CN115219852B - 一种无人机配电线路的故障智能研判方法 - Google Patents

一种无人机配电线路的故障智能研判方法 Download PDF

Info

Publication number
CN115219852B
CN115219852B CN202211133971.4A CN202211133971A CN115219852B CN 115219852 B CN115219852 B CN 115219852B CN 202211133971 A CN202211133971 A CN 202211133971A CN 115219852 B CN115219852 B CN 115219852B
Authority
CN
China
Prior art keywords
frame
target
fault
detection
unmanned aerial
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.)
Active
Application number
CN202211133971.4A
Other languages
English (en)
Other versions
CN115219852A (zh
Inventor
邓志祥
范瑞祥
王文彬
潘建兵
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.)
Beijing Zhongguancun Zhilian Safety Science Research Institute Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Beijing Zhongguancun Zhilian Safety Science Research Institute Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi 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 Beijing Zhongguancun Zhilian Safety Science Research Institute Co ltd, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Beijing Zhongguancun Zhilian Safety Science Research Institute Co ltd
Priority to CN202211133971.4A priority Critical patent/CN115219852B/zh
Publication of CN115219852A publication Critical patent/CN115219852A/zh
Application granted granted Critical
Publication of CN115219852B publication Critical patent/CN115219852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
    • H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种无人机配电线路的故障智能研判方法，配网无人机系统与配电自动化系统进行接口对接，通过接口实时获取配电线路的故障信息；配网无人机系统获取故障信息后，依据故障信息自动匹配配网无人机系统中的线路杆塔台账信息，自动定位故障发生位置；巡检人员根据定位的故障信息位置，到故障点附近进行现场故障排查，通过无人机作业端搭载前端智能识别装置，前端智能识别装置实时视频自动识别故障信息，并将故障信息回传至配网无人机系统；进行故障修复及故障信息变更。本发明将配网无人机系统与无人机作业端的结合，实现对电网线路故障信息的闭环检测与修复，快速发现故障并进行故障研判，保障线路的安全稳定运行。

