CN115239682A - 一种电缆线路防外破监测告警方法与系统 - Google Patents

一种电缆线路防外破监测告警方法与系统 Download PDF

Info

Publication number
CN115239682A
CN115239682A CN202210927433.6A CN202210927433A CN115239682A CN 115239682 A CN115239682 A CN 115239682A CN 202210927433 A CN202210927433 A CN 202210927433A CN 115239682 A CN115239682 A CN 115239682A
Authority
CN
China
Prior art keywords
pixel
monitoring
type
time phase
patch
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
CN202210927433.6A
Other languages
English (en)
Other versions
CN115239682B (zh
Inventor
何光华
徐骏
张伟
杨东兴
张志坚
刘铭扬
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.)
Wuxi Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Wuxi Power Supply Co of State Grid Jiangsu 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 Wuxi Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Wuxi Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202210927433.6A priority Critical patent/CN115239682B/zh
Publication of CN115239682A publication Critical patent/CN115239682A/zh
Application granted granted Critical
Publication of CN115239682B publication Critical patent/CN115239682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

一种电缆线路防外破监测告警方法与系统，包括：获取待监测区域的前后两个时相的影像数据，并生成相应的灰度共生矩阵；根据灰度共生矩阵，计算纹理特征统计量；其中，纹理特征统计量包括：均值、方差、同质性、差异性；根据灰度共生矩阵，计算特征因子；根据纹理特征统计量和特征因子，对待监测区域的影像数据进行分割，并分别计算前后时相的影像数据的区域相邻图变化函数；训练影像分类模型，并根据影像分类模型对分割后的影像数据中的斑块进行归类以确定每一个斑块所对应的地物类型；计算出每一类斑块的监测结果，每一类斑块的监测结果为变化类别或非变化类别；根据每一类斑块的监测结果，进行监测预警。

