CN115393247A - 一种图像处理方法、基站馈线检测方法及相关装置 - Google Patents
一种图像处理方法、基站馈线检测方法及相关装置 Download PDFInfo
- Publication number
- CN115393247A CN115393247A CN202110564422.1A CN202110564422A CN115393247A CN 115393247 A CN115393247 A CN 115393247A CN 202110564422 A CN202110564422 A CN 202110564422A CN 115393247 A CN115393247 A CN 115393247A
- Authority
- CN
- China
- Prior art keywords
- image
- feeder line
- target
- base station
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims description 51
- 238000003708 edge detection Methods 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 20
- 230000001629 suppression Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000009434 installation Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像处理方法、基站馈线检测方法及相关装置。通过图像采集终端将采集到的待检测基站的馈线图像与相应待检测基站的标识进行对应存储,这样,图像处理终端可以根据检测请求查找并获取目标馈线图像,并在对该目标馈线图像进行图像预处理操作后转换为特征灰度图像;最后,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。从而,通过上述方式几乎实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
Description
技术领域
本发明实施例涉及通信和图像处理技术领域,尤其涉及一种图像处理方法、基站馈线检测方法及相关装置。
背景技术
第五代移动通信技术(5th generation mobile networks,5G)基站是5G网络的核心设备,提供无线覆盖,实现有线通信网络与无线终端之间的无线信号传输。基站的架构、形态直接影响5G网络如何部署。在技术标准中,5G的频段远高于现有其它网络,5G网络现阶段主要工作在3000-5000MHz频段。由于频率越高,信号传播过程中的衰减也越大,所以5G网络的基站密度将更高,目前基站总数已超70万。
为了保证基站正常运行,需要时常对安装的馈线进行检测,一般通过馈线标记点的数量进行区分,馈线安装的要求如图1所示:馈线标记点的数量从左至右递增或者递减,当不满足顺序要求时则为安装错误。
目前高密度的基站布局,加大了基站馈线检测的工作量。而且,考虑到基站往往设置在建筑顶部,检测基站馈线安装是否准确的工作一般采用人工攀爬目视的方式确定,耗费人力和时间,且存在一定的人身安全隐患;同时,现有的检测方案完全依靠人工目视实现,过于主观,容易导致检测结果不准确以及检测效率低。
发明内容
本说明书一个或多个实施例的目的是提供一种图像处理方法、基站馈线检测方法及相关装置,可以通过安装时人工采集或无人机采集的基站馈线图像,使用本说明书基于图像处理设置的馈线检测算法对基站馈线的安装正确与否进行自动检测,以降低检测成本和安全隐患,提升检测准确性和效率。
为解决上述技术问题,本说明书一个或多个实施例是这样实现的:
第一方面,提供了一种图像处理方法,包括:基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,其中,所述目标馈线图像是由图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储得到;对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
第二方面,提出了一种图像处理装置,包括:获取模块,用于基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,其中,所述目标馈线图像是由图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储得到;转换模块,用于对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;比对模块,用于将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
第三方面,提出了一种基站馈线检测方法,包括:图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储;图像处理终端基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像;所述图像处理终端对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;所述图像处理终端将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
第四方面,提出了一种基站馈线检测系统,包括:图像采集终端和图像处理终端;其中,所述图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储;所述图像处理终端基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像;所述图像处理终端对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;所述图像处理终端将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
第五方面,提出了一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述的图像处理方法。
