CN116309364A - 变电站异常巡检方法及装置、存储介质、计算机设备 - Google Patents
变电站异常巡检方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN116309364A CN116309364A CN202310139526.7A CN202310139526A CN116309364A CN 116309364 A CN116309364 A CN 116309364A CN 202310139526 A CN202310139526 A CN 202310139526A CN 116309364 A CN116309364 A CN 116309364A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- abnormal
- target
- sample
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 225
- 238000007689 inspection Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims description 67
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation 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
- G06V10/70—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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种变电站异常巡检方法及装置、存储介质、计算机设备,该方法包括:响应于变电站设备巡检任务指令,获取变电站设备的目标图像;根据目标图像的拍摄点位,在正向样本库中获取正向样本图像;根据目标图像的像素信息和正向样本图像的像素信息,标记目标图像为正常目标图像或待定目标图像,在目标图像标记为待定目标图像时,计算目标图像与正向样本图像间的图像相似度,根据图像相似度判断目标图像是否为异常图像;若是异常图像,则在异常样本库中获取拍摄点位对应的异常样本图像,计算目标图像和异常样本图像之间的差异值,并在根据差异值确定拍摄点位为异常巡检点时,对目标图像进行图像重建,将重建后的目标图像保存至异常样本库中。
Description
技术领域
本申请涉及变电站巡检技术领域,尤其是涉及到一种变电站异常巡检方法及装置、存储介质、计算机设备。
背景技术
变电站作为电网的重要组成部分,具有设备数量多、环境复杂、地理位置分布广泛等特点。在传统的变电站运维管理中,运维人员采用人工方式对变电站设备进行定期巡视检查,从而掌握变电站设备运行情况,发现设备运行异常。现有的相关技术中,变电站设备数量增多,现有设备缺陷样本图像不能覆盖所有的设备缺陷类型,而变电站运维人员仅将设备缺陷图像识别结果作为巡检参考,仍通过读图抄表的方式进行日常巡视,导致运维人员工作量大、变电站设备缺陷识别准确率较低。
发明内容
有鉴于此,本申请提供了一种变电站异常巡检方法及装置、存储介质、计算机设备,有助于提高变电站设备缺陷识别的准确率。
根据本申请的一个方面,提供了一种变电站异常巡检方法,所述方法包括:
响应于变电站设备巡检任务指令,获取所述变电站设备的目标图像;
根据所述目标图像的拍摄点位,在正向样本库中获取与所述目标图像对应的正向样本图像;
根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像,并在所述目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库;
在所述目标图像标记为待定目标图像时,计算所述目标图像与所述正向样本图像之间的图像相似度,根据所述图像相似度判断所述目标图像是否为异常图像;
若是异常图像,则在异常样本库中获取所述拍摄点位对应的异常样本图像,计算所述目标图像和所述异常样本图像之间的差异值,并在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中。
可选地,所述获取所述变电站设备的目标图像,包括:
接收巡检设备在预制的拍摄点位拍摄的预检测图像,识别所述预检测图像,获取所述预检测图像中各像素点的像素值,根据所述像素值计算所述预检测图像的质量数据;
若所述质量数据大于或等于预设质量阈值,则对所述预检测图像进行去噪并确定去噪后的预检测图像为目标图像;
若所述质量数据小于所述预设质量阈值,则根据所述预检测图像的拍摄点位生成二次拍摄指令,拍摄新的预检测图像,直到获得满足所述预设质量阈值的目标图像。
可选地,所述根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像,包括:
将所述目标图像中各像素点的像素值与所述正向样本图像中对应位置的像素点的像素值做减法运算;
根据运算结果,标记所述目标图像为正常目标图像或待定目标图像。
可选地,所述获取所述变电站设备的目标图像之后,所述方法还包括:
根据所述目标图像的横向坐标、纵向坐标、正态分布的标准差和预设的尺度空间因子,计算所述目标图像的尺度空间;
基于所述尺度空间构建高斯金字塔,并进行高斯模糊操作,获取所述目标图像的角点信息;
根据所述角点信息将所述目标图像投影到正向样本图像上,将所述目标图像与所述正向样本图像进行对齐。
可选地,所述对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库,包括:
通过卷积神经网络识别所述目标图像的高维特征信息,基于所述高维特征信息生成正向特征信息,并根据所述正向特征信息构建正向化重建图像,将所述正向化重建图像作为所述拍摄点位的正向样本图像保存在所述正向样本库中。
可选地,所述根据所述图像相似度判断所述目标图像是否为异常图像,包括:
若所述图像相似度小于或等于预设相似度阈值,则确定所述目标图像为正常目标图像,并将所述目标图像保存到所述正向样本库;
若所述图像相似度大于预设相似度阈值,则确定所述目标图像为异常图像。
可选地,所述在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中,包括:
当所述差异值小于或等于预设差异值时,确定所述拍摄点位为异常巡检点,根据所述目标图像生成所述拍摄点位的异常巡检信息,进行异常巡检信息告警,并对所述目标图像进行异常图像重建,将重建后的目标图像保存至异常样本库中;
当所述图像差异值大于预设差异值时,将所述目标图像发送到运维终端,以使运维人员对所述目标图像进行异常审查,并根据接收到的异常审查结果将所述目标图像进行图像重建,将重建后的目标图像保存到正向样本库或者异常样本库中,其中,所述图像重建包括正向化图像重建和异常图像重建。
根据本申请的另一方面,提供了一种变电站异常巡检装置,所述装置包括:
第一获取模块,用于响应于变电站设备巡检任务指令,获取所述变电站设备的目标图像;
第二获取模块,用于根据所述目标图像的拍摄点位,在正向样本库中获取与所述目标图像对应的正向样本图像;
标记模块,用于根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像,并在所述目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库;
判断模块,用于在所述目标图像标记为待定目标图像时,计算所述目标图像与所述正向样本图像之间的图像相似度,根据所述图像相似度判断所述目标图像是否为异常图像;
确定模块,用于若是异常图像,则在异常样本库中获取所述拍摄点位对应的异常样本图像,计算所述目标图像和所述异常样本图像之间的差异值,并在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中。
可选地,所述第一获取模块,还用于:
接收巡检设备在预制的拍摄点位拍摄的预检测图像,识别所述预检测图像,获取所述预检测图像中各像素点的像素值,根据所述像素值计算所述预检测图像的质量数据;
若所述质量数据大于或等于预设质量阈值,则对所述预检测图像进行去噪并确定去噪后的预检测图像为目标图像;
若所述质量数据小于所述预设质量阈值,则根据所述预检测图像的拍摄点位生成二次拍摄指令,拍摄新的预检测图像,直到获得满足所述预设质量阈值的目标图像。
可选地,所述标记模块,还用于:
将所述目标图像中各像素点的像素值与所述正向样本图像中对应位置的像素点的像素值做减法运算;
根据运算结果,标记所述目标图像为正常目标图像或待定目标图像。
可选地,所述装置还包括:对齐模块,用于:
根据所述目标图像的横向坐标、纵向坐标、正态分布的标准差和预设的尺度空间因子,计算所述目标图像的尺度空间;
基于所述尺度空间构建高斯金字塔,并进行高斯模糊操作,获取所述目标图像的角点信息;
根据所述角点信息将所述目标图像投影到正向样本图像上,将所述目标图像与所述正向样本图像进行对齐。
可选地,所述装置还包括:重建模块,用于:
通过卷积神经网络识别所述目标图像的高维特征信息,基于所述高维特征信息生成正向特征信息,并根据所述正向特征信息构建正向化重建图像,将所述正向化重建图像作为所述拍摄点位的正向样本图像保存在所述正向样本库中。
可选地,所述判断模块,还用于:
若所述图像相似度小于或等于预设相似度阈值,则确定所述目标图像为正常目标图像,并将所述目标图像保存到所述正向样本库;
若所述图像相似度大于预设相似度阈值,则确定所述目标图像为异常图像。
可选地,所述确定模块,还用于:
当所述差异值小于或等于预设差异值时,确定所述拍摄点位为异常巡检点,根据所述目标图像生成所述拍摄点位的异常巡检信息,进行异常巡检信息告警,并对所述目标图像进行异常图像重建,将重建后的目标图像保存至异常样本库中;
当所述图像差异值大于预设差异值时,将所述目标图像发送到运维终端,以使运维人员对所述目标图像进行异常审查,并根据接收到的异常审查结果将所述目标图像进行图像重建,将重建后的目标图像保存到正向样本库或者异常样本库中,其中,所述图像重建包括正向化图像重建和异常图像重建。
依据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述变电站异常巡检方法。
依据本申请再一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述变电站异常巡检方法。
借由上述技术方案,本申请提供的一种变电站异常巡检方法及装置、存储介质、计算机设备,响应于变电站设备巡检任务指令,获取变电站设备的目标图像;根据目标图像的拍摄点位,在正向样本库中获取与目标图像对应的正向样本图像;根据目标图像的像素信息和正向样本图像的像素信息,标记目标图像为正常目标图像或待定目标图像,并在目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至正向样本库;在目标图像标记为待定目标图像时,计算目标图像与正向样本图像之间的图像相似度,根据图像相似度判断目标图像是否为异常图像;若是异常图像,则在异常样本库中获取拍摄点位对应的异常样本图像,计算目标图像和异常样本图像之间的差异值,并在根据差异值确定拍摄点位为异常巡检点时,对目标图像进行图像重建,将重建后的目标图像保存至异常样本库中,通过将当前变电站设备巡检图像与正向样本库进行比对,过滤出正常目标图像丰富正向样本库,将剩下的待定目标图像进行再一次异常识别,过滤出异常图像丰富异常样本库,正常目标图像丰富正向样本库,从而提高了对异常图像的识别精度,进而提高了变电站异常巡检效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种变电站异常巡检方法的流程示意图;
图2示出了本申请实施例提供的另一种变电站异常巡检方法的流程示意图;
图3示出了本申请实施例提供的一种变电站异常巡检装置的结构示意图;
图4示出了本申请实施例提供的一种变电站图像巡检预制的拍摄点位信息的示意图;