Description

一种电缆线路防外破监测告警方法与系统
技术领域
本发明属于电缆线路监测告警领域，更具体的，涉及一种电缆线路防外破监测告警方法与系统。
背景技术
随着城市建设的快速发展，对电缆线路进行电力供应的安全性提出了更高的要求，需要实现便利化、智能化、精准化的电网监督预防和处置电网突发事件的能力和手段。基于以上问题，设计出一套防外力和软硬结合的智能监测告警系统，可以更好地利用智能化和科技化的手段，实现对电网区域内更加方便和科学的进行管理和预防突发情况，提升管理水平。监测预警系统设备相比人力巡视具有一定便捷性，但随着电网系统中影像监控设备的增加，监控中心要同时进行数百个监控点进行人工监测，该方法不仅效率低下，且有一定漏报性、滞后性。如何结合最新的学习技术来研究、开发具有自动识别和报警功能的电缆线路智能监测及告警系统，是智能电网建设计划中亟待解决的问题与任务。
发明内容
为解决现有技术中存在的不足，本发明采用一种内置融合像元与对象的遥感影像变化检测算法，自动识别出不同时相影像中变化目标的方法来分析系统内容，对电缆线路外力破坏行为提前监测预警，进而提供一种电缆线路防外破监测告警方法与系统。
本发明采用如下的技术方案。
一种电缆线路防外破监测告警方法，包括以下步骤：
步骤1，获取待监测区域的前后两个时相的影像数据，并生成相应的灰度共生矩阵；
步骤2，根据灰度共生矩阵，计算纹理特征统计量；其中，纹理特征统计量包括：均值(Mean)、方差(Var)、同质性(Hom)、差异性(Dis)；
步骤3，根据灰度共生矩阵，计算特征因子；特征因子包括：像元形状指数(LSI)、归一化水体差异指数(NDWI)和归一化植被指数(NDVI)；
步骤4，根据纹理特征统计量和特征因子，对待监测区域的影像数据进行分割，并分别计算前后时相的影像数据的区域相邻图变化函数O(m，n)；
步骤5，训练影像分类模型，并根据影像分类模型对分割后的影像数据中的斑块进行归类以确定每一个斑块所对应的地物类型；
步骤6，根据前后两个时相的影像数据，计算出每一类斑块的监测结果，每一类斑块的监测结果为变化类别或非变化类别，其中，每一类斑块为影像数据中相同地物类型的斑块的集合；
步骤7，根据每一类斑块的监测结果，进行监测预警。
进一步的，步骤2具体包括：均值(Mean)、方差(Var)、同质性(Hom)、差异性(Dis)如下式所示：
Figure BDA0003780254770000021
Figure BDA0003780254770000022
Figure BDA0003780254770000023
Figure BDA0003780254770000024
Figure BDA0003780254770000025
式中，g(i，j)是对灰度共生矩阵进行归一化处理，其中，i，j＝0，1，…，Ng，Ng为灰度等级，pi，j＝[p(i，j，d，θ)]表示灰度共生矩阵中像素对出现的次数，d为条件步长，θ为两像素连线向量的角度。
进一步的，像元形状指数(LSI)、归一化水体差异指数(NDWI)和归一化植被指数(NDVI)如下式所示：
Figure BDA0003780254770000026
NDWI＝(Green-Nir)/(Green+Nir)
NDVI＝(Nir-Red)/(Nir+Red)
式中，E为各超像素斑块的边界长度，S为斑块的总面积，Red，Green和Nir分别代表红、绿和近红外波段的光谱值
进一步的，区域相邻图变化函数O(m，n)为：
Figure BDA0003780254770000031
式中，Rm和Rn分别表示相邻影像中超像素分割后斑块m和n的面积；L表示相邻超像素斑块公共边长的长度；N(m，n)表示相邻超像素斑块之间的异质性，如下式所示：
N(m，n)＝ω1NS(m，n)+ω2NT(m，n)+ω3NF(m，n)
