CN115861927A - 电力设备巡检图像的图像识别方法、装置和计算机设备 - Google Patents
电力设备巡检图像的图像识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN115861927A CN115861927A CN202211530718.2A CN202211530718A CN115861927A CN 115861927 A CN115861927 A CN 115861927A CN 202211530718 A CN202211530718 A CN 202211530718A CN 115861927 A CN115861927 A CN 115861927A
- Authority
- CN
- China
- Prior art keywords
- image
- power equipment
- inspection
- inspection image
- images
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 535
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种电力设备巡检图像的图像识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型和预训练的自注意力模型,得到各巡检图像对应的图像特征点数据和自注意力信息;根据图像特征点数据和自注意力信息,确定单应性矩阵,并根据单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到拼接后巡检图像;根据各电力设备巡检图像对的拼接后巡检图像,生成巡检全景图像,根据巡检全景图像确定图像识别结果。采用本方法能够提高电力设备的图像识别准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种电力设备巡检图像的图像识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着社会用电需求的逐年增加,大规模电力设备入网,电力系统的正常运行显得尤为重要。通过图像处理技术对电力系统中的电力设备运行情况进行监控,能够及时确定运行状态异常的电力设备,维护电力系统的正常运行。
目前,在对电力系统中的电力设备运行情况进行监控时,常常使用图像识别技术获取电力设备的运行状态。然而,目前的图像识别技术受限于摄像设备的高度、视角和焦距,摄像设备在巡检过程中常常无法清晰、全面地摄取电力系统各区域的清晰图像,导致图像采集不全、识别错误,容易出现巡检不到位、设备漏检和检测错误等情况,为电力系统的运行带来巨大的安全隐患。
因此,传统技术中存在对电力系统中电力设备的图像识别不够准确、全面的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够更高效地监测电力系统的电力设备巡检图像的图像识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
一种电力设备巡检图像的图像识别方法,其特征在于,方法包括:
获取与巡检任务关联的电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;
对于任一电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息;
根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵;单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;
根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;
根据各电力设备巡检图像对的拼接后巡检图像,生成针对巡检任务的巡检全景图像;巡检全景图像用于确定巡检任务的电力设备识别结果。
在其中一个实施例中,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对,包括:
确定电力设备巡检图像集中的至少一组待比对的巡检图像对;
对于任一待比对的巡检图像对,将该待比对的巡检图像对中的巡检图像输入至孪生神经网络模型,确定该待比对的巡检图像对中的巡检图像之间的特征相似度;
在特征相似度大于预设阈值的情况下,将该待比对的巡检图像对确定为电力设备巡检图像对。
在其中一个实施例中,根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵,包括:
根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对对应的第一匹配特征点对;
将第一匹配特征点对输入至预训练的特征点匹配模型,确定该电力设备巡检图像对对应的第二匹配特征点对,并确定该电力设备巡检图像对对应的单应性矩阵;第一匹配特征点在特征点匹配模型中的误差精度小于第二匹配特征点在特征点匹配模型中的误差精度。
在其中一个实施例中,根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像,包括:
根据单应性矩阵,将电力设备巡检图像对中的巡检图像进行图像配准,得到配准后巡检图像;
根据配准后巡检图像确定的图像交界区域,融合电力设备巡检图像对中的巡检图像,得到融合后巡检图像;融合后巡检图像在图像交界区域对应的像素信息为通过对各巡检图像在图像交界区域对应的像素信息进行加权融合得到的;
将融合后巡检图像作为该电力设备巡检图像对的拼接后巡检图像。
在其中一个实施例中,将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据,包括:
将该电力设备巡检图像对中的巡检图像进行池化处理,得到各巡检图像对应的图像池化特征;
将各巡检图像对应的图像池化特征输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;
