CN116385976B - 基于计算机视觉的消防安防一体化监测系统 - Google Patents
基于计算机视觉的消防安防一体化监测系统 Download PDFInfo
- Publication number
- CN116385976B CN116385976B CN202310609043.9A CN202310609043A CN116385976B CN 116385976 B CN116385976 B CN 116385976B CN 202310609043 A CN202310609043 A CN 202310609043A CN 116385976 B CN116385976 B CN 116385976B
- Authority
- CN
- China
- Prior art keywords
- edge section
- strong
- target
- strong edge
- edge
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 3
- 238000012937 correction Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 14
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于计算机视觉的消防安防一体化监测系统,包括图像采集模块、弱边缘段的相邻边缘相似度获取模块、弱边缘段的滤波优化系数获取模块、异常监测模块,其中:获取若干张不同角度下的线缆图像;获取每一角度下的线缆图像上若干个强边缘点、若干个强边缘段、若干个弱边缘点及若干个弱边缘段,获取每一弱边缘段的相邻边缘相似度;获取每一角度下的线缆图像中每一弱边缘段的滤波优化系数;根据滤波优化系数利用引导滤波算法得到的结果进行线缆异常监测。本发明旨在解决电力设备中线缆交错重叠,导致边缘特征较弱,影响异常状态监测的问题。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于计算机视觉的消防安防一体化监测系统。
背景技术
对于消防安防场景下,通常是对监控范围内的易出现消防隐患问题的地方进行监控,而电力设备因短路,负载过高从而引起着火的情况是常有现象;通常通过红外相机采集电力设备红外热图,分析关键部件的温度变化,并结合电流等参数,来识别其中的安全隐患;但红外图像易受周围热场的影响,因此干扰强,图像质量较差,受噪声影响严重,因此对于采集到的电力设备红外图像通常需要进行滤波处理,来增大图像细节特征。
对于红外图像的滤波去噪通常是用引导滤波进行增强处理,但由于电力设备中线缆交错重叠,导致红外图像中的边缘特征出现重叠,进而不同区域之间的边缘差异减弱,当图像中边缘特征差异较弱时,引导滤波算法反而会对其产生平滑作用,使得本就不明显的边缘特征丢失更加严重,进而导致线缆之间更难以区分,影响安全隐患的监测。
发明内容
本发明提供基于计算机视觉的消防安防一体化监测系统,以解决现有的问题。
本发明的基于计算机视觉的消防安防一体化监测系统采用如下技术方案:
本发明一个实施例提供了基于计算机视觉的消防安防一体化监测系统,该系统包括以下模块:
图像采集模块:获取若干张不同角度下的线缆图像;
弱边缘段的相邻边缘相似度获取模块:获取每一角度下的线缆图像上若干个强边缘点及若干个强边缘段,根据每一角度下的线缆图像中像素点的梯度幅值大小获取每一角度下的线缆图像上若干个弱边缘点,获取每一角度下的线缆图像上若干个弱边缘段,根据每一强边缘段上强边缘点的梯度方向差异获取每一强边缘段的曲线特征值,获取每一角度下的线缆图像中每一强边缘段的第一关联强边缘段与第二关联强边缘段,根据曲线特征值差异分别获取每一强边缘段与每一强边缘段的第一关联强边缘段、每一强边缘段的第二关联强边缘段的边缘方向相似度,根据边缘方向相似度的大小获取每一弱边缘段的相邻边缘相似度;
弱边缘段的滤波优化系数获取模块:获取每一角度下的线缆图像中每一弱边缘段的修正值;将每一角度下的线缆图像中每一弱边缘段的相邻边缘相似度与每一角度下的线缆图像中每一弱边缘段的修正值的比值记为每一角度下的线缆图像中每一弱边缘段的滤波优化系数;
异常监测模块:根据每一角度下的线缆图像中每一弱边缘段的滤波优化系数利用引导滤波算法得到的结果进行线缆异常监测。
可选的,所述根据每一强边缘段上强边缘点的梯度方向差异获取每一强边缘段的曲线特征值包括:
记任意一角度下的线缆图像为目标图像,记目标图像上的任意一强边缘段为目标
强边缘段,获取目标强边缘段的两个端点的梯度方向,将目标强边缘段上梯度方向较小的
端点记为目标强边缘段的起始点,自起始点开始沿目标强边缘段顺序,依次获取目标强边
缘段上每一强边缘点的梯度方向,得到目标强边缘点的梯度方向序列,获取梯度方向序列
中所有梯度方向的均值,记为目标强边缘段的参考梯度方向;获取梯度方向序列的差值序
列,记为目标强边缘点的梯度方向差值序列,梯度方向差值序列中第个元素为梯度方向序