图5示出了本申请实施例提供的一种变电站设备图像与正向样本库图像的相似度比较模型的流程示意图;
图6示出了本申请实施例提供的又一种变电站异常巡检方法的流程示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种变电站异常巡检方法,如图1所示,该方法包括:
步骤101,响应于变电站设备巡检任务指令,获取所述变电站设备的目标图像。
本申请上述实施例可以应用于对变电站的巡检中,用于识别变电站设备中的异常。首先,响应于变电站设备巡检任务指令,其中,由变电站运维人员发出上述变电站设备巡检任务指令,然后响应于变电站设备巡检任务指令,控制变电站内的巡检设备对变电站设备进行摄像巡检,获得上述变电站内设备运行情况的目标图像,上述巡检设备包括高清视频摄像头、网络视频录像机等,以便为后期完成异常巡检做准备。
步骤102,根据所述目标图像的拍摄点位,在正向样本库中获取与所述目标图像对应的正向样本图像。
接下来,根据上述目标图像的拍摄点位,在正向样本库中获取与上述目标图像对应的正向样本图像,其中,获取在每个拍摄点位的目标图像,所有拍摄点位的正向样本图像存储在正向样本库中,例如,上述拍摄点位可根据需要自行设定,具体的,在正向样本库中获取与上述拍摄点位匹配的正向样本图像,为后期完成异常巡检做准备。
步骤103,根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像
接下来,获取上述目标图像的像素信息和上述正向样本图像的像素信息,根据上述两个像素信息,标记上述目标图像是否为正常目标图像或待定目标图像,即根据上述两个像素信息标记上述目标图像是否存在异常,其中,上述正常目标图像为不存在异常的正常目标图像,上述待确定目标图像为不确定是正常目标图像,还需进一步确定的目标图像,通过图像的像素信息过滤出正常目标图像,为接下来的异常巡检做准备。
步骤104,在所述目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库;在所述目标图像标记为待定目标图像时,计算所述目标图像与所述正向样本图像之间的图像相似度,根据所述图像相似度判断所述目标图像是否为异常图像。
接下来,当上述目标图像标记为正常目标图像时,对上述目标图像进行图像重建,将重建后的目标图像作为正向样本图像保存至上述正向样本库,增加了上述正向样本库中正向样本图像的数量;当上述目标图像标记为待定目标图像时,计算上述目标图像与上述正向样本图像之间的图像相似度,根据上述图像相似度判断上述目标图像是否为异常图像,通过计算图像相似度再一次判断待定目标图像是否存在异常,提高了识别目标图像异常的准确率,进而为接下来的异常巡检做准备。
步骤105,若是异常图像,则在异常样本库中获取所述拍摄点位对应的异常样本图像,计算所述目标图像和所述异常样本图像之间的差异值,并在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中。
接下来,若上述待定目标图像是异常图像,则在异常样本库中获取上述拍摄点位对应的异常样本图像,计算上述目标图像和上述异常样本图像之间的差异值,并根据上述差异值确定上述拍摄点位是否为异常巡检点,当确定为异常巡检点时,对上述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中,完成变电站设备巡检任务,整个巡检过程增加了正向样本图像和异常样本图像的样本数量,提高了异常巡检的准确度。
通过应用本实施例的技术方案,响应于变电站设备巡检任务指令,获取变电站设备的目标图像;根据目标图像的拍摄点位,在正向样本库中获取与目标图像对应的正向样本图像;根据目标图像的像素信息和正向样本图像的像素信息,标记目标图像为正常目标图像或待定目标图像,并在目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至正向样本库;在目标图像标记为待定目标图像时,计算目标图像与正向样本图像之间的图像相似度,根据图像相似度判断目标图像是否为异常图像;若是异常图像,则在异常样本库中获取拍摄点位对应的异常样本图像,计算目标图像和异常样本图像之间的差异值,并在根据差异值确定拍摄点位为异常巡检点时,对目标图像进行图像重建,将重建后的目标图像保存至异常样本库中。通过将当前变电站设备巡检图像与正向样本库进行比对,过滤出正常目标图像丰富正向样本库,将剩下的待定目标图像进行再一次异常识别,过滤出异常图像丰富异常样本库,正常目标图像丰富正向样本库,从而提高了对异常图像的识别精度,进而提高了变电站异常巡检效率。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了另一种变电站异常巡检方法,如图2所示,该方法包括:
步骤201,响应于变电站设备巡检任务指令,接收巡检设备在预制的拍摄点位拍摄的预检测图像,识别所述预检测图像,获取所述预检测图像中各像素点的像素值,根据所述像素值计算所述预检测图像的质量数据。
在本申请上述实施例中,首先响应于变电站设备巡检任务指令,然后接收巡检设备在预制的拍摄点位,例如,如图3所示每个预制的拍摄点位,拍摄每个预制点位的预检测图像,识别每个上述预检测图像,获取每个上述预检测图像中各像素点的像素值,根据上述像素值计算每个上述预检测图像的质量数据,例如,上述质量数据包括梯度信息和图像峰值信噪比,按照下述公式计算上述预检测图像的梯度
其中,na为预检测图像横坐标像素值,oa为预检测图像纵坐标像素值,Hij为增加噪声信息后的预检测图像,Eij为原始的预检测图像,再按照下述公式计算上述预检测图像的图像峰值信噪比Lps:
其中,Amax为预检测图像的最大像素值,为接下来的异常巡检做准备。
步骤202,若所述质量数据大于或等于预设质量阈值,则对所述预检测图像进行去噪并确定去噪后的预检测图像为目标图像;若所述质量数据小于所述预设质量阈值,则根据所述预检测图像的拍摄点位生成二次拍摄指令,拍摄新的预检测图像,直到获得满足所述预设质量阈值的目标图像。