第六方面,提出了一种存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行时,实现所述的图像处理方法。
由以上本说明书一个或多个实施例提供的技术方案可见,通过图像采集终端将采集到的待检测基站的馈线图像及相应待检测基站的标识进行对应存储,这样,图像处理终端可以根据检测请求查找并获取目标馈线图像,并在对该目标馈线图像进行图像预处理操作后转换为特征灰度图像;最后,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。从而,通过上述方式几乎实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对一个或多个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本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书所涉及的基站的馈线正确安装结果的示意图。
图2是本发明实施例提供的基站馈线检测方案所适用的场景架构示意图。
图3a和图3b是本发明实施例提供的两种基站馈线检测方法的步骤示意图。
图4是本发明实施例提供的所述图像处理终端对所述目标馈线图像进行图像预处理操作的方法步骤示意图。
图5是本发明实施例提供的对所述目标馈线图像进行缩放处理的示意图。
图6是本发明实施例提供的选择馈线标记点以及相应HSV值的示意图。
图7是本发明实施例提供的HSV图像格式的目标馈线图像的示意图。
图8是本发明实施例提供的所述图像处理终端将经图像预处理操作后的目标馈线图像转换为特征灰度图像的步骤示意图。
图9a是本发明实施例提供的膨胀与腐蚀操作的示意图。
图9b是本发明实施例提供的经膨胀与腐蚀操作处理后的馈线图像示意图。
图10a是本发明实施例提供的步骤308的比对流程的步骤示意图。
图10b是本发明实施例提供的检测流程图。
图11a和图11b分别是本发明实施例提供的本发明实施例提供的基站馈线检测系统1100的结构示意图。
图12是本发明实施例提供的一种图像处理方法的步骤示意图。
图13是本发明实施例提供的一种图像处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的一个或多个实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的一个或多个实施例,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,都应当属于本文件的保护范围。
考虑到现有技术中基站的馈线检测存在的不可靠以及不安全问题,本说明书实施例提出了一种新的馈线检测方案,以通过图像采集终端将采集到的待检测基站的馈线图像发送至云端服务器,由云端服务器对馈线图像及相应待检测基站的标识进行对应存储,这样,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,并在对该目标馈线图像进行图像预处理操作后转换为特征灰度图像;最后,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。从而,通过上述方式几乎实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
在介绍本说明书实施例所涉基站馈线检测方案之前,首先简单介绍一下该基站馈线检测方案所适用的场景架构。参照图2所示,图像采集终端202是可移动的,并不是安装在待检测基站附近。一般情况下,图像采集终端202可以是手持摄像机,或具有图像采集功能的无人机。在有采集业务需求或是检测业务需求时,布局在待检测基站的馈线附近进行拍摄作业。同时,还可以包含云端服务器204,该云端服务器204主要实现对采集到的馈线图像的集中存储,安全、高效且可以实现大体量存储,便于检测方存取。另外,还布局有图像处理终端206,主要用于从云端服务器获取馈线图像并进行一系列图像处理操作,以实现对馈线安装正确与否的自动检测。应理解,该图像处理终端206与图像采集终端202、云端服务器204远程协作,尽可能减少人为参与,降低检测错误率以及检测安全隐患。其中,图2所示架构为优选系统架构,具体实现时系统架构中可以不包含云端服务器,这时云端服务器的存储功能可由图像处理终端实现。
下面通过具体的实例对本说明书所涉及的基站馈线检测方案进行详述。
实施例一
参照图3a所示,是本说明书实施例提供的一种基站馈线检测方法的步骤示意图,该基站馈线检测方法可以包括:
步骤302a:图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储。
应理解,此时图像采集终端将采集到的馈线图像以及当前待检测基站的标识,发送至图像处理终端或者云端服务器进行对应存储。
步骤304a:图像处理终端基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像。
之后,图像处理终端基于当前检测请求中目标检测基站的标识,从本地或者云端服务器中查找并获取相匹配的目标馈线图像。
步骤306a:所述图像处理终端对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像。
步骤308a:所述图像处理终端将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
进一步,参照图3b所示,是本说明书实施例提供的另一种基站馈线检测方法的步骤示意图,应用于图2所示的系统架构,该基站馈线检测方法可以包括以下步骤:
步骤302b:图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识发送至云端服务器,以便于云端服务器将所述馈线图像与所述当前待检测基站的标识对应存储。
所述馈线图像包括:馈线图片或馈线视频。其中,当前待检测基站的标识,可以由图像采集终端根据本地定位装置生成基站编码作为标识。也可以通过扫描馈线所在位置处的基站条码获取基站编码作为标识。
在本说明书实施例中,所述图像采集终端可以是接触式手持图像拍摄设备,例如,手持摄像机、手机或平板电脑等;也可以是非接触式图像拍摄设备,例如,拍摄式无人机等。相应地,基于图像采集终端的具体类型不同,采集馈线图像的具体实现也存在差别。具体地:
当所述图像采集终端为接触式手持图像拍摄设备时,图像采集终端采集待检测基站的馈线图像,具体可以实现为:所述接触式手持图像拍摄设备响应于用户的触控操作,从待检测基站拍摄馈线图像。
当所述图像采集终端为非接触式图像拍摄设备时,图像采集终端采集待检测基站的馈线图像,具体可以实现为:所述非接触式图像拍摄设备响应于用户的远程控制,从待检测基站拍摄馈线图像。
无论哪种方式,都可以实现对馈线图像的采集,便于后续实现馈线安装正确与否的自动检测。优选地,在条件允许的情况下,应当以非接触式图像拍摄设备采集馈线图像,这样可以完全规避人工采集数据所带来的主观问题,且避免安全隐患。可见,以非接触式方式采集检测馈线图像的方式更客观准确且更安全可靠。
步骤304b:图像处理终端基于当前检测请求中目标检测基站的标识,从所述云端服务器中查找并获取相匹配的目标馈线图像。
其中,当前检测请求可以是检测方发起的,该检测请求中携带有目标检测基站的标识。此外,还可以针对该检测业务附带的其它信息,例如,目标检测基站的位置信息,所属地信息等。
步骤306b:所述图像处理终端对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像。
在该步骤306b中,可以具体划分为两大部分:图像预处理操作和灰度图像转换操作。
--图像预处理操作
所述图像处理终端对所述目标馈线图像进行图像预处理操作,参照图4所示,具体包括:
步骤402:根据检测像素需求,对所述目标馈线图像进行缩放处理。
参照图5所示,将从云端服务器获取的馈线图像读取到本地之后,在不影响馈线检测的基础上,对图像进行缩放处理,以便于馈线图像满足预置检测像素需求。
步骤404:从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值。
具体参照图6所示,可以通过人工辅助触摸的方式或是自动标记的方式,从馈线图像上选择馈线标记点,并为选取的各个馈线标记点提取HSV值。
步骤406:基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
此时的目标馈线图像的格式还是RGB图像格式,因此,需要基于各个馈线标记点的HSV值,将图6所示的目标馈线图像转换为HSV图像格式,转换后的图像可参考图7。
在对目标馈线图像进行上述一系列的图像预处理操作后,可以对得到的HSV目标馈线图像进一步执行图像中馈线的具体识别处理操作。
--灰度图像转换操作
参照图8所示,所述图像处理终端将经图像预处理操作后的目标馈线图像转换为特征灰度图像,具体可以包括:
步骤802:使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓。
边缘检测技术其实是一种滤波,不同的算子有不同的提取效果。所述边缘检测技术常见的至少包括:Sobel边缘检测算子,Laplacian边缘检测算子,Canny边缘检测算子。其中,
Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好,sobel算子对边缘定位不是很准确,图像的边缘不止一个像素;当对精度要求不是很高时,是一种较为常用的边缘检测方法。
Laplacian算子法对噪声比较敏感,所以很少用该算子检测边缘,而是用来判断边缘像素视为与图像的明区还是暗区。拉普拉斯高斯算子是一种二阶导数算子,将在边缘处产生一个陡峭的零交叉,Laplacian算子是各向同性的,能对任何走向的界线和线条进行锐化,无方向性。这是拉普拉斯算子区别于其他算法的最大优点。
Canny方法不容易受噪声干扰,能够检测到真正的弱边缘。优点在于,使用两种不同的阈值分别检测强边缘和弱边缘,并且当弱边缘和强边缘相连时,才将弱边缘包含在输出图像中。其目标是找到一个最优的边缘,其最优边缘的定义是,好的检测:算法能够尽可能多地标示出图像中的实际边缘;好的定位:标识出的边缘要与实际图像中的实际边缘尽可能接近;最小响应:图像中的边缘只能标识一次,并且可能存在的图像噪声不应该标识为边缘。
可选地,所述图像处理终端在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,具体包括:
第1步,使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声。
为了尽可能减少噪声对边缘检测结果的影响,所以必须滤除噪声以防止由噪声引起的错误检测。为了平滑图像,使用高斯滤波器与图像进行卷积,该步骤将平滑图像,以减少边缘检测器上明显的噪声影响。
第2步,计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向。
第3步,基于计算得到的梯度强度和方向对每个像素点进行非极大值抑制。
非极大值抑制是一种边缘稀疏技术,非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊。非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0,对梯度图像中每个像素进行非极大值抑制的算法是:将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较。如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点将被抑制。通常为了更加精确的计算,在跨越梯度方向的两个相邻像素之间使用线性插值来得到要比较的像素梯度,
第4步,使用双阈值边缘检测进一步优化边缘:如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制。
在施加非极大值抑制之后,剩余的像素可以更准确地表示图像中的实际边缘。然而,仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应,必须用弱梯度值过滤边缘像素,并保留具有高梯度值的边缘像素,可以通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则会被抑制。阈值的选择取决于给定输入图像的内容。
第5步,通过抑制孤立的弱边缘像素的方式确定最终馈线标记点的边缘轮廓。
