CN115937720A - 一种基于变电站目标检测聚类簇的航点自动生成方法 - Google Patents
一种基于变电站目标检测聚类簇的航点自动生成方法 Download PDFInfo
- Publication number
- CN115937720A CN115937720A CN202310000850.0A CN202310000850A CN115937720A CN 115937720 A CN115937720 A CN 115937720A CN 202310000850 A CN202310000850 A CN 202310000850A CN 115937720 A CN115937720 A CN 115937720A
- Authority
- CN
- China
- Prior art keywords
- equipment
- waypoints
- transformer substation
- cluster
- target
- 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
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
本发明公开了一种基于变电站目标检测聚类簇的航点自动生成方法,具体涉及无人机巡检领域,包括建立变电站三维图,采集需要检测设备的RGB图像,利用Graph‑Detect3D计算该平面上各个设备的几何中心,根据设备类型、朝向、设备的几何中心获得所有设备待巡检目标的坐标信息,对所有设备待巡检目标进行编号,采用密度聚类算法DBSCAN对设备的几何中心进行聚类,同一聚类簇中的所有设备中心几何中心作为航点,航点是根据每个类的几何中心坐标生成的,因此航点数量不会发生冗余,会正好覆盖到每个设备,能以最少的航点采集到变电站所有设备的图片,降低了采集数据的冗余。
Description
技术领域:
本发明涉及无人机巡检领域,尤其涉及一种基于变电站目标检测聚类簇的航点自动生成方法。
背景技术:
无人机巡检作为变电站巡检的一个重要方式,可以掌握设备运行状况及周围环境变化,及时发现设备缺陷和安全隐患,预防事故发生,从而保证输变电设备安全和电力系统稳定。但无人机在巡检前,需要先进行航点采集、航线规划,现有变电站航点的采集还是以现场勘探、人工绘制为主,这种方式具有主观性,通常致使变电站区域覆盖不全、航点冗余并且十分耗费人力和时间。
基于此,本发明想要提供一种基于变电站目标检测聚类簇的航点自动生成方法,解决航点对变电站区域覆盖不全以及航点冗余问题。
发明内容:
为了弥补现有技术问题的不足,本发明的目的是提供一种基于变电站目标检测聚类簇的航点自动生成方法,通过设备聚类簇自动生成巡检航点,不仅航点生成的效率高,且航点数量不会发生冗余,根据设备类型、朝向、设备的几何中心获得所有设备待巡检目标的坐标信息,对所有设备待巡检目标进行编号,可以防止待巡检目标未覆盖的问题。
本发明的技术方案如下:
一种基于变电站目标检测聚类簇的航点自动生成方法,包括以下步骤:
(1)利用无人机进行拍摄变电站的鸟瞰图,建立变电站三维图,标注各个设备所在位置信息;
(2)设置相机焦距、拍摄距离以及云台角度参数,利用无人机对所有需要检测设备进行拍摄;
(3)将步骤(2)中采集的RGB图像作为基于图的3D目标检测深度网络Graph-Detect3D的输入,可获得变电站中设备类型、设备上的待巡检目标的3D边界框及其朝向;
(4)根据目标检测鸟瞰图输出中设备3D边界框顶点的坐标信息,计算该平面上各个设备的几何中心;
(5)根据设备类型、朝向、设备的几何中心获得所有设备待巡检目标的坐标信息,对所有设备待巡检目标进行编号;
(6)采用密度聚类算法DBSCAN对设备的几何中心进行聚类,以无人机拍摄距离为半径,得到多个聚类簇;
(7)连接同一聚类簇中的所有设备中心得到一个多边形,计算该多边形的几何中心作为航点;
(8)判断设备上的待检测目标是否均能被其所在聚类簇中的航点所检测到,标记所有不在检测范围内的待巡检目标编号;
(9)以无人机最大检测距离为半径、设备3D包围框中心所在处为圆心划定圆形范围,记录圆形范围内所有航点编号作为该设备备选航点;
(10)判断设备上未被检测到的待巡检目标可被哪个备选航点所检测到;
(11)将设备与筛选出的所有航点进行一对多绑定,并将其存储为绑定文件;
(12)检查各个设备是否有遗漏的待检测目标点,若遗漏目标点只有一处,则直接添加航点;若遗漏目标点有两处,则在两目标点连线中心处设置新航点;若遗漏目标点有多处,则根据相对距离设置一个或多个新航点以保证没有航点遗漏。