接下来,将上述质量数据和预设质量阈值作比较,首先按照下述公式计算预设质量阈值Δf1:
其中,np为正向样本库的图像数量,fa为当前的梯度信息,fbi为不同的正向样本库图像的梯度值,fbmax-fbmin为图像梯度偏移值,fbmax为正向样本库中最大的图像梯度,fbmin为正向样本库中最小的图像梯度;若上述梯度或图像峰值信噪比Lps大于或等于预设质量阈值Δf1,则对上述预检测图像进行去噪并确定去噪后的预检测图像为目标图像;若上述梯度/>和图像峰值信噪比Lps都小于上述预设质量阈值Δf1,则根据上述预检测图像的拍摄点位生成二次拍摄指令,拍摄新的预检测图像,直到获得满足上述预设质量阈值的目标图像,通过对上述目标图像的图像质量进行检测,提高了目标图像的清晰度,为接下来的异常巡检做准备。
需要说明的是,受环境因素影响,在拍摄变电站设备图像过程中,存在噪声信息。通过对上述预检测图像进行质量分析与补拍,虽可以减少上述预检测图像中的噪声数据,但不能完全消除噪声信息,因此,需对预检测图像进行去噪处理,本实施例中通过开运算对上述预检测图像去噪;去噪过程如下:
预检测图像腐蚀为Ef:
其中,lz为预检测图像的结构元素,qc为腐蚀模版的类型,Ea为输入图像去噪处理的预检测图像;
预检测图像膨胀为Eg:
Eg={qc|lz∩Ef}
其中,lz为预检测图像的结构元素,qc为腐蚀模版的类型,Ef预检测图像的腐蚀图像;
该方法对上述预检测图像先腐蚀,后膨胀,从而减少预检测图像中的毛刺等噪声信息。其中,对预检测图像腐蚀的作用是压缩图像中的高亮区域,减少毛刺等噪声数据,体现预检测图像的实际特征;预检测图像膨胀的作用是恢复预检测图像中的高亮区域的实际值;通过对预检测图像的腐蚀和膨胀处理,减少了预检测图像中的噪声信息,提高了识别目标图像的准确度。
步骤203,根据所述目标图像的横向坐标、纵向坐标、正态分布的标准差和预设的尺度空间因子,计算所述目标图像的尺度空间;基于所述尺度空间构建高斯金字塔,并进行高斯模糊操作,获取所述目标图像的角点信息;根据所述角点信息将所述目标图像投影到正向样本图像上,将所述目标图像与所述正向样本图像进行对齐。
接下来,根据上述目标图像的横向坐标、纵向坐标、正态分布的标准差和预设的尺度空间因子,计算上述目标图像的尺度空间,例如,首先按照下述公式确定高斯函数Gxy:
其中,xc为目标图像的横向坐标,yc为目标图像的纵向坐标,δ为目标图像正态分布的标准差,eb为尺度空间因子,根据下述公式计算上述目标图像的尺度空间kxy:
kxy=Gxy*Exy
其中,Exy为输入的目标图像,*为卷积运算符;
再基于上述尺度空间构建高斯金字塔,并进行高斯模糊操作,获取上述目标图像的角点信息;根据上述角点信息将上述目标图像投影到正向样本图像上,将上述目标图像与上述正向样本图像进行对齐;例如,按照下述公式进行投影:
其中,xd、yd、zd为透视投射后目标图像的横坐标、纵坐标、竖坐标,xb、yb、zb为透视投射前变目标图像的横坐标、纵坐标、竖坐标,b11、b12、b13、b21、b22、b23、b31、b32、b33、为3*3的透视变换矩阵,通过将目标图像和正向样本图像对齐,进一步提高了接下来异常巡检的准确率。
步骤204,根据所述目标图像的拍摄点位,在正向样本库中获取与所述目标图像对应的正向样本图像;将所述目标图像中各像素点的像素值与所述正向样本图像中对应位置的像素点的像素值做减法运算,根据运算结果,标记所述目标图像为正常目标图像或待定目标图像。
接下来,根据上述目标图像的拍摄点位,例如,主变压器的散热器,在正向样本库中获取与主变压器的散热器对应的正向样本图像;将上述目标图像中各像素点的像素值与上述正向样本图像中对应位置的像素点的像素值做减法运算,获得多个计算差值,若有超过80%的计算差值在预设差值范围内,则标记上述目标图像为正常目标图,若不符合,则标记上述目标图像为待定目标图像。通过像素值对目标图像进行识别,确定目标图像为正常目标图像或待定目标图像,其中,正常目标图像进行正向化图像重建后用于正向样本训练库,进一步提高了异常巡检的准确度。
步骤205,在所述目标图像标记为正常目标图像时,通过卷积神经网络识别所述目标图像的高维特征信息,基于所述高维特征信息生成正向特征信息,并根据所述正向特征信息构建正向化重建图像,将所述正向化重建图像作为所述拍摄点位的正向样本图像保存在所述正向样本库中。
接下来,在上述目标图像标记为正常目标图像时,通过卷积神经网络(CNN)识别上述目标图像的高维特征信息,基于上述高维特征信息生成正向特征信息,并根据上述正向特征信息构建正向化重建图像,将上述正向化重建图像作为上述拍摄点位的正向样本图像保存在上述正向样本库中,例如,将上述正常目标图像输入到卷积神经网络之后:
CNN卷积的过程是求正常目标图像的权重与亮度之和,CNN卷积后为Cxy:
其中:ne为CNN的卷积核大小,oei为不同的正常目标图像亮度,wei为不同的正常目标图像权重,经过卷积后的正常目标图像后,增加偏置并激活,得到结果Cef:
其中:β为CNN的偏置,γ为CNN中的sigmoid激活函数,然后进行池化,降低变电站设备图像特征空间;最后,进行全连接,输出的正向化重建图像为Cg:
其中:ng为CNN的神经元层数,wgi为不同的CNN神经元层的权重,ui-1为CNN不同层数的上一层神经元的输出;将上述正向化重建图像Cg作为上述拍摄点位的正向样本图像保存在上述正向样本库中。为接下来的异常巡检做准备。
步骤206,在所述目标图像标记为待定目标图像时,计算所述目标图像与所述正向样本图像之间的图像相似度,若所述图像相似度小于或等于预设相似度阈值,则确定所述目标图像为正常目标图像,并将所述目标图像保存到所述正向样本库。
接下来,在上述目标图像标记为待定目标图像时,计算上述目标图像与上述正向样本图像之间的图像相似度,例如,如图4所示,C0为正向样本图像特征向量;C1为当前输入的目标图像特征向量,首先,C0和C1经过11×11步长为4的卷积和ReLU激活函数后,得到C2;其次,C0和C1再经过最大池化、5×5步长为2的卷积和ReLU激活函数后,得到C3;然后,C0和C1再经过最大池化、3×3步长为1的卷积和Sigmoid激活函数后得到C4;最后,将C2、C3和C4加权平均,得到正向样本相似度评分,上述目标图像与正向样本图像相似度为dab:
其中:nb为学习感知图像块相似度(LPIPS)中的层数;nc为LPIPS中各层的得分与权重组合数量;wi为不同的通道同维度可训练权重;vi为不同的通道的映射得分;wl为LPIPS通道同维度权重之和。yaj和ybj分别为当前目标图像与正向样本图像提取特征堆栈后,并进行单元归一化的值;其中,上述预设相似度阈值Δf2按照下述公式计算:
其中,fc为当前的相似度评分,fcavg为正向样本库图像之间相似度平均值,fcmax-fcmin为图像相似度偏移值,fcmax为正向样本库中最大的图像相似度;fcmin为正向样本库中最小的图像相似度;
若上述图像相似度dab小于或等于预设相似度阈值Δf2,则确定上述目标图像为正常目标图像,并将上述目标图像保存到上述正向样本库。对于待定目标图像再一次通过图像相似度的计算,识别上述目标与图像是否为异常图像,通过图像相似度再一次对待定目标图像进行识别,提高了识别目标图像的准确度,为接下来的异常巡检做准备。
步骤207,若所述图像相似度大于预设相似度阈值,则确定所述目标图像为异常图像,则在异常样本库中获取所述拍摄点位对应的异常样本图像,计算所述目标图像和所述异常样本图像之间的差异值,并当所述差异值小于或等于预设差异值时,确定所述拍摄点位为异常巡检点,根据所述目标图像生成所述拍摄点位的异常巡检信息,进行异常巡检信息告警,并对所述目标图像进行异常图像重建,将重建后的目标图像保存至异常样本库中。
接下来,若上述图像相似度dab大于预设相似度阈值Δf2,则确定上述目标图像为异常图像,则在异常样本库中获取上述拍摄点位对应的异常样本图像,计算上述目标图像和上述异常样本图像之间的差异值,例如,首先利用下述公式,基于所述异常特征值和预设第三层目标图像缺陷的通道数获取异常样本平均值za3:
其中,n1为第三层目标图像缺陷的通道数;dmax3i为不同的第三层通道目标图像缺陷最大差异值;
然后,根据所述异常样本平均值在第三显著图层za3上进行采样,并将其增加在第二层的平均图像缺陷样本值上,获取缺陷差异值za2为:
其中:n0为第二层目标图像缺陷的通道数,dmax2i为不同的第二层通道目标图像缺陷最大差异值,zah3为za3的显著图层采样值;
最后,根据所述第二缺陷差异值在第二显著图层za2上进行采样,并将其增加在第三层的平均图像缺陷值上,第一层输出目标图像缺陷值,即上述目标图像和上述述异常样本图像之间的差异值za1为:
其中:np为第一层目标图像缺陷的通道数;dmax1i为不同的第一层通道目标图像缺陷最大差异值;zah2为za2的显著图层采样值;
当上述差异值za1小于或等于预设差异值时,确定上述拍摄点位为异常巡检点,根据上述目标图像生成上述拍摄点位的异常巡检信息,根据上述异常巡视信息生成异常巡检信息,并进行异常巡检告警,并对上述目标图像进行异常图像重建,将重建后的目标图像保存至异常样本库中,通过计算上述目标图像和异常图像样本之间的差异值,又一次更新异常样本库,增加了异常样本库中异常样本图像的数量,提高了异常巡检的准确性。
步骤208,当所述图像差异值大于预设差异值时,将所述目标图像发送到运维终端,以使运维人员对所述目标图像进行异常审查,并根据接收到的异常审查结果将所述目标图像进行图像重建,将重建后的目标图像保存到正向样本库或者异常样本库中,其中,所述图像重建包括正向化图像重建和异常图像重建。
接下来,当上述图像差异值za1大于预设差异值时,将上述目标图像发送到运维终端,以使运维人员对上述目标图像进行异常审查,例如,半监督学习审查(SSL),当接收到上述目标图像属于异常图像时,标注缺陷信息,将上述目标图像进行异常图像重建,将重建后的目标图像保存到异常样本库中,将其用于异常样本库的训练,并进行异常信息告警;当接收到上述目标图像属于正常图像时,将上述目标图像进行正向化图像重建,将重建后的目标图像保存到正向样本库中,将其用于正向样本库的训练,从而提高了异常巡检的准确率,进一步提高了异常巡检的效率。
需要说明的是,在正向样本库建立时,采用高维特征记忆对正向样本图像的特征进行记忆,保证在模型训练后的图像高维特征与记忆值一致;在模型记忆过程中,将正向样本图像输入模型中,在CNN各块中提取正向样本图像特征,并形成记忆信息;在推理阶段,CNN高维特征编码从正向样本库中取出高维特征,并将其与当前的记忆信息进行比较,形成输入的正向样本图像与正向样本库的差异:
其中,nh为正向样本库中正向样本数量,Mbi为不同的输入正向样本图像;Mai为不同的正向样本库中的正向样本图像;取当前样本与正向样本库中差异最大的图像作为正向样本偏差最大允许范围。
高维特征解码中,首先,将CNN记忆模块中的目标图像多个编码特征在CNN通道维度上进行拼接;其次,将拼接目标图像结果通过卷积调整通道;在此基础上,将目标图像结果经过修正线性单元(Rectified Linear Unit,ReLU)激活函数得到高维特征解码器的第一层输出;然后,经过尺度调整得到第二层输出,直至高维特征解码输出所有的特征。
在半监督学习SSL中,采用变电站运维人员标记的正向样本图像来训练模型识别未标记的图像样本,从而弥补正向样本标记工作量大的问题,模型训练以均方损失函数(mean squared error,MSE)最小收敛为目标,随着训练次数增加,MES收敛,即完成模型训练。正向样本图像MSE为:
其中,nk为正向样本图像的数量,Eki为不同的正向样本图像正值,Hki为不同的正向化重建图像值。
在模型训练中,使用激活函数ReLU线性整流函数来进行更新,提高模型训练准确率。在变电站异常巡检中,若针对高压套管漏油等微小图像异常检测,通过语义分割网络将画面中重度关注区域提取处理,屏蔽掉无效背景信息,然后进行正向化图像重建,并形成变电站设备图像正向样本库。
