CN116664612A - 一种基于fpga的无人机巡检数据处理方法及装置 - Google Patents

一种基于fpga的无人机巡检数据处理方法及装置 Download PDF

Info

Publication number
CN116664612A
CN116664612A CN202310778495.XA CN202310778495A CN116664612A CN 116664612 A CN116664612 A CN 116664612A CN 202310778495 A CN202310778495 A CN 202310778495A CN 116664612 A CN116664612 A CN 116664612A
Authority
CN
China
Prior art keywords
fpga
data
pixel
quality
current position
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
CN202310778495.XA
Other languages
English (en)
Inventor
李强
赵峰
庄莉
王秋琳
梁懿
邱镇
黄晓光
吴佩颖
张晓东
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.)
State Grid Information and Telecommunication Co Ltd
Fujian Yirong Information Technology Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
Fujian Yirong Information 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 State Grid Information and Telecommunication Co Ltd, Fujian Yirong Information Technology Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202310778495.XA priority Critical patent/CN116664612A/zh
Publication of CN116664612A publication Critical patent/CN116664612A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30168—Image quality 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于FPGA的无人机巡检数据处理方法，包括如下步骤：将无线电巡检数据进行A/D转换，并传输至FPGA；FPGA读取标识数据，从服务器中读取对应的历史图像数据；FPGA将当前彩色图像数据中每一个像素点对应的像素值进行转换，生成带质量码的像素值；FPGA将当前彩色图像数据和历史图像数据进行图像灰阶处理；通过边缘检测算法分别从灰阶处理后的图像数据识别出监控目标的当前位置和监控目标的历史位置；比对监控目标的当前位置和历史位置是否存在差异，若存在则人工二次校核。本发明还涉及基于FPGA的无人机巡检数据处理装置。本发明优点：通过对各个像素点设置质量码，提高图像识别正确率以及异常判定准确率。

Description

一种基于FPGA的无人机巡检数据处理方法及装置
技术领域
本发明涉及无人机巡检数据处理领域，尤其涉及一种基于FPGA的无人机巡检数据处理方法以及装置。
背景技术
