CN116363585A - 一种输电线路在线监测方法及系统 - Google Patents

一种输电线路在线监测方法及系统 Download PDF

Info

Publication number
CN116363585A
CN116363585A CN202310266422.2A CN202310266422A CN116363585A CN 116363585 A CN116363585 A CN 116363585A CN 202310266422 A CN202310266422 A CN 202310266422A CN 116363585 A CN116363585 A CN 116363585A
Authority
CN
China
Prior art keywords
dimensional
monitoring
transmission line
establishing
coordinate
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
Application number
CN202310266422.2A
Other languages
English (en)
Inventor
李正波
姜云升
刘子文
刘永强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Beiken Intelligent Technology Co ltd
Original Assignee
Shanghai Beiken Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Beiken Intelligent Technology Co ltd filed Critical Shanghai Beiken Intelligent Technology Co ltd
Priority to CN202310266422.2A priority Critical patent/CN116363585A/zh
Publication of CN116363585A publication Critical patent/CN116363585A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • G06V2201/07—Target detection
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及线路监测技术领域，具体公开了一种输电线路在线监测方法及系统，所述方法包括获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分；基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果；将识别结果与计算的障碍物距离信息确定障碍物区域。本发明的输电线路双目视频监控装置通过双目测距技术进行三维重建；通过三维目标检测技术计算危险目标的位置和类别；通过查询三维坐标数据库得出预警级别，对输电线路的安全性进行监控；同时使得巡检人员能够实时获得报警提醒信息掌握现场情况，极大的提升监控效率。