(13)更新设备与航点的绑定关系并存储。
步骤(6)中采用密度聚类算法DBSCAN对设备的几何中心进行聚类,具体如下:
DBSCAN算法先任选变电站中的一个核心对象,即变电站中的设备作为种子,创建一个簇并找出它所有的核心对象,寻找合并核心对象密度可达的设备,直到所有核心对象均被访问过为止;DBSCAN的簇中可以少包含一个核心对象:如果只有一个核心对象,则其他非核心对象都落在核心对象的ε-邻域内;如果有多个核心对象,则任意一个核心对象的ε-邻域内至少有一个其他核心对象,否则这两个核心对象无法密度可达;包含过少对象的簇可以被认为是噪音。
与现有技术相比,本发明的优点如下:
1、本发明不同于现有技术中通过人工手动绘制航点,而是通过设备聚类簇自动生成巡检航点,较高的提升了航点生成的效率。
2、本发明方案的航点是根据每个类的几何中心坐标生成的,因此航点数量不会发生冗余,会正好覆盖到每个设备,本方案能以最少的航点采集到变电站所有设备的图片,降低了采集数据的冗余。
3、本发明方案的设备的种类较为固定,每类设备上待巡检目标也是一致的,因此,根据设备类型、朝向、设备的几何中心获得所有设备待巡检目标的坐标信息,对所有设备待巡检目标进行编号可以有得后续待巡检目标是否完全被覆盖的判断,防止待巡检目标遗漏。
4、本发明通过基于图的3D目标检测深度网络Graph-Detect3D智能检测并生成设备类型、设备上的待巡检目标的3D边界框及其朝向,利用的待巡检目标。
附图说明:
图1为本发明的方法流程图。
图2为本发明基于图的3D目标检测深度网络Graph-Detect3D结构示意图。
具体实施方式:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
如图1所示,本发明提供了基于变电站目标检测聚类簇的航点自动生成方法,包括以下步骤:
(1)利用无人机进行拍摄变电站的鸟瞰图,建立变电站三维图,标注各个设备所在位置信息;
(2)设置相机焦距、拍摄距离以及云台角度参数,利用无人机对所有需要检测设备进行拍摄;
(3)将步骤(2)中采集的RGB图像作为基于图的3D目标检测深度网络Graph-Detect3D的输入,可获得变电站中设备类型、设备上的待巡检目标的3D边界框及其朝向;
(4)根据目标检测鸟瞰图输出中设备3D边界框顶点的坐标信息,计算该平面上各个设备的几何中心;
(5)根据设备类型、朝向、设备的几何中心获得所有设备待巡检目标的坐标信息,对所有设备待巡检目标进行编号;
(6)采用密度聚类算法DBSCAN对设备的几何中心进行聚类,得到多个聚类簇;
(7)连接同一聚类簇中的所有设备中心得到一个多边形,计算该多边形的几何中心作为航点;
(8)判断设备上的待检测目标是否均能被其所在聚类簇中的航点所检测到,标记所有不在检测范围内的待巡检目标编号;
(9)以无人机最大检测距离为半径、设备3D包围框中心所在处为圆心划定圆形范围,记录圆形范围内所有航点编号作为该设备备选航点;
(10)判断设备上未被检测到的待巡检目标可被哪个备选航点所检测到;
(11)将设备与筛选出的所有航点进行一对多绑定,并将其存储为绑定文件;
(12)检查各个设备是否有遗漏的待检测目标点,若遗漏目标点只有一处,则直接添加航点;若遗漏目标点有两处,则在两目标点连线中心处设置新航点;若遗漏目标点有多处,则计算其连接后几何图形的几何中心作为新航点位置。
(13)更新设备与航点的绑定关系并存储。
本发明提供的变电站航点选择方法,采用基于图的3D目标检测深度网络识别变电站设备,并基于密度聚类算法构建航点。具体的,首先利用无人机搭载的摄像头采集变电站图片,采用基于图的3D目标检测深度网络Graph-Detect3D,识别变电站中所有设备及设备上所有待检测目标点,检测结果包括目标的3D包围框、包围框的大小和位置、3D包围框的朝向,这简化了复杂的现实场景,有利于后续聚类过程的快速、顺利进行。然后,对设备进行密度聚类,得到初始航点。紧接着,对整个变电站设备、航点、设备上的待检测目标进行编号,同时将设备与航点的对应关系进行存储。接下来筛查未能成功被检测的待检测目标点,添加航点以将其覆盖。最后,更新并存储和设备与航点绑定文件。
基于图的3D目标检测深度网络Graph-Detect3D的输入,可获得变电站中设备、设备上的待巡检目标的3D边界框及其朝向等相关参数,用于后续航点生成。具体的,如图2所示,将在变电站场景中采集到的图片作为输入,3D目标检测深度网络首先通过图结构学习自动聚合多视图变电站图像信息。在每个目标查询和2D特征图之间构建一个动态3D图,以增强目标表示,尤其是在边界区域。此外,Graph-Detect3D采用一种新的深度不变多尺度训练策略,其通过同时缩放图像大小和目标深度来保持视觉深度的一致性。