列中第个元素与第个元素的差值,获取梯度方向差值序列的标准差;
将目标强边缘段的参考梯度方向与目标强边缘段的梯度方向差值序列的标准差的乘积记为目标强边缘段的曲线特征值。
可选的,所述根据曲线特征值差异分别获取每一强边缘段与每一强边缘段的第一关联强边缘段、每一强边缘段的第二关联强边缘段的边缘方向相似度包括:
记任意一角度下的线缆图像为目标图像,记目标图像上的任意一强边缘段为目标强边缘段,将目标强边缘段的参考梯度方向与目标强边缘段的第一关联强边缘段的参考梯度方向的差值的绝对值记为目标强边缘段的第一临近边缘段方向差异,将目标边缘段的曲线特征值与目标边缘段的第一关联强边缘段的曲线特征值的差值的绝对值记为目标强边缘段的第一临近边缘段曲线特征差异;
将目标强边缘段的第一临近边缘段方向差异与第一临近边缘段曲线特征差异的和记为目标强边缘段与目标强边缘段的第一关联强边缘段的边缘方向相似度;
根据目标强边缘段与目标强边缘段的第一关联强边缘段的边缘方向相似度的计算过程获取目标强边缘段与目标强边缘段的第二关联强边缘段的边缘方向相似度。
可选的,所述根据边缘方向相似度的大小获取每一弱边缘段的相邻边缘相似度包括:
根据每一强边缘段的第一关联强边缘段与第二关联强边缘段的获取方法,同理获取每一弱边缘段的第一关联强边缘段与第二关联强边缘段;根据每一强边缘段与每一强边缘段的第一关联强边缘段的边缘方向相似度及每一强边缘段与每一强边缘段的第二关联强边缘段的边缘方向相似度的获取方法,同理获取每一弱边缘段与每一弱边缘段的第一关联强边缘段的边缘方向相似度及每一弱边缘段与每一弱边缘段的第二关联强边缘段的边缘方向相似度;
其中,表示第个角度下的线缆图像中第个弱边缘段的相邻边缘相似度,
表示第个角度下的线缆图像中第个弱边缘段与第个角度下的线缆图像中第个弱边缘
段的第一关联强边缘段的边缘方向相似度,表示第个角度下的线缆图像中第个弱边
缘段与第个角度下的线缆图像中第个弱边缘段的第二关联强边缘段的边缘方向相似度,表示第个角度下的线缆图像中第个弱边缘段的第一关联强边缘段与第个弱边缘段
的第二关联强边缘段的边缘方向相似度。
可选的,所述获取每一角度下的线缆图像中每一弱边缘段的修正值包括:
记任意一角度下的线缆图像为目标图像,记目标图像上任意一弱边缘段为关注弱边缘段,获取关注弱边缘段上每一弱边缘点与每一其他角度下的线缆图像上关注弱边缘段匹配的弱边缘像素点的差分值;
根据差分值的差异获取每一角度下的线缆图像中每一弱边缘段的修正值。
可选的,所述根据差分值的差异获取每一角度下的线缆图像中每一弱边缘段的修正值包括:
其中,表示第个角度下的线缆图像中第个弱边缘段的修正值,表示第个
角度下的线缆图像中第个弱边缘段的第个弱边缘点与其在第个角度下的线缆图像匹配
点的差分值,表示第个角度下的线缆图像中第个弱边缘段的第个弱边缘点与其在第个角度下的线缆图像匹配点的梯度方向,表示第个角度下的线缆图像中第个弱边缘
段的第个弱边缘点的梯度方向,表示第个角度下的线缆图像中第个弱边缘段的弱边
缘点的个数,表示采集的不同角度下的线缆图像的个数。
可选的,所述获取每一角度下的线缆图像中每一强边缘段的第一关联强边缘段与第二关联强边缘段包括:
记任意一角度下的线缆图像为目标图像,记目标图像上的任意一强边缘段为目标强边缘段,利用样条拟合得到目标强边缘段的方向曲线,记为目标强边缘段的目标强边缘曲线,将目标强边缘曲线的两个端点依次记为第一目标端点与第二目标端点,记目标强边缘曲线过第一目标端点的切线方向为第一方向,将以第一目标端点起始沿第一方向进行延伸的射线,记为第一延伸射线,将第一延伸射线首先相交的强边缘段记为目标强边缘段的第一关联强边缘段,记目标强边缘曲线过第二目标端点的切线方向为第二方向,将以第二目标端点起始沿第二方向进行延伸的射线,记为第二延伸射线,将第二延伸射线首先相交的强边缘段记为目标强边缘段的第二关联强边缘段。
本发明的有益效果是:常规的电力设备中,对于线缆的红外图像处理中,通常是采用引导滤波算法对其中线缆因交错重叠而导致的部分线缆边缘模糊,无法准确分割单一线缆,但是因红外图像特殊性,线缆边缘之间的边缘特征极其微弱,常规的引导滤波算法增强较差,甚至还会直接平滑掉边缘特征。而本发明通过采集的多张不同角度下的线缆图像,通过Canny算子输出强弱边缘特征后,根据强边缘的延展方向对弱边缘进行评估并得到对应的边缘特征相似度,后再结合多角度下,同一弱边缘的差分特征,来对这一弱边缘的边缘特征相似度进行修正,得到最终滤波优化系数,并进行引导滤波的优化,不仅避免了将微弱的边缘特征直接优化掉的失误,同时增加了对弱边缘的滤波程度,使得增强后的图像进行线缆的分割时能够更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于计算机视觉的消防安防一体化监测系统的结构框图;
图2为本发明对于线缆交错的强弱边缘示意图;
图3为线缆交错示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于计算机视觉的消防安防一体化监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于计算机视觉的消防安防一体化监测系统的具体方案。