通过应用本实施例的技术方案,将目标图像与正向样本库进行比对,过滤出正常目标图像用于丰富正向样本库,再将待定目标图像再一次进行识别,过滤出正常目标图像用于丰富正向样本库,过滤出异常图像用于丰富异常样本库,将过滤出的较少量的异常图像计算差异值并上报变电站运维人员进行半监督学习审查,正向样本库和异常样本库的丰富,提高了异常巡检的准确性,从而大幅降低变电站运维人员工作量,降低变电站设备单次巡检耗时,进一步提高了变电站视频巡检效率。
进一步的,本申请实施例提供了一种变电站异常巡检方法,如图5所示,该方法包括:
首先,根据变电站巡检任务指示,采集变电站设备图像,对采集到的变电站设备图像进行图像质量分析,对于不满足质量要求的变电站图像,根据对应拍摄点位信息,重新拍摄设备图像,直到该设备图像满足质量要求,确定满足质量要求的设备图像为目标图像;
对于质量满足要求的目标图像进行去噪处理并与正向样本库中对应拍摄点位的图像对齐;
目标图像对齐之后,识别该目标图像并标记正常目标图像,对于正常目标图像进行正向化图像重建,用于正向样本训练,保存至正向样本库;
对于不能标记为正常目标图像的剩余目标图像,即待定目标图像,识别是否存在异常区域,若不存在异常区域,则将该目标图像进行正向化图像重建并保存到正向样本库;
若存在异常区域,则获取异常区域信息,并与异常样本库中的图像进行对比,判断是否符合异常特征,若确定符合异常特征,则进行异常信息上报,更新异常样本库;
若不确定是否符合异常特征,则将该目标图像发送给运维人员,进行半监督审查,若接收到该目标图像为正常目标图像,则将该目标图像进行正向化图像重建,并保存到正向样本库;若接收到该目标图像为异常图像,则将该目标图像进行异常图像重建,保存到异常样本库。
进一步的,作为图1方法的具体实现,本申请实施例提供了一种变电站异常巡检装置,如图6所示,该装置包括:
第一获取模块,用于响应于变电站设备巡检任务指令,获取所述变电站设备的目标图像;
第二获取模块,用于根据所述目标图像的拍摄点位,在正向样本库中获取与所述目标图像对应的正向样本图像;
标记模块,用于根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像,并在所述目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库;
判断模块,用于在所述目标图像标记为待定目标图像时,计算所述目标图像与所述正向样本图像之间的图像相似度,根据所述图像相似度判断所述目标图像是否为异常图像;
确定模块,用于若是异常图像,则在异常样本库中获取所述拍摄点位对应的异常样本图像,计算所述目标图像和所述异常样本图像之间的差异值,并在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中。
可选地,所述第一获取模块,还用于:
接收巡检设备在预制的拍摄点位拍摄的预检测图像,识别所述预检测图像,获取所述预检测图像中各像素点的像素值,根据所述像素值计算所述预检测图像的质量数据;
若所述质量数据大于或等于预设质量阈值,则对所述预检测图像进行去噪并确定去噪后的预检测图像为目标图像;
若所述质量数据小于所述预设质量阈值,则根据所述预检测图像的拍摄点位生成二次拍摄指令,拍摄新的预检测图像,直到获得满足所述预设质量阈值的目标图像。
可选地,所述标记模块,还用于:
将所述目标图像中各像素点的像素值与所述正向样本图像中对应位置的像素点的像素值做减法运算;
根据运算结果,标记所述目标图像为正常目标图像或待定目标图像。
可选地,所述装置还包括:对齐模块,用于:
根据所述目标图像的横向坐标、纵向坐标、正态分布的标准差和预设的尺度空间因子,计算所述目标图像的尺度空间;
基于所述尺度空间构建高斯金字塔,并进行高斯模糊操作,获取所述目标图像的角点信息;
根据所述角点信息将所述目标图像投影到正向样本图像上,将所述目标图像与所述正向样本图像进行对齐。
可选地,所述装置还包括:重建模块,用于:
通过卷积神经网络识别所述目标图像的高维特征信息,基于所述高维特征信息生成正向特征信息,并根据所述正向特征信息构建正向化重建图像,将所述正向化重建图像作为所述拍摄点位的正向样本图像保存在所述正向样本库中。
可选地,所述判断模块,还用于:
若所述图像相似度小于或等于预设相似度阈值,则确定所述目标图像为正常目标图像,并将所述目标图像保存到所述正向样本库;
若所述图像相似度大于预设相似度阈值,则确定所述目标图像为异常图像。
可选地,所述确定模块,还用于:
当所述差异值小于或等于预设差异值时,确定所述拍摄点位为异常巡检点,根据所述目标图像生成所述拍摄点位的异常巡检信息,进行异常巡检信息告警,并对所述目标图像进行异常图像重建,将重建后的目标图像保存至异常样本库中;
当所述图像差异值大于预设差异值时,将所述目标图像发送到运维终端,以使运维人员对所述目标图像进行异常审查,并根据接收到的异常审查结果将所述目标图像进行图像重建,将重建后的目标图像保存到正向样本库或者异常样本库中,其中,所述图像重建包括正向化图像重建和异常图像重建。
需要说明的是,本申请实施例提供的一种变电站异常巡检装置所涉及各功能单元的其他相应描述,可以参考图1至图5方法中的对应描述,在此不再赘述。
基于上述如图1至图5所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述如图1至图5所示的变电站异常巡检方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图5所示的方法,以及图6所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1至图5所示的变电站异常巡检方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现,响应于变电站设备巡检任务指令,获取所述变电站设备的目标图像;根据所述目标图像的拍摄点位,在正向样本库中获取与所述目标图像对应的正向样本图像;根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像,并在所述目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库;在所述目标图像标记为待定目标图像时,计算所述目标图像与所述正向样本图像之间的图像相似度,根据所述图像相似度判断所述目标图像是否为异常图像;若是异常图像,则在异常样本库中获取所述拍摄点位对应的异常样本图像,计算所述目标图像和所述异常样本图像之间的差异值,并在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中,通过将当前变电站设备巡检图像与正向样本库进行比对,过滤出正常目标图像丰富正向样本库,将剩下的待定目标图像进行再一次异常识别,过滤出异常图像丰富异常样本库,正常目标图像丰富正向样本库,从而提高了对异常图像的识别精度,进而提高了变电站异常巡检效率。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种变电站异常巡检方法,其特征在于,所述方法包括:
响应于变电站设备巡检任务指令,获取所述变电站设备的目标图像;
根据所述目标图像的拍摄点位,在正向样本库中获取与所述目标图像对应的正向样本图像;
根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像,并在所述目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库;
在所述目标图像标记为待定目标图像时,计算所述目标图像与所述正向样本图像之间的图像相似度,根据所述图像相似度判断所述目标图像是否为异常图像;
若是异常图像,则在异常样本库中获取所述拍摄点位对应的异常样本图像,计算所述目标图像和所述异常样本图像之间的差异值,并在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中。
2.根据权利要求1所述的方法,其特征在于,所述获取所述变电站设备的目标图像,包括:
接收巡检设备在预制的拍摄点位拍摄的预检测图像,识别所述预检测图像,获取所述预检测图像中各像素点的像素值,根据所述像素值计算所述预检测图像的质量数据;
若所述质量数据大于或等于预设质量阈值,则对所述预检测图像进行去噪并确定去噪后的预检测图像为目标图像;
若所述质量数据小于所述预设质量阈值,则根据所述预检测图像的拍摄点位生成二次拍摄指令,拍摄新的预检测图像,直到获得满足所述预设质量阈值的目标图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像,包括:
将所述目标图像中各像素点的像素值与所述正向样本图像中对应位置的像素点的像素值做减法运算;
根据运算结果,标记所述目标图像为正常目标图像或待定目标图像。
4.根据权利要求1所述的方法,其特征在于,所述获取所述变电站设备的目标图像之后,所述方法还包括:
根据所述目标图像的横向坐标、纵向坐标、正态分布的标准差和预设的尺度空间因子,计算所述目标图像的尺度空间;
基于所述尺度空间构建高斯金字塔,并进行高斯模糊操作,获取所述目标图像的角点信息;
根据所述角点信息将所述目标图像投影到正向样本图像上,将所述目标图像与所述正向样本图像进行对齐。
5.根据权利要求1所述的方法,其特征在于,所述对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库,包括:
通过卷积神经网络识别所述目标图像的高维特征信息,基于所述高维特征信息生成正向特征信息,并根据所述正向特征信息构建正向化重建图像,将所述正向化重建图像作为所述拍摄点位的正向样本图像保存在所述正向样本库中。
6.根据权利要求1所述的方法,其特征在于,所述根据所述图像相似度判断所述目标图像是否为异常图像,包括:
若所述图像相似度小于或等于预设相似度阈值,则确定所述目标图像为正常目标图像,并将所述目标图像保存到所述正向样本库;
若所述图像相似度大于预设相似度阈值,则确定所述目标图像为异常图像。
7.根据权利要求1所述的方法,其特征在于,所述在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中,包括:
当所述差异值小于或等于预设差异值时,确定所述拍摄点位为异常巡检点,根据所述目标图像生成所述拍摄点位的异常巡检信息,进行异常巡检信息告警,并对所述目标图像进行异常图像重建,将重建后的目标图像保存至异常样本库中;
当所述图像差异值大于预设差异值时,将所述目标图像发送到运维终端,以使运维人员对所述目标图像进行异常审查,并根据接收到的异常审查结果将所述目标图像进行图像重建,将重建后的目标图像保存到正向样本库或者异常样本库中,其中,所述图像重建包括正向化图像重建和异常图像重建。
8.一种变电站异常巡检装置,其特征在于,所述装置包括:
第一获取模块,用于响应于变电站设备巡检任务指令,获取所述变电站设备的目标图像;
第二获取模块,用于根据所述目标图像的拍摄点位,在正向样本库中获取与所述目标图像对应的正向样本图像;
标记模块,用于根据所述目标图像的像素信息和所述正向样本图像的像素信息,标记所述目标图像为正常目标图像或待定目标图像,并在所述目标图像标记为正常目标图像时,对标记为正常目标图像的目标图像进行图像重建,将重建后的目标图像保存至所述正向样本库;
判断模块,用于在所述目标图像标记为待定目标图像时,计算所述目标图像与所述正向样本图像之间的图像相似度,根据所述图像相似度判断所述目标图像是否为异常图像;
确定模块,用于若是异常图像,则在异常样本库中获取所述拍摄点位对应的异常样本图像,计算所述目标图像和所述异常样本图像之间的差异值,并在根据所述差异值确定所述拍摄点位为异常巡检点时,对所述目标图像进行图像重建,将重建后的目标图像保存至异常样本库中。