如图2所示,Graph-Detect3D由三个模块组成:图像编码器、transformer解码器和目标预测头。其中包含两个重要组成模块:动态图特征的聚合模块和深度不变的多尺度训练策略。给定一组变电站场景图片,Graph-Detect3D旨在预测感兴趣边框的定位和类别。首先用图像编码器(包括ResNet和FPN网络)将这些图像变成一组关于L个特征图级别的特征F。然后,构建一个动态3D图,通过动态图特征聚合模块广泛聚合2D信息,优化目标查询的表示。最后,利用增强的目标查询输出最终变电站设备和设备上待巡检目标点的预测3D框。
通过对变电站设备中心点进行密度聚类,得到多个聚类簇以及对应的聚类中心点。具体的,采用DBSCAN密度聚类算法对设备集合进行密度聚类,得到多个聚类簇。本实施例利用DBSCAN密度聚类算法对设备中心点进行聚类,具体的,DBSCAN算法先任选变电站中的一个核心对象作为种子,创建一个簇并找出它所有的核心对象,寻找合并核心对象密度可达的设备,直到所有核心对象均被访问过为止。DBSCAN的簇中可以少包含一个核心对象:如果只有一个核心对象,则其他非核心对象都落在核心对象的ε-邻域内;如果有多个核心对象,则任意一个核心对象的ε-邻域内至少有一个其他核心对象,否则这两个核心对象无法密度可达;包含过少对象的簇可以被认为是噪音。最后,将聚类簇的几何中心点设置为航点。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于变电站目标检测聚类簇的航点自动生成方法,其特征在于,包括以下步骤:
(1)利用无人机进行拍摄变电站的鸟瞰图,建立变电站三维图,标注各个设备所在位置信息;
(2)设置相机焦距、拍摄距离以及云台角度参数,利用无人机对所有需要检测设备进行拍摄;
(3)将步骤(2)中采集的RGB图像作为基于图的3D目标检测深度网络Graph-Detect3D的输入,可获得变电站中设备类型、设备上的待巡检目标的3D边界框及其朝向;
(4)根据目标检测鸟瞰图输出中设备3D边界框顶点的坐标信息,计算该平面上各个设备的几何中心;
(5)根据设备类型、朝向、设备的几何中心获得所有设备待巡检目标的坐标信息,对所有设备待巡检目标进行编号;
(6)采用密度聚类算法DBSCAN对设备的几何中心进行聚类,以无人机拍摄距离为半径,得到多个聚类簇;
(7)连接同一聚类簇中的所有设备中心得到一个多边形,计算该多边形的几何中心作为航点;
(8)判断设备上的待检测目标是否均能被其所在聚类簇中的航点所检测到,标记所有不在检测范围内的待巡检目标编号;
(9)以无人机最大检测距离为半径、设备3D包围框中心所在处为圆心划定圆形范围,记录圆形范围内所有航点编号作为该设备备选航点;
(10)判断设备上未被检测到的待巡检目标可被哪个备选航点所检测到;
(11)将设备与筛选出的所有航点进行一对多绑定,并将其存储为绑定文件;
(12)检查各个设备是否有遗漏的待检测目标点,若遗漏目标点只有一处,则直接添加航点;若遗漏目标点有两处,则在两目标点连线中心处设置新航点;若遗漏目标点有多处,则根据相对距离设置一个或多个新航点以保证没有航点遗漏。
(13)更新设备与航点的绑定关系并存储。
2.根据权利要求1所述的基于变电站目标检测聚类簇的航点自动生成方法,其特征在于,步骤(6)中采用密度聚类算法DBSCAN对设备的几何中心进行聚类,具体如下:
DBSCAN算法先任选变电站中的一个核心对象,即变电站中的设备作为种子,创建一个簇并找出它所有的核心对象,寻找合并核心对象密度可达的设备,直到所有核心对象均被访问过为止;DBSCAN的簇中可以少包含一个核心对象:如果只有一个核心对象,则其他非核心对象都落在核心对象的ε-邻域内;如果有多个核心对象,则任意一个核心对象的ε-邻域内至少有一个其他核心对象,否则这两个核心对象无法密度可达;包含过少对象的簇可以被认为是噪音。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310000850.0A CN115937720A (zh) | 2023-01-03 | 2023-01-03 | 一种基于变电站目标检测聚类簇的航点自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310000850.0A CN115937720A (zh) | 2023-01-03 | 2023-01-03 | 一种基于变电站目标检测聚类簇的航点自动生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937720A true CN115937720A (zh) | 2023-04-07 |