将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息,包括:
将该电力设备巡检图像对中的巡检图像进行池化处理,得到各巡检图像对应的图像池化特征;
将各巡检图像对应的图像池化特征输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息。
在其中一个实施例中,方法还包括:
获取通用图像训练样本,并利用通用图像训练样本,对待训练的图像特征提取层进行训练,得到预训练的图像特征提取层;
获取待训练的图像特征分类层,并根据待训练的图像特征分类层和预训练的图像特征提取层,确定待训练的电力设备识别模型;
获取巡检全景图像训练样本,并利用巡检全景图像训练样本,对待训练的电力设备识别模型进行训练,得到训练好的电力设备识别模型;训练好的电力设备识别模型用于输出针对全景巡检图像的电力设备识别结果。
一种电力设备巡检图像的图像识别装置,其特征在于,装置包括:
获取模块,用于获取与巡检任务关联的电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;
输入模块,用于对于任一电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息;
确定模块,用于根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵;单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;
拼接模块,用于根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;
生成模块,用于根据各电力设备巡检图像对的拼接后巡检图像,生成针对巡检任务的巡检全景图像;巡检全景图像用于确定巡检任务的电力设备识别结果。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,其特征在于,处理器执行计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,计算机程序被处理器执行时实现上述的方法的步骤。
一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现上述的方法的步骤。
上述电力设备巡检图像的图像识别方法、装置、计算机设备、存储介质和计算机程序产品,通过获取与巡检任务关联的电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;对于任一电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息;根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵;单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;根据各电力设备巡检图像对的拼接后巡检图像,生成针对巡检任务的巡检全景图像;巡检全景图像用于确定巡检任务的电力设备识别结果;如此,可以实现通过提取电力设备巡检图像的图像特征点,并根据多张电力设备巡检图像对应的图像特征点之间的位置匹配关系,对多张电力设备巡检图像进行拼接,对于发生较大形变的巡检图像而言,可以达到更好的拼接效果,拼接好的巡检全景图像具有较高的精度,能够精确地识别电力系统中的电力设备。
附图说明
图1为一个实施例中一种电力设备巡检图像的图像识别方法的应用环境图;
图2为一个实施例中一种电力设备巡检图像的图像识别方法的流程示意图;
图3为一个实施例中一种电力设备巡检图像的图像拼接流程图;
图4为一个实施例中一种电力设备巡检全景图像识别方法;
图5为一个实施例中一种基于RANSAC算法的特征点筛选方法图;
图6为另一个实施例中一种电力设备巡检图像的图像识别方法流程示意图;
图7为一个实施例中一种电力设备巡检图像的图像识别装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的电力设备巡检图像的图像识别方法,可以应用于如图1所示的应用环境中。其中,巡检设备102通过网络与服务器104进行通信。服务器104获取与巡检任务关联的电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;对于任一电力设备巡检图像对,服务器104分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;以及,服务器014将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息;服务器104根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵;单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;服务器104根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;服务器104根据各电力设备巡检图像对的拼接后巡检图像,生成针对巡检任务的巡检全景图像;巡检全景图像用于确定巡检任务的电力设备识别结果。其中,巡检设备102可以但不限于是各种高清摄像头、无人机、大型特种机械、巡检机器人等智能设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电力设备巡检图像的图像识别方法,其特征在于,方法包括:
步骤S202,获取与巡检任务关联的电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对。
其中,巡检任务可以是电力系统中各种巡检设备对电力设备的监测任务。
其中,电力设备巡检图像集可以是电力系统中各种巡检设备所摄取的电力设备巡检图像组成的图像集。
其中,电力设备巡检图像对可以是两张相似度较大的电力设备巡检图像所组成的图像对。