Description

一种输电线路在线监测方法及系统
技术领域
本发明涉及线路监测技术领域，具体是一种输电线路在线监测方法及系统。
背景技术
架空输电线路作为电力系统的重要组成部分，是电力系统运行维护难度最大的环节。通常，架空输线路处于偏远山区等复杂的环境中，因此输电线路常受自然灾害和外力的损坏，从而造成输电线路故障，进而引起电力系统不稳定。严重时可能引发安全事故和造成大量财产损失。因此及时排除输电线路存在的安全隐患，确保输电线路安全运行尤为重要。为了完善传统人工巡检的缺陷，提高输电线路运维效率，构建输电线路的远程监控方法是输电线路运行维护的一大发展方向。
数字相机和计算机的发展使得基于相机自动识别的计算机图像处理技术被广泛应用于电力系统的检测中。因为在传统的单目机器视觉技术中，所采集的光信息呈现为二维图像后，会丢失场景中的深度信息，无法准确地确定异物的距离，从而使得机器视觉的检测结果受到相机的拍摄位置和角度影响，而造成监控系统的误判。因此，如何降低误报和漏报的概率是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种输电线路在线监测方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种输电线路在线监测方法，所述方法包括：
获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分；
基于切分后的三维模型实时监测危害目标，当所述危害目标进行监控范围时，基于预设的双目测距系统对拍摄的图片进行三维重建，得到障碍物距离；
基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果；
将识别结果与计算的障碍物距离信息确定障碍物区域；
统计输出数据，生成相关信息，将所述相关信息向手机APP端和设备终端发送。
作为本发明进一步的方案：所述获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分的步骤包括：
对双目测距系统进行参数标定；
对导线特征点进行三维重建；
建立导线空间方程；
建立输电线路通道平面监控区域；
建立输电线路通道立体监控区域；
计算监控空间点与导线距离；
建立空间点坐标及对应距离数据库。
作为本发明进一步的方案：所述基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果的步骤包括：
匹配两张图像中的对应特征点，计算视差数据；
将所述视差数据输入深度信息函数式，得到深度信息；
对所述图片进行识别，确定二维坐标，根据预设的转换公式将所述二维坐标转换为三维坐标；
统计所述深度信息和三维坐标，得到识别结果。
作为本发明进一步的方案：所述深度信息函数式为：
Figure BDA0004133131290000021
式中，(y1–y2)为视差数据，f、b为标定参数；
所述转换公式为：
Figure BDA0004133131290000031
式中：R为旋转参数，t为平移参数；α为x轴比例参数、β为y轴比例参数、γ为坐标轴斜交参数、μ为光心在图像坐标x轴上的位置、ν为光心在图像坐标y轴上的位置。
作为本发明进一步的方案：所述系统包括：
模型建立模块，用于获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分；
三维重建模块，用于基于切分后的三维模型实时监测危害目标，当所述危害目标进行监控范围时，基于预设的双目测距系统对拍摄的图片进行三维重建，得到障碍物距离；
图片识别模块，用于基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果；
区域确定模块，用于将识别结果与计算的障碍物距离信息确定障碍物区域；
统计输出模块，用于统计输出数据，生成相关信息，将所述相关信息向手机APP端和设备终端发送。
作为本发明进一步的方案：所述模型建立模块包括：
标定单元，用于对双目测距系统进行参数标定；
重建单元，用于对导线特征点进行三维重建；
方程建立单元，用于建立导线空间方程；
平面区域建立单元，用于建立输电线路通道平面监控区域；
立体区域建立单元，用于建立输电线路通道立体监控区域；
距离计算单元，用于计算监控空间点与导线距离；
数据库生成单元，用于建立空间点坐标及对应距离数据库。
作为本发明进一步的方案：所述图片识别模块包括：
匹配计算单元，用于匹配两张图像中的对应特征点，计算视差数据；
深度计算单元，用于将所述视差数据输入深度信息函数式，得到深度信息；
坐标转换单元，用于对所述图片进行识别，确定二维坐标，根据预设的转换公式将所述二维坐标转换为三维坐标；
统计单元，用于统计所述深度信息和三维坐标，得到识别结果。
与现有技术相比，本发明的有益效果是：本发明的输电线路双目视频监控装置通过双目测距技术进行三维重建；通过三维目标检测技术计算危险目标的位置和类别；通过查询三维坐标数据库得出预警级别，对输电线路的安全性进行监控；同时使得巡检人员能够实时获得报警提醒信息掌握现场情况，极大的提升监控效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对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发明的一些实施例。
图1为输电线路在线监测方法的第一流程框图。
图2为输电线路在线监测方法的子流程框图。
图3为输电线路在线监测系统的组成结构框图。
图4为输电线路在线监测系统中图片识别模块的组成结构框图。
图5为输电线路在线监测方法的第二流程框图。
图6为双目视觉成像原理图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，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。
实施例1
图1示出了输电线路在线监测方法的第一流程框图，本发明实施例中，一种输电线路在线监测方法，所述方法包括：
步骤S100：获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分；