Description

一种无人机配电线路的故障智能研判方法
技术领域
本发明属于配电线路巡检技术领域,涉及一种无人机配电线路的故障智能研判方法。
背景技术
配网杆塔长期处于露天环境，难免会遇到一些故障信息的发生，情节严重，会导致断电，造成严重的经济损失，同时给居民生活带来不便。为保障线路的正常运行，需要及时发现故障，及时排查问题并解决问题，因此在配网无人机系统开发故障研判模块，对接配电自动化系统，从配电自动化系统获取故障信息，并根据故障信息提示，精准判断故障位置，进行及时的故障研判与解决，保障线路稳定，安全运行。在故障研判过程中，目前电力公司主要依靠人工利用望远镜或者爬塔去定位判断故障，因为距离塔头位置较远，查看不够全面，经常定位时间比较长。
发明内容
本发明的目的在于提供一种无人机配电线路的故障智能研判方法，通过配网无人机系统与无人机作业端的结合，实现对电网线路故障信息的闭环检测与修复，快速发现故障并进行故障研判，保障线路的安全稳定运行。
本发明通过下述技术方案来实现。一种无人机配电线路的故障智能研判方法，步骤如下：
S1.故障信息获取：配网无人机系统与配电自动化系统进行接口对接，通过接口实时获取配电线路的故障信息；
S2.故障定位：配网无人机系统获取故障信息后，依据故障信息自动匹配配网无人机系统中的线路杆塔台账信息，自动定位故障发生位置；
若配网无人机系统有故障信息所需对应的线路杆塔台账信息，则线路杆塔台账信息直接与故障信息匹配，获取故障信息位置的定位；
若配网无人机系统无故障信息所对应的线路杆塔台账信息，则根据电力公司存量的线路巡检照片，自动构建线路杆塔台账信息；
S3.前端故障识别：精确校验故障信息位置后，配网无人机系统实时获取故障任务信息，巡检人员根据定位的故障信息位置，到故障点附近进行现场故障排查，通过无人机作业端搭载前端智能识别装置，前端智能识别装置实时视频自动识别故障信息，并将故障信息回传至配网无人机系统；
S4.故障修复及故障信息变更：配网无人机系统接收故障信息及实时视频，根据发现的故障信息，巡检人员进行故障修复，修复完成后，配网无人机系统进行故障信息的变更，将故障信息变更为已修复状态。
进一步优选，采集线路杆塔台账信息中的线路杆塔坐标数据，作业人员根据指定线路任务，无人机按航线飞行进行数据采集，沿着线路，在每基杆塔正上方，定点记录杆塔坐标位置，并在杆塔周围一定距离范围内，同时执行RFID标签扫描任务，识别实物ID标签，通过边缘计算模块提供的接口将RFID识别指令发送至前端智能识别装置进行工作，获取设备实物ID编号；同时，对杆塔进行精细化拍照，得到精细化照片成果数据，利用边缘计算模块中的柱上设备识别模型完成柱上设备的自动识别工作；根据采集的杆塔信息，将杆塔空间坐标数据与图像识别出的柱上设备信息、实物ID编号建立唯一的关联关系，形成满足线路杆塔台账的标准数据，记录线路杆塔设备相关的数据信息，完成线路杆塔台账信息的构建。
进一步优选，前端智能识别装置实时视频自动识别故障信息的方法如下：
S31、使用NanodetNet作为目标检测算法，对视频中每帧图像进行目标检测，得到待识别物体的预测框及其对应类别，第一帧图像只有检测框，没有建议框，第一帧图像中目标检测结果即为第一帧图像的最终目标框；
S32、使用卡尔曼滤波，预测上一帧图像中每个目标在当前帧图像中的位置，作为上一帧图像对当前帧图像的建议框；
S33、通过目标检测算法对当前帧图像中的物体进行目标检测，作为当前帧的检测框，与第一帧图像目标检测不同的是，设置检测框的分数，以保留最多的检测结果；
S34、结合当前帧图像的建议框与检测框，确定当前帧图像最终目标框。
进一步优选，步骤S32的具体过程如下：
使用八个参数对目标框状态进行描述，目标框中心横坐标x、目标框中心纵坐标y、目标框宽w、目标框高h、目标框中心横坐标变化速度vx、目标框中心纵坐标变化速度vy、目标框宽变化速度vw、目标框高变化速度vh。
k时刻目标框状态表示为Tk，k时刻状态协方差表示为Pk：
Figure 810065DEST_PATH_IMAGE001
变换矩阵表示为Fk，初始为下式的值：
Figure 724800DEST_PATH_IMAGE002
