CN115641434A - 电力设备定位方法、系统、终端及存储介质 - Google Patents
电力设备定位方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN115641434A CN115641434A CN202211670248.XA CN202211670248A CN115641434A CN 115641434 A CN115641434 A CN 115641434A CN 202211670248 A CN202211670248 A CN 202211670248A CN 115641434 A CN115641434 A CN 115641434A
- Authority
- CN
- China
- Prior art keywords
- image
- equipment
- semantic segmentation
- power equipment
- features
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种电力设备定位方法、系统、终端及存储介质,该方法包括:根据温度视觉样本数据像对语义分割模型进行模型训练,直至语义分割模型收敛;将待定位电力设备的红外数据图像输入收敛后的语义分割模型进行位置预测,得到设备预测图像;对设备预测图像进行部件框分析,根据部件框分析结果在设备预测图像中进行部件框定位,得到电力设备定位图像。本发明基于收敛后的语义分割模型,能有效地对红外数据图像中的待定位电力设备进行位置预测,提高了电力设备定位的准确性,基于部件框分析结果,能自动在设备预测图像中进行部件框定位,得到电力设备定位图像,进而进一步提高了电力设备定位的准确性。
Description
技术领域
本发明涉及电力设备检测技术领域,尤其涉及一种电力设备定位方法、系统、终端及存储介质。
背景技术
电力是维持人们正常生活的重要资源之一,并且随着社会经济的发展,国内的用电量在不断增长当中,保证电力系统的安全稳定运行,已经成为越来越重要的任务,电力系统中可以包括有多个电力设备,对于电力设备的定位是进行发热检测和故障诊断的关键流程,因此,对电力设备的定位方法越来越受人们所重视。
现有的电力设备检测过程中,一般是通过对待定位电力设备进行RGB图像拍摄,并将拍摄得到的RGB图像与颜色查找表生成的图像进行颜色比对,基于颜色比对结果待定位电力设备进行定位,但由于RGB图像成像受光线干扰较大,导致电力设备定位精度低,降低了电力设备定位的准确性。
发明内容
本发明实施例的目的在于提供一种电力设备定位方法、系统、终端及存储介质,旨在解决现有的电力设备定位方法定位准确性低下的问题。
本发明实施例是这样实现的,一种电力设备定位方法,所述方法包括:
获取温度视觉样本数据,并根据所述温度视觉样本数据像对预设置的语义分割模型进行模型训练,直至所述语义分割模型收敛;
获取待定位电力设备的红外数据图像,并将所述红外数据图像输入收敛后的所述语义分割模型进行位置预测,得到设备预测图像;
对所述设备预测图像进行部件框分析,并根据部件框分析结果在所述设备预测图像中进行部件框定位,得到电力设备定位图像。
更进一步的,所述根据所述温度视觉样本数据像对预设置的语义分割模型进行模型训练,包括:
根据所述温度视觉样本数据生成训练集和测试集,并将所述训练集输入所述语义分割模型;
根据所述语义分割模型中的编码器对所述训练集中的图像进行特征提取,得到图像特征,并对所述图像特征进行多次空洞卷积;
将所述多次空洞卷积的卷积结果进行特征合并,得到第一合并特征,并对所述第一合并特征进行卷积压缩,得到有效特征;
对所述有效特征进行上采样,得到上采样特征,并将所述图像特征输入所述语义分割模型中的解码器进行卷积,得到卷积特征;
将所述卷积特征与所述上采样特征进行特征合并,得到第二合并特征,并对所述第二合并特征进行深度可分离卷;
对深度可分离卷后的所述第二合并特征进行上采样,得到输出图像,并根据所述输出图像和所述训练集的标准图像计算模型损失;
根据所述模型损失对所述编码器和所述解码器进行参数更新。
更进一步的,所述根据所述温度视觉样本数据生成训练集和测试集,包括:
根据所述温度视觉样本数据中的图像生成温度视觉数据矩阵,并将各温度视觉数据矩阵中的负值设置为0;
对负值设置后的各温度视觉数据矩阵进行归一化处理,并将归一化处理后的各温度视觉数据矩阵与预设权值进行乘积计算;
根据预设维度值对乘积计算后的各温度视觉数据矩阵中的第三个维度进行维度设置,得到样本图像,并对各样本图像进行数据集划分,得到所述训练集和所述测试集。
更进一步的,所述根据所述模型损失对所述编码器和所述解码器进行参数更新之后,还包括:
根据所述输出图像和所述标准图像中的图像像素,确定精准率和召回率;
若所述精准率和所述召回率均大于预设阈值,则判定所述语义分割模型收敛;
其中,所述根据所述输出图像和所述标准图像中的图像像素,确定精准率和召回率所采用的公式包括: P=TP/(TP+FP)