请参阅图1,以某电力设备为例,其示出了本发明一个实施例提供的基于计算机视觉的消防安防一体化监测系统的结构框图,该系统包括以下模块:
图像采集模块S101、获取若干个不同角度下的电缆图像。
设定电力设备处为拍摄位置,在电力设备前不同高度处放置若干个红外相机,采集不同角度下工作状态的电力设备红外图像;需要说明的是,得到的红外图像为单通道灰度图。
采集同一时刻,不同角度下的电力设备红外图像作为标本,并通过人工标注的方式,对线缆区域进行标记,标记线缆区域为1,背景区域为0;将标本与人工标注信息作为数据集,将数据集作为输入,使用DNN神经网络,输出为分割后的线缆区域,获取预先训练好的神经网络。
将不同角度下的电力设备红外图像输入预先训练好的神经网络中,得到不同角度下的线缆区域图像,记为不同角度下的线缆图像。
至此,得到若干张不同角度下的线缆图像。
弱边缘段的相邻边缘相似度获取模块S102、获取每一角度下的线缆图像上若干个强边缘点及若干个强边缘段,根据每一角度下的线缆图像中像素点的梯度幅值大小获取每一角度下的线缆图像上若干个弱边缘点,获取每一角度下的线缆图像上若干个弱边缘段,获取每一弱边缘段的相邻边缘相似度。
需要说明的是,通过引导滤波算法对红外图像进行滤波增强时,往往是通过原图中存在的边缘信息为模板进行增强,但是当所监测的电力设备中线路较多,同时线路的温度相近,便很容易造成线路之间明明在空间上距离较远,但是在采集到的红外图像中,发生了错位即出现前后重叠;但是其中的线缆往往并不是整条线路都会完全与其他线缆重叠,同时温度相近,进而导致整条都无法分清,因此需要对内部难以区分的部分,结合线缆边缘特征,对其内部符合特征的像素点给予正则项系数的调整,调整引导滤波对这类边缘特征的增强程度。
进一步需要说明的是,由于得到的多张不同角度下的线缆图像,由于拍摄角度不同,不方便后续的图像处理操作,因此首先需要进行图像矫正,使得图像的大致区域可以匹配上。
利用投射变化对不同角度下的线缆图像进行图像矫正处理,得到若干个矫正后的不同角度下的线缆图像。
至此,得到若干个矫正后的不同角度下的线缆图像。
为了方便描述,本实施例将矫正后的不同角度下的线缆图像记为不同角度下的线缆图像。
利用Canny算子分别对每一角度下的线缆图像进行边缘检测,得到每一角度下的线缆图像的若干个边缘点,记为每一角度下的线缆图像的强边缘点。
利用Sobel算子获取每一角度下的线缆图像上每一像素点的梯度幅值及梯度方向。
获取每一角度下的线缆图像的梯度直方图,对梯度直方图使用最小二乘法进行拟合,得到梯度分布曲线,获取梯度分布曲线上每点的斜率值,获取梯度分布曲线的所有波峰点及所有波谷点,获取横坐标最大的波峰点,记为最大波峰点;将最大波峰点左侧且距最大梯度幅值点欧式距离最小的波谷点至最大波峰点的范围中,斜率值最大的点对应的横坐标值记为最大划分阈值,最大划分阈值乘以百分之五十记为最小划分阈值;将每一角度下的线缆图像中梯度幅值大于最小划分阈值且小于最大划分阈值的像素点记为弱边缘点。
至此,得到每一角度下的线缆图像的若干个强边缘点及若干个弱边缘点。
记任意一角度下的线缆图像为目标图像,记目标图像中任意一强边缘点为目标强边缘点,以目标强边缘点为中心,获取目标强边缘点与目标边缘点8邻域范围内每一强边缘点的梯度方向的差值的绝对值,记为角度差异程度,当角度差异程度小于等于阈值时,将角度差异程度对应的目标边缘点8邻域范围内的强边缘点与目标边缘点进行连接,当角度差异程度大于阈值时,不进行连接处理,依次类推,对目标图像上的每一强边缘点进行目标强边缘点的连接处理,得到目标图像上的若干个强边缘段。
本实施例的预设角度差异阈值设定为30°,实施者可视具体实施情况进行调
整。
按照目标图像上强边缘点连接得到强边缘段的步骤对目标图像上的弱边缘点进行连接处理,得到若干个弱边缘段。
至此,得到每一角度下的线缆图像的若干个强边缘段及若干个弱边缘段。
获取目标图像上的任意一强边缘段为目标强边缘段,获取目标强边缘段的两个端
点的梯度方向,将目标强边缘段上梯度方向较小的端点记为目标强边缘段的起始点,自起
始点开始沿目标强边缘段顺序,依次获取目标强边缘段上每一强边缘点的梯度方向,得到
目标强边缘点的梯度方向序列,即,获取梯度方向序列中所有梯度
方向的均值,记为目标强边缘段的参考梯度方向;获取梯度方向序列的差值序列,记为目标
强边缘点的梯度方向差值序列,即,梯度方向差值序列中第个元素
为梯度方向序列中第个元素与第个元素的差值,获取梯度方向差值序列的标准差。
至此,得到每一角度下的线缆图像的每一强边缘段的梯度方向差值序列及参考梯度方向,得到每一角度下的线缆图像的每一强边缘段的梯度方向差值序列的标准差。
将目标强边缘段的参考梯度方向与目标强边缘段的梯度方向差值序列的标准差的乘积记为目标强边缘段的曲线特征值,需要说明的是,曲线特征值表征目标强边缘段的曲线弯曲程度。
对每一角度下的线缆图像的强边缘段的曲线特征值进行线性归一化处理。