现有电力系统的巡检很大一部分是通过无人机多角度采集电力监控目标的图像，然后连同方位信息、时间信息等一同回传至接收站，由接收站对巡检数据进行智能识别、比对，协助人工判断巡检区域电力系统是否存在风险。然而，电力系统中，需要实时监控的目标有很多，比如导地线、绝缘子、防振锤、细小金具、线夹及均压环、基础设施、附属设施、通道环境等，无人机在采集数据时，多台无人机同时工作且多角度拍摄图像，不仅回传数据速度快，而且回传的数据量较大，仅一条输电线路的巡检图像就达到200余张。接收站内的系统采用基于FPGA智能算法的识别系统，能够自动识别出图像中可能存在的缺陷，班组人员只要对结果进行二次快速校核，大大提高了班组的工作效率。但是，系统在运行中还存在如下问题：1、巡检接收到的图像，存在曝光过度等画质较差的图像，系统未进行任何检测、筛选或标记，全部用于识别、比对，不仅浪费计算资源，还导致比对结果错误，影响了异常判断的准确率。2、短时间内接收到的大量巡检数据，FPGA内部缓存空间不足，容易导致数据丢失；3、对接收的巡检数据按照先进先出原则逐条进行预处理和计算比对，导致在预处理图像数据时，识别、比对算法闲置，导致数据处理速度慢；4、大批量接收巡检数据时，缺乏对巡检数据的时序控制，导致比对出错。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于FPGA的无人机巡检数据处理方法，智能、高效、准确地评价图像中的各像素点的质量，从而提升了异常判定的准确率，降低了FPGA的计算量，减少系统开销，提高数据处理速度。
为实现上述目的，本发明采用以下技术方案：
技术方案一
一种基于FPGA的无人机巡检数据处理方法，包括如下步骤：步骤1、将无人机回传的无线电巡检数据进行A/D转换，转换后的数据包括当前彩色图像数据及其标识数据，然后传输至FPGA；步骤2、FPGA读取其中的标识数据，然后通过PCIE接口读取服务器中该标识数据对应的历史图像数据；步骤3、FPGA按照预先定义的带质量码的数据格式将当前彩色图像数据中每一个像素点对应的像素值进行转换，生成带质量码的像素值；步骤4、FPGA将当前彩色图像数据和历史图像数据进行图像灰阶处理，得到当前灰阶图像数据和历史灰阶图像数据，其中，当前灰阶图像数据中每个像素点的灰阶值带有所述的质量码；步骤5、通过边缘检测算法从历史灰阶图像数据中识别出监控目标的历史位置，同时，通过边缘检测算法从当前灰阶图像数据中识别出监控目标的当前位置，并根据质量码检测当前位置是否识别正确，若识别不正确，则重复执行步骤5，继续识别监控目标，若识别正确，则进一步根据质量码检测识别出的当前位置的图像质量是否符合要求，若是，则进入步骤6，若否，判定当前位置异常，则发出通知，进行人工二次核验；步骤6、比对监控目标的当前位置和历史位置是否存在差异，若存在，则通知人工二次校核，同时将当前彩色图像数据发送至服务器存储。
更优地，所述步骤3中，FPGA将每个像素点的像素值由浮点数转变为定点数并加入至少2bit的质量码，生成带质量码的像素值，其中2bit质量码分别表示像素值是否超上限和像素值是否超下限；所述上限和下限均为预设值，将定点数中小数点前的值分别与上限和下限进行比较，以此判定该点像素值是否异常，对于超上限或者超下限的像素值对应的像素点均被判定为坏点。
更优地，所述带质量码的像素值为像素值加4bit的质量码，其中，4bit的质量码分别表示像素值是否超上限、像素值是否超下限、像素点质量是否为坏以及像素点质量是否为好，当像素值既没有超过上限也没有超过下限时，像素点质量为好，当像素值超过上限或下限，像素点质量为坏。
更优地，所述步骤5中，根据质量码检测当前位置是否识别正确，其具体过程为：计算识别出的当前位置所有边缘像素点中的坏点率，当坏点率超过预设第一阈值时，判定监控目标的当前位置的边缘识别错误，需要重新检测监控目标的当前位置，当坏点率未超过预设第一阈值时，继续执行当前位置的图像质量检测。
更优地，所述步骤5中，根据质量码检测识别出的当前位置的图像质量是否符合要求，其具体过程为：计算识别出的当前位置中所有像素点的坏点率，当坏点率超过预设第二阈值时，则判定当前位置的图像存在异常，需要通知人工核验，当坏点率未超过预设第二阈值时，执行步骤6。