具体实现中,服务器获取当前巡检任务对应的电力设备巡检图像集,并在该电力设备巡检图像集中确定多组电力设备巡检图像对,其中,每一组电力设备巡检图像对中的两幅电力设备巡检图像之间存在重叠区域。
步骤S204,对于任一电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息。
其中,特征点提取模型可以是用于提取电力设备巡检图像的图像特征点数据的模型。例如,特征点提取模型可以是ResNet卷积神经网络(一种深度残差神经网络)。
其中,自注意力模型可以是用于提取电力设备巡检图像的重点信息的模型。
具体实现中,对于每一对电力设备巡检图像对,服务器将电力设备巡检图像对中的两幅电力设备巡检图像分别输入至预训练的特征点提取模型进行图像特征点提取,得到两幅电力设备巡检图像对应的图像特征点数据,并且,服务器将电力设备巡检图像分别输入至预训练的自注意力模型提取重点信息,得到两幅电力设备巡检图像对应的自注意力信息。
步骤S206,根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵;单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息。
其中,单应性矩阵可以是表征两幅电力设备巡检图像对应像素点位置之间的映射关系。
其中,位置匹配信息可以是两幅电力设备巡检图像中对应像素点的位置坐标之间存在的关系。
具体实现中,服务器根据电力设备巡检图像对中的两幅电力设备巡检图像对应的图像特征点数据和自注意力信息,将两幅电力设备巡检图像进行匹配,服务器得到该电力设备巡检图像对对应的单应性矩阵。
步骤S208,根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像。
其中,拼接后巡检图像可以是由两幅具有重叠区域的电力设备巡检图像拼接而成的新图像。
具体实现中,服务器根据电力设备巡检图像对对应的单应性矩阵,将该电力设备巡检图像对中的两幅电力设备巡检图像进行拼接,服务器得到该电力设备巡检图像对的拼接后巡检图像。
步骤S210,根据各电力设备巡检图像对的拼接后巡检图像,生成针对巡检任务的巡检全景图像;巡检全景图像用于确定巡检任务的电力设备识别结果。
其中,巡检全景图像可以是由多张拼接后巡检图像再进行多次拼接所得到的全景图像。
具体实现中,服务器将多张拼接后巡检图像再进行多次拼接,直到拼接成一幅巡检全景图像,服务器可以根据该幅巡检全景图像,确定当前巡检任务对应的电力设备。
为了便于本领域技术人员的理解,图3示例性地提供了一种电力设备巡检图像的图像拼接流程。通过将两幅电力设备巡检图像输入至预训练的自注意力模块和初步特征提取网络,提取两幅电力设备巡检图像的图像特征点数据,再对图像特征点数据进行特征匹配,得到两幅电力设备巡检图像之间的单应性矩阵,从而根据单应性矩阵实现图像拼接,得到拼接后图像。图4还示例性地提供了一种电力设备巡检全景图像识别方法示意图,其中,通过将多张电力设备巡检图像拼接成一幅全景图像,并将巡检图像输入至YOLOv3模型(一种深度学习网络),并通过YOLOv3输出电力设备识别结果。
上述电力设备巡检图像的图像识别方法、装置、计算机设备、存储介质和计算机程序产品,通过获取与巡检任务关联的电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;对于任一电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息;根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵;单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;根据各电力设备巡检图像对的拼接后巡检图像,生成针对巡检任务的巡检全景图像;巡检全景图像用于确定巡检任务的电力设备识别结果;如此,可以实现通过提取电力设备巡检图像的图像特征点,并根据多张电力设备巡检图像对应的图像特征点之间的位置匹配关系,对多张电力设备巡检图像进行拼接,对于发生较大形变的巡检图像而言,可以达到更好的拼接效果,拼接好的巡检全景图像具有较高的精度,能够精确地识别电力系统中的电力设备。
在另一个实施例中,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对,包括:确定电力设备巡检图像集中的至少一组待比对的巡检图像对;对于任一待比对的巡检图像对,将该待比对的巡检图像对中的巡检图像输入至孪生神经网络模型,确定该待比对的巡检图像对中的巡检图像之间的特征相似度;在特征相似度大于预设阈值的情况下,将该待比对的巡检图像对确定为电力设备巡检图像对。
其中,特征相似度可以是用于表征两幅电力设备巡检图像之间的相似程度的数值。
具体实现中,服务器在电力设备巡检图像集中随机选取两张电力设备巡检图像,作为待比对的巡检图像对,服务器再将该待比对的巡检图像对中的两幅电力设备巡检图像输入至孪生神经网络模型,服务器利用该孪生神经网络模型对输入的两幅电力设备巡检图像进行特征融合,再进一步作相似度比较,确定两幅电力设备巡检图像之间的特征相似度,服务器判定该特征相似度是否大于预设阈值,在该特征相似度大于预设阈值的情况下,服务器确定两幅电力设备巡检图像之间存在重叠区域,满足图像拼接的条件,则服务器将两幅电力设备巡检图像作为可以用于拼接的电力设备巡检图像对。
其中,将一对电力设备巡检图像对的两幅电力设备巡检图像作为输入至孪生神经网络模型的两个编码器中,两个编码器会共享权值,可以将两幅电力设备巡检图像进行映射,从而在新空间中形成全新的表示,从而可以衡量两幅电力设备巡检图像之间的相似程度。
本实施例的技术方案,通过将电力设备巡检图像对中的两幅电力设备巡检图像输入至孪生神经网络模型,得到两幅电力设备巡检图像之间的相似度信息,从而判定两幅电力设备巡检图像是否存在重叠区域,从而确定两幅电力设备巡检图像是否满足拼接条件,在不满足拼接条件的情况下,可以直接放弃对两幅电力设备巡检图像的进一步处理,避免了不必要的数据处理,提高了图像拼接效率。