R=TP/(TP+FN)
TP表示所述语义分割模型在所述输出图像和所述标准图像之间,正确识别为电力设备的图像像素数量,FP表示所述语义分割模型在所述输出图像和所述标准图像之间,错误识别为电力设备的图像像素数量,FN表示错误识别为非电力设备的图像像素数量,P表示所述精准率,R表示所述召回率。
更进一步的,所述对所述设备预测图像进行部件框分析,包括:
对所述设备预测图像进行像素值分析,得到电力设备数量,并对所述设备预测图像进行连通域分析,得到连通域区域;
对所述连通域区域进行区域过滤,得到剩余连通域,并获取所述连通域区域的数量,得到连通域数量;
若所述电力设备数量小于或等于所述连通域数量,则遍历所述剩余连通域,以获取最大内接矩形,并将所述最大内接矩形的坐标确定为所述部件框分析结果。
更进一步的,所述遍历所述剩余连通域,以获取最大内接矩形,包括:
若所述剩余连通域的宽度小于或等于高度,则获取所述剩余连通域的横向中位线,并获取所述横向中位线与所述剩余连通域左边界和有边界之间的交点,得到第一边界交点和第二边界交点;
将所述第一边界交点和所述第二边界交点连接,得到连接线,并分别贯穿所述连接线上各点绘制纵向直线;
分别获取各纵向直线与所述剩余连通域边界相交的上沿点和下沿点,得到边界交点点集,并以所述边界交点点集中的沿点为顶角绘制矩形;
将最大面积的所述矩形确定为所述最大内接矩形。
更进一步的,所述获取所述连通域区域的数量,得到连通域数量之后,还包括:
若所述电力设备数量大于所述连通域数量,则获取所述剩余连通域的最小外接矩形,并获取所述最小外接矩形的中位线;
以所述最小外接矩形的中位线为分割线,对所述剩余连通域进行分割,并根据分割后的所述剩余连通域,返回执行所述对所述设备预测图像进行像素值分析的步骤及后续步骤,直至所述电力设备数量小于或等于所述连通域数量。
本发明实施例的另一目的在于提供一种电力设备定位系统,所述系统包括:
模型训练模块,用于获取温度视觉样本数据,并根据所述温度视觉样本数据像对预设置的语义分割模型进行模型训练,直至所述语义分割模型收敛;
位置预测模块,用于获取待定位电力设备的红外数据图像,并将所述红外数据图像输入收敛后的所述语义分割模型进行位置预测,得到设备预测图像;
部件框定位模块,用于对所述设备预测图像进行部件框分析,并根据部件框分析结果在所述设备预测图像中进行部件框定位,得到电力设备定位图像。
本发明实施例的另一目的在于提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质,所述计算机可读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上述方法的步骤。
本发明实施例,通过温度视觉样本数据像对预设置的语义分割模型进行模型训练,使得收敛后的语义分割模能有效地对红外数据图像中的待定位电力设备进行位置预测,提高了电力设备定位的准确性,通过对设备预测图像进行部件框分析,基于部件框分析结果能自动在设备预测图像中进行部件框定位,得到电力设备定位图像,进而进一步提高了电力设备定位的准确性。
附图说明
图1是本发明第一实施例提供的电力设备定位方法的流程图;
图2是本发明第一实施例提供的部件框定位结果的示意图;
图3是本发明第一实施例提供的部件框定位具体实施步骤的流程图;
图4是本发明第二实施例提供的电力设备定位方法的流程图;
图5是本发明第三实施例提供的电力设备定位系统的结构示意图;
图6是本发明第四实施例提供的终端设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
请参阅图1,是本发明第一实施例提供的电力设备定位方法的流程图,该电力设备定位方法可以应用于任一终端设备或系统,该电力设备定位方法包括步骤:
步骤S10,获取温度视觉样本数据,并根据所述温度视觉样本数据像对预设置的语义分割模型进行模型训练,直至所述语义分割模型收敛;
其中,可以采用红外热成像仪对不同姿态的电力设备进行采集,以获取红外数据文件,得到温度视觉样本数据,通过温度视觉样本数据像对语义分割模型进行模型训练,使得语义分割模型能有效地学习到温度视觉样本数据中的语义特征;
步骤S20,获取待定位电力设备的红外数据图像,并将所述红外数据图像输入收敛后的所述语义分割模型进行位置预测,得到设备预测图像;
其中,可以采用红外热成像仪进行该定位电力设备的红外数据图像的获取,通过将红外数据图像输入收敛后的语义分割模型进行位置预测,能有效地得到待定位电力设备的设备预测图像;
步骤S30,对所述设备预测图像进行部件框分析,并根据部件框分析结果在所述设备预测图像中进行部件框定位,得到电力设备定位图像;
其中,请参阅图2,通过对设备预测图像进行部件框分析,基于部件框分析结果能自动在设备预测图像中进行部件框定位,得到电力设备定位图像,基于电力设备定位图像有效地方便了对待定位电力设备的发热及故障检测;
可选的,请参阅图3,该步骤中,所述对所述设备预测图像进行部件框分析,包括:
对所述设备预测图像进行像素值分析,得到电力设备数量,并对所述设备预测图像进行连通域分析,得到连通域区域;
其中,通过对设备预测图像进行像素值分析,以确定设备预测图像中的电力设备数量nums,该步骤中,电力设备数量小于或2个,通过对设备预测图像进行连通域分析,能有效地将设备预测图像中具有相同像素值且相邻的像素找出并标记,得到该连通域区域;
对所述连通域区域进行区域过滤,得到剩余连通域comps,并获取所述连通域区域的数量,得到连通域数量count;
其中,将区域面积小于预设面积的连通域区域进行删除,以达到对连通域区域过滤的效果,该预设面积可以根据需求进行设置;
若所述电力设备数量小于或等于所述连通域数量,则遍历所述剩余连通域,以获取最大内接矩形,并将所述最大内接矩形的坐标确定为所述部件框分析结果;
其中,若电力设备数量小于或等于连通域数量,通过遍历剩余连通域,以获取剩余连通域中的最大内接矩形,并将最大内接矩形的坐标确定为部件框分析结果,基于部件框分析结果能有效地反应待定位电力设备的位置。
可选的,该步骤中,若连通域数量count等于0,则输出定位错误提示,该定位错误提示用于提示用户当前待定位电力设备的面积过小,无法进行识别定位。
进一步地,所述遍历所述剩余连通域,以获取最大内接矩形,包括:
若剩余连通域的宽度w小于或等于高度h,则获取剩余连通域的横向中位线,并获取横向中位线与剩余连通域左边界和有边界之间的交点,得到第一边界交点和第二边界交点;
将第一边界交点和第二边界交点连接,得到连接线,并分别贯穿连接线上各点绘制纵向直线;
分别获取各纵向直线与剩余连通域边界相交的上沿点和下沿点,得到边界交点点集,并以边界交点点集中的沿点为顶角绘制矩形;
将最大面积的矩形确定为最大内接矩形,其中,确定到的最大内接矩形为剩余连通域中所能形成的最大面积的矩形;
可选的,该步骤中,若剩余连通域的宽度w大于高度h,则对剩余连通域进行图像矩阵转置,并对图像矩阵转置后的剩余连通域进行所述获取剩余连通域的横向中位线的步骤及后续步骤,得到最大内接矩形。
更进一步地,所述获取所述连通域区域的数量,得到连通域数量之后,还包括:
若所述电力设备数量大于所述连通域数量,则获取所述剩余连通域的最小外接矩形,并获取所述最小外接矩形的中位线;
以所述最小外接矩形的中位线为分割线,对所述剩余连通域进行分割,并根据分割后的所述剩余连通域,返回执行所述对所述设备预测图像进行像素值分析的步骤及后续步骤,直至所述电力设备数量小于或等于所述连通域数量,可选的,该步骤中,是以最小外接矩形短边的中位线为分割线进行剩余连通域的分割。
本实施例中,通过对设备预测图像进行部件框分析,可以求得不规则电力设备的最大内接矩形,可以根据最大内接矩形区域内的温度对待定位电力设备进行发热及故障检测。
本实施例,通过温度视觉样本数据像对预设置的语义分割模型进行模型训练,使得收敛后的语义分割模能有效地对红外数据图像中的待定位电力设备进行位置预测,提高了电力设备定位的准确性,通过对设备预测图像进行部件框分析,基于部件框分析结果能自动在设备预测图像中进行部件框定位,得到电力设备定位图像,进而进一步提高了电力设备定位的准确性。
实施例二
请参阅图4,是本发明第二实施例提供的电力设备定位方法的流程图,该实施例用于对第一实施例中的步骤S10作进一步细化,包括步骤:
步骤S11,根据所述温度视觉样本数据生成训练集和测试集,并将所述训练集输入所述语义分割模型;
其中,所述根据所述温度视觉样本数据生成训练集和测试集,包括:
根据所述温度视觉样本数据中的图像生成温度视觉数据矩阵,并将各温度视觉数据矩阵中的负值设置为0;
对负值设置后的各温度视觉数据矩阵进行归一化处理,并将归一化处理后的各温度视觉数据矩阵与预设权值进行乘积计算;
根据预设维度值对乘积计算后的各温度视觉数据矩阵中的第三个维度进行维度设置,得到样本图像,并对各样本图像进行数据集划分,得到所述训练集和所述测试集;
其中,温度视觉数据矩阵中每一个元素的数值,对应环境中一块区域的实际温度值,通过将各温度视觉数据矩阵中的负值设置为0,方便了电力设备与背景之间的区分(电力设备温度正值,负值是背景,负值绝对值过大影响后续操作所以置为0),通过进行归一化操作再乘以预设权值后其值就缩放到[0, 预设权值],对温度视觉数据矩阵中的第三个维度进行复制使其空间维度变成640*480*3,使得在矩阵取值范围和空间维度与传统RGB图像一致前提下,矩阵值代表的含义是电力设备的温度。该步骤中,温度视觉数据矩阵的尺寸为640*480*1,预设权值设置为255,样本图像一共设置有5530张,5000作为训练集,530张作为测试集。
该步骤中,样本图像的类别一共有6个,分别为:
有background、Insulator_danheng、Insulator_danzong、Insulator_shuangheng、Insulator_shuangzong、Insulator_vxing;
第1个类别是背景,另5个类别的图像其数据分布如下:
数据集名称 | Insulator_danheng | Insulator_danzong | Insulator_shuangheng | Insulator_shuangzong | Insulator_vxing |
训练集 | 900 | 900 | 900 | 900 | 1400 |
测试集 | 100 | 100 | 100 | 100 | 130 |
步骤S12,根据所述语义分割模型中的编码器对所述训练集中的图像进行特征提取,得到图像特征,并对所述图像特征进行多次空洞卷积;
其中,搭建的语义分割模型为DeeplabV3+神经网络,主干特征提取网络使用MobilenetV2,DeepLabv3+主要在网络的架构上引入了可任意控制编码器提取特征的分辨率,通过空洞卷积(Atrous Conv)平衡网络精度和耗时。在编码器Encoder中,引入了大量的空洞卷积,在不损失信息的情况下,加大了感受野,让每个卷积输出都包含较大范围的信息。
步骤S13,将所述多次空洞卷积的卷积结果进行特征合并,得到第一合并特征,并对所述第一合并特征进行卷积压缩,得到有效特征;
其中,空洞卷积在进行特征点提取的时会跨像素,该步骤中,利用并行的AtrousConv进行四次卷积处理,得到该多次空洞卷积的卷积结果,并通过并行的四次Atrous Conv的卷积结果进行特征合并,得到该第一合并特征,再对第一合并特征进行1x1卷积压缩特征,得到该有效特征。
步骤S14,对所述有效特征进行上采样,得到上采样特征,并将所述图像特征输入所述语义分割模型中的解码器进行卷积,得到卷积特征;
其中,在解码器Decoder中,对压缩两次的图像特征利用1x1卷积调整通道数,得到该卷积特征;
步骤S15,将所述卷积特征与所述上采样特征进行特征合并,得到第二合并特征,并对所述第二合并特征进行深度可分离卷;
其中,将卷积特征和空洞卷积后的上采样特征进行堆叠,得到第二合并特征,在完成堆叠后,对第二合并特征进行3*3卷积细化特征(深度可分离卷);
步骤S16,对深度可分离卷后的所述第二合并特征进行上采样,得到输出图像,并根据所述输出图像和所述训练集的标准图像计算模型损失;
其中,对深度可分离卷后的第二合并特征进行上采样,得到输出图像,该输出图像是训练集中的图像的特征浓缩。
可选的,该MobilenetV2都由Inverted resblock组成,Inverted resblock可以分为三个部分:首先利用1x1卷积进行升维,然后利用3x3深度可分离卷积(DwConv)进行特征提取,然后再利用1x1卷积降维,将mobilenetv2替换DeeplabV3+原本的主干网络能有效减少网络的参数量与运算量,因此网络对算力要求不高后续可在嵌入式平台部署运行。
步骤S17,根据所述模型损失对所述编码器和所述解码器进行参数更新;
其中,通过模型损失对编码器和解码器进行参数更新,以提高语义分割模型的准确性,可选的,该步骤中,所述根据所述模型损失对所述编码器和所述解码器进行参数更新之后,还包括:
根据所述输出图像和所述标准图像中的图像像素,确定精准率和召回率;
若所述精准率和所述召回率均大于预设阈值,则判定所述语义分割模型收敛,该预设阈值可以根据需求进行设置;
其中,所述根据所述输出图像和所述标准图像中的图像像素,确定精准率和召回率所采用的公式包括: P=TP/(TP+FP)
R=TP/(TP+FN)
TP表示语义分割模型在输出图像和标准图像之间,正确识别为电力设备的图像像素数量,FP表示语义分割模型在输出图像和标准图像之间,错误识别为电力设备的图像像素数量,FN表示错误识别为非电力设备的图像像素数量,P表示精准率,R表示召回率。
可选的,本实施例中,收敛后的语义分割模型的模型参数设置为:
参数名称 | 参数值 |
Num_Classes | 6 |
Input Shape | (480,640) |
Batch Size | 16 |
Freeze_lr | 5e-4 |
Unfreeze_lr | 5e-5 |
本实施例中,语义分割模型搭建过程中用MobilenetV2的网络结构替换DeeplabV3+的主干网络,相较于原始网络减少了网络模型的参数量与运算量,因此,网络对算力要求不高后续可在嵌入式平台部署运行,并在训练过程中采用了与原图像一致的Input Shape结合冻结主干网络操作,加速模型训练的同时,提高了语义分割模型的准确率,使得对于电力设备的定位能够达到像素级别的精度。
实施例三
请参阅图5,是本发明第三实施例提供的电力设备定位系统100的结构示意图,包括:模型训练模块10、位置预测模块11和部件框定位模块12,其中:
模型训练模块10,用于获取温度视觉样本数据,并根据所述温度视觉样本数据像对预设置的语义分割模型进行模型训练,直至所述语义分割模型收敛。
其中,模型训练模块10还用于:根据所述温度视觉样本数据生成训练集和测试集,并将所述训练集输入所述语义分割模型;
根据所述语义分割模型中的编码器对所述训练集中的图像进行特征提取,得到图像特征,并对所述图像特征进行多次空洞卷积;