ω1、ω2和ω3表示权重系数，一般取值分别为0.4、0.4和0.2；NS(m，n)、NT(m，n)和NF(m，n)分别表示各超像素斑块光谱异质性、纹理异质性和特征因子异质性。
进一步的，各超像素斑块光谱异质性NS(m，n)如下式所示：
Figure BDA0003780254770000032
式中，RedT2、BlueT2、GreenT2和NirT2分别表示后一时相各超像素斑块中每一个像元红、绿、蓝和近红外波段的光谱值，RedT1、BlueT1、GreenT1和NirT1分别表示前一时相各超像素斑块中每一个像元红、绿、蓝和近红外波段的光谱值。
进一步的，各超像素斑块光谱异质性NT(m，n)如下式所示：
Figure BDA0003780254770000033
式中，MeanT2、VarT2、HomT2和DisT2分别表示后一时相各超像素斑块的均值、方差、同质性和差异性，MeanT1、VarT1、HomT1和DisT1分别表示前一时相各超像素斑块的均值、方差、同质性和差异性。
进一步的，各超像素斑块光谱异质性NF(m，n)如下式所示：
Figure BDA0003780254770000034
式中，LSIT2、NDWIT2和NDVIT2分别表示后一时相各超像素斑块的像元形状指数、归一化水体差异指数和归一化植被指数，LSIT1、NDWIT1和NDVIT1分别表示前一时相各超像素斑块的像元形状指数、归一化水体差异指数和归一化植被指数。
进一步的，步骤5具体包括：
步骤5.1，获取多个不同地物类型的样本，对每一个样本执行上述步骤2～步骤4的操作以获得每一个样本对应的区域相邻图变化函数；
步骤5.2，将每一个样本对应的区域相邻图变化函数输入至影像分类模型进行训练，得到训练好的影像分类模型。
进一步的，步骤6具体包括：
步骤6.1，利用图像差值法，根据前后两个时相的影像数据，确定每一个像元的属性，像元的属性为变化像元或未变化像元；
步骤6.2，根据每一个像元的属性，计算出每一类斑块的监测结果。
进一步的，步骤6.1具体包括：
图像差值法的计算公式为：
ΔBandi＝BandT2i-BandT1i
其中，ΔBandi为每一个像元对应波段光谱值相减的差值，BandT2i为后一时相对应像元第i波段的光谱值，BandT1i为前一时相对应像元第i波段的光谱值；
将ΔBandi与预设的光谱阈值进行比较，若ΔBandi值大于预设的光谱阈值，判定为变化像元，否则判定为未变化像元。
进一步的，步骤6.2具体包括：
计算每一类斑块内变化像元个数占总像元总个数比例P1：
Figure BDA0003780254770000041
其中，Num1为每一类斑块内变化像元的个数，Num2为每一类斑块内非变化像元的个数；
若P1大于预设的变化阈值，则判定该类斑块为变化类别，否则，判定该类斑块为非变化类别。
一种电缆线路防外破监测告警方法与系统，包括：数据采集模块、数据处理模块、逻辑计算模块、算法模块与预警处理模块；
数据采集模块用于获取待监测区域的前后两个时相的影像数据；
数据处理模块用于生成灰度共生矩阵；
逻辑计算模块用于计算特征因子、计算前后时相的影像数据的区域相邻图变化函数、以及计算出每一类斑块的监测结果；
算法模块用于训练影像分类模型，从而以确定每一个斑块所对应的地物类型；
预警处理模块用于根据每一类斑块的监测结果，进行监测预警。
一种终端，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行一种电缆线路防外破监测告警方法的步骤。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现电缆线路防外破监测告警方法的步骤。
本发明的有益效果在于，与现有技术相比，本发明具有如下优点：