在另一个实施例中,根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵,包括:根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对对应的第一匹配特征点对;将第一匹配特征点对输入至预训练的特征点匹配模型,确定该电力设备巡检图像对对应的第二匹配特征点对,并确定该电力设备巡检图像对对应的单应性矩阵;第一匹配特征点在特征点匹配模型中的误差精度小于第二匹配特征点在特征点匹配模型中的误差精度。
其中,第一匹配特征点对可以是在两幅电力设备巡检图像对的图像特征点匹配对集合中随机选取出的图像特征点匹配对。
其中,特征点匹配模型可以是用于从两幅电力设备巡检图像对的图像特征点匹配对集合中筛选出符合预设条件的图像特征点匹配对的模型。
其中,第二匹配特征点对可以是特征点匹配模型输出的符合预设条件的图像特征点匹配对。
具体实现中,服务器根据该电力设备巡检图像对对应的两幅电力设备巡检图像各自对应的图像特征点数据和自注意力信息,确定两幅电力设备巡检图像之间对应的粗匹配特征点对,即第一匹配特征点对,服务器根据该粗匹配特征点对利用预训练的特征点匹配模型获取精匹配特征点对,即第二匹配特征点对,服务器在获取粗匹配特征点对到获取精匹配特征点对的过程中,确定了该电力设备巡检图像对对应的单应性矩阵。
为了便于本领域技术人员的理解,下述示例性地提供了一种基于RANSAC算法(Random sample consensus,随机抽样一致算法)的电力设备巡检图像的图像特征点匹配过程。其中,电力设备巡检图像集Y对应了一组由图像特征点匹配对构成的数据集,在该数据集中的图像特征点匹配对称为粗匹配特征点对。通过RANSAC算法,将粗匹配特征点对进行进一步筛选,消除错误匹配的特征点对,得到精匹配特征点对,然后将获取的精匹配特征点通过下述公式:
计算出单应性变换矩阵H,其中,单应性矩阵H共有8个参数,分别为(h0,h1,h2,h3,h4,h5,h6,h7),如此,可以计算出不同电力设备图像之间的位置关系,从而实现对电力设备图像的拼接。其中xA,为变换后特征点的横坐标,yA为变换后特征点的纵坐标,xB为变换前特征点的横坐标,yB为变换前特征点的纵坐标。
该RANSAC算法从粗匹配特征点对中筛选出精匹配特征点对的流程如图5所示,其主要步骤为:步骤1,从粗匹配特征点中,随机地选取4对非线性特征点匹配对组成集合M;步骤2,使用集合M计算出单应性矩阵H;步骤3,使用H对粗匹配特征点中的所有匹配对进行验证,统计内点个数(内点为小于预设阈值的匹配对);步骤4,若当前内点数大于当前最优单应性矩阵的内点数,则对当前最优单应性矩阵进行更新,反之,不更新;步骤5,根据当前最优单应性矩阵的内点数更新迭代总次数,若当前迭代次数小于总迭代次数,返回执行步骤1,反之,则当前最优单应性矩阵为最终结果。
本实施例的技术方案,通过特征点匹配模型,从两幅电力设备巡检图像对应的粗匹配特征点对进行筛选,得到两幅电力设备巡检图像对应的精匹配特征点对,且得到反映两幅电力设备巡检图像的像素点之间的映射关系的单应性矩阵,能够获取到精确的特征信息,有利于将两幅电力设备巡检图像更为精准地拼接为一张拼接图像,提高了图像拼接效率。
在另一个实施例中,根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像,包括:根据单应性矩阵,将电力设备巡检图像对中的巡检图像进行图像配准,得到配准后巡检图像;根据配准后巡检图像确定的图像交界区域,融合电力设备巡检图像对中的巡检图像,得到融合后巡检图像;融合后巡检图像在图像交界区域对应的像素信息为通过对各巡检图像在图像交界区域对应的像素信息进行加权融合得到的;将融合后巡检图像作为该电力设备巡检图像对的拼接后巡检图像。
其中,图像交界区域可以是两幅电力设备巡检图像之间的重叠区域。
其中,像素信息可以是电力设备巡检图像中各个像素点对应的像素值。
具体实现中,服务器根据单应性矩阵,将电力设备巡检图像对中的两幅电力设备巡检图像进行配准,即服务器将两幅电力设备巡检图像根据重叠区域合成一张图像,得到配准后巡检图像,服务器再根据配准后巡检图像确定的图像交界区域,将该图像交界区域处两幅电力设备巡检图像对应像素值进行加权处理,得到融合后巡检图像。
为了便于本领域技术人员的理解,下述示例性地提供了一种对电力设备巡检图像的像素加权融合法。像素加权公式为:
f(x,y)=ω1f1(x,y)+ω2f2(x,y)
其中,f1为图像1的像素,f2为图像2的像素,f为融合后图片的像素。其中,ω1和ω2的值需满足条件ω1+ω2=1,且ω1和ω2的值不是固定不变的,而是根据像素与两个图像重叠区域边界间的距离来决定的,其取值变换可以通过用下述表达式表示:
其中,f1为图像1的像素,f2为图像2的像素,f为融合后图片的像素。中间f1∩f2对应两个图像的重叠区域的像素变换。
本实施例的技术方案,通过将两幅电力设备巡检图像进行图像配准,并将两幅电力设备巡检图像重叠区域的像素值进行加权融合,得到融合后巡检图像,该融合后巡检图像能够较好地消除拼接后巡检图像的交界线,使得图像拼接效果更好。
在另一个实施例中,将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据,包括:将该电力设备巡检图像对中的巡检图像进行池化处理,得到各巡检图像对应的图像池化特征;将各巡检图像对应的图像池化特征输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息,包括:将该电力设备巡检图像对中的巡检图像进行池化处理,得到各巡检图像对应的图像池化特征;将各巡检图像对应的图像池化特征输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息。
具体实现中,服务器根据电力设备巡检图像对中的两幅电力设备巡检图像进行池化处理,得到两幅电力设备巡检图像对应的图像池化特征,服务器再将两幅电力设备巡检图像对应的图像池化特征分别输入至预训练的特征点提取模型,得到两幅电力设备巡检图像对应的图像特征点数据;服务器将两幅电力设备巡检图像对中的两幅电力设备巡检图像进行池化处理,得到两幅电力设备巡检图像池化特征,服务器再将两幅电力设备巡检图像对应的图像池化特征输入至预训练的自注意力模型,得到两幅电力设备巡检图像对应的自注意力信息。