将所述多次空洞卷积的卷积结果进行特征合并,得到第一合并特征,并对所述第一合并特征进行卷积压缩,得到有效特征;
对所述有效特征进行上采样,得到上采样特征,并将所述图像特征输入所述语义分割模型中的解码器进行卷积,得到卷积特征;
将所述卷积特征与所述上采样特征进行特征合并,得到第二合并特征,并对所述第二合并特征进行深度可分离卷;
对深度可分离卷后的所述第二合并特征进行上采样,得到输出图像,并根据所述输出图像和所述训练集的标准图像计算模型损失;
根据所述模型损失对所述编码器和所述解码器进行参数更新。
可选的,模型训练模块10还 用于:根据所述温度视觉样本数据中的图像生成温度视觉数据矩阵,并将各温度视觉数据矩阵中的负值设置为0;
对负值设置后的各温度视觉数据矩阵进行归一化处理,并将归一化处理后的各温度视觉数据矩阵与预设权值进行乘积计算;
根据预设维度值对乘积计算后的各温度视觉数据矩阵中的第三个维度进行维度设置,得到样本图像,并对各样本图像进行数据集划分,得到所述训练集和所述测试集。
更进一步地,模型训练模块10还用于:根据所述输出图像和所述标准图像中的图像像素,确定精准率和召回率;
若所述精准率和所述召回率均大于预设阈值,则判定所述语义分割模型收敛;
其中,所述根据所述输出图像和所述标准图像中的图像像素,确定精准率和召回率所采用的公式包括: P=TP/(TP+FP)
R=TP/(TP+FN)
TP表示所述语义分割模型在所述输出图像和所述标准图像之间,正确识别为电力设备的图像像素数量,FP表示所述语义分割模型在所述输出图像和所述标准图像之间,错误识别为电力设备的图像像素数量,FN表示错误识别为非电力设备的图像像素数量,P表示所述精准率,R表示所述召回率。
位置预测模块11,用于获取待定位电力设备的红外数据图像,并将所述红外数据图像输入收敛后的所述语义分割模型进行位置预测,得到设备预测图像。
部件框定位模块12,用于对所述设备预测图像进行部件框分析,并根据部件框分析结果在所述设备预测图像中进行部件框定位,得到电力设备定位图像。
其中,部件框定位模块12还用于:对所述设备预测图像进行像素值分析,得到电力设备数量,并对所述设备预测图像进行连通域分析,得到连通域区域;
对所述连通域区域进行区域过滤,得到剩余连通域,并获取所述连通域区域的数量,得到连通域数量;
若所述电力设备数量小于或等于所述连通域数量,则遍历所述剩余连通域,以获取最大内接矩形,并将所述最大内接矩形的坐标确定为所述部件框分析结果。
进一步地,部件框分析模块12还用于:若所述剩余连通域的宽度小于或等于高度,则获取所述剩余连通域的横向中位线,并获取所述横向中位线与所述剩余连通域左边界和有边界之间的交点,得到第一边界交点和第二边界交点;
将所述第一边界交点和所述第二边界交点连接,得到连接线,并分别贯穿所述连接线上各点绘制纵向直线;
分别获取各纵向直线与所述剩余连通域边界相交的上沿点和下沿点,得到边界交点点集,并以所述边界交点点集中的沿点为顶角绘制矩形;
将最大面积的所述矩形确定为所述最大内接矩形。
更进一步地,部件框分析模块12还用于:若所述电力设备数量大于所述连通域数量,则获取所述剩余连通域的最小外接矩形,并获取所述最小外接矩形的中位线;
以所述最小外接矩形的中位线为分割线,对所述剩余连通域进行分割,并根据分割后的所述剩余连通域,返回执行所述对所述设备预测图像进行像素值分析的步骤及后续步骤,直至所述电力设备数量小于或等于所述连通域数量。
具体的,请参阅图6,该电力设备定位系统100的具体实施步骤包括:温度视觉数据采集、数据预处理、电力设备定位和部件框生成,其中:
在温度视觉数据采集时,使用红外热成像仪,对不同姿态的电力设备的信息进行采集,获取红外数据文件,再从其中提取出温度视觉数据矩阵,矩阵中每一个元素的数值,对应环境中一块区域的实际温度值,此外,待定位电力设备处在矩阵的中心区域且数量小于等于2。
在数据预处理时,将640*480*1的温度视觉数据矩阵中的负值置为0(电力设备温度正值,负值是背景,负值绝对值过大影响后续操作所以置为0),进行归一化操作再乘以255后其值就缩放到[0, 255],后对第三个维度进行复制使其空间维度变成640*480*3,在矩阵取值范围和空间维度与传统RGB图像一致前提下矩阵值代表的含义是电力设备的温度, 后续作为语义分割模型的输入图像,图像一共5530张,5000作为训练集530张作为测试集。
在电力设备定位时,通过搭建语义分割模型,对语义分割模型进行模型训练,并基于收敛后的语义分割模型对待定位电力设备的红外数据图像进行位置预测,得到设备预测图像。
在部件框生成时,通过对设备预测图像进行像素值分析和连通域分析,以获取剩余连通域中的最大内接矩形,得到该电力设备定位图像。
本实施例,通过温度视觉样本数据像对预设置的语义分割模型进行模型训练,使得收敛后的语义分割模能有效地对红外数据图像中的待定位电力设备进行位置预测,提高了电力设备定位的准确性,通过对设备预测图像进行部件框分析,基于部件框分析结果能自动在设备预测图像中进行部件框定位,得到电力设备定位图像,进而进一步提高了电力设备定位的准确性。