被划分为强边缘的像素点已经被确定为边缘,因为它们是从图像中的真实边缘中提取出来的。然而,对于弱边缘像素,将会有一些争论,因为这些像素可以从真实边缘提取也可以是因噪声或颜色变化引起的。为了获得准确的结果,应该抑制由后者引起的弱边缘。通常,由真实边缘引起的弱边缘像素将连接到强边缘像素,而噪声响应未连接。为了跟踪边缘连接,通过查看弱边缘像素及其8个邻域像素,只要其中一个为强边缘像素,则该弱边缘点就可以保留为真实的边缘。
步骤804:对边缘检测处理后的HSV目标馈线图像进行中值滤波处理。
中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波在一定的条件下可以克服常见线性滤波器如方框滤波器、均值滤波等带来的图像细节模糊,而且对滤除脉冲干扰及图像扫描噪声非常有效,也常用于保护边缘信息,保存边缘的特性使它在不希望出现边缘模糊的场合也很有用,是非常经典的平滑噪声处理方法。对图像进行中值滤波,将利用Canny边缘检测得到的图像进行进一步去噪,排除图像中较小的独立噪点。
步骤806:将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
其中,膨胀是将物体的边缘加以膨胀的形态学操作;腐蚀是将物体的边缘加以腐蚀的形态学操作。膨胀与腐蚀操作如图9a所示。在具体实现时,需要根据HSV目标馈线图像的具体需求进行膨胀或腐蚀,例如,部分馈线的线段进行膨胀,其它馈线的线段进行腐蚀,图9b所示为经过膨胀腐蚀处理后的HSV目标馈线图像。
步骤308b:所述图像处理终端将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
具体地,步骤308的比对流程可以参照图10a所示,具体包括:
步骤1002:通过边缘轮廓查找和线段计数,对所述特征灰度图像和所述标准馈线特征灰度图像进行粗粒度比对;如果粗粒度比对结果不匹配,则确定馈线安装错误;如果粗粒度比对结果匹配,则进一步执行步骤1004。
通过边缘轮廓查找,遍历上一部分得到的特征灰度图,找出并保留连通线段,统计线段个数记为k,与标准灰度馈线图的线段个数k-std比对,若一致则继续进行下一步比对,若不一致则判定馈线安装错误,通过轮廓查找和计数对比,使用粗粒度的方式完成馈线图像大体的比对,作为下一步更细粒度比对的前提。
步骤1004:对所述特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,所述最小目标馈线图像与所述标准馈线特征灰度图像处于同一维度空间;
对特征灰度图像中馈线部分进行定位配准。具体地,记特征灰度图中像素点编号(i,j),设图像尺寸为m,n。设四个变量imin,imax,jmin,jmax,初值分别设为0、0、m-1、n-1。由(0,0)点出发,遍历灰度图的所有像素点,如果像素点灰度值高于预设阈值ε,则继续遍历;若低于,则与四个变量进行比较。如果灰度值小于imin则将当前i值赋值给imin,如果小于jmin则赋值给将当前j值赋值给jmin;如果灰度值大于imax则将当前i值赋值给imax,如果大于jmax则赋值给将当前j值赋值给jmax。图像定位是为了下一步目标图像截取做准备,减少不必要的比对区域,提升算法准确性和性能。
保留上一步得到imin、imax、jmin、jmax所围成的矩形区域,并将图像尺寸变换至标准尺寸m-std、n-std。根据图像定位的点进行图像截取,获取最小目标图像;同时对获取的最小目标图像进行尺度变化,从而将两张对比图像在同一个维度进行对比,增加对比的精准度。
步骤1006:将所述最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与所述标准馈线特征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对;如果细粒度比对结果不匹配,则确定馈线安装错误;如果细粒度比对结果匹配,则进一步执行步骤1008。
具体实现时,可以将馈线的线段按顺序编号,计算每一条线段的最高点的坐标Y值与最低点的坐标Y值的差,即线段长度L;计算每一条线段的最左点的坐标X值与最右点的坐标X值的差,即线段宽度W。与标准特征灰度图中同编号的线段的长度L-std与宽度W-std进行比对。预设尺寸低阈值ε1和高阈值ε2若L-std*ε1<L<L-std*ε2且W-std*ε1<W<W-std*ε2,则通过尺寸特征比对,继续下一步,反之则判定馈线安装错误,通知客户端。本步骤通过对目标图像和标准图像进行线段及细粒度的比对,关注更细节的指标条件。
步骤1008:使用特定均值方差进行特征整体比对,其中,所述特定均值方差是所述最小目标馈线图像的馈线中线段与所述标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差;如果整体比对结果不匹配,则确定馈线安装错误;如果整体比对结果匹配,则确定馈线安装正确。
具体地,馈线的线段与标准灰度图中的线段包含的所有像素点灰度值的均值,记为E,分别计算馈线的线段和标准线段与E的方差,分别记为D1、D2。预设方差阈值ε3。若D1+D2<ε3,则完成所有比对,判定馈线安装正确;反之则判定馈线安装错误。本步骤将细粒度的指标通过算法关联起来计算,将各系统粒度指标看做一个系统整体进行判断,从而放大细粒度指标之间的差异。这样的好处是将微观的差异放大后更容易帮助我们发现问题,从而提升算法整体的质量,确保结果的准确性。
下面通过图10b将整个检测步骤流程化。首先,由图像采集终端通过人工拍摄或无人机拍摄的方式拍摄馈线照片,上传至云端服务器对应存储。之后,由图像处理终端向云端服务器发起检测请求并获取相应馈线图像。图像处理终端对馈线图像进行预处理以及图像转换等操作。然后,将转换得到的灰度特征图像与标准库中的标准馈线图像进行特征比对,根据特征比对结果判定馈线安装是否正确。
本说明书上述技术方案,通过图像采集终端将采集到的待检测基站的馈线图像发送至云端服务器,由云端服务器对馈线图像及相应待检测基站的标识进行对应存储,这样,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,并在对该目标馈线图像进行图像预处理操作后转换为特征灰度图像;最后,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。从而,通过上述方式几乎实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