则对k时刻目标框状态，可由k-1时刻目标框状态变换而来：
Figure 682392DEST_PATH_IMAGE003
Figure 248765DEST_PATH_IMAGE004
Tk-1表示k-1时刻目标框状态，Pk-1表示k-1时刻状态协方差；
通过卡尔曼滤波预测上一帧图像中的目标框在当前帧图像中的位置，作为当前帧图像中目标的建议框。
进一步优选，步骤S34的具体过程如下：
S341.建议框与检测框匹配：计算同类别的建议框与检测框重叠度，重叠度使用交并比IOU作为衡量标准，当IOU>0.5，则认为建议框与检测框匹配，视为同一目标，对于未匹配成功的检测框，视为当前帧图像新出现的目标，对于未匹配成功的建议框，视为当前帧图像已经不存在该目标，直接删除；
S342.更新检测框的分数：重新计算匹配成功的检测框的分数，新的检测框的分数为建议框与检测框的平均值；未匹配成功的检测框的分数不变；
S343.检测框去重:对更新分数后的检测框，使用分数阈值进行筛选；最后进行非最大值抑制，去除重合度较高的检测框；
S344.卡尔曼滤波更新:对于匹配成功的检测框，将检测框作为目标在当前帧图像的位置，更新匹配建议框对应的卡尔曼滤波矩阵，用更新后的卡尔曼滤波矩阵预测检测框对应的目标在下一帧图像中的位置；对于未匹配成功的检测框，新建一个卡尔曼滤波矩阵，用于预测未匹配成功的检测框对应的目标在下一帧图像中的位置。
进一步优选，构建线路杆塔台账信息时，计算杆塔坐标的方法如下：
提取线路巡检照片中的经纬度信息，并根据通用墨卡托投影算法转换为UTM坐标作为多边形顶点，以多边形的一个顶点O为原点，作连接O与其他所有非相邻顶点的线段，将n条边的多边形分为n-2个三角形；
求每个三角形的面积和重心：
设第i个三角形的重心坐标为G（c xi ，c yi ）,顶点坐标按逆时针排序分别为A1（x 1，y 1），A2（x 2，y 2），A3（x 3，y 3），则有
c xi = (x 1+ x 2+ x 3) / 3 ; c yi = (y 1+ y 2+ y 3) / 3 ;
第i个三角形的面积为S i = ( (x 2–x 1) * (y 3–y 1) - (x 3–x 1) * (y 2–y 1) ) / 2 ;
求多边形的重心c x
c x = (∑c xi * S i ) / ∑S i ; c y = (∑c yi *S i ) / ∑S i ; c xi 是第i个三角形的横坐标，c yi 是第i个三角形的纵坐标；将c x ，c y 根据通用墨卡托投影算法转换为经纬度，这个经纬度即为拍摄中心，也是杆塔坐标。
本发明通过配网无人机系统对接配电自动化系统的故障信息，自动定位故障所在附近杆塔位置，因为电力公司有很多存量数据并没有杆塔坐标台账，本发明通过杆塔附近拍摄的巡检照片坐标自动拟合计算获取杆塔坐标，基于杆塔坐标，无人机作业端通过搭载前端智能识别装置，对在故障附近拍摄的视频进行实时识别，识别故障类型并快速定位故障位置，反馈给运维人员及时进行故障修复。通过无人机以及前端智能识别装置的应用，可有效降低排查故障的难度，尤其对于故障位于杆塔上方的情况，减少人工爬塔的次数，提升故障发现效率，降低故障造成的停电时长，提高用户用电满意度。
附图说明
图1为本发明所述无人机配电线路的故障智能研判方法的流程图。
图2为前端智能识别装置实时视频自动识别故障信息的流程图。
具体实施方式
下面结合附图对本发明的技术构思进一步详细阐明。
参照图1，一种无人机配电线路的故障智能研判方法，步骤如下：
S1.故障信息获取：配网无人机系统与配电自动化系统进行接口对接，通过接口实时获取配电线路的故障信息。
S2.故障定位：配网无人机系统获取故障信息后，依据故障信息自动匹配配网无人机系统中的线路杆塔台账信息，自动定位故障发生位置。
若配网无人机系统有故障信息所需对应的线路杆塔台账信息，则线路杆塔台账信息直接与故障信息匹配，获取故障信息位置的定位。
若配网无人机系统无故障信息所对应的线路杆塔台账信息，则根据电力公司存量的线路巡检照片，自动构建线路杆塔台账信息。构建线路杆塔台账信息时，计算杆塔坐标的方法如下：