实施例四
图6是本申请第四实施例提供的一种终端设备2的结构框图。如图6所示,该实施例的终端设备2包括:处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22,例如电力设备定位方法的程序。处理器20执行所述计算机程序22时实现上述各个电力设备定位方法各实施例中的步骤。
示例性的,所述计算机程序22可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器21中,并由所述处理器20执行,以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。所述终端设备可包括,但不仅限于,处理器20、存储器21。
所称处理器20可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述终端设备2的内部存储单元,例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备,例如所述终端设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
另外,在本申请各个实施例中的各功能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。
集成的模块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存储介质中。其中,计算机可读存储介质可以是非易失性的,也可以是易失性的。基于这样的理解,本申请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,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,计算机程序包括计算机程序代码,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。计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电力设备定位方法,其特征在于,所述方法包括:
获取温度视觉样本数据,并根据所述温度视觉样本数据像对预设置的语义分割模型进行模型训练,直至所述语义分割模型收敛;
获取待定位电力设备的红外数据图像,并将所述红外数据图像输入收敛后的所述语义分割模型进行位置预测,得到设备预测图像;
对所述设备预测图像进行部件框分析,并根据部件框分析结果在所述设备预测图像中进行部件框定位,得到电力设备定位图像。
2.如权利要求1所述的电力设备定位方法,其特征在于,所述根据所述温度视觉样本数据像对预设置的语义分割模型进行模型训练,包括:
根据所述温度视觉样本数据生成训练集和测试集,并将所述训练集输入所述语义分割模型;
根据所述语义分割模型中的编码器对所述训练集中的图像进行特征提取,得到图像特征,并对所述图像特征进行多次空洞卷积;
将所述多次空洞卷积的卷积结果进行特征合并,得到第一合并特征,并对所述第一合并特征进行卷积压缩,得到有效特征;
对所述有效特征进行上采样,得到上采样特征,并将所述图像特征输入所述语义分割模型中的解码器进行卷积,得到卷积特征;
将所述卷积特征与所述上采样特征进行特征合并,得到第二合并特征,并对所述第二合并特征进行深度可分离卷;
对深度可分离卷后的所述第二合并特征进行上采样,得到输出图像,并根据所述输出图像和所述训练集的标准图像计算模型损失;
根据所述模型损失对所述编码器和所述解码器进行参数更新。
3.如权利要求2所述的电力设备定位方法,其特征在于,所述根据所述温度视觉样本数据生成训练集和测试集,包括:
根据所述温度视觉样本数据中的图像生成温度视觉数据矩阵,并将各温度视觉数据矩阵中的负值设置为0;
对负值设置后的各温度视觉数据矩阵进行归一化处理,并将归一化处理后的各温度视觉数据矩阵与预设权值进行乘积计算;
根据预设维度值对乘积计算后的各温度视觉数据矩阵中的第三个维度进行维度设置,得到样本图像,并对各样本图像进行数据集划分,得到所述训练集和所述测试集。
4.如权利要求2所述的电力设备定位方法,其特征在于,所述根据所述模型损失对所述编码器和所述解码器进行参数更新之后,还包括:
根据所述输出图像和所述标准图像中的图像像素,确定精准率和召回率;
若所述精准率和所述召回率均大于预设阈值,则判定所述语义分割模型收敛;
其中,所述根据所述输出图像和所述标准图像中的图像像素,确定精准率和召回率所采用的公式包括: P=TP/(TP+FP)
R=TP/(TP+FN)
TP表示所述语义分割模型在所述输出图像和所述标准图像之间,正确识别为电力设备的图像像素数量,FP表示所述语义分割模型在所述输出图像和所述标准图像之间,错误识别为电力设备的图像像素数量,FN表示错误识别为非电力设备的图像像素数量,P表示所述精准率,R表示所述召回率。