实施例二
参照图11a所示,为本发明实施例提供的一种基站馈线检测系统1100,包括:图像采集终端1102和图像处理终端1106;其中,
所述图像采集终端1102采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储;
所述图像处理终端1106基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像;
所述图像处理终端1106对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
所述图像处理终端1106将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
参照图11b所示,为本发明实施例提供的一种基站馈线检测系统1100,包括:图像采集终端1102、云端服务器1104以及图像处理终端1106;其中,
所述图像采集终端1102采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识发送至所述云端服务器1104,以便于云端服务器1104将所述馈线图像与所述当前待检测基站的标识对应存储;
所述图像处理终端1106基于当前检测请求中目标检测基站的标识,从所述云端服务器1104中查找并获取相匹配的目标馈线图像;
所述图像处理终端1106对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
所述图像处理终端1106将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
可选地,所述图像采集终端1102为接触式手持图像拍摄设备,则所述图像采集终端1102采集待检测基站的馈线图像时,具体用于响应于用户的触控操作,从待检测基站拍摄馈线图像;所述图像采集终端1102为非接触式图像拍摄设备,则所述图像采集终端1102采集待检测基站的馈线图像时,具体用于响应于用户的远程控制,从待检测基站拍摄馈线图像。
一种可实现的方案,所述图像处理终端1106在对所述目标馈线图像进行图像预处理操作时,具体用于根据检测像素需求,对所述目标馈线图像进行缩放处理;从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值;基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
另一种可实现的方案,所述图像处理终端1106在将经图像预处理操作后的目标馈线图像转换为特征灰度图像时,具体用于使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓;对边缘检测处理后的HSV目标馈线图像进行中值滤波处理;将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
另一种可实现的方案,所述边缘检测技术至少包括:Sobel边缘检测算子,Laplacian边缘检测算子,Canny边缘检测算子。
另一种可实现的方案,所述图像处理终端1106在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,具体用于使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声;计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向;基于计算得到的梯度强度和方向对每个像素点进行非极大值抑制;使用双阈值边缘检测进一步优化边缘:如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制;通过抑制孤立的弱边缘像素的方式确定最终馈线标记点的边缘轮廓。
另一种可实现的方案,所述图像处理终端1106在将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确时,具体用于通过边缘轮廓查找和线段计数,对所述特征灰度图像和所述标准馈线特征灰度图像进行粗粒度比对;如果粗粒度比对结果不匹配,则确定馈线安装错误;如果粗粒度比对结果匹配,则进一步对所述特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,所述最小目标馈线图像与所述标准馈线特征灰度图像处于同一维度空间;将所述最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与所述标准馈线特征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对;如果细粒度比对结果不匹配,则确定馈线安装错误;如果细粒度比对结果匹配,则进一步使用特定均值方差进行特征整体比对,其中,所述特定均值方差是所述最小目标馈线图像的馈线中线段与所述标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差;如果整体比对结果不匹配,则确定馈线安装错误;如果整体比对结果匹配,则确定馈线安装正确。
本说明书上述技术方案,通过图像采集终端将采集到的待检测基站的馈线图像发送至云端服务器,由云端服务器对馈线图像及相应待检测基站的标识进行对应存储,这样,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,并在对该目标馈线图像进行图像预处理操作后转换为特征灰度图像;最后,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。从而,通过上述方式几乎实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
实施例三
本说明书实施例还提供一种图像处理方法,具体参照图12所示,该图像处理方法可以包括以下步骤:
步骤1202:基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,其中,所述目标馈线图像是由图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储.