（1）提取线路巡检照片中的经纬度信息，并根据通用墨卡托投影算法转换为UTM坐标作为多边形顶点，以多边形的一个顶点O为原点（可以选输入的第一个点作为原点），作连接O与其他所有非相邻顶点的线段，将多边形（n条边）分为n-2个三角形。
（2）求每个三角形的面积和重心：
设第i个三角形的重心坐标为G（c xi ，c yi ）,顶点坐标按逆时针排序分别为A1（x 1，y 1），A2（x 2，y 2），A3（x 3，y 3），则有
c xi = (x 1+ x 2+ x 3) / 3 ; c yi = (y 1+ y 2+ y 3) / 3 ;
第i个三角形的面积为S i = ( (x 2–x 1) * (y 3–y 1) - (x 3–x 1) * (y 2–y 1) ) / 2 ;
（3）求多边形的重心
公式：c x = (∑c xi * S i ) / ∑S i ; c y = (∑c yi *S i ) / ∑S i ; c xi 是第i个三角形的横坐标，c yi 是第i个三角形的纵坐标。将c x ，c y 根据通用墨卡托投影算法转换为经纬度，此值即为拍摄中心，即为杆塔坐标。
S3.前端故障识别：精确校验故障信息位置后，配网无人机系统实时获取故障任务信息，巡检人员根据定位的故障信息位置，到故障点附近进行现场故障排查，通过无人机作业端搭载前端智能识别装置，前端智能识别装置实时视频自动识别故障信息，如发现刀闸破损、断开，跌落式保险破损、断开等故障时，可实时识别故障信息，并将故障信息回传至配网无人机系统。
S4.故障修复及故障信息变更：配网无人机系统接收故障信息及实时视频，根据发现的故障信息，巡检人员进行故障修复，修复完成后，配网无人机系统进行故障信息的变更，将故障信息变更为已修复状态。配网无人机系统与无人机作业端的结合，实现对电网线路故障信息的闭环检测与修复，快速发现故障并进行故障研判，保障线路的安全稳定运行。
本实施例中，线路杆塔台账信息是故障智能研判的基础，基于无人机以及挂载RFID标签与边缘计算模块进行快速台账构建，一次飞行采集完成线路杆塔坐标采集、实物ID标签扫描以及前端柱上关键设备采集，并将线路杆塔与实物ID编号和柱上设备信息进行关联绑定，形成杆塔属性信息。
采集线路杆塔台账信息中的线路杆塔坐标数据，作业人员根据指定线路任务，按航线飞行进行数据采集，沿着线路，在每基杆塔正上方，定点记录杆塔坐标位置，并在杆塔周围一定距离范围内，同时执行RFID标签扫描任务，识别实物ID标签，通过边缘计算模块提供的接口将RFID识别指令发送至前端智能识别装置进行工作，获取设备实物ID编号。同时，还需要对杆塔进行精细化拍照，得到精细化照片成果数据，利用边缘计算模块中的柱上设备识别模型完成柱上设备的自动识别工作。根据采集的杆塔信息，将杆塔空间坐标数据与图像识别出的柱上设备信息、实物ID编号建立唯一的关联关系，形成满足线路杆塔台账的标准数据，记录线路杆塔设备相关的数据信息，完成线路杆塔台账信息的构建。
在进行视频检测时，由于目标检测结果的不稳定性，由于角度、距离、光照等的影响，造成帧与帧之间检测结果不连续，目标检测算法的检测结果会存在个别漏检现象。这种情况在视频检测时，经前后两帧的对比后，更为明显。本发明提出通过卡尔曼滤波，预测前一帧中的目标位置在当前帧中的位置，将前一帧的结果引入到当前帧中，然后与当前帧的目标检测结果结合，有效降低这种前一帧中目标在当前帧中漏检的现象。通过对各相连帧的检测结果进行融合，可以提高检测结果的稳定性。本实施例中，参照图2，前端智能识别装置实时视频自动识别故障信息的方法如下：
S31、使用NanodetNet作为目标检测算法，对视频中每帧图像进行目标检测，得到待识别物体的预测框及其对应类别，第一帧图像只有检测框，没有建议框，第一帧图像中目标检测结果即为第一帧图像的最终目标框；
S32、使用卡尔曼滤波，预测上一帧图像中每个目标在当前帧图像中的位置，作为上一帧图像对当前帧图像的建议框。
使用八个参数对目标框状态进行描述，目标框中心横坐标x、目标框中心纵坐标y、目标框宽w、目标框高h、目标框中心横坐标变化速度vx、目标框中心纵坐标变化速度vy、目标框宽变化速度vw、目标框高变化速度vh。
k时刻目标框状态表示为Tk，k时刻状态协方差表示为Pk：
Figure 834467DEST_PATH_IMAGE005