5.如权利要求1所述的电力设备定位方法,其特征在于,所述对所述设备预测图像进行部件框分析,包括:
对所述设备预测图像进行像素值分析,得到电力设备数量,并对所述设备预测图像进行连通域分析,得到连通域区域;
对所述连通域区域进行区域过滤,得到剩余连通域,并获取所述连通域区域的数量,得到连通域数量;
若所述电力设备数量小于或等于所述连通域数量,则遍历所述剩余连通域,以获取最大内接矩形,并将所述最大内接矩形的坐标确定为所述部件框分析结果。
6.如权利要求5所述的电力设备定位方法,其特征在于,所述遍历所述剩余连通域,以获取最大内接矩形,包括:
若所述剩余连通域的宽度小于或等于高度,则获取所述剩余连通域的横向中位线,并获取所述横向中位线与所述剩余连通域左边界和有边界之间的交点,得到第一边界交点和第二边界交点;
将所述第一边界交点和所述第二边界交点连接,得到连接线,并分别贯穿所述连接线上各点绘制纵向直线;
分别获取各纵向直线与所述剩余连通域边界相交的上沿点和下沿点,得到边界交点点集,并以所述边界交点点集中的沿点为顶角绘制矩形;
将最大面积的所述矩形确定为所述最大内接矩形。
7.如权利要求5所述的电力设备定位方法,其特征在于,所述获取所述连通域区域的数量,得到连通域数量之后,还包括:
若所述电力设备数量大于所述连通域数量,则获取所述剩余连通域的最小外接矩形,并获取所述最小外接矩形的中位线;
以所述最小外接矩形的中位线为分割线,对所述剩余连通域进行分割,并根据分割后的所述剩余连通域,返回执行所述对所述设备预测图像进行像素值分析的步骤及后续步骤,直至所述电力设备数量小于或等于所述连通域数量。
8.一种电力设备定位系统,其特征在于,所述系统包括:
模型训练模块,用于获取温度视觉样本数据,并根据所述温度视觉样本数据像对预设置的语义分割模型进行模型训练,直至所述语义分割模型收敛;
位置预测模块,用于获取待定位电力设备的红外数据图像,并将所述红外数据图像输入收敛后的所述语义分割模型进行位置预测,得到设备预测图像;
部件框定位模块,用于对所述设备预测图像进行部件框分析,并根据部件框分析结果在所述设备预测图像中进行部件框定位,得到电力设备定位图像。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211670248.XA CN115641434B (zh) | 2022-12-26 | 2022-12-26 | 电力设备定位方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211670248.XA CN115641434B (zh) | 2022-12-26 | 2022-12-26 | 电力设备定位方法、系统、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115641434A true CN115641434A (zh) | 2023-01-24 |
CN115641434B CN115641434B (zh) | 2023-04-14 |
Family
ID=84949815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211670248.XA Active CN115641434B (zh) | 2022-12-26 | 2022-12-26 | 电力设备定位方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641434B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
WO2020237693A1 (zh) * | 2019-05-31 | 2020-12-03 | 华南理工大学 | 一种水面无人装备多源感知方法及系统 |
CN114092815A (zh) * | 2021-11-29 | 2022-02-25 | 自然资源部国土卫星遥感应用中心 | 一种大范围光伏发电设施遥感智能提取方法 |
CN114549563A (zh) * | 2022-02-26 | 2022-05-27 | 福建工程学院 | 一种基于DeepLabV3+的复合绝缘子实时分割方法及系统 |
WO2022105125A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN114596316A (zh) * | 2021-12-04 | 2022-06-07 | 电子科技大学长三角研究院(湖州) | 一种基于语义分割的道路图像细节抓取方法 |
CN114973032A (zh) * | 2022-05-27 | 2022-08-30 | 沈阳农业大学 | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 |
CN115457327A (zh) * | 2022-09-19 | 2022-12-09 | 云南省烟草烟叶公司 | 基于视觉的烤后烟烟叶部位分类方法、装置及电子设备 |