本发明提出一种电缆线路防外破监测告警方法与系统，针对像元级和对象级变化检测方法各有其内在的弊端，采用一种内置融合像元和对象的变化检测方法，该方法既利用了像元级变化检测方法简单易行的优势，又避免了双时相影像分割导致的边界特征不一致等问题，同时兼顾了光谱特征、纹理特征和特征因子等因素对变化检测的影响，可以自动识别出不同时相影像中变化目标。将变化监测结果通过相应的智能模块进行传输、告警处理和显示等，形成了监测—预警—处理的完整闭环，实现在无人监督条件下高效率、准确的辨识出电缆线路中外力破坏告警等信息，以便及时准确的对输电线路外力破坏行为提前监测预警。
附图说明
图1是一种电缆线路防外破监测告警方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
如图1所示，一种电缆线路防外破监测告警方法，包括以下步骤：
步骤1，获取待监测区域的前后两个时相的影像数据，并生成相应的灰度共生矩阵；
需要说明的是，灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。
步骤2，根据灰度共生矩阵，计算纹理特征统计量；其中，纹理特征统计量包括：均值(Mean)、方差(Var)、同质性(Hom)、差异性(Dis)；
Figure BDA0003780254770000061
Figure BDA0003780254770000062
Figure BDA0003780254770000063
Figure BDA0003780254770000064
Figure BDA0003780254770000065
式中，g(i，j)是对灰度共生矩阵进行归一化处理，其中，i，j＝0，1，…，Ng，Ng为灰度等级，pi，j＝[p(i，j，d，θ)]表示灰度共生矩阵中像素对出现的次数，d为条件步长，θ为两像素连线向量的角度。
引入纹理特征统计量可提高影像变化检测的精度。
步骤3，根据灰度共生矩阵，计算特征因子；特征因子包括：像元形状指数(LSI)、归一化水体差异指数(NDWI)和归一化植被指数(NDVI)；
具体的，
Figure BDA0003780254770000066
NDWI＝(Green-Nir)/(Green+Nir) (12)
NDVI＝(Nir-Red)/(Nir+Red) (13)
式中，E为各超像素斑块的边界长度，S为斑块的总面积，Red，Green和Nir分别代表红、绿和近红外波段的光谱值；
步骤4，根据纹理特征统计量和特征因子，对待监测区域的影像数据进行分割，并分别计算前后时相的影像数据的区域相邻图变化函数O(m，n)；
需要说明的是，步骤4采用多个特征(即：纹理特征统计量和特征因子)融合的超像素分割方法，即将一些具有相似特性的像素聚合到一起，形成一个更具有代表性的大像素，可以大大降低维度同时可以剔除一些异常像素点。
Figure BDA0003780254770000071
式中，Rm和Rn分别表示相邻影像中超像素分割后斑块m和n的面积；L表示相邻超像素斑块公共边长的长度；N(m，n)表示相邻超像素斑块之间的异质性。
N(m，n)＝ω1NS(m，n)+ω2NT(m，n)+ω3NF(m，n) (7)
ω1、ω2和ω3表示权重系数，一般取值分别为0.4、0.4和0.2；NS(m，n)、NT(m，n)和NF(m，n)分别表示各超像素斑块光谱异质性、纹理异质性和特征因子异质性，NS(m，n)公式为：
Figure BDA0003780254770000072
式中，RedT2、BlueT2、GreenT2和NirT2分别表示后一时相各超像素斑块中每一个像元红、绿、蓝和近红外波段的光谱值，RedT1、BlueT1、GreenT1和NirT1分别表示前一时相各超像素斑块中每一个像元红、绿、蓝和近红外波段的光谱值，NT(m，n)公式为：