其中,图像采集终端会将采集到的馈线图像协同当前待检测基站的标识一起发送给图像处理终端或者云端服务器进行对应存储。相应地,就可以从图像处理终端本地或是云端服务器查找并获取相匹配的目标馈线图像。
步骤1204:对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
步骤1206:将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
可选地,所述对所述目标馈线图像进行图像预处理操作,具体包括:根据检测像素需求,对所述目标馈线图像进行缩放处理;从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值;基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
一种可实现的方案,所述将经图像预处理操作后的目标馈线图像转换为特征灰度图像,具体包括:使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓;对边缘检测处理后的HSV目标馈线图像进行中值滤波处理;将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
一种可实现的方案,所述边缘检测技术至少包括:Sobel边缘检测算子,Laplacian边缘检测算子,Canny边缘检测算子。
再一种可实现的方案,所述在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,具体包括:使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声;计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向;基于计算得到的梯度强度和方向对每个像素点进行非极大值抑制;使用双阈值边缘检测进一步优化边缘:如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制;通过抑制孤立的弱边缘像素的方式确定最终馈线标记点的边缘轮廓。
再一种可实现的方案,所述将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确,具体包括:通过边缘轮廓查找和线段计数,对所述特征灰度图像和所述标准馈线特征灰度图像进行粗粒度比对;如果粗粒度比对结果不匹配,则确定馈线安装错误;如果粗粒度比对结果匹配,则进一步对所述特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,所述最小目标馈线图像与所述标准馈线特征灰度图像处于同一维度空间;将所述最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与所述标准馈线特征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对;如果细粒度比对结果不匹配,则确定馈线安装错误;如果细粒度比对结果匹配,则进一步使用特定均值方差进行特征整体比对,其中,所述特定均值方差是所述最小目标馈线图像的馈线中线段与所述标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差;如果整体比对结果不匹配,则确定馈线安装错误;如果整体比对结果匹配,则确定馈线安装正确。
本说明书上述技术方案,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,并在对该目标馈线图像进行图像预处理操作后转换为特征灰度图像;将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。从而,通过上述方式几乎实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
实施例四
本说明书实施例还提供一种图像处理装置,具体参照图13所示,该图像处理装置1300可以包括:
获取模块1302,用于基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,其中,所述目标馈线图像是由图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储;
转换模块1304,用于对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
比对模块1306,用于将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
可选地,所述转换模块1304对所述目标馈线图像进行图像预处理操作时,具体用于根据检测像素需求,对所述目标馈线图像进行缩放处理;从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值;基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
一种可实现的方案,所述转换模块1304将经图像预处理操作后的目标馈线图像转换为特征灰度图像时,具体用于使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓;对边缘检测处理后的HSV目标馈线图像进行中值滤波处理;将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
一种可实现的方案,所述边缘检测技术至少包括:Sobel边缘检测算子,Laplacian边缘检测算子,Canny边缘检测算子。
再一种可实现的方案,所述转换模块1304在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,具体用于使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声;计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向;基于计算得到的梯度强度和方向对每个像素点进行非极大值抑制;使用双阈值边缘检测进一步优化边缘:如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制;通过抑制孤立的弱边缘像素的方式确定最终馈线标记点的边缘轮廓。
再一种可实现的方案,所述比对模块1306在将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确时,具体用于通过边缘轮廓查找和线段计数,对所述特征灰度图像和所述标准馈线特征灰度图像进行粗粒度比对;如果粗粒度比对结果不匹配,则确定馈线安装错误;如果粗粒度比对结果匹配,则进一步对所述特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,所述最小目标馈线图像与所述标准馈线特征灰度图像处于同一维度空间;将所述最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与所述标准馈线特征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对;如果细粒度比对结果不匹配,则确定馈线安装错误;如果细粒度比对结果匹配,则进一步使用特定均值方差进行特征整体比对,其中,所述特定均值方差是所述最小目标馈线图像的馈线中线段与所述标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差;如果整体比对结果不匹配,则确定馈线安装错误;如果整体比对结果匹配,则确定馈线安装正确。
本说明书上述技术方案,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,并在对该目标馈线图像进行图像预处理操作后转换为特征灰度图像;将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。从而,通过上述方式几乎实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