更优地，所述FPGA还与存储器A和存储器B通信连接，所述FPGA对接收到数据采用乒乓流水机制进行处理，具体包括如下步骤：所述FPGA在存储器A和存储器B之间交替存储来自不同无人机的巡检数据且所述FPGA在读取存储器A中的数据进行计算的同时，对存储器B中的数据进行预处理；当所述FPGA完成对存储器A中的数据计算后，对存储器B中预处理后的数据进行计算，并对存储器A中的数据进行预处理；所述预处理为执行步骤3和4，所述数据的计算为执行步骤5和6。
更优地，所述标识数据包括采集时间、经纬度以及高度。
技术方案二
基于同一发明构思，本发明还提供一种基于FPGA的无人机巡检数据处理装置。
一种基于FPGA的无人机巡检数据处理装置，包括A/D转换器、FPGA、存储器以及服务器，所述A/D转换器将接收到的无线电数据转换成数字信号，所述PFGA将其存储至存储器中并执行如技术方案一所述的方法步骤。
本发明具有如下有益效果：
1、本发明定义了新的像素点数据格式，对各个像素点附加设置质量码，因此，在边缘检测算法识别监控目标的当前位置时，能够有先通过质量码检测当前位置的边缘像素点质量，检验了算法是否找到正确的监控目标的边缘，对识别的结果置信度作出评估，过滤掉边缘检测错误的监控目标的图像，辅助提高了监控目标的识别正确率，进而再通过质量码检测当前位置的图像质量是否符合要求，对应质量异常的图像可立即通知人工核验，对于质量符合要求的当前位置图像，则可以通过比对算法，识别出是否存在差异，大幅提高了监控目标异常判断的准确率。
2、本发明通过引入带质量码的像素值，优化数据计算过程，提高数据处理速度。
3、本发明通过乒乓流水机制，极大地加速了FPGA的算法处理速度，不让算法闲置，也不会让算法溢出，导致数据丢失。
4、本发明尤其适合应用于无人机对山顶、架桥等电力设施巡检数据的处理。
附图说明
图1为本发明的流程图；
图2为本发明的回传数据接收站内的硬件部署示意图。
具体实施方式
以下结合附图和具体实施例对本发明做进一步详细说明。
实施例一
本发明一种基于FPGA的无人机巡检数据处理方法，基于如下硬件部署执行数据处理步骤。请参阅图2，在接收站内，无人机回传的无线电数据通过ADRV9009接收后，发送至AD转换器，然后将转换后的数字信号数据交由FPGA芯片处理。所述FPGA外接两存储器，存储器A和存储器B，所述FPGA还通过PCIE接口与服务器通信连接。还可以选用内置有A/D功能的FPGA芯片而将其所述AD转换器替换掉。
请参阅图1，一种基于FPGA的无人机巡检数据处理方法，包括如下步骤：步骤1、将无人机回传的无线电巡检数据进行A/D转换，转换后的数据包括当前彩色图像数据及其标识数据，然后传输至FPGA；步骤2、FPGA读取其中的标识数据，所述标识数据包括采集时间、经纬度以及高度，然后通过PCIE接口读取服务器中该标识数据对应的历史图像数据；步骤3、FPGA按照预先定义的带质量码的数据格式将当前彩色图像数据中每一个像素点对应的像素值进行转换，生成带质量码的像素值；步骤4、FPGA将当前彩色图像数据和历史图像数据进行图像灰阶处理，得到当前灰阶图像数据和历史灰阶图像数据，其中，当前灰阶图像数据中每个像素点的灰阶值带有所述的质量码；步骤5、通过边缘检测算法从历史灰阶图像数据中识别出监控目标的历史位置，同时，通过边缘检测算法从当前灰阶图像数据中识别出监控目标的当前位置，并根据质量码检测当前位置是否识别正确，若识别不正确，则重复执行步骤5，继续识别监控目标，若识别正确，则进一步根据质量码检测识别出的当前位置的图像质量是否符合要求，若是，则进入步骤6，若否，判定当前位置异常，则发出通知，进行人工二次核验；步骤6、比对监控目标的当前位置和历史位置是否存在差异，若存在，则通知人工二次校核，同时将当前彩色图像数据发送至服务器存储。