至此,得到每一角度下的线缆图像的每一强边缘段的曲线特征值。
进一步需要说明的是,由于得到的线缆图像中线缆存在重叠交错,进而得到的连续线缆边缘中间存在断裂,根据强边缘段拟合得到的曲线方向获取每一强边缘段的关联强边缘段,即同属于同一线缆边缘的强边缘段。
基于线缆交错导致的红外图像中边缘模糊的情况,现结合图2来说明强边缘段及弱边缘段:
请参阅图2,其示出了线缆交错导致的红外图像中形成实施例一所述的强边缘段以及弱边缘段示意图;图2中黑色圆圈所包围的区域即为一个弱边缘段,其实际是一条线缆的边缘,但由于线缆发热,在红外图像中从图2拍摄的角度下与后方线缆发生交错,后方线缆同样发热,进而使得该处边缘在红外图像中较为模糊,形成弱边缘段;图2中还有多处弱边缘段,黑色圆圈包围区域仅为示例叙述,其他弱边缘段本实施例不再详细说明;图2中各条线缆与其他区域有明显分界的边缘即为实施例一所述的强边缘段,即红外图像中可以通过边缘检测得到的线缆边缘,即为强边缘段。
本实施例通过结合图2对强边缘段以及弱边缘段进行说明,获取到强边缘段及弱边缘段后,按照实施例一中的方法进行后续处理,并最终完成引导滤波及异常监测。
本实施例中利用样条拟合得到目标强边缘段的方向曲线,记为目标强边缘段的目标强边缘曲线,将目标强边缘曲线的两个端点依次记为第一目标端点与第二目标端点,记目标强边缘曲线过第一目标端点的切线方向为第一方向,将以第一目标端点起始沿第一方向进行延伸的射线,记为第一延伸射线,将第一延伸射线首先相交的强边缘段记为目标强边缘段的第一关联强边缘段,记目标强边缘曲线过第二目标端点的切线方向为第二方向,将以第二目标端点起始沿第二方向进行延伸的射线,记为第二延伸射线,将第二延伸射线首先相交的强边缘段记为目标强边缘段的第二关联强边缘段;需要说明的是,目标强边缘段可能仅含有第一关联强边缘段或可能仅含有第二关联强边缘段,样条拟合为现有技术,本实施例不再赘述。
具体地,如图3所示,图3中较细的两个黑色线段即为所述强边缘段,以左下侧位置的强边缘段作为目标强边缘段,记为强边缘段1,则此时端点位置分别为第一、第二目标端点,如图2中的黑色圆点;此时沿第二目标端点的切线方向为第二方向,如图3中经过第二目标端点处的黑色虚线即为第二延伸射线,则重复这一操作,同时延伸出图3中强边缘段2的某一侧端点的延伸射线,此时为图中的另一条黑色虚线,此时两条延伸射线出现相交,则判定强边缘段2为强边缘段1的第二关联强边缘段。
至此,得到每一角度下的线缆图像中每一强边缘段的第一关联强边缘段与第二关联强边缘段。
本实施例中将目标强边缘段的参考梯度方向与目标强边缘段的第一关联强边缘段的参考梯度方向的差值的绝对值记为目标强边缘段的第一临近边缘段方向差异,将目标边缘段的曲线特征值与目标边缘段的第一关联强边缘段的曲线特征值的差值的绝对值记为目标强边缘段的第一临近边缘段曲线特征差异。
对目标图像上所有强边缘段的第一临近边缘段方向差异与第一临近边缘段曲线特征差异分别进行线性归一化处理。
将目标强边缘段的第一临近边缘段方向差异与第一临近边缘段曲线特征差异的和记为目标强边缘段与目标强边缘段的第一关联强边缘段的边缘方向相似度;
对目标图像上所有强边缘段与每一强边缘段的第一关联强边缘段的边缘方向相似度进行线性归一化处理。
根据目标强边缘段与目标强边缘段的第一关联强边缘段的边缘方向相似度的计算过程获取目标强边缘段与目标强边缘段的第二关联强边缘段的边缘方向相似度,即边缘方向相似性为
对应的其中分别表征强边缘对应的曲线特征模型中的两个特征
值,通过计算对应的两个特征值的差异,最终表征这两条强边缘的线性分布特征的相近程
度,当这一差值累加和越小,对应的,两条强边缘越可能为同一条电缆上的同一侧边缘。至
此,得到每一强边缘段与每一强边缘段的第一关联强边缘段的边缘方向相似度,每一强边
缘段与每一强边缘段的第二关联强边缘段的边缘方向相似度。
根据每一强边缘段参考梯度方向与曲线特征值的获取方法,同理获取每一弱边缘段的参考梯度方向与曲线特征值;根据每一强边缘段的第一关联强边缘段与第二关联强边缘段的获取方法,同理获取每一弱边缘段的第一关联强边缘段与第二关联强边缘段;根据每一强边缘段与每一强边缘段的第一关联强边缘段的边缘方向相似度及每一强边缘段与每一强边缘段的第二关联强边缘段的边缘方向相似度的获取方法,同理获取每一弱边缘段与每一弱边缘段的第一关联强边缘段的边缘方向相似度及每一弱边缘段与每一弱边缘段的第二关联强边缘段的边缘方向相似度;需要说明的是,每一弱边缘段的第一关联强边缘段与第二关联强边缘段为强边缘段。
具体的,以第个角度下的线缆图像中第个弱边缘段为例,获取第个角度下的线
缆图像中第个弱边缘段的相邻边缘相似度的计算方法为:
其中,表示第个角度下的线缆图像中第个弱边缘段与第个角度下的线缆图
像中第个弱边缘段的第一关联强边缘段的边缘方向相似度,表示第个角度下的线缆
图像中第个弱边缘段与第个角度下的线缆图像中第个弱边缘段的第二关联强边缘段的
边缘方向相似度,表示第个角度下的线缆图像中第个弱边缘段的第一关联强边缘段
与第个弱边缘段的第二关联强边缘段的边缘方向相似度;需要说明的是,当第个角度下
