标注。
请参考图7，图7为本申请第一实施例提供的基于无人机的变电站巡检装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于无人机的变电站巡检装置的全部或一部分，该装置7包括：
获取模块71，用于通过无人机，获取预设的巡检航线上的若干个互感器油位表对应的图像；
识别模块72，用于将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像，其中，所述表计区域识别图像包括液面区域以及液面高度标识区域；
分割模块73，用于将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像，其中，所述液面分割图像包括液面区域对应的第一分割区域以及液面高度标识区域对应的第二分割区域；
分析模块74，用于获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果；
显示模块75，用于响应于显示指令，获取与所述巡检航线相关联的电子地图数据，根据所述液面高度检测结果以及预设的检测标识，在所述电子地图数据上进行检测标识的显示以及标注。
在本实施例中，通过获取模块，获取预设的巡检航线上的若干个互感器油位表对应的图像；通过识别模块，将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像，其中，所述表计区域识别图像包括液面区域以及液面高度标识区域；通过分割模块，将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像，其中，所述液面分割图像包括液面区域对应的第一分割区域以及液面高度标识区域对应的第二分割区域；通过分析模块，获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果；通过显示模块，响应于显示指令，获取与所述巡检航线相关联的电子地图数据，根据所述液面高度检测结果以及预设的检测标识，在所述电子地图数据上进行检测标识的显示以及标注。通过预设的表计识别模型以及液面分割模型，获取无人机拍摄的互感器油位表对应的图像的液面分割图像，并通过对液面分割图像的目标像元进行分析，能够准确、快速对互感器油位表对应的图像中的液面高度进行识别，提高了变电站巡检的效率，节省人力。
请参考图8，图8为本申请一个实施例提供的计算机设备的结构示意图，计算机设备8包括：处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83；计算机设备可以存储有多条指令，指令适用于由处理器81加载并执行上述图1至图3、图5以及图6所示实施例的方法步骤，具体执行过程可以参见图1至图3、图5以及图6所示实施例的具体说明，在此不进行赘述。
其中，处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器82内的指令、程序、代码集或指令集，以及调用存储器82内的数据，执行基于无人机的变电站巡检装置7的各种功能和处理数据，可选的，处理器81可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrambleLogic Array，PLA)中的至少一个硬件形式来实现。处理器81可集成中央处理器81(CentralProcessing Unit，CPU)、图像处理器81(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器81中，单独通过一块芯片进行实现。
其中，存储器82可以包括随机存储器82(Random Access Memory，RAM)，也可以包括只读存储器82(Read-Only Memory)。可选的，该存储器82包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图3、图5以及图6所示实施例的方法步骤，具体执行过程可以参见图1至图3、图5以及图6所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (10)