9.一种存储介质,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7中任一项所述变电站异常巡检的方法。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在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权利要求1至7中任一项所述变电站异常巡检的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310139526.7A CN116309364A (zh) | 2023-02-20 | 2023-02-20 | 变电站异常巡检方法及装置、存储介质、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310139526.7A CN116309364A (zh) | 2023-02-20 | 2023-02-20 | 变电站异常巡检方法及装置、存储介质、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309364A true CN116309364A (zh) | 2023-06-23 |
Family
ID=86791606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310139526.7A Pending CN116309364A (zh) | 2023-02-20 | 2023-02-20 | 变电站异常巡检方法及装置、存储介质、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309364A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173385A (zh) * | 2023-10-24 | 2023-12-05 | 四川思极科技有限公司 | 一种变电站的检测方法、装置、介质及设备 |
-
2023
- 2023-02-20 CN CN202310139526.7A patent/CN116309364A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173385A (zh) * | 2023-10-24 | 2023-12-05 | 四川思极科技有限公司 | 一种变电站的检测方法、装置、介质及设备 |
CN117173385B (zh) * | 2023-10-24 | 2024-01-26 | 四川思极科技有限公司 | 一种变电站的检测方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520504B (zh) | 一种基于生成对抗网络端到端的模糊图像盲复原方法 | |
Wu et al. | Robust image forgery detection against transmission over online social networks | |
CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
Lin et al. | MSAFF-Net: Multiscale attention feature fusion networks for single image dehazing and beyond | |
CN117147561B (zh) | 用于金属拉链的表面质量检测方法及系统 | |
CN116309364A (zh) | 变电站异常巡检方法及装置、存储介质、计算机设备 | |
TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
CN113486302A (zh) | 数据处理方法及装置 | |
CN111079930A (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
CN115620384A (zh) | 模型训练方法、眼底图像预测方法及装置 | |
CN111047618A (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 | |
Nizami et al. | Impact of visual saliency on multi-distorted blind image quality assessment using deep neural architecture | |
CN113837230A (zh) | 基于自适应注意力机制的图像描述生成方法 | |
CN112270370B (zh) | 一种车辆表观毁伤评估方法 | |
CN113298161A (zh) | 图像识别模型测试方法、装置、计算机设备及存储介质 | |
She et al. | Facial image inpainting algorithm based on attention mechanism and dual discriminators | |
CN116612355A (zh) | 人脸伪造识别模型训练方法和装置、人脸识别方法和装置 | |
Su et al. | Attention-adaptive multi-scale feature aggregation dehazing network | |
CN116129417A (zh) | 一种基于低质量图像的数字仪表读数检测方法 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN115410035A (zh) | 基于监控视频的空中交通管制员不安全行为分类方法 | |
CN115619652A (zh) | 图像盲去噪方法、装置、电子设备和存储介质 | |
Shao et al. | No-Reference image quality assessment based on edge pattern feature in the spatial domain | |
CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 |
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 |