的线缆图像中第个弱边缘段的第一关联强边缘段与第个弱边缘段的第二关联强边缘段
的边缘方向相似度不存在时,记为0。
若越小,表示第个角度下的线缆图像中第个弱边缘段两侧的强边缘段属于
同一线缆边缘的可能性越大,进而第个角度下的线缆图像中第个弱边缘段属于实际线缆
边缘的可能性越高,越小。
至此,得到每一角度下的线缆图像中每一弱边缘段的相邻边缘相似度。
弱边缘段的滤波优化系数获取模块S103、获取每一角度下的线缆图像中每一弱边缘段的修正值;将每一角度下的线缆图像中每一弱边缘段的相邻边缘相似度与每一角度下的线缆图像中每一弱边缘段的修正值的比值记为每一角度下的线缆图像中每一弱边缘段的滤波优化系数。
需要说明的是,但是因为部分弱边缘即使存在实际线缆的特征,但是其因相邻的强边缘之间可能特征较低等因素,会导致这一弱边缘的边缘特征反而较低,同时其中也会存在较多伪边缘。而实际的弱边缘,随着采集较多的改变,其受交错重叠的影响逐渐减弱,对应的其本身所反映出来的边缘特征是逐渐增大的,因此我们需要通过这一特征来对其中每一条弱边缘进行验证以及程度的调整。
根据每一角度下的线缆图像中弱边缘段上若干个关键特征点利用特征匹配算法对每一角度下的线缆图像中每一弱边缘段与其他角度下的线缆图像中的弱边缘段进行特征匹配。
记任意一角度下的线缆图像为目标图像,记目标图像上任意一弱边缘段为关注弱边缘段,利用图像差分技术获取关注弱边缘段上每一弱边缘点与每一其他角度下的线缆图像上关注弱边缘段匹配的弱边缘像素点的差分值。
具体的,以第个角度下的线缆图像中第个弱边缘段为例,获取第个角度下的线
缆图像中第个弱边缘段的修正值的计算方法为:
其中,表示第个角度下的线缆图像中第个弱边缘段的第个弱边缘点与其在
第个角度下的线缆图像匹配点的差分值,表示第个角度下的线缆图像中第个弱边缘
段的第个弱边缘点与其在第个角度下的线缆图像匹配点的梯度方向,表示第个角度
下的线缆图像中第个弱边缘段的第个弱边缘点的梯度方向,表示第个角度下的线缆
图像中第个弱边缘段的弱边缘点的个数,表示采集的不同角度下的线缆图像的个数。
若越大,即差分值越高,表示对应的这两个角度下的线缆图像之间,当前这一
弱边缘的改变值越大,越符合实际的线缆交错重叠的情况,进而修正值越大;由于同一
条弱边缘特征中,随着交错情况越来越轻,对应的幅值特征也越来越强,但是其边缘线性方
向不变的情况下,其梯度方向也不会发生变化,即若越小,表示对应的两个弱边
缘点越符合是同一边缘上的同一像素点,进而修正值越大。
至此,得到每一角度下的线缆图像中每一弱边缘段的修正值。
将每一角度下的线缆图像中每一弱边缘段的相邻边缘相似度与每一角度下的线缆图像中每一弱边缘段的修正值的比值记为每一角度下的线缆图像中每一弱边缘段的滤波优化系数;需要说明的是,若滤波优化系数越小,对应的这一条弱边缘其实际所表现出来的特征越符合因受到交错重叠而导致其边缘特征较弱,而通过分析其实际边缘特征以及其在多角度图像中所反映出来的变化特征后,其对应的实际边缘特征较强,在引导滤波增强中,需要的增强效果更强。
至此,得到每一角度下的线缆图像中每一弱边缘段的滤波优化系数。
异常监测模块S104、根据每一角度下的线缆图像中每一弱边缘段的滤波优化系数利用引导滤波算法得到的结果进行线缆异常监测。
将每一角度下的线缆图像中每一弱边缘段的滤波优化系数作为每一角度下的线缆图像中每一弱边缘段上像素点的正则化系数,利用引导滤波算法对每一角度下的线缆图像进行增强;需要说明的是,传统引导滤波算法中的正则化系数为人为预先设定,当正则化系数越小时,图像增强效果越好,引导滤波算法为现有技术,本实施例对其中不同像素点的正则化系数进行优化,引导滤波算法的其他步骤不进行改变。
至此,得到增强后的每一角度下的线缆图像。
根据改进后的引导滤波,对图像进行增强处理后,对其中出现的线缆之间的相互交错导致的边缘模糊情况进行调整,使得能够准确获得多条线路之间的边界,并根据更加真实的区分得到没一条线路的实际温度。
根据增强后的每条线缆的边界,对其中每一条线缆的具体温度进行监测,并根据线缆温度的异常对线缆的质量以及线缆所连接的设备进行对应的检查维修。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于计算机视觉的消防安防一体化监测系统,其特征在于,该系统包括以下模块:
图像采集模块:获取若干张不同角度下的线缆图像;
弱边缘段的相邻边缘相似度获取模块:获取每一角度下的线缆图像上若干个强边缘点及若干个强边缘段,根据每一角度下的线缆图像中像素点的梯度幅值大小获取每一角度下的线缆图像上若干个弱边缘点,获取每一角度下的线缆图像上若干个弱边缘段,根据每一强边缘段上强边缘点的梯度方向差异获取每一强边缘段的曲线特征值,获取每一角度下的线缆图像中每一强边缘段的第一关联强边缘段与第二关联强边缘段,根据曲线特征值差异分别获取每一强边缘段与每一强边缘段的第一关联强边缘段、每一强边缘段的第二关联强边缘段的边缘方向相似度,根据边缘方向相似度的大小获取每一弱边缘段的相邻边缘相似度;