Figure BDA0003780254770000073
式中，MeanT2、VarT2、HomT2和DisT2分别表示后一时相各超像素斑块的均值、方差、同质性和差异性，MeanT1、VarT1、HomT1和DisT1分别表示前一时相各超像素斑块的均值、方差、同质性和差异性，NF(m，n)公式为：
Figure BDA0003780254770000074
式中，LSIT2、NDWIT2和NDVIT2分别表示后一时相各超像素斑块的像元形状指数、归一化水体差异指数和归一化植被指数，LSIT1、NDWIT1和NDVIT1分别表示前一时相各超像素斑块的像元形状指数、归一化水体差异指数和归一化植被指数。
步骤5，训练影像分类模型，并根据影像分类模型对分割后的影像数据中的斑块进行归类。即：确定每一个斑块所对应的地物类型。
具体的，步骤5包括：
步骤5.1，可以先获取多个不同地物类型的样本，对每一个样本执行上述步骤2～步骤4的操作以获得每一个样本对应的区域相邻图变化函数；
步骤5.2，将每一个样本对应的区域相邻图变化函数输入至影像分类模型进行训练，得到训练好的影像分类模型。
步骤5.2的方法可以采用支持向量机等手段，该方法是一种结构风险最小的分类器，依据以上步骤获得有限的训练样本来寻找训练样本的精度和识别能力。该方法将不同地物类型的样本输入至影像分类模型中进行训练。
在步骤5.1中，不同地物类型的样本可以包括：建筑物、道路、植被、施工用地、水体、裸地和其他这七种类型，可以通过谷歌高清图获取不同类型的样本。为了加强训练效果，在选取样本时尽量选择特征明显的区域作为样本，同时，每一个样本中尽可能包含上述七种类型的多个类型。可理解的，本发明的创新点在于：基于形状、纹理等特征，将相邻的斑块结合起来进行分析，而不是仅仅研究单个斑块的光谱信息。因此可有效地避免由于高分辨率影像中同类地物光谱变异较大而引起的“同物异谱”和“同谱异物”带来的读物类别错分现象。
需要说明的是，步骤4中分割后每一个斑块的地物类型唯一，斑块内每个像元各个波段的光谱值相差不大，但是不同地物的各波段的光谱值差异较大。可以将每一个斑块中的所有像元的光谱值取平均值作为该斑块的光谱值。
步骤6，根据前后两个时相的影像数据，计算出每一类斑块的监测结果，每一类斑块的监测结果为变化类别或非变化类别，其中，每一类斑块为影像数据中相同地物类型的斑块的集合。
步骤6具体为：
步骤6.1，利用图像差值法，根据前后两个时相的影像数据，确定每一个像元的属性，像元的属性为变化像元或未变化像元；
图像差值法的计算公式为：
ΔBandi＝BandT2i-BandT1i (14)
其中，ΔBandi为每一个像元对应波段光谱值相减的差值，BandT2i为后一时相对应像元第i波段的光谱值，BandT1i为前一时相对应像元第i波段的光谱值，因为同一地区不同时间影像的光谱值由于成像条件、天气条件和传感器等的影响会出现较小范围的差别，将ΔBandi与预设的光谱阈值进行比较，若ΔBandi值大于预设的光谱阈值，判定为变化像元，否则判定为未变化像元。其中，预设的光谱阈值可以取50。并将变化像元和未变化像元分别设为0和1。
步骤6.2，根据每一个像元的属性，计算出每一类斑块的监测结果；
通过以上影像分类步骤后得到七类地物类型的斑块，遍历计算每一类斑块内的0和1的个数，即变化像元和未变化像元的个数，计算每一类斑块内变化像元个数(0值的个数)占总像元总个数比例P1：
Figure BDA0003780254770000091
其中，Num1为每一类斑块内变化像元的个数，Num2为每一类斑块内非变化像元的个数；