变换矩阵表示为Fk，初始为下式的值：
Figure 592207DEST_PATH_IMAGE006
则对k时刻目标框状态，可由k-1时刻目标框状态变换而来：
Figure 161729DEST_PATH_IMAGE003
Figure 640115DEST_PATH_IMAGE004
Tk-1表示k-1时刻目标框状态，Pk-1表示k-1时刻状态协方差；
通过卡尔曼滤波预测上一帧图像中的目标框在当前帧图像中的位置，作为当前帧图像中目标的建议框。
S33、通过目标检测算法对当前帧图像中的物体进行目标检测，作为当前帧的检测框，与第一帧图像目标检测不同的是，设置检测框的分数>0.2，以保留最多的检测结果。
S34、结合当前帧图像的建议框与检测框，确定当前帧图像最终目标框。
S341.建议框与检测框匹配：计算同类别的建议框与检测框重叠度，重叠度使用交并比IOU作为衡量标准，当IOU>0.5，则认为建议框与检测框匹配，视为同一目标，对于未匹配成功的检测框，视为当前帧图像新出现的目标，对于未匹配成功的建议框，视为当前帧图像已经不存在该目标，直接删除。
S342.更新检测框的分数：重新计算匹配成功的检测框的分数，新的检测框的分数（score）为建议框与检测框的平均值。未匹配成功的检测框的分数不变。
S343.检测框去重:对更新分数后的检测框，使用分数>0.6进行筛选，去除分数较低的检测框，最后进行非最大值抑制，去除重合度较高的检测框。
S344.卡尔曼滤波更新:对于匹配成功的检测框，将检测框作为目标在当前帧图像的位置，更新匹配建议框对应的卡尔曼滤波矩阵，用更新后的卡尔曼滤波矩阵预测检测框对应的目标在下一帧图像中的位置；对于未匹配成功的检测框，新建一个卡尔曼滤波矩阵，用于预测未匹配成功的检测框对应的目标在下一帧图像中的位置。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种无人机配电线路的故障智能研判方法，其特征是，步骤如下：
S1.故障信息获取：配网无人机系统与配电自动化系统进行接口对接，通过接口实时获取配电线路的故障信息；
S2.故障定位：配网无人机系统获取故障信息后，依据故障信息自动匹配配网无人机系统中的线路杆塔台账信息，自动定位故障发生位置；
若配网无人机系统有故障信息所需对应的线路杆塔台账信息，则线路杆塔台账信息直接与故障信息匹配，获取故障信息位置的定位；
若配网无人机系统无故障信息所对应的线路杆塔台账信息，则根据电力公司存量的线路巡检照片，自动构建线路杆塔台账信息；
S3.前端故障识别：精确校验故障信息位置后，配网无人机系统实时获取故障任务信息，巡检人员根据定位的故障信息位置，到故障点附近进行现场故障排查，通过无人机作业端搭载前端智能识别装置，前端智能识别装置实时视频自动识别故障信息，并将故障信息回传至配网无人机系统；
S4.故障修复及故障信息变更：配网无人机系统接收故障信息及实时视频，根据发现的故障信息，巡检人员进行故障修复，修复完成后，配网无人机系统进行故障信息的变更，将故障信息变更为已修复状态；
前端智能识别装置实时视频自动识别故障信息的方法如下：
S31、使用NanodetNet作为目标检测算法，对视频中每帧图像进行目标检测，得到待识别物体的预测框及其对应类别，第一帧图像只有检测框，没有建议框，第一帧图像中目标检测结果即为第一帧图像的最终目标框；
S32、使用卡尔曼滤波，预测上一帧图像中每个目标在当前帧图像中的位置，作为上一帧图像对当前帧图像的建议框；
使用八个参数对目标框状态进行描述，目标框中心横坐标x、目标框中心纵坐标y、目标框宽w、目标框高h、目标框中心横坐标变化速度vx、目标框中心纵坐标变化速度vy、目标框宽变化速度vw、目标框高变化速度vh；
k时刻目标框状态表示为Tk，k时刻状态协方差表示为Pk：
Figure 32370DEST_PATH_IMAGE001
变换矩阵表示为Fk，初始为下式的值：
Figure 556893DEST_PATH_IMAGE002
则对k时刻目标框状态，可由k-1时刻目标框状态变换而来：
Figure 701435DEST_PATH_IMAGE003
Figure 969605DEST_PATH_IMAGE004