所述步骤3中，FPGA从A/D转换器接收过来的像素值是浮点数，FPGA先将每个像素点的像素值由浮点数转变为定点数并加入至少2bit的质量码，生成带质量码的像素值，在本实施例中，采用带4bit质量码的像素值格式对原有的像素值进行转换，其中，4bit的质量码分别表示像素值是否超上限、像素值是否超下限、像素点质量是否为坏以及像素点质量是否为好。所述上限和下限均为预设值，将定点数中小数点前的值分别与上限和下限进行比较，以此判定该点像素值是否异常，对于超上限或者超下限的像素值对应的像素点均被判定为坏点。当像素值既没有超过上限也没有超过下限时，像素点质量为好，当像素值超过上限或下限，像素点质量为坏。例如，该带质量码的像素值的数据类型为：32bit数据位和4bit质量码，其中32bit数据位中包括13位整数位和19位小数位；将13为整数位的值分别与上限和下限进行比较，以此判断该点像素值是否异常。4bit质量码中各个bit位置1时的含义：bit4代表数据超上限，bit3代表数据超下限，bit2代表数据质量为坏，bit1代表数据质量为好。
采用4bit的质量码可提升质量码本身的可靠性，能及时发现数据处理过程质量码出错或异常。
所述步骤5中，根据质量码检测当前位置是否识别正确，其具体过程为：计算识别出的当前位置所有边缘像素点中的坏点率，当坏点率超过预设第一阈值时，判定监控目标的当前位置的边缘识别错误，需要重新检测监控目标的当前位置，当坏点率未超过预设第一阈值时，继续执行当前位置的图像质量检测。根据质量码检测识别出的当前位置的图像质量是否符合要求，其具体过程为：计算识别出的当前位置中所有像素点的坏点率，当坏点率超过预设第二阈值时，则判定当前位置的图像存在异常，需要通知人工核验，当坏点率未超过预设第二阈值时，执行步骤6。例如，将第一阈值和第二阈值均设置为35％，则在边缘检测过程中，当前位置的边缘区域像素点坏概率超过35％则放弃该区域，一定程度上规避了把坏质量的图片错误的识别为监控目标所在位置的情况，提升了识别正确率。接着，引入质量码可以统计识别出的监控目标所在位置的整体坏点的概率，一旦图片坏点概率超过35％，就需要引入人工校验，避免误报警或者漏报警。因此，引入了像素点质量码，先对识别结果置信度作出评估，可以提高识别正确率，再进行图像比对，可以提升监控目标异常判断的准确率。
所述FPGA对来自A/D转换器的数据采用乒乓流水机制进行处理，具体包括如下步骤：所述FPGA在存储器A和存储器B之间交替存储来自不同无人机的巡检数据且所述FPGA在读取存储器A中的数据进行计算的同时，对存储器B中的数据进行预处理；当所述FPGA完成对存储器A中的数据计算后，对存储器B中预处理后的数据进行计算，并对存储器A中的数据进行预处理。例如，当多架无人机同时传送多个铁塔的巡检数据时，第一架无人机的数据缓存到存储器A，第二架无人机缓存到存储器B，算法对处理器A的中的数据进行预处理，同时对处理器B中的数据进行计算；当处理器A中的数据预处理完，就对处理器B中的下一架无人机的数据进行预处理，当处理器B中的数据计算完成后，就对处理器A中已完成预处理的数据进行计算。所述预处理为执行步骤2至步骤4，所述数据的计算为执行步骤5和6。乒乓流水机制既保证了算法可以满负荷流水线工作，不闲置，无人机又不会排队，数据也不会交叠、出错。
所述步骤4中进行图像灰阶处理，即对图像进行二值化处理，现有技术中有多种二值化方式皆可应用于本实施例，在此不再赘述。所述步骤6中，将当前位置的图像与历史位置的图像进行相似度比对，可采用传统Hash算法，也可以简单采用判断两个位置图中相对应的像素点的灰阶值是否相同的方法，然后统计灰阶值相同的概率，以此判断是否异常，还可以利用历史数据训练卷积神经网络，将当前位置图像输入卷积神经网络进行判定是否异常，图像相似度比对算法为现有技术，不再展开详述。
实施例二
请参阅图1至图2，基于相同的发明构思，本实施例还提供了一种基于FPGA的无人机巡检数据处理装置，包括A/D转换器、FPGA、存储器以及服务器，所述A/D转换器将接收到的无线电数据转换成数字信号，所述PFGA将其存储至存储器中并执行如实施一所述的方法步骤。
本发明一种基于FPGA的无人机巡检数据处理方法及装置，通过对像素点进行带质量码的格式转换，并应用于检测监控目标的识别是否正确以及图像质量的评估，提升了图像识别正确率和监控目标异常判断的准确率。