若P1大于预设的变化阈值，则判定该类斑块为变化类别，否则，判定该类斑块为非变化类别。变化阈值可以取值P1＝0.25。其中变化像元个数和像元总个数以及两者之间的比值均可通过Python进行计算。
通过以上步骤获得建筑物、道路、植被、施工用地、水体、裸地和其他七种地物类型的变化类别和未变化类别，作为前一时相和后一时相影像中变化的信息，将识别后的变化检测结果信息发送至传输模块；
步骤7，可以通过传输模块，将每一类斑块的监测结果发送给分析模块，分析模块根据每一类斑块的监测结果，进行监测预警。
更具体的，分析模块用于接收并存储所述遥感影像处理结果，将监测结果进行警报信息的加工，具体包括计算监测总次数、统计变化类型中心经纬度、识别地物变化类型和总数量，其中变化类型主要为施工、建筑物新增(拆除)、构筑体新增(拆除)和道路新增、计算外破区域与电缆线的直线距离、统计各外破类型面积和占比情况、统计不同级别预警数据，将上述监测结果输入到传输模块；
相应的，本申请还公开了一种电缆线路防外破监测告警系统，包括：数据采集模块、数据处理模块、逻辑计算模块、算法模块与预警处理模块；
数据采集模块用于获取待监测区域的前后两个时相的影像数据；
数据处理模块用于生成灰度共生矩阵；
逻辑计算模块用于计算特征因子、计算前后时相的影像数据的区域相邻图变化函数、以及计算出每一类斑块的监测结果；
算法模块用于训练影像分类模型，从而以确定每一个斑块所对应的地物类型；
预警处理模块用于根据每一类斑块的监测结果，进行监测预警生成警报信息。
更具体的，可以利用传输模块用于将监测结果的警报信息传输至GIS地图模块；
GIS地图模块可进行变化检测目标点实时定位，在地图上查看监测区域和变化监测的分布，将所述的GIS地图模块输入到预警处理模块；
预警处理模块主要包括：
智能识别：可视化部分是通过AI系统分析处理的数据，对处理结果中是否存在安全隐患进行智能判别，判别规则为：
根据外破区域与电缆通道的直线距离分为4个等级，将外破区域与电缆通道有交叉即距离为0m设为一级，外破区域与通道距离为0-5m设为二级，距离为5-50m的设为三级，距离大于50m的设为四级，其中，二级、三级和四级可根据实际需要将距离阈值实时进行修改；
外破预警：结合所在位置，将该区域内的预警级别进行等级显示，对等级为1和2时进行预警或者重点关注提示，告警方式为自动显示放大的外破区域影像并截图，同时显示警报等级等；
告警处理：对每一个外破预警设置一个处理流程，由监控人员下达处理运维单，运维人员收到处理运维单后，需要填入相应处理信息，处理完毕后需要将处理过程及结果上传，监控人员收到处理完毕通知后，审核完毕，结束此处理运维单，形成了监测—预警—处理的完整闭环。
将预警模块输入到数据查询模块；
数据查询模块主要包括：
历史告警查询：对历史产生的告警影像单独进行管理，通过告警区域、线路和告警原因等进行检索查看；
识别结果查询：对历史所有的预警信息通过查询影像时间、对应的线路名称、变化类型和中心经纬度进行搜索查询查看。
主要通过数据库链接的形式，提供图片、变化检测结果表格和数据库地址，按要求推送图片及变化检测结果链接到数据库中，系统根据链接至平台采用FTP协议获取相应截图或检测结果。
将所述数据查询模块输入到接口模块；
接口模块用于实现与电脑PC端数据传输以及变化检测信息的查看，通过查看告警信息，对告警信息作智能判断与决策，等级为1时进行红色预警提示，等级为2时进行橙色预警提示，等级为3进行黄色预警提示，等级为4进行绿色预警提示。告警方式为自动显示放大的外破区域影像并截图，同时显示变化类型、变化面积和警报等级等，并将处理结果显示在监控中心，供后台值守人员了解现场情况或将动作指令下达给影像采集和变化检测结果前端处理装置，以针对外力破坏作及时应对措施。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (14)