Tk-1表示k-1时刻目标框状态，Pk-1表示k-1时刻状态协方差；
通过卡尔曼滤波预测上一帧图像中的目标框在当前帧图像中的位置，作为当前帧图像中目标的建议框；
S33、通过目标检测算法对当前帧图像中的物体进行目标检测，作为当前帧的检测框，与第一帧图像目标检测不同的是，设置检测框的分数，以保留最多的检测结果；
S34、结合当前帧图像的建议框与检测框，确定当前帧图像最终目标框；
S341.建议框与检测框匹配：计算同类别的建议框与检测框重叠度，重叠度使用交并比IOU作为衡量标准，当IOU>0.5，则认为建议框与检测框匹配，视为同一目标，对于未匹配成功的检测框，视为当前帧图像新出现的目标，对于未匹配成功的建议框，视为当前帧图像已经不存在该目标，直接删除；
S342.更新检测框的分数：重新计算匹配成功的检测框的分数，新的检测框的分数为建议框与检测框的平均值；未匹配成功的检测框的分数不变；
S343.检测框去重:对更新分数后的检测框，使用分数阈值进行筛选；最后进行非最大值抑制；
S344.卡尔曼滤波更新:对于匹配成功的检测框，将检测框作为目标在当前帧图像的位置，更新匹配建议框对应的卡尔曼滤波矩阵，用更新后的卡尔曼滤波矩阵预测检测框对应的目标在下一帧图像中的位置；对于未匹配成功的检测框，新建一个卡尔曼滤波矩阵，用于预测未匹配成功的检测框对应的目标在下一帧图像中的位置。
2.根据权利要求1所述的无人机配电线路的故障智能研判方法，其特征是，采集线路杆塔台账信息中的线路杆塔坐标数据，作业人员根据指定线路任务，无人机按航线飞行进行数据采集，沿着线路，在每基杆塔正上方，定点记录杆塔坐标位置，并在杆塔周围一定距离范围内，同时执行RFID标签扫描任务，识别实物ID标签，通过边缘计算模块提供的接口将RFID识别指令发送至前端智能识别装置进行工作，获取设备实物ID编号；同时，对杆塔进行精细化拍照，得到精细化照片成果数据，利用边缘计算模块中的柱上设备识别模型完成柱上设备的自动识别工作；根据采集的杆塔信息，将杆塔空间坐标数据与图像识别出的柱上设备信息、实物ID编号建立唯一的关联关系，形成满足线路杆塔台账的标准数据，记录线路杆塔设备相关的数据信息，完成线路杆塔台账信息的构建。
3.根据权利要求1所述的无人机配电线路的故障智能研判方法，其特征是，构建线路杆塔台账信息时，计算杆塔坐标的方法如下：
提取线路巡检照片中的经纬度信息，并根据通用墨卡托投影算法转换为UTM坐标作为多边形顶点，以多边形的一个顶点O为原点，作连接顶点O与其他所有非相邻顶点的线段，将n条边的多边形分为n-2个三角形；
求每个三角形的面积和重心：
设第i个三角形的重心坐标为G（c xi ，c yi ）,顶点坐标按逆时针排序分别为A1（x 1，y 1），A2（x 2，y 2），A3（x 3，y 3），则有
c xi = (x 1+ x 2+ x 3) / 3 ; c yi = (y 1+ y 2+ y 3) / 3 ;
第i个三角形的面积为S i = ( (x 2–x 1) * (y 3–y 1) - (x 3–x 1) * (y 2–y 1) ) / 2 ;
求多边形的重心c x
c x = (∑c xi * S i ) / ∑S i ; c y = (∑c yi *S i ) / ∑S i ; c xi 是第i个三角形的横坐标，c yi 是第i个三角形的纵坐标；将c x ，c y 根据通用墨卡托投影算法转换为经纬度，这个经纬度即为拍摄中心，也是杆塔坐标。
CN202211133971.4A 2022-09-19 2022-09-19 一种无人机配电线路的故障智能研判方法 Active CN115219852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211133971.4A CN115219852B (zh) 2022-09-19 2022-09-19 一种无人机配电线路的故障智能研判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211133971.4A CN115219852B (zh) 2022-09-19 2022-09-19 一种无人机配电线路的故障智能研判方法