本实施例的技术方案,通过对两幅电力设备巡检图像进行池化处理,将两幅电力设备巡检图像对应的特征图进行降维和压缩,保留了电力设备巡检图像的主要特征,并加速对电力设备巡检图像的图像特征点数据提取,并通过将图像特征点数据输入至预训练的特征点提取模型和预训练的自注意力模型,提取较为重要的特征点数据,使得两幅电力设备巡检图像的拼接效率更高。
在另一个实施例中,方法还包括:获取通用图像训练样本,并利用通用图像训练样本,对待训练的图像特征提取层进行训练,得到预训练的图像特征提取层;获取待训练的图像特征分类层,并根据待训练的图像特征分类层和预训练的图像特征提取层,确定待训练的电力设备识别模型;获取巡检全景图像训练样本,并利用巡检全景图像训练样本,对待训练的电力设备识别模型进行训练,得到训练好的电力设备识别模型;训练好的电力设备识别模型用于输出针对全景巡检图像的电力设备识别结果。
其中,通用图像训练样本可以是公共图像数据集。例如,通用图像训练样本可以是ImageNet(一个用于视觉对象识别软件研究的大型可视化数据库)等公共数据库中的图像数据。
其中,图像特征提取层可以是用于提取图像特征的神经网络层。
其中,图像特征分类层可以是用于根据图像特征进行图像分类的神经网络层。
其中,电力设备识别模型可以是用于根据巡检全景图像确定电力设备的模型。例如,电力设备识别模型可以是YOLOv3神经网络模型。
其中,巡检全景图像训练样本可以是根据巡检设备所摄取的电力设备巡检图像集中的电力设备巡检图像所拼接成的多张巡检全景图像所构成的图像数据集。
具体实现中,服务器获取通用图像训练样本,并利用通用图像训练样本,对待训练的图像特征提取层进行模型训练,得到预训练的图像特征提取层,服务器再获取图像特征分类层,并将图像特征提取层与图像特征分类层生成为电力设备识别模型,服务器再获取巡检全景图像训练样本对电力设备识别模型进行模型训练,其中,巡检图像训练样本为将电力设备巡检图像集中的电力设备巡检图像进行拼接得到的巡检全景图像,服务器将巡检全景图像输入至训练好的电力设备识别模型,通过该电力设备识别模型确定当前巡检任务对应的电力设备。
为了便于本领域技术人员的理解,下述提供了一种基于迁移学习的YOLOv3电力设备识别模型,在图片训练样本不足的情况下,能够得到较为准确的电力设备识别模型。通过引入迁移学习,首先,利用使用ImageNet和其他公共数据集对网络特征提取层进行预训练,然后,将源域图像的特征迁移到电力设备巡检图像上,对两种图像的共同特征进行比较和分析,并将源域模型的参数迁移到电力设备识别模型上,最后,根据拼接得到的巡检全景图像集对模型进行训练。
本实施例的技术方案,通过使用通用图像训练样本对图像特征提取层进行训练,并获取图像特征分类层,将图像特征分类层和图像特征提取层生成为电力设备识别模型,并根据拼接全景图像集,对电力设备识别模型进行训练,得到适用于识别电力设备的电力设备识别模型,在实际图像训练样本数量较小的情况下,能够通过大量的通用图像训练样本,训练出识别准确率较高的电力设备识别模型,有利于对电力系统中电力设备的准确识别。
在另一个实施例中,如图6所示,提供了一种电力设备巡检图像的图像识别方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤S602,获取与巡检任务关联的电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;
步骤S604,对于任一电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息;
步骤S606,根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对对应的第一匹配特征点对;
步骤S608,将第一匹配特征点对输入至预训练的特征点匹配模型,确定该电力设备巡检图像对对应的第二匹配特征点对,并确定该电力设备巡检图像对对应的单应性矩阵;第一匹配特征点在特征点匹配模型中的误差精度小于第二匹配特征点在特征点匹配模型中的误差精度;单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;
步骤S610,根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;
步骤S612,根据各电力设备巡检图像对的拼接后巡检图像,生成针对巡检任务的巡检全景图像;巡检全景图像用于确定巡检任务的电力设备识别结果。
需要说明的是,上述步骤的具体限定可以参见上文对一种电力设备巡检图像的图像识别方法的具体限定,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力设备巡检图像的图像识别方法的电力设备巡检图像的图像识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力设备巡检图像的图像识别装置实施例中的具体限定可以参见上文中对于电力设备巡检图像的图像识别方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种电力设备巡检图像的图像识别装置,包括:
获取模块702,用于获取与巡检任务关联的电力设备巡检图像集,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;
输入模块704,用于对于任一电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息;
确定模块706,用于根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵;单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;
拼接模块708,用于根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;
生成模块710,用于根据各电力设备巡检图像对的拼接后巡检图像,生成针对巡检任务的巡检全景图像;巡检全景图像用于确定巡检任务的电力设备识别结果。