1.一种基于无人机的变电站巡检方法，其特征在于，包括以下步骤：
通过无人机，获取预设的巡检航线上的若干个互感器油位表对应的图像；
将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像，其中，所述表计区域识别图像包括液面区域以及液面高度标识区域；
将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像，其中，所述液面分割图像包括液面区域对应的第一分割区域以及液面高度标识区域对应的第二分割区域；
获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果；
响应于显示指令，获取与所述巡检航线相关联的电子地图数据，根据所述液面高度检测结果以及预设的检测标识，在所述电子地图数据上进行检测标识的显示以及标注。
2.根据权利要求1所述的基于无人机的变电站巡检方法，其特征在于：所述互感器油位表对应的图像包括电压互感器油位表以及电流互感器油位表对应的图像。
3.根据权利要求2所述的基于无人机的变电站巡检方法，其特征在于，所述将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像，包括步骤：
获取所述各个图像中的互感器油位表的类型信息；其中，所述互感器油位表的类型信息包括电压互感器油位表类型以及电流互感器油位表类型；
根据所述类型信息以及预设的表计区域配置表，获取与所述各个图像对应的表计区域坐标数据，根据所述表计区域坐标数据，从所述各个互感器油位表对应的图像中截取表计区域对应的分割图像，作为所述各个互感器油位表对应的表计区域识别图像，其中，所述表计区域配置表包括电压互感器油位表类型对应的表计区域坐标数据以及电流互感器油位表类型对应的表计区域坐标数据。
4.根据权利要求3所述的基于无人机的变电站巡检方法，其特征在于，所述获取所述各个互感器油位表的类型，包括步骤：
获取各个互感器油位表的规格信息，其中，所述规格信息包括互感器油位表的形状、大小以及尺寸；
根据所述各个互感器油位表的规格信息以及预设的油位表对照表，将所述各个互感器油位表的类型设置为电压互感器油位表或者电流互感器油位表，其中，所述油位表对照表包括若干种电压互感器油位表对应的规格信息以及电流互感器油位表对应的规格信息。
5.根据权利要求1所述的基于无人机的变电站巡检方法，其特征在于，所述将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像之前，包括步骤：
获取若干个样本表计区域识别图像，所述样本表计区域识别图像包括样本电压互感器油位表对应的表计区域识别图像以及样本电流互感器油位表对应的表计区域识别图像，分别将所述各个样本表计区域识别图像中的液面区域以及液面高度标识区域进行标签标注，获取所述液面区域对应的第一标签数据以及所述液面高度标识区域对应的第二标签数据；
将所述各个样本表计区域识别图像，以及各个样本表计区域识别图像对应的第一标签数据、第二标签数据输入至预设的待训练的神经网络模型进行迭代训练，获取若干个训练后的神经网络模型，从所述若干个训练后的神经网络模型中获取目标神经网络模型，作为所述液面分割模型。
6.根据权利要求1所述的基于无人机的变电站巡检方法，其特征在于：所述液面高度标识区域包括最高液面标识区域以及最低液面标识区域，所述液面高度标识区域对应的第二分割区域包括最高液面标识区域对应的分割区域以及最低液面标识区域对应的分割区域。
7.根据权利要求6所述的基于无人机的变电站巡检方法，其特征在于，所述获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果，包括步骤：
获取所述第二分割区域的目标像元的第二坐标数据，根据所述第二坐标数据，设置液面阈值，其中，所述液面阈值包括最高液面阈值以及最低液面阈值；
获取所述第一分割区域的目标像元的第一坐标数据，根据所述第一坐标数据以及所述液面阈值，获取所述各个互感器油位表对应的图像的液面高度检测结果。
8.一种基于无人机的变电站巡检装置，其特征在于，包括：
获取模块，用于通过无人机，获取预设的巡检航线上的若干个互感器油位表对应的图像；
识别模块，用于将所述各个互感器油位表对应的图像输入至预设的表计识别模型，获取所述表计识别模型输出的各个互感器油位表对应的表计区域识别图像，其中，所述表计区域识别图像包括液面区域以及液面高度标识区域；
分割模块，用于将所述各个互感器油位表对应的表计区域识别图像输入至预设的液面分割模型中，获取各个表计区域识别图像对应的液面分割图像，其中，所述液面分割图像包括液面区域对应的第一分割区域以及液面高度标识区域对应的第二分割区域；
分析模块，用于获取所述第一分割区域以及第二分割区域中的目标像元，并对所述目标像元的坐标数据进行分析，获取所述各个互感器油位表对应的图像的液面高度检测结果；
显示模块，用于响应于显示指令，获取与所述巡检航线相关联的电子地图数据，根据所述液面高度检测结果以及预设的检测标识，在所述电子地图数据上进行检测标识的显示以及标注。
9.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于无人机的变电站巡检方法的步骤。
10.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于无人机的变电站巡检方法的步骤。
CN202210602053.5A 2022-05-30 2022-05-30 基于无人机的变电站巡检方法、装置、设备以及存储介质 Active CN115063699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210602053.5A CN115063699B (zh) 2022-05-30 2022-05-30 基于无人机的变电站巡检方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210602053.5A CN115063699B (zh) 2022-05-30 2022-05-30 基于无人机的变电站巡检方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN115063699A true CN115063699A (zh) 2022-09-16
CN115063699B CN115063699B (zh) 2023-11-28