Publications (2)

Publication Number Publication Date
CN115219852A CN115219852A (zh) 2022-10-21
CN115219852B true CN115219852B (zh) 2023-03-24

Family

ID=83617387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211133971.4A Active CN115219852B (zh) 2022-09-19 2022-09-19 一种无人机配电线路的故障智能研判方法

Country Status (1)

Country Link
CN (1) CN115219852B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2930041A1 (fr) * 2008-04-11 2009-10-16 Ece Soc Par Actions Simplifiee Dispositif de detection d'un defaut electrique dans un reseau alternatif.
FR2947900A1 (fr) * 2009-07-10 2011-01-14 Sagem Defense Securite Procede de determination de parametres de navigation d'un porteur et dispositif d'hybridation a banc de filtres de kalman
WO2015131462A1 (zh) * 2014-03-07 2015-09-11 国家电网公司 一种用于无人机输电线路巡检的集中监控系统及监控方法
US9439092B1 (en) * 2015-07-27 2016-09-06 Sprint Communications Company L.P. Detection of component fault at cell towers
CN107884677A (zh) * 2017-09-20 2018-04-06 中国计量大学 一种架空线路故障报警系统
WO2018211396A1 (en) * 2017-05-13 2018-11-22 Indian Institute Of Science Detection of powerlines in aerial images
CN111123962A (zh) * 2019-12-16 2020-05-08 中国计量大学 一种用于电力杆塔巡检的旋翼无人机重定位拍照方法
CN111724130A (zh) * 2020-06-17 2020-09-29 广东电网有限责任公司 一种配网机巡作业管理系统及管理方法
CN112557815A (zh) * 2020-11-27 2021-03-26 广东电网有限责任公司肇庆供电局 一种基于固定式和移动式巡视图像的配网线路树障识别与故障定位方法
CN112801230A (zh) * 2021-04-07 2021-05-14 国网江西省电力有限公司电力科学研究院 一种配电线路无人机智能验收方法
CN213305580U (zh) * 2020-11-05 2021-05-28 国网山东省电力公司郯城县供电公司 一种基于人工智能的配电巡检及缺陷处理系统
CN112977810A (zh) * 2021-04-26 2021-06-18 国网天津市电力公司 一种全天候巡检无人机及作业方法
CN114035614A (zh) * 2022-01-10 2022-02-11 成都奥伦达科技有限公司 基于先验信息的无人机自主巡检方法、系统及存储介质
CN114495109A (zh) * 2022-01-24 2022-05-13 山东大学 基于目标与场景文字匹配的抓取机器人及抓取方法和系统
CN114549692A (zh) * 2022-02-28 2022-05-27 国网山东省电力公司临沂供电公司 一种输电线路通道超高清地图构建方法、系统
CN114821364A (zh) * 2022-03-29 2022-07-29 南京邮电大学 一种基于无人机运动状态的DeepSort园林垃圾统计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11300600B2 (en) * 2020-03-18 2022-04-12 Hamilton Sundstrand Corporation Arc zone fault detection