1.一种电缆线路防外破监测告警方法，其特征在于，包括以下步骤：
步骤1，获取待监测区域的前后两个时相的影像数据，并生成相应的灰度共生矩阵；
步骤2，根据灰度共生矩阵，计算纹理特征统计量；其中，纹理特征统计量包括：均值、方差、同质性与差异性；
步骤3，根据灰度共生矩阵，计算特征因子；特征因子包括：像元形状指数、归一化水体差异指数和归一化植被指数；
步骤4，根据纹理特征统计量和特征因子，对待监测区域的影像数据进行分割，并分别计算前后时相的影像数据的区域相邻图变化函数；
步骤5，训练影像分类模型，并根据影像分类模型对分割后的影像数据中的斑块进行归类以确定每一个斑块所对应的地物类型；
步骤6，根据前后两个时相的影像数据，计算出每一类斑块的监测结果，每一类斑块的监测结果为变化类别或非变化类别，其中，每一类斑块为影像数据中相同地物类型的斑块的集合；
步骤7，根据每一类斑块的监测结果，进行监测预警。
2.根据权利要求1所述的一种电缆线路防外破监测告警方法，其特征在于：
均值Mean、方差Var、同质性Hom和差异性Dis如下式所示：
Figure FDA0003780254760000011
Figure FDA0003780254760000012
Figure FDA0003780254760000013
Figure FDA0003780254760000014
Figure FDA0003780254760000015
式中，g(i，j)是对灰度共生矩阵进行归一化处理，其中，i，j＝0，1，…，Ng，Ng 为灰度等级，pi，j＝[p(i，j，d，θ)]表示灰度共生矩阵中像素对出现的次数，d为条件步长，θ为两像素连线向量的角度。
3.根据权利要求1所述的一种电缆线路防外破监测告警方法，其特征在于：
像元形状指数LSI、归一化水体差异指数NDWI和归一化植被指数NDVI如下式所示：
Figure FDA0003780254760000021
NDWI＝(Green-Nir)/(Green+Nir)
NDVI＝(Nir-Red)/(Nir+Red)
式中，E为各超像素斑块的边界长度，S为斑块的总面积，Red，Green和Nir分别代表红、绿和近红外波段的光谱值。
4.根据权利要求1所述的一种电缆线路防外破监测告警方法，其特征在于：
区域相邻图变化函数O(m，n)为：
Figure FDA0003780254760000022
式中，Rm和Rn分别表示相邻影像中超像素分割后斑块m和n的面积；L表示相邻超像素斑块公共边长的长度；N(m，n)表示相邻超像素斑块之间的异质性，如下式所示：
N(m，n)＝ω1NS(m，n)+ω2NT(m，n)+ω3NF(m，n)
ω1、ω2和ω3表示权重系数，NS(m，n)、NT(m，n)和NF(m，n)分别表示各超像素斑块光谱异质性、纹理异质性和特征因子异质性。
5.根据权利要求4所述的一种电缆线路防外破监测告警方法，其特征在于：
各超像素斑块光谱异质性NS(m，n)如下式所示：
Figure FDA0003780254760000023
式中，RedT2、BlueT2、GreenT2和NirT2分别表示后一时相各超像素斑块中每一个像元红、绿、蓝和近红外波段的光谱值，RedT1、BlueT1、GreenT1和NirT1分别表示前一时相各超像素斑块中每一个像元红、绿、蓝和近红外波段的光谱值。
6.根据权利要求4所述的一种电缆线路防外破监测告警方法，其特征在于：
各超像素斑块光谱异质性NT(m，n)如下式所示：
Figure FDA0003780254760000031
式中，MeanT2、VarT2、HomT2和DisT2分别表示后一时相各超像素斑块的均值、方差、同质性和差异性，MeanT1、VarT1、HomT1和DisT1分别表示前一时相各超像素斑块的均值、方差、同质性和差异性。
7.根据权利要求4所述的一种电缆线路防外破监测告警方法，其特征在于：
各超像素斑块光谱异质性NF(m，n)如下式所示：
Figure FDA0003780254760000032
式中，LSIT2、NDWIT2和NDVIT2分别表示后一时相各超像素斑块的像元形状指数、归一化水体差异指数和归一化植被指数，LSIT1、NDWIT1和NDVIT1分别表示前一时相各超像素斑块的像元形状指数、归一化水体差异指数和归一化植被指数。
8.根据权利要求1所述的一种电缆线路防外破监测告警方法，其特征在于：
步骤5具体包括：
步骤5.1，获取多个不同地物类型的样本，对每一个样本执行上述步骤2～步骤4的操作以获得每一个样本对应的区域相邻图变化函数；
步骤5.2，将每一个样本对应的区域相邻图变化函数输入至影像分类模型进行训练，得到训练好的影像分类模型。
9.根据权利要求1所述的一种电缆线路防外破监测告警方法，其特征在于：
步骤6具体包括：
步骤6.1，利用图像差值法，根据前后两个时相的影像数据，确定每一个像元的属性，像元的属性为变化像元或未变化像元；
步骤6.2，根据每一个像元的属性，计算出每一类斑块的监测结果。
10.根据权利要求9所述的一种电缆线路防外破监测告警方法，其特征在于：
步骤6.1具体包括：
图像差值法的计算公式为:
ΔBandi＝BandT2i-BandT1i
其中，ΔBandi为每一个像元对应波段光谱值相减的差值，BandT2i为后一时相对应像元第i波段的光谱值，BandT1i为前一时相对应像元第i波段的光谱值；
将ΔBandi与预设的光谱阈值进行比较，若ΔBandi值大于预设的光谱阈值，判定为变化像元，否则判定为未变化像元。
11.根据权利要求9所述的一种电缆线路防外破监测告警方法，其特征在于：
步骤6.2具体包括：
计算每一类斑块内变化像元个数占总像元总个数比例P1：
Figure FDA0003780254760000041
其中，Num1为每一类斑块内变化像元的个数，Num2为每一类斑块内非变化像元的个数；
若P1大于预设的变化阈值，则判定该类斑块为变化类别，否则，判定该类斑块为非变化类别。
12.一种电缆线路防外破监测告警系统，用于执行权利要求1-11任一项所述的方法，系统包括：数据采集模块、数据处理模块、算法模块与预警处理模块；
数据采集模块用于获取待监测区域的前后两个时相的影像数据；
数据处理模块用于生成灰度共生矩阵，以及用于计算特征因子，以及计算前后时相的影像数据的区域相邻图变化函数，以及计算出每一类斑块的监测结果；
算法模块用于训练影像分类模型，从而以确定每一个斑块所对应的地物类型；
预警处理模块用于根据每一类斑块的监测结果，进行监测预警。
13.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-11任一项所述方法的步骤。
14.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-11任一项所述方法的步骤。
CN202210927433.6A 2022-08-03 2022-08-03 一种电缆线路防外破监测告警方法与系统 Active CN115239682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210927433.6A CN115239682B (zh) 2022-08-03 2022-08-03 一种电缆线路防外破监测告警方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210927433.6A CN115239682B (zh) 2022-08-03 2022-08-03 一种电缆线路防外破监测告警方法与系统