步骤S200：基于切分后的三维模型实时监测危害目标，当所述危害目标进行监控范围时，基于预设的双目测距系统对拍摄的图片进行三维重建，得到障碍物距离；
步骤S300：基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果；
步骤S400：将识别结果与计算的障碍物距离信息确定障碍物区域；
步骤S500：统计输出数据，生成相关信息，将所述相关信息向手机APP端和设备终端发送。
进一步的，所述获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分的步骤包括：
对双目测距系统进行参数标定；
对导线特征点进行三维重建；
建立导线空间方程；
建立输电线路通道平面监控区域；
建立输电线路通道立体监控区域；
计算监控空间点与导线距离；
建立空间点坐标及对应距离数据库。
在输电线路在线监测装置的应用过程中，有众多场景，需要基于图像的测距功能的支持，如防外力破坏、防山火、以及走廊内的违章建筑、超高树木的监测等。目前，对处于大风工况、覆冰工况和超高树木威胁的输电线路，大多依赖人工现场确认隐患点，并通过例行巡检和组织特巡，进行日常监测，增加了劳动强度和管理难度。事故发生后的原因排查和事故评估，缺乏支撑数据，还原难度大，周期长，成本高。安装在导线上的在线监测装置实时采集导线舞动、震动和风偏等工况信息，构建导线3D运行姿态信息，结合导线电流和温度的线路负荷信息，生成导线的综合运行工况。
图5示出了输电线路在线监测方法的第二流程框图，设备终端由多个摄像头拍摄各个方向视角的图像，采用双目测距系统，获取左右视图，根据相机内外标定的参数，建立输电导线、间隔棒等设备的三维坐标数据库，然后对新建的三维空间进行区域划分,一旦有危害目标进入监控范围被拍摄到，利用双目测距系统对拍摄的图片进行三维重建，通过无线SIM卡传输到后端服务器，后端接受到图像信息后，通过接口API调用AI图像识别服务，由深度学习三维目标检测算法模型进行推理识别，最后将识别结果和计算的障碍物距离信息和三维坐标数据库进行对比，可以得到障碍物所处的区域，然后把相关信息发送到手机APP端和设备终端，在手机APP端查看图片，导线和障碍物的轮廓和距离信息会以不同颜色标出，并和原图做了对比，此时巡检人员能够实时获得报警提醒信息掌握现场情况，极大的提升监控效率。
在本发明技术方案的一个实例中，终端设备需要正确安装，双目相机已经正确标定。
终端设备获取双目图片并传送给双目测距系统，双目系统进行3D点云重建。
双目测距系统把重建的3d点云数据转发给AI服务器，AI服务器通过三维目标检测技术检测出障碍物的位置和类别。
预警系统获取障碍物位置和类别信息，并和三维坐标数据库进行对比，获取预警级别。
预警系统把预警信息以及相关图片传送给APP端和设备端。APP端和设备端以可视化的方式向客户展示。
图2示出了输电线路在线监测方法的子流程框图，作为本发明技术方案的一个优选实施例，所述基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果的步骤包括：
步骤S201：匹配两张图像中的对应特征点，计算视差数据；
步骤S202：将所述视差数据输入深度信息函数式，得到深度信息；
步骤S203：对所述图片进行识别，确定二维坐标，根据预设的转换公式将所述二维坐标转换为三维坐标；
步骤S204：统计所述深度信息和三维坐标，得到识别结果。
用P(X,Y,Z)表示被检测物的三维坐标，其对应的两个成像点坐标分别为p1(x1,y1)和p2(x2,y2)。为了方便说明，设物与像在同一平面上(X＝x1＝x2)，则由三角形定理可得：
Figure BDA0004133131290000071
Figure BDA0004133131290000072
结合上式，可得被测物体的深度信息的函数式为：
Figure BDA0004133131290000073
通过匹配两张图像中的对应特征点，获得视差(y1–y2)，便可以利用上式计算出被测物体二维图像中的深度信息；
根据双目系统中的相似三角形原理可以计算出被测物体二维图像的深度信息。通过系统的内部和外部参数可以对系统中相机坐标系与世界坐标系的关系，以及两个相机间的相对位置进行描述。因此，成像点坐标与三维世界点坐标的关系可用含有内外参数的数学公式表示为：
Figure BDA0004133131290000074
式中：R(旋转参数)和t(平移参数)为双目视觉系统的外参数，用来描述二维相机坐标与三维世界坐标之间的关系；α(x轴比例参数)、β(y轴比例参数)、γ(坐标轴斜交参数)、μ(光心在图像坐标x轴上的位置)、ν(光心在图像坐标y轴上的位置)为双目视觉系统的内参数，表示相机坐标的基本参数。
实施例2
图3为输电线路在线监测系统的组成结构框图，本发明实施例中，一种输电线路在线监测系统，所述系统10包括：
模型建立模块11，用于获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分；
三维重建模块12，用于基于切分后的三维模型实时监测危害目标，当所述危害目标进行监控范围时，基于预设的双目测距系统对拍摄的图片进行三维重建，得到障碍物距离；
图片识别模块13，用于基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果；
区域确定模块14，用于将识别结果与计算的障碍物距离信息确定障碍物区域；
统计输出模块15，用于统计输出数据，生成相关信息，将所述相关信息向手机APP端和设备终端发送。
进一步的，所述模型建立模块包括：
标定单元，用于对双目测距系统进行参数标定；
重建单元，用于对导线特征点进行三维重建；
方程建立单元，用于建立导线空间方程；
平面区域建立单元，用于建立输电线路通道平面监控区域；
立体区域建立单元，用于建立输电线路通道立体监控区域；
距离计算单元，用于计算监控空间点与导线距离；
数据库生成单元，用于建立空间点坐标及对应距离数据库。
图4为输电线路在线监测系统中图片识别模块13的组成结构框图，所述图片识别模块13包括：
匹配计算单元131，用于匹配两张图像中的对应特征点，计算视差数据；