Family
ID=86555956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310000850.0A Pending CN115937720A (zh) | 2023-01-03 | 2023-01-03 | 一种基于变电站目标检测聚类簇的航点自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937720A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890766A (zh) * | 2024-01-17 | 2024-04-16 | 广东工业大学 | 基于分簇的两层结构式飞针测试机路径优化方法 |
-
2023
- 2023-01-03 CN CN202310000850.0A patent/CN115937720A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890766A (zh) * | 2024-01-17 | 2024-04-16 | 广东工业大学 | 基于分簇的两层结构式飞针测试机路径优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032962B (zh) | 一种物体检测方法、装置、网络设备和存储介质 | |
WO2020207166A1 (zh) | 一种物体检测方法、装置、电子设备和存储介质 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN111222395B (zh) | 目标检测方法、装置与电子设备 | |
CN110288586A (zh) | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 | |
Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
CN113378686B (zh) | 一种基于目标中心点估计的两阶段遥感目标检测方法 | |
CN108734143A (zh) | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 | |
CN110910341B (zh) | 一种输电线路锈蚀区缺陷检测方法及装置 | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
Verucchi et al. | Real-Time clustering and LiDAR-camera fusion on embedded platforms for self-driving cars | |
CN114092537A (zh) | 一种变电站电力无人机自动巡检方法及装置 | |
CN107564111A (zh) | 基于计算机视觉的电力线空间安全分析方法 | |
CN111339893A (zh) | 基于深度学习和无人机的管道检测系统及方法 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及系统 | |
CN109829881A (zh) | 基于深度学习的鸟巢检测方法及系统 | |
CN112580600A (zh) | 粉尘浓度检测方法、装置、计算机设备和存储介质 | |
CN109815798A (zh) | 无人机图像处理方法及系统 | |
CN115937720A (zh) | 一种基于变电站目标检测聚类簇的航点自动生成方法 | |
CN115547003A (zh) | 一种输电线路的防外破报警方法和系统 | |
CN113313006A (zh) | 基于无人机的城市违建监管方法、系统和存储介质 | |
CN115909092A (zh) | 轻量化输电通道隐患测距方法及隐患预警装置 | |
CN113848560A (zh) | 一种大坝表面图像无人机快速安全采集方法及系统 | |
CN112184903A (zh) | 高压线行树障风险点的检测方法、装置、设备及介质 | |
CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 |
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 |