在其中一个实施例中,在电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对,获取模块702,具体用于确定电力设备巡检图像集中的至少一组待比对的巡检图像对;对于任一待比对的巡检图像对,将该待比对的巡检图像对中的巡检图像输入至孪生神经网络模型,确定该待比对的巡检图像对中的巡检图像之间的特征相似度;在特征相似度大于预设阈值的情况下,将该待比对的巡检图像对确定为电力设备巡检图像对。
在其中一个实施例中,根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对的单应性矩阵,确定模块706,具体用于根据图像特征点数据和自注意力信息,确定该电力设备巡检图像对对应的第一匹配特征点对;将第一匹配特征点对输入至预训练的特征点匹配模型,确定该电力设备巡检图像对对应的第二匹配特征点对,并确定该电力设备巡检图像对对应的单应性矩阵;第一匹配特征点在特征点匹配模型中的误差精度小于第二匹配特征点在特征点匹配模型中的误差精度。
在其中一个实施例中,根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像,拼接模块708,具体用于根据单应性矩阵,将电力设备巡检图像对中的巡检图像进行图像配准,得到配准后巡检图像;根据配准后巡检图像确定的图像交界区域,融合电力设备巡检图像对中的巡检图像,得到融合后巡检图像;融合后巡检图像在图像交界区域对应的像素信息为通过对各巡检图像在图像交界区域对应的像素信息进行加权融合得到的;将融合后巡检图像作为该电力设备巡检图像对的拼接后巡检图像。
在其中一个实施例中,将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据,输入模块704,具体用于将该电力设备巡检图像对中的巡检图像进行池化处理,得到各巡检图像对应的图像池化特征;将各巡检图像对应的图像池化特征输入至预训练的特征点提取模型,得到各巡检图像对应的图像特征点数据;将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息,输入模块704,具体用于将该电力设备巡检图像对中的巡检图像进行池化处理,得到各巡检图像对应的图像池化特征;将各巡检图像对应的图像池化特征输入至预训练的自注意力模型,得到各巡检图像对应的自注意力信息。
在其中一个实施例中,装置还包括训练模块,具体用于获取通用图像训练样本,并利用通用图像训练样本,对待训练的图像特征提取层进行训练,得到预训练的图像特征提取层;获取待训练的图像特征分类层,并根据待训练的图像特征分类层和预训练的图像特征提取层,确定待训练的电力设备识别模型;获取巡检全景图像训练样本,并利用巡检全景图像训练样本,对待训练的电力设备识别模型进行训练,得到训练好的电力设备识别模型;训练好的电力设备识别模型用于输出针对全景巡检图像的电力设备识别结果。
上述电力设备巡检图像的图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力设备巡检图像的图像识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力设备巡检图像的图像识别方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述一种电力设备巡检图像的图像识别方法的步骤。此处一种电力设备巡检图像的图像识别方法的步骤可以是上述各个实施例的一种电力设备巡检图像的图像识别方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述一种电力设备巡检图像的图像识别方法的步骤。此处一种电力设备巡检图像的图像识别方法的步骤可以是上述各个实施例的一种电力设备巡检图像的图像识别方法中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时,使得处理器执行上述一种电力设备巡检图像的图像识别方法的步骤。此处一种电力设备巡检图像的图像识别方法的步骤可以是上述各个实施例的一种电力设备巡检图像的图像识别方法中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力设备巡检图像的图像识别方法,其特征在于,所述方法包括:
获取与巡检任务关联的电力设备巡检图像集,在所述电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;
对于任一所述电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各所述巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各所述巡检图像对应的自注意力信息;
根据所述图像特征点数据和所述自注意力信息,确定该电力设备巡检图像对的单应性矩阵;所述单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;
根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;
根据各所述电力设备巡检图像对的拼接后巡检图像,生成针对所述巡检任务的巡检全景图像;所述巡检全景图像用于确定所述巡检任务的电力设备识别结果。
2.根据权利要求1所述的方法,其特征在于,在所述电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对,包括:
确定所述电力设备巡检图像集中的至少一组待比对的巡检图像对;
对于任一所述待比对的巡检图像对,将该待比对的巡检图像对中的巡检图像输入至孪生神经网络模型,确定该待比对的巡检图像对中的巡检图像之间的特征相似度;
在所述特征相似度大于预设阈值的情况下,将该待比对的巡检图像对确定为所述电力设备巡检图像对。
3.根据权利要求1所述的方法,其特征在于,所述根据所述图像特征点数据和所述自注意力信息,确定该电力设备巡检图像对的单应性矩阵,包括:
根据所述图像特征点数据和所述自注意力信息,确定该电力设备巡检图像对对应的第一匹配特征点对;
将所述第一匹配特征点对输入至预训练的特征点匹配模型,确定该电力设备巡检图像对对应的第二匹配特征点对,并确定该电力设备巡检图像对对应的单应性矩阵;所述第一匹配特征点在所述特征点匹配模型中的误差精度小于所述第二匹配特征点在所述特征点匹配模型中的误差精度。
4.根据权利要求1所述的方法,其特征在于,所述根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像,包括:
根据所述单应性矩阵,将所述电力设备巡检图像对中的巡检图像进行图像配准,得到配准后巡检图像;
根据所述配准后巡检图像确定的图像交界区域,融合所述电力设备巡检图像对中的巡检图像,得到融合后巡检图像;所述融合后巡检图像在所述图像交界区域对应的像素信息为通过对各所述巡检图像在所述图像交界区域对应的像素信息进行加权融合得到的;
将所述融合后巡检图像作为该电力设备巡检图像对的拼接后巡检图像。
5.根据权利要求1所述的方法,其特征在于,所述将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各所述巡检图像对应的图像特征点数据,包括:
将该电力设备巡检图像对中的巡检图像进行池化处理,得到各所述巡检图像对应的图像池化特征;
将各所述巡检图像对应的图像池化特征输入至预训练的特征点提取模型,得到各所述巡检图像对应的图像特征点数据;
所述将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各所述巡检图像对应的自注意力信息,包括:
将该电力设备巡检图像对中的巡检图像进行池化处理,得到各所述巡检图像对应的图像池化特征;
将各所述巡检图像对应的图像池化特征输入至预训练的自注意力模型,得到各所述巡检图像对应的自注意力信息。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取通用图像训练样本,并利用所述通用图像训练样本,对待训练的图像特征提取层进行训练,得到预训练的图像特征提取层;
获取待训练的图像特征分类层,并根据所述待训练的图像特征分类层和所述预训练的图像特征提取层,确定待训练的电力设备识别模型;
获取巡检全景图像训练样本,并利用所述巡检全景图像训练样本,对所述待训练的电力设备识别模型进行训练,得到训练好的电力设备识别模型;所述训练好的电力设备识别模型用于输出针对所述全景巡检图像的电力设备识别结果。
7.一种电力设备巡检图像的图像识别装置,其特征在于,所述装置包括:
获取模块,用于获取与巡检任务关联的电力设备巡检图像集,在所述电力设备巡检图像集中确定待拼接的至少一组电力设备巡检图像对;
输入模块,用于对于任一所述电力设备巡检图像对,分别将该电力设备巡检图像对中的巡检图像输入至预训练的特征点提取模型,得到各所述巡检图像对应的图像特征点数据;以及,将该电力设备巡检图像对中的巡检图像输入至预训练的自注意力模型,得到各所述巡检图像对应的自注意力信息;
确定模块,用于根据所述图像特征点数据和所述自注意力信息,确定该电力设备巡检图像对的单应性矩阵;所述单应性矩阵用于表征该电力设备巡检图像对中的巡检图像对应的图像特征点之间的位置匹配信息;
拼接模块,用于根据该电力设备巡检图像对的单应性矩阵,拼接该组电力设备巡检图像对中的巡检图像,得到该电力设备巡检图像对的拼接后巡检图像;
生成模块,用于根据各所述电力设备巡检图像对的拼接后巡检图像,生成针对所述巡检任务的巡检全景图像;所述巡检全景图像用于确定所述巡检任务的电力设备识别结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211530718.2A CN115861927A (zh) | 2022-12-01 | 2022-12-01 | 电力设备巡检图像的图像识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211530718.2A CN115861927A (zh) | 2022-12-01 | 2022-12-01 | 电力设备巡检图像的图像识别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861927A true CN115861927A (zh) | 2023-03-28 |
Family
ID=85668959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211530718.2A Pending CN115861927A (zh) | 2022-12-01 | 2022-12-01 | 电力设备巡检图像的图像识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861927A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168351A (zh) * | 2023-04-26 | 2023-05-26 | 佰聆数据股份有限公司 | 电力设备巡检方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201115A (zh) * | 2011-04-07 | 2011-09-28 | 湖南天幕智能科技有限公司 | 无人机航拍视频实时全景图拼接方法 |
WO2019047284A1 (zh) * | 2017-09-05 | 2019-03-14 | 平安科技(深圳)有限公司 | 特征提取、全景拼接方法及其装置、设备、可读存储介质 |
CN111861866A (zh) * | 2020-06-30 | 2020-10-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种变电站设备巡检图像全景重建方法 |