深度计算单元132，用于将所述视差数据输入深度信息函数式，得到深度信息；
坐标转换单元133，用于对所述图片进行识别，确定二维坐标，根据预设的转换公式将所述二维坐标转换为三维坐标；
统计单元134，用于统计所述深度信息和三维坐标，得到识别结果。
所述输电线路在线监测方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述输电线路在线监测方法的功能。
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器(Read-Only Memory，ROM)，所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。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，该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器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，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元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取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。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-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种输电线路在线监测方法，其特征在于，所述方法包括：
获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分；
基于切分后的三维模型实时监测危害目标，当所述危害目标进行监控范围时，基于预设的双目测距系统对拍摄的图片进行三维重建，得到障碍物距离；
基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果；
将识别结果与计算的障碍物距离信息确定障碍物区域；
统计输出数据，生成相关信息，将所述相关信息向手机APP端和设备终端发送。
2.根据权利要求1所述的输电线路在线监测方法，其特征在于，所述获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分的步骤包括：
对双目测距系统进行参数标定；
对导线特征点进行三维重建；
建立导线空间方程；
建立输电线路通道平面监控区域；
建立输电线路通道立体监控区域；
计算监控空间点与导线距离；
建立空间点坐标及对应距离数据库。
3.根据权利要求1所述的输电线路在线监测方法，其特征在于，所述基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果的步骤包括：
匹配两张图像中的对应特征点，计算视差数据；
将所述视差数据输入深度信息函数式，得到深度信息；
对所述图片进行识别，确定二维坐标，根据预设的转换公式将所述二维坐标转换为三维坐标；
统计所述深度信息和三维坐标，得到识别结果。
4.根据权利要求3所述的输电线路在线监测方法，其特征在于，所述深度信息函数式为：
Figure FDA0004133131280000021
式中，(y1–y2)为视差数据，f、b为标定参数；
所述转换公式为：
Figure FDA0004133131280000022
式中：R为旋转参数，t为平移参数；α为x轴比例参数、β为y轴比例参数、γ为坐标轴斜交参数、μ为光心在图像坐标x轴上的位置、ν为光心在图像坐标y轴上的位置。
5.根据权利要求1所述的输电线路在线监测系统，其特征在于，所述系统包括：
模型建立模块，用于获取设备参数，根据所述设备参数建立三维模型，对所述三维模型进行切分；
三维重建模块，用于基于切分后的三维模型实时监测危害目标，当所述危害目标进行监控范围时，基于预设的双目测距系统对拍摄的图片进行三维重建，得到障碍物距离；
图片识别模块，用于基于训练好的深度学习三维目标检测算法模型对所述图片进行识别，得到识别结果；
区域确定模块，用于将识别结果与计算的障碍物距离信息确定障碍物区域；
统计输出模块，用于统计输出数据，生成相关信息，将所述相关信息向手机APP端和设备终端发送。
6.根据权利要求1所述的输电线路在线监测系统，其特征在于，所述模型建立模块包括：
标定单元，用于对双目测距系统进行参数标定；
重建单元，用于对导线特征点进行三维重建；
方程建立单元，用于建立导线空间方程；
平面区域建立单元，用于建立输电线路通道平面监控区域；
立体区域建立单元，用于建立输电线路通道立体监控区域；
距离计算单元，用于计算监控空间点与导线距离；
数据库生成单元，用于建立空间点坐标及对应距离数据库。
7.根据权利要求6所述的输电线路在线监测系统，其特征在于，所述图片识别模块包括：
匹配计算单元，用于匹配两张图像中的对应特征点，计算视差数据；
深度计算单元，用于将所述视差数据输入深度信息函数式，得到深度信息；
坐标转换单元，用于对所述图片进行识别，确定二维坐标，根据预设的转换公式将所述二维坐标转换为三维坐标；
统计单元，用于统计所述深度信息和三维坐标，得到识别结果。
CN202310266422.2A 2023-03-20 2023-03-20 一种输电线路在线监测方法及系统 Pending CN116363585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310266422.2A CN116363585A (zh) 2023-03-20 2023-03-20 一种输电线路在线监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310266422.2A CN116363585A (zh) 2023-03-20 2023-03-20 一种输电线路在线监测方法及系统