应理解,上述实施例二-实施例四所涉及的方案细节及达到的相应效果,均在实施例一中详细描述,具体可参照实施例一的内容。
实施例五
本说明书实施例还提供一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如图12所述的图像处理方法。
同时,本发明实施例提供的一种存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如图12所示的图像处理方法的步骤。
本说明书上述技术方案,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,并在对该目标馈线图像进行图像预处理操作后转换为特征灰度图像;将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。从而,通过上述方式几乎实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
总之,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书的保护范围之内。
上述一个或多个实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
Claims (12)
1.一种图像处理方法,包括:
基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,其中,所述目标馈线图像是由图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储;
对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
2.如权利要求1所述的图像处理方法,对所述目标馈线图像进行图像预处理操作,具体包括:
根据检测像素需求,对所述目标馈线图像进行缩放处理;
从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值;
基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
3.如权利要求2所述的图像处理方法,将经图像预处理操作后的目标馈线图像转换为特征灰度图像,具体包括:
使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓;
对边缘检测处理后的HSV目标馈线图像进行中值滤波处理;
将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
4.如权利要求3所述的图像处理方法,所述边缘检测技术至少包括:Sobel边缘检测算子,Laplacian边缘检测算子,Canny边缘检测算子;
则在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,具体包括:
使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声;
计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向;
基于计算得到的梯度强度和方向对每个像素点进行非极大值抑制;
使用双阈值边缘检测进一步优化边缘:如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制;
通过抑制孤立的弱边缘像素的方式确定最终馈线标记点的边缘轮廓。
5.如权利要求1所述的图像处理方法,将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确,具体包括:
通过边缘轮廓查找和线段计数,对所述特征灰度图像和所述标准馈线特征灰度图像进行粗粒度比对;
如果粗粒度比对结果不匹配,则确定馈线安装错误;
如果粗粒度比对结果匹配,则进一步对所述特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,所述最小目标馈线图像与所述标准馈线特征灰度图像处于同一维度空间;
将所述最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与所述标准馈线特征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对;
如果细粒度比对结果不匹配,则确定馈线安装错误;
如果细粒度比对结果匹配,则进一步使用特定均值方差进行特征整体比对,其中,所述特定均值方差是所述最小目标馈线图像的馈线中线段与所述标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差;
如果整体比对结果不匹配,则确定馈线安装错误;
如果整体比对结果匹配,则确定馈线安装正确。
6.一种图像处理装置,包括:
获取模块,用于基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,其中,所述目标馈线图像是由图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储;
转换模块,用于对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
比对模块,用于将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
7.一种基站馈线检测方法,包括:
图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储;
图像处理终端基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像;
所述图像处理终端对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
所述图像处理终端将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
8.如权利要求7所述的基站馈线检测方法,所述图像采集终端为接触式手持图像拍摄设备,则所述图像采集终端采集待检测基站的馈线图像,具体包括:
所述接触式手持图像拍摄设备响应于用户的触控操作,从待检测基站拍摄馈线图像;
所述图像采集终端为非接触式图像拍摄设备,则所述图像采集终端采集待检测基站的馈线图像,具体包括:
所述非接触式图像拍摄设备响应于用户的远程控制,从待检测基站拍摄馈线图像。
9.如权利要求7或8所述的基站馈线检测方法,图像采集终端将所述馈线图像与当前待检测基站的标识对应存储,具体包括:
将所述馈线图像与当前待检测基站的标识发送至云端服务器,以便于云端服务器将所述馈线图像与所述当前待检测基站的标识对应存储;
图像处理终端基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,具体包括:
基于当前检测请求中目标检测基站的标识,从所述云端服务器中查找并获取相匹配的目标馈线图像。
10.一种基站馈线检测系统,包括:图像采集终端和图像处理终端;其中,
所述图像采集终端采集待检测基站的馈线图像,并将所述馈线图像与当前待检测基站的标识对应存储;
所述图像处理终端基于当前检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像;
所述图像处理终端对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;
所述图像处理终端将所述特征灰度图像与预设馈线标准库中标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