CN112288670A (zh) * | 2020-11-18 | 2021-01-29 | 苏州臻迪智能科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113361354A (zh) * | 2021-05-28 | 2021-09-07 | 国能朔黄铁路发展有限责任公司 | 轨道部件巡检方法、装置、计算机设备和存储介质 |
CN114972030A (zh) * | 2022-05-31 | 2022-08-30 | 北京智通东方软件科技有限公司 | 一种图像拼接方法、装置、存储介质与电子设备 |
CN115205118A (zh) * | 2022-07-08 | 2022-10-18 | 中山大学 | 一种水下图像拼接方法、装置、计算机设备及存储介质 |
-
2022
- 2022-12-01 CN CN202211530718.2A patent/CN115861927A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201115A (zh) * | 2011-04-07 | 2011-09-28 | 湖南天幕智能科技有限公司 | 无人机航拍视频实时全景图拼接方法 |
WO2019047284A1 (zh) * | 2017-09-05 | 2019-03-14 | 平安科技(深圳)有限公司 | 特征提取、全景拼接方法及其装置、设备、可读存储介质 |
CN111861866A (zh) * | 2020-06-30 | 2020-10-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种变电站设备巡检图像全景重建方法 |
CN112288670A (zh) * | 2020-11-18 | 2021-01-29 | 苏州臻迪智能科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113361354A (zh) * | 2021-05-28 | 2021-09-07 | 国能朔黄铁路发展有限责任公司 | 轨道部件巡检方法、装置、计算机设备和存储介质 |
CN114972030A (zh) * | 2022-05-31 | 2022-08-30 | 北京智通东方软件科技有限公司 | 一种图像拼接方法、装置、存储介质与电子设备 |
CN115205118A (zh) * | 2022-07-08 | 2022-10-18 | 中山大学 | 一种水下图像拼接方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168351A (zh) * | 2023-04-26 | 2023-05-26 | 佰聆数据股份有限公司 | 电力设备巡检方法及装置 |
CN116168351B (zh) * | 2023-04-26 | 2023-09-08 | 佰聆数据股份有限公司 | 电力设备巡检方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
US20240046105A1 (en) | Image Quality Assessment Using Similar Scenes as Reference | |
WO2019237846A1 (zh) | 图像处理方法、人脸识别方法、装置和计算机设备 | |
CN106203242B (zh) | 一种相似图像识别方法及设备 | |
CN109544501B (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
EP3844669A1 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
CN111667464A (zh) | 危险品三维图像检测方法、装置、计算机设备及存储介质 | |
CN110728295B (zh) | 半监督式的地貌分类模型训练和地貌图构建方法 | |
CN110598019B (zh) | 重复图像识别方法及装置 | |
CN115526892B (zh) | 基于三维重建的图像缺陷去重检测方法和装置 | |
CN111666922A (zh) | 视频匹配方法、装置、计算机设备和存储介质 | |
CN110533119B (zh) | 标识识别方法及其模型的训练方法、装置及电子系统 | |
CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
CN112396053A (zh) | 一种基于级联神经网络的环视鱼眼图像目标检测方法 | |
CN112232971A (zh) | 反欺诈检测方法、装置、计算机设备和存储介质 | |
Chaiyasarn et al. | Concrete crack detection and 3D mapping by integrated convolutional neural networks architecture | |
CN116452573A (zh) | 变电站设备缺陷检测方法、模型训练方法、装置和设备 | |
CN114419406A (zh) | 图像变化检测方法、训练方法、装置和计算机设备 | |
CN115861927A (zh) | 电力设备巡检图像的图像识别方法、装置和计算机设备 | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及系统 | |
CN117333440A (zh) | 输配电线路缺陷检测方法、装置、设备、介质和程序产品 | |
GB2523776A (en) | Methods for 3D object recognition and registration | |
Zou et al. | YOLOv7‐EAS: A Small Target Detection of Camera Module Surface Based on Improved YOLOv7 | |
CN115797291A (zh) | 回路端子的识别方法、装置、计算机设备和存储介质 |
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 |