Publications (1)

Publication Number Publication Date
CN116363585A true CN116363585A (zh) 2023-06-30

Family

ID=86941243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310266422.2A Pending CN116363585A (zh) 2023-03-20 2023-03-20 一种输电线路在线监测方法及系统

Country Status (1)

Country Link
CN (1) CN116363585A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577788A (zh) * 2023-07-12 2023-08-11 南方电网数字电网研究院有限公司 输电线路异物侵限监测方法、装置和计算机设备
CN117690122A (zh) * 2024-02-02 2024-03-12 中科数创(临沂)数字科技有限公司 一种档案库房用通道障碍检测系统
CN117809440A (zh) * 2024-03-01 2024-04-02 江苏濠汉信息技术有限公司 应用三维立体测距的树障山火监测预警方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577788A (zh) * 2023-07-12 2023-08-11 南方电网数字电网研究院有限公司 输电线路异物侵限监测方法、装置和计算机设备
CN116577788B (zh) * 2023-07-12 2024-01-23 南方电网数字电网研究院有限公司 输电线路异物侵限监测方法、装置和计算机设备
CN117690122A (zh) * 2024-02-02 2024-03-12 中科数创(临沂)数字科技有限公司 一种档案库房用通道障碍检测系统
CN117690122B (zh) * 2024-02-02 2024-04-26 中科数创(临沂)数字科技有限公司 一种档案库房用通道障碍检测系统
CN117809440A (zh) * 2024-03-01 2024-04-02 江苏濠汉信息技术有限公司 应用三维立体测距的树障山火监测预警方法及系统
CN117809440B (zh) * 2024-03-01 2024-05-10 江苏濠汉信息技术有限公司 应用三维立体测距的树障山火监测预警方法及系统

Similar Documents

Publication Publication Date Title
CN116363585A (zh) 一种输电线路在线监测方法及系统
CN113345019B (zh) 一种输电线路通道隐患目标测距方法、设备及介质
CN112344869B (zh) 基于侧面拟合的铁塔变形监测方法及系统
Kang et al. Accurate fruit localisation using high resolution LiDAR-camera fusion and instance segmentation
CN114255405A (zh) 一种隐患目标识别方法与装置
CN112528974A (zh) 测距方法、装置、电子设备及可读存储介质
CN113111827A (zh) 施工监控方法、装置、电子设备和存储介质
KR20130133596A (ko) 전주 기울기 측정 방법 및 장치
US11544839B2 (en) System, apparatus and method for facilitating inspection of a target object
CN116129064A (zh) 电子地图生成方法、装置、设备及存储介质
CN114821497A (zh) 目标物位置的确定方法、装置、设备及存储介质
CN113722870A (zh) 一种电网运行全空间监测方法、系统、设备及介质
CN112749746A (zh) 一种缺陷样本迭代更新方法、系统及装置
CN113112551B (zh) 相机参数的确定方法、装置、路侧设备和云控平台
Wells et al. Evaluation of ground plane detection for estimating breast height in stereo images
CN111985266A (zh) 尺度图确定方法、装置、设备及存储介质
CN111583336A (zh) 一种机器人及其巡检方法和装置
Schmid et al. Quantifying local spatial properties through lidar-based isovists for an evaluation of opinion-based vgi in a vr setup
CN113870412A (zh) 一种航空场景图像的处理方法、装置以及电子设备
CN112649813B (zh) 重要场所室内安全检查的方法、检查设备、机器人及终端
CN118164196B (zh) 一种基于机器视觉的输煤皮带健康状态监测方法及系统
CN117315028B (zh) 室外火场起火点定位方法、装置、设备及介质
CN221079335U (zh) 一种基于无人机图像分析的线性工程植被变化监测装置
US20230243976A1 (en) Systems and methods for utility pole loading and/or clearance analyses
CN115311582A (zh) 一种基于树障预警方法、装置、介质及设备

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