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2930041A1 (fr) * 2008-04-11 2009-10-16 Ece Soc Par Actions Simplifiee Dispositif de detection d'un defaut electrique dans un reseau alternatif.
FR2947900A1 (fr) * 2009-07-10 2011-01-14 Sagem Defense Securite Procede de determination de parametres de navigation d'un porteur et dispositif d'hybridation a banc de filtres de kalman
WO2015131462A1 (zh) * 2014-03-07 2015-09-11 国家电网公司 一种用于无人机输电线路巡检的集中监控系统及监控方法
US9439092B1 (en) * 2015-07-27 2016-09-06 Sprint Communications Company L.P. Detection of component fault at cell towers
WO2018211396A1 (en) * 2017-05-13 2018-11-22 Indian Institute Of Science Detection of powerlines in aerial images
CN107884677A (zh) * 2017-09-20 2018-04-06 中国计量大学 一种架空线路故障报警系统
CN111123962A (zh) * 2019-12-16 2020-05-08 中国计量大学 一种用于电力杆塔巡检的旋翼无人机重定位拍照方法
CN111724130A (zh) * 2020-06-17 2020-09-29 广东电网有限责任公司 一种配网机巡作业管理系统及管理方法
CN213305580U (zh) * 2020-11-05 2021-05-28 国网山东省电力公司郯城县供电公司 一种基于人工智能的配电巡检及缺陷处理系统
CN112557815A (zh) * 2020-11-27 2021-03-26 广东电网有限责任公司肇庆供电局 一种基于固定式和移动式巡视图像的配网线路树障识别与故障定位方法
CN112801230A (zh) * 2021-04-07 2021-05-14 国网江西省电力有限公司电力科学研究院 一种配电线路无人机智能验收方法
CN112977810A (zh) * 2021-04-26 2021-06-18 国网天津市电力公司 一种全天候巡检无人机及作业方法
CN114035614A (zh) * 2022-01-10 2022-02-11 成都奥伦达科技有限公司 基于先验信息的无人机自主巡检方法、系统及存储介质
CN114495109A (zh) * 2022-01-24 2022-05-13 山东大学 基于目标与场景文字匹配的抓取机器人及抓取方法和系统
CN114549692A (zh) * 2022-02-28 2022-05-27 国网山东省电力公司临沂供电公司 一种输电线路通道超高清地图构建方法、系统
CN114821364A (zh) * 2022-03-29 2022-07-29 南京邮电大学 一种基于无人机运动状态的DeepSort园林垃圾统计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fault Diagnosis of Brake Train based on Multi-Source Information Fusion;Yongze Jin 等;《2021 33rd Chinese Control and Decision Conference (CCDC)》;20211130;全文 *
基于边缘智能的输电线路异常目标高效检测方法研究;张鋆 等;《电网技术》;20220419;第46卷(第5期);全文 *

Also Published As

Publication number Publication date
CN115219852A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN112884931B (zh) 一种用于变电站的无人机巡检方法及系统
CN112633535B (zh) 一种基于无人机图像的光伏电站智能巡检方法及系统
CN107808133B (zh) 基于无人机巡线的油气管道安全监测方法、系统及软件存储器
CN114898232B (zh) 基于光伏组串数据分析的光伏电站无人机巡检方法及系统
CN111914813A (zh) 基于图像分类的输电线路巡检图像命名方法及系统
CN109887343B (zh) 一种航班地服保障节点自动采集监测系统及方法
CN111458721B (zh) 一种暴露垃圾的识别定位方法、装置及系统
CN109060826B (zh) 一种不停机的风电叶片检测装置
CN113972586B (zh) 一种高压输电线路无人机搭载激光异物清除系统及方法
CN112327906A (zh) 一种基于无人机的智能自动巡检系统
CN113759960A (zh) 基于无人机的风机叶片及塔筒巡检识别系统及方法
CN108961276B (zh) 基于视觉伺服的配电线路巡检数据自动采集方法及系统
CN112270267A (zh) 可自动抓拍线路故障的摄像识别系统
CN108960134A (zh) 一种巡线无人机影像标注及智能识别方法
CN112923928B (zh) 一种基于图像识别的光伏板导航方法、装置、电子设备及存储介质
CN111651036A (zh) 用于电力巡检的无人机模拟训练系统及方法
CN111027422A (zh) 一种应用于输电线路走廊的应急无人机巡检方法及系统
CN107092204A (zh) 一种根据车辆活动规律自动采集二押点的方法及系统
CN114812403A (zh) 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN112329584A (zh) 基于机器视觉自动识别电网异物的方法及系统、设备
CN115219852B (zh) 一种无人机配电线路的故障智能研判方法
CN114415708A (zh) 一种道路自巡检方法、装置、无人机及存储介质
CN114037895A (zh) 一种无人机杆塔巡检图像识别方法
CN111563689A (zh) 一种飞行器操作评分方法及系统

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