Family

ID=83198782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210602053.5A Active CN115063699B (zh) 2022-05-30 2022-05-30 基于无人机的变电站巡检方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN115063699B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100322462A1 (en) * 2009-06-17 2010-12-23 National Applied Research Laboratories Liquid Level Detection Method
CN105468696A (zh) * 2015-11-17 2016-04-06 国家电网公司 一种巡检路线地图管理系统
CN107160388A (zh) * 2017-04-25 2017-09-15 国网浙江省电力公司 变电站智能巡检机器人监控系统
CN108198269A (zh) * 2018-01-29 2018-06-22 石化盈科信息技术有限责任公司 一种巡检信息实时集成展示方法及系统
CN108764234A (zh) * 2018-05-10 2018-11-06 浙江理工大学 一种基于巡检机器人的液位仪表读数识别方法
CN109389165A (zh) * 2018-09-29 2019-02-26 南京理工大学 基于巡检机器人的变压器油位计识别方法
CN111161210A (zh) * 2019-12-02 2020-05-15 国网浙江省电力有限公司 一种检测电表照片中的小部件的方法
CN112183212A (zh) * 2020-09-01 2021-01-05 深圳市识农智能科技有限公司 一种杂草识别方法、装置、终端设备及可读存储介质
CN112699876A (zh) * 2021-03-24 2021-04-23 中海油能源发展股份有限公司采油服务分公司 一种用于集气站多类型仪表自动读数方法
CN113741527A (zh) * 2021-09-13 2021-12-03 德仕能源科技集团股份有限公司 一种基于多无人机的油井巡检方法、设备及介质
CN114037993A (zh) * 2021-09-26 2022-02-11 佛山中科云图智能科技有限公司 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN114267044A (zh) * 2021-12-24 2022-04-01 三川智慧科技股份有限公司 一种数字水表的数据识别方法及装置
CN114549981A (zh) * 2022-02-11 2022-05-27 国网河南省电力公司电力科学研究院 一种基于深度学习的智能巡检指针式仪表识别及读数方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100322462A1 (en) * 2009-06-17 2010-12-23 National Applied Research Laboratories Liquid Level Detection Method
CN105468696A (zh) * 2015-11-17 2016-04-06 国家电网公司 一种巡检路线地图管理系统
CN107160388A (zh) * 2017-04-25 2017-09-15 国网浙江省电力公司 变电站智能巡检机器人监控系统
CN108198269A (zh) * 2018-01-29 2018-06-22 石化盈科信息技术有限责任公司 一种巡检信息实时集成展示方法及系统
CN108764234A (zh) * 2018-05-10 2018-11-06 浙江理工大学 一种基于巡检机器人的液位仪表读数识别方法
CN109389165A (zh) * 2018-09-29 2019-02-26 南京理工大学 基于巡检机器人的变压器油位计识别方法
CN111161210A (zh) * 2019-12-02 2020-05-15 国网浙江省电力有限公司 一种检测电表照片中的小部件的方法
CN112183212A (zh) * 2020-09-01 2021-01-05 深圳市识农智能科技有限公司 一种杂草识别方法、装置、终端设备及可读存储介质
CN112699876A (zh) * 2021-03-24 2021-04-23 中海油能源发展股份有限公司采油服务分公司 一种用于集气站多类型仪表自动读数方法
CN113741527A (zh) * 2021-09-13 2021-12-03 德仕能源科技集团股份有限公司 一种基于多无人机的油井巡检方法、设备及介质
CN114037993A (zh) * 2021-09-26 2022-02-11 佛山中科云图智能科技有限公司 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN114267044A (zh) * 2021-12-24 2022-04-01 三川智慧科技股份有限公司 一种数字水表的数据识别方法及装置
CN114549981A (zh) * 2022-02-11 2022-05-27 国网河南省电力公司电力科学研究院 一种基于深度学习的智能巡检指针式仪表识别及读数方法

Also Published As

Publication number Publication date
CN115063699B (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
CN108491757B (zh) 基于多尺度特征学习的光学遥感图像目标检测方法
CN109493320B (zh) 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
CN107067003B (zh) 感兴趣区域边界的提取方法、装置、设备和计算机存储介质
CN115372877B (zh) 基于无人机的变电站的避雷器泄露电流表计巡检方法
CN110580475A (zh) 基于无人机巡检的线路诊断方法、电子装置及存储介质
CN107239795A (zh) 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法
CN112329751A (zh) 一种基于深度学习的多尺度遥感影像目标识别系统及方法
US20130156307A1 (en) Systems and methods for efficiently and accurately detecting changes in spatial feature data
CN111914767A (zh) 一种基于多源遥感数据的散乱污企业检测方法及系统
CN115151952A (zh) 一种变电设备高精度识别方法及系统
CN111931721B (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN113269897B (zh) 表面点云的获取方法、装置、设备及存储介质
CN114037987A (zh) 一种废钢智能识别方法、装置、介质及设备
CN114332809A (zh) 一种图像识别方法、装置、电子设备和存储介质
CN109471909A (zh) 地址定位的方法、装置及计算机可读存储介质
CN115063699B (zh) 基于无人机的变电站巡检方法、装置、设备以及存储介质
CN112529836A (zh) 高压线路缺陷检测方法、装置、存储介质及电子设备
CN117197479A (zh) 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质
CN112070079A (zh) 基于特征图重赋权的x光违禁品包裹检测方法及装置
CN114037993B (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN115908318A (zh) 电力线弧垂确定方法、装置、设备、介质和产品
CN108802512B (zh) 一种配电系统测试方法及装置
CN111104965A (zh) 车辆目标识别的方法及装置
CN112990131B (zh) 获取电压转换开关工作档位的方法、装置、设备及介质
CN117152424A (zh) 一种城市视觉环境质量评价的方法及相关设备

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
GR01 Patent grant
GR01 Patent grant