-
2022
- 2022-12-26 CN CN202211670248.XA patent/CN115641434B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
WO2020237693A1 (zh) * | 2019-05-31 | 2020-12-03 | 华南理工大学 | 一种水面无人装备多源感知方法及系统 |
WO2022105125A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN114092815A (zh) * | 2021-11-29 | 2022-02-25 | 自然资源部国土卫星遥感应用中心 | 一种大范围光伏发电设施遥感智能提取方法 |
CN114596316A (zh) * | 2021-12-04 | 2022-06-07 | 电子科技大学长三角研究院(湖州) | 一种基于语义分割的道路图像细节抓取方法 |
CN114549563A (zh) * | 2022-02-26 | 2022-05-27 | 福建工程学院 | 一种基于DeepLabV3+的复合绝缘子实时分割方法及系统 |
CN114973032A (zh) * | 2022-05-27 | 2022-08-30 | 沈阳农业大学 | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 |
CN115457327A (zh) * | 2022-09-19 | 2022-12-09 | 云南省烟草烟叶公司 | 基于视觉的烤后烟烟叶部位分类方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
SASWATI MISHRA等: ""A novel two-terminal fault location approach utilizing traveling-waves for series compensated line connected to wind farms"" * |
晋瑾等: ""图像中的文本定位技术研究综述"" * |
Also Published As
Publication number | Publication date |
---|---|
CN115641434B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN111080654B (zh) | 图像的病变区域分割方法、装置及服务器 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN111860369A (zh) | 一种欺诈识别方法、装置以及存储介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115151952A (zh) | 一种变电设备高精度识别方法及系统 | |
CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN114723677A (zh) | 图像缺陷检测方法、检测装置、检测设备及存储介质 | |
CN110599514B (zh) | 图像分割的方法、装置、电子设备及存储介质 | |
CN113537211A (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
CN111815606A (zh) | 图像质量评估方法、存储介质及计算装置 | |
CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
Komati et al. | Kss: Using region and edge maps to detect image boundaries | |
CN115641434B (zh) | 电力设备定位方法、系统、终端及存储介质 | |
CN117237371A (zh) | 基于实例感知扩散模型的结肠组织学图像腺体分割方法 | |
CN110298816B (zh) | 一种基于图像重生成的桥梁裂缝检测方法 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
CN115546105A (zh) | 一种轮胎花纹检测方法、装置、可读存储介质及终端设备 | |
CN115984178A (zh) | 伪造图像检测方法、电子设备和计算机可读存储介质 | |
CN114648509A (zh) | 一种基于多分类任务的甲状腺癌检出系统 | |
CN113486974A (zh) | 基于肾小球的病理图像识别与分类方法、系统及介质 |
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 |