弱边缘段的滤波优化系数获取模块:获取每一角度下的线缆图像中每一弱边缘段的修正值;将每一角度下的线缆图像中每一弱边缘段的相邻边缘相似度与每一角度下的线缆图像中每一弱边缘段的修正值的比值记为每一角度下的线缆图像中每一弱边缘段的滤波优化系数;
异常监测模块:根据每一角度下的线缆图像中每一弱边缘段的滤波优化系数利用引导滤波算法得到的结果进行线缆异常监测;
所述根据每一强边缘段上强边缘点的梯度方向差异获取每一强边缘段的曲线特征值包括:
记任意一角度下的线缆图像为目标图像,记目标图像上的任意一强边缘段为目标强边缘段,获取目标强边缘段的两个端点的梯度方向,将目标强边缘段上梯度方向较小的端点记为目标强边缘段的起始点,自起始点开始沿目标强边缘段顺序,依次获取目标强边缘段上每一强边缘点的梯度方向,得到目标强边缘点的梯度方向序列,获取梯度方向序列中所有梯度方向的均值,记为目标强边缘段的参考梯度方向;获取梯度方向序列的差值序列,记为目标强边缘点的梯度方向差值序列,梯度方向差值序列中第个元素为梯度方向序列中第/>个元素与第/>个元素的差值,获取梯度方向差值序列的标准差;
将目标强边缘段的参考梯度方向与目标强边缘段的梯度方向差值序列的标准差的乘积记为目标强边缘段的曲线特征值;
所述根据边缘方向相似度的大小获取每一弱边缘段的相邻边缘相似度包括:
根据每一强边缘段的第一关联强边缘段与第二关联强边缘段的获取方法,同理获取每一弱边缘段的第一关联强边缘段与第二关联强边缘段;根据每一强边缘段与每一强边缘段的第一关联强边缘段的边缘方向相似度及每一强边缘段与每一强边缘段的第二关联强边缘段的边缘方向相似度的获取方法,同理获取每一弱边缘段与每一弱边缘段的第一关联强边缘段的边缘方向相似度及每一弱边缘段与每一弱边缘段的第二关联强边缘段的边缘方向相似度;
其中,表示第/>个角度下的线缆图像中第/>个弱边缘段的相邻边缘相似度,/>表示第/>个角度下的线缆图像中第/>个弱边缘段与第/>个角度下的线缆图像中第/>个弱边缘段的第一关联强边缘段的边缘方向相似度,/>表示第/>个角度下的线缆图像中第/>个弱边缘段与第/>个角度下的线缆图像中第/>个弱边缘段的第二关联强边缘段的边缘方向相似度,/>表示第/>个角度下的线缆图像中第/>个弱边缘段的第一关联强边缘段与第/>个弱边缘段的第二关联强边缘段的边缘方向相似度;
所述获取每一角度下的线缆图像中每一弱边缘段的修正值包括:
记任意一角度下的线缆图像为目标图像,记目标图像上任意一弱边缘段为关注弱边缘段,获取关注弱边缘段上每一弱边缘点与每一其他角度下的线缆图像上关注弱边缘段匹配的弱边缘像素点的差分值;
根据差分值的差异获取每一角度下的线缆图像中每一弱边缘段的修正值;
所述根据差分值的差异获取每一角度下的线缆图像中每一弱边缘段的修正值包括:
其中,表示第/>个角度下的线缆图像中第/>个弱边缘段的修正值,/>表示第/>个角度下的线缆图像中第/>个弱边缘段的第/>个弱边缘点与其在第/>个角度下的线缆图像匹配点的差分值,/>表示第/>个角度下的线缆图像中第/>个弱边缘段的第/>个弱边缘点与其在第/>个角度下的线缆图像匹配点的梯度方向,/>表示第/>个角度下的线缆图像中第/>个弱边缘段的第/>个弱边缘点的梯度方向,/>表示第/>个角度下的线缆图像中第/>个弱边缘段的弱边缘点的个数,/>表示采集的不同角度下的线缆图像的个数;
所述根据每一角度下的线缆图像中每一弱边缘段的滤波优化系数利用引导滤波算法得到的结果进行线缆异常监测的方法为:
将每一角度下的线缆图像中每一弱边缘段的滤波优化系数作为每一角度下的线缆图像中每一弱边缘段上像素点的正则化系数,利用引导滤波算法对每一角度下的线缆图像进行增强,得到增强后的每一角度下的线缆图像;
根据增强后的每条线缆的边界,对其中每一条线缆的具体温度进行监测,并根据线缆温度的异常对线缆的质量以及线缆所连接的设备进行对应的检查维修。
2.根据权利要求1所述的基于计算机视觉的消防安防一体化监测系统,其特征在于,所述根据曲线特征值差异分别获取每一强边缘段与每一强边缘段的第一关联强边缘段、每一强边缘段的第二关联强边缘段的边缘方向相似度包括:
记任意一角度下的线缆图像为目标图像,记目标图像上的任意一强边缘段为目标强边缘段,将目标强边缘段的参考梯度方向与目标强边缘段的第一关联强边缘段的参考梯度方向的差值的绝对值记为目标强边缘段的第一临近边缘段方向差异,将目标边缘段的曲线特征值与目标边缘段的第一关联强边缘段的曲线特征值的差值的绝对值记为目标强边缘段的第一临近边缘段曲线特征差异;
将目标强边缘段的第一临近边缘段方向差异与第一临近边缘段曲线特征差异的和记为目标强边缘段与目标强边缘段的第一关联强边缘段的边缘方向相似度;
根据目标强边缘段与目标强边缘段的第一关联强边缘段的边缘方向相似度的计算过程获取目标强边缘段与目标强边缘段的第二关联强边缘段的边缘方向相似度。
3.根据权利要求1所述的基于计算机视觉的消防安防一体化监测系统,其特征在于,所述获取每一角度下的线缆图像中每一强边缘段的第一关联强边缘段与第二关联强边缘段包括:
记任意一角度下的线缆图像为目标图像,记目标图像上的任意一强边缘段为目标强边缘段,利用样条拟合得到目标强边缘段的方向曲线,记为目标强边缘段的目标强边缘曲线,将目标强边缘曲线的两个端点依次记为第一目标端点与第二目标端点,记目标强边缘曲线过第一目标端点的切线方向为第一方向,将以第一目标端点起始沿第一方向进行延伸的射线,记为第一延伸射线,将第一延伸射线首先相交的强边缘段记为目标强边缘段的第一关联强边缘段,记目标强边缘曲线过第二目标端点的切线方向为第二方向,将以第二目标端点起始沿第二方向进行延伸的射线,记为第二延伸射线,将第二延伸射线首先相交的强边缘段记为目标强边缘段的第二关联强边缘段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609043.9A CN116385976B (zh) | 2023-05-29 | 2023-05-29 | 基于计算机视觉的消防安防一体化监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609043.9A CN116385976B (zh) | 2023-05-29 | 2023-05-29 | 基于计算机视觉的消防安防一体化监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385976A CN116385976A (zh) | 2023-07-04 |
CN116385976B true CN116385976B (zh) | 2023-08-11 |
Family
ID=86963664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310609043.9A Active CN116385976B (zh) | 2023-05-29 | 2023-05-29 | 基于计算机视觉的消防安防一体化监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385976B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982334A (zh) * | 2012-11-05 | 2013-03-20 | 北京理工大学 | 基于目标边缘特征与灰度相似性的稀疏视差获取方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN111080661A (zh) * | 2019-12-09 | 2020-04-28 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
CN111522804A (zh) * | 2020-04-15 | 2020-08-11 | 国网江苏省电力有限公司 | 一种变压器设备状态监测异常数据清洗方法 |
CN112528868A (zh) * | 2020-12-14 | 2021-03-19 | 江苏师范大学 | 一种基于改进Canny边缘检测算法的违章压线判别方法 |
CN114170228A (zh) * | 2022-02-14 | 2022-03-11 | 西南石油大学 | 一种计算机图像边缘检测方法 |
CN115170669A (zh) * | 2022-09-05 | 2022-10-11 | 合肥安迅精密技术有限公司 | 基于边缘特征点集配准的识别定位方法及系统、存储介质 |
CN115311629A (zh) * | 2022-10-12 | 2022-11-08 | 南通创为机械科技有限公司 | 一种折弯机的异常折弯精度监测系统 |
CN115880481A (zh) * | 2022-12-29 | 2023-03-31 | 深圳市凌云视迅科技有限责任公司 | 一种基于边缘轮廓的曲线定位算法及系统 |
CN115908431A (zh) * | 2023-03-09 | 2023-04-04 | 国网山东省电力公司东营供电公司 | 一种输变电工程用线缆定位收纳方法 |
CN116012384A (zh) * | 2023-03-28 | 2023-04-25 | 梁山水泊胶带股份有限公司 | 一种整芯阻燃输送带表面缺陷检测方法 |
CN116091498A (zh) * | 2023-04-07 | 2023-05-09 | 飞杨电源技术(深圳)有限公司 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10200190B2 (en) * | 2016-06-06 | 2019-02-05 | Apple Inc. | Data recovery using edge detection |
-
2023