Publications (2)

Publication Number Publication Date
CN115239682A true CN115239682A (zh) 2022-10-25
CN115239682B CN115239682B (zh) 2024-01-30

Family

ID=83676463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210927433.6A Active CN115239682B (zh) 2022-08-03 2022-08-03 一种电缆线路防外破监测告警方法与系统

Country Status (1)

Country Link
CN (1) CN115239682B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200124827A (ko) * 2019-04-25 2020-11-04 인제대학교 산학협력단 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법
CN113989657A (zh) * 2021-10-11 2022-01-28 中国测绘科学研究院 基于不变信息样本筛选的耕地范围变化检测方法及装置
CN114022459A (zh) * 2021-11-09 2022-02-08 国网冀北电力有限公司 基于多时相卫星影像的超像素变化检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200124827A (ko) * 2019-04-25 2020-11-04 인제대학교 산학협력단 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법
CN113989657A (zh) * 2021-10-11 2022-01-28 中国测绘科学研究院 基于不变信息样本筛选的耕地范围变化检测方法及装置
CN114022459A (zh) * 2021-11-09 2022-02-08 国网冀北电力有限公司 基于多时相卫星影像的超像素变化检测方法及系统

Also Published As

Publication number Publication date
CN115239682B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
US10664702B2 (en) Method and system for crop recognition and boundary delineation
US11270111B2 (en) Automated management of potentially hazardous objects near power lines
CN103400151B (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
US9251420B2 (en) System for mapping and identification of plants using digital image processing and route generation
JP6646527B2 (ja) 物体検知評価システム及び物体検知評価方法
US11521324B2 (en) Terrain-based automated detection of well pads and their surroundings
CN114450715A (zh) 预测和修正植被状态
Li et al. A novel evaluation method for pavement distress based on impact of ride comfort
Ranjbar et al. An image-based system for asphalt pavement bleeding inspection
Bosurgi et al. An automatic pothole detection algorithm using pavement 3D data
Palacios et al. Early yield prediction in different grapevine varieties using computer vision and machine learning
CN114998251A (zh) 一种基于联邦学习的空中多视觉平台地面异常检测方法
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统
CN116091937A (zh) 基于深度学习的高分辨率遥感影像地物识别模型计算方法
Saeed et al. Gravel road classification based on loose gravel using transfer learning
CN114627073A (zh) 地形识别方法、装置、计算机设备和存储介质
Engstrom et al. Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka
CN115239682B (zh) 一种电缆线路防外破监测告警方法与系统
McKay et al. An automated approach to extracting river bank locations from aerial imagery using image texture
Cal High-resolution object-based building extraction using PCA of LiDAR nDSM and aerial photos
CN113473076B (zh) 社区报警方法及服务器
CN111507423B (zh) 输电线路通道清理的工程量测算方法
Li et al. [Retracted] PointLAE: A Point Cloud Semantic Segmentation Neural Network via Multifeature Aggregation for Large‐Scale Application
Zhao et al. Visibility video detection with dark channel prior on highway
EP4105892A1 (en) Turf health condition determination system at golf course, turf health condition determination method at golf course and program

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