11.一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求9所述的图像处理方法。
12.一种存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行时,实现如权利要求9所述的图像处理方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564422.1A CN115393247A (zh) | 2021-05-24 | 2021-05-24 | 一种图像处理方法、基站馈线检测方法及相关装置 |
PCT/CN2022/093233 WO2022247684A1 (zh) | 2021-05-24 | 2022-05-17 | 基站馈线检测方法、系统及相关装置 |
EP22810411.3A EP4350638A1 (en) | 2021-05-24 | 2022-05-17 | Detection method and system for base-station feeder line, and related apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564422.1A CN115393247A (zh) | 2021-05-24 | 2021-05-24 | 一种图像处理方法、基站馈线检测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115393247A true CN115393247A (zh) | 2022-11-25 |
Family
ID=84114592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110564422.1A Pending CN115393247A (zh) | 2021-05-24 | 2021-05-24 | 一种图像处理方法、基站馈线检测方法及相关装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4350638A1 (zh) |
CN (1) | CN115393247A (zh) |
WO (1) | WO2022247684A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115839788B (zh) * | 2022-12-22 | 2024-02-27 | 南通恒联通讯设备有限公司 | 一种基于应力测量的馈线卡具的固定状态检测系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007041730A (ja) * | 2005-08-01 | 2007-02-15 | Central Res Inst Of Electric Power Ind | 電線異常検出方法および装置およびプログラム |
CN201436584U (zh) * | 2009-07-23 | 2010-04-07 | 沈阳天嘉科技有限公司 | 滚针轴承缺针检测装置 |
CN105069790B (zh) * | 2015-08-06 | 2018-09-14 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
CN110460155A (zh) * | 2019-08-07 | 2019-11-15 | 山东电工电气集团新能科技有限公司 | 具备图像处理及比对功能的馈线终端及其故障监测方法 |
CN111553176B (zh) * | 2020-04-30 | 2023-10-13 | 贵州电网有限责任公司 | 一种适用于变电站屏柜接线的无线传输检查方法及系统 |
-
2021
- 2021-05-24 CN CN202110564422.1A patent/CN115393247A/zh active Pending
-
2022
- 2022-05-17 EP EP22810411.3A patent/EP4350638A1/en active Pending
- 2022-05-17 WO PCT/CN2022/093233 patent/WO2022247684A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022247684A1 (zh) | 2022-12-01 |
EP4350638A1 (en) | 2024-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145803B (zh) | 手势识别方法及装置、电子设备、计算机可读存储介质 | |
US9613266B2 (en) | Complex background-oriented optical character recognition method and device | |
CN111862195A (zh) | 光斑检测方法和装置、终端和存储介质 | |
EA004910B1 (ru) | Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения | |
CN109413411B (zh) | 一种监控线路的黑屏识别方法、装置及服务器 | |
WO2013076358A1 (en) | Text detection using multi-layer connected components with histograms | |
CN112184639B (zh) | 圆孔检测方法、装置、电子设备及存储介质 | |
CN112487848B (zh) | 文字识别方法和终端设备 | |
CN109325959B (zh) | 一种基于Hough变换的提取红外图像细节的方法及其应用 | |
US20130169824A1 (en) | Blur detection system for night scene images | |
US20150116227A1 (en) | Color Sampling Method and Touch Control Device thereof | |
CN109784322A (zh) | 一种基于图像处理的vin码识别方法、设备及介质 | |
WO2022247684A1 (zh) | 基站馈线检测方法、系统及相关装置 | |
JP6160138B2 (ja) | パターン認識のためのモアレ除去方法およびこの方法を用いたモアレ除去装置ならびにプログラム | |
CN115661131B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
KR101829386B1 (ko) | 표적 검출 장치 및 방법 | |
CN116228861A (zh) | 探针台标记物定位方法、装置、电子设备及存储介质 | |
CN111275045B (zh) | 图像的主体识别方法、装置、电子设备和介质 | |
CN110706263A (zh) | 一种图像处理方法、装置、设备和计算机可读存储介质 | |
CN110992257A (zh) | 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置 | |
CN112308812A (zh) | 一种检测图片清晰度的方法、终端和存储介质 | |
JP2006047252A (ja) | 画像処理装置 | |
CN114783041B (zh) | 目标对象识别方法、电子设备和计算机可读存储介质 | |
CN114092890B (zh) | 区域内可容纳人数的确定方法、装置、设备及介质 | |
CN117097987B (zh) | 一种自动矫正摄像头的方法及设备 |
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 |