- 2023-05-29 CN CN202310609043.9A patent/CN116385976B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982334A (zh) * | 2012-11-05 | 2013-03-20 | 北京理工大学 | 基于目标边缘特征与灰度相似性的稀疏视差获取方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN111080661A (zh) * | 2019-12-09 | 2020-04-28 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
CN111522804A (zh) * | 2020-04-15 | 2020-08-11 | 国网江苏省电力有限公司 | 一种变压器设备状态监测异常数据清洗方法 |
CN112528868A (zh) * | 2020-12-14 | 2021-03-19 | 江苏师范大学 | 一种基于改进Canny边缘检测算法的违章压线判别方法 |
CN114170228A (zh) * | 2022-02-14 | 2022-03-11 | 西南石油大学 | 一种计算机图像边缘检测方法 |
CN115170669A (zh) * | 2022-09-05 | 2022-10-11 | 合肥安迅精密技术有限公司 | 基于边缘特征点集配准的识别定位方法及系统、存储介质 |
CN115311629A (zh) * | 2022-10-12 | 2022-11-08 | 南通创为机械科技有限公司 | 一种折弯机的异常折弯精度监测系统 |
CN115880481A (zh) * | 2022-12-29 | 2023-03-31 | 深圳市凌云视迅科技有限责任公司 | 一种基于边缘轮廓的曲线定位算法及系统 |
CN115908431A (zh) * | 2023-03-09 | 2023-04-04 | 国网山东省电力公司东营供电公司 | 一种输变电工程用线缆定位收纳方法 |
CN116012384A (zh) * | 2023-03-28 | 2023-04-25 | 梁山水泊胶带股份有限公司 | 一种整芯阻燃输送带表面缺陷检测方法 |
CN116091498A (zh) * | 2023-04-07 | 2023-05-09 | 飞杨电源技术(深圳)有限公司 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
高压带电作业线缆识别与定位系统的设计;林卉航 等;《机电一体化》;26-34 * |
Also Published As
Publication number | Publication date |
---|---|
CN116385976A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN108921003A (zh) | 基于卷积神经网络和图像形态学的无人机障碍物检测方法 | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN115471503B (zh) | 用于数控剖锭机的设备异常检测方法 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN111862073A (zh) | 一种电力设备的温度采集方法和装置 | |
CN115639434A (zh) | 超声与红外融合的变电站一次设备局放源联合定位方法 | |
CN116385976B (zh) | 基于计算机视觉的消防安防一体化监测系统 | |
CN116721096B (zh) | 基于人工智能的新能源线束质量在线检测方法 | |
CN117437623A (zh) | 一种基于图像边缘检测的中间接头缺陷识别方法和系统 | |
CN116309562B (zh) | 一种板卡缺陷识别方法及系统 | |
CN117197700A (zh) | 智能化无人巡检接触网缺陷识别系统 | |
CN117058182A (zh) | 一种用于视觉测距的目标检测边框优化方法 | |
CN112085683B (zh) | 一种显著性检测中的深度图可信度检测方法 | |
CN111179211A (zh) | 原油管道巡检用无人机红外视频的管线发热诊断方法 | |
WANG et al. | Visual Tracking Inspection Method of Transmission Line based on Infrared Thermal Imaging. | |
CN116740022B (zh) | 基于视觉检测的桥梁性能评估系统 | |
CN118297839B (zh) | 一种基于视觉的变压器绕组状态检测方法 | |
CN117953434B (zh) | 基于智能网关的输电线路外力破坏监测方法及系统 | |
CN117351021B (zh) | 一种光伏连接线生产质量智能检测方法 |
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 |