以上所述仅为本发明的具体实施方式，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 (8)

1.一种基于FPGA的无人机巡检数据处理方法，其特征在于：包括如下步骤：
步骤1、将无人机回传的无线电巡检数据进行A/D转换，转换后的数据包括当前彩色图像数据及其标识数据，然后传输至FPGA；
步骤2、FPGA读取其中的标识数据，然后通过PCIE接口读取服务器中该标识数据对应的历史图像数据；
步骤3、FPGA按照预先定义的带质量码的数据格式将当前彩色图像数据中每一个像素点对应的像素值进行转换，生成带质量码的像素值；
步骤4、FPGA将当前彩色图像数据和历史图像数据进行图像灰阶处理，得到当前灰阶图像数据和历史灰阶图像数据，其中，当前灰阶图像数据中每个像素点的灰阶值带有所述的质量码；
步骤5、通过边缘检测算法从历史灰阶图像数据中识别出监控目标的历史位置，同时，通过边缘检测算法从当前灰阶图像数据中识别出监控目标的当前位置，并根据质量码检测当前位置是否识别正确，若识别不正确，则重复执行步骤5，继续识别监控目标，若识别正确，则进一步根据质量码检测识别出的当前位置的图像质量是否符合要求，若是，则进入步骤6，若否，判定当前位置异常，则发出通知，进行人工二次核验；
步骤6、比对监控目标的当前位置和历史位置是否存在差异，若存在，则通知人工二次校核，同时将当前彩色图像数据发送至服务器存储。
2.根据权利要求1所述的一种基于FPGA的无人机巡检数据处理方法，其特征在于：所述步骤3中，FPGA将每个像素点的像素值由浮点数转变为定点数并加入至少2bit的质量码，生成带质量码的像素值，其中2bit质量码分别表示像素值是否超上限和像素值是否超下限；所述上限和下限均为预设值，将定点数中小数点前的值分别与上限和下限进行比较，以此判定该点像素值是否异常，对于超上限或者超下限的像素值对应的像素点均被判定为坏点。
3.根据权利要求2所述的一种基于FPGA的无人机巡检数据处理方法，其特征在于：所述带质量码的像素值为像素值加4bit的质量码，其中，4bit的质量码分别表示像素值是否超上限、像素值是否超下限、像素点质量是否为坏以及像素点质量是否为好，当像素值既没有超过上限也没有超过下限时，像素点质量为好，当像素值超过上限或下限，像素点质量为坏。
4.根据权利要求2或3所述的一种基于FPGA的无人机巡检数据处理方法，其特征在于：所述步骤5中，根据质量码检测当前位置是否识别正确，其具体过程为：计算识别出的当前位置所有边缘像素点中的坏点率，当坏点率超过预设第一阈值时，判定监控目标的当前位置的边缘识别错误，需要重新检测监控目标的当前位置，当坏点率未超过预设第一阈值时，继续执行当前位置的图像质量检测。
5.根据权利要求2或3所述的一种基于FPGA的无人机巡检数据处理方法，其特征在于：所述步骤5中，根据质量码检测识别出的当前位置的图像质量是否符合要求，其具体过程为：计算识别出的当前位置中所有像素点的坏点率，当坏点率超过预设第二阈值时，则判定当前位置的图像存在异常，需要通知人工核验，当坏点率未超过预设第二阈值时，执行步骤6。
6.根据权利要求1所述的一种基于FPGA的无人机巡检数据处理方法，其特征在于：所述FPGA还与存储器A和存储器B通信连接，所述FPGA对接收到数据采用乒乓流水机制进行处理，具体包括如下步骤：所述FPGA在存储器A和存储器B之间交替存储来自不同无人机的巡检数据且所述FPGA在读取存储器A中的数据进行计算的同时，对存储器B中的数据进行预处理；当所述FPGA完成对存储器A中的数据计算后，对存储器B中预处理后的数据进行计算，并对存储器A中的数据进行预处理；所述预处理为执行步骤3和4，所述数据的计算为执行步骤5和6。
7.根据权利要求1所述的一种基于FPGA的无人机巡检数据处理方法，其特征在于：所述标识数据包括采集时间、经纬度以及高度。
8.一种基于FPGA的无人机巡检数据处理装置，其特征在于：包括A/D转换器、FPGA、存储器以及服务器，所述A/D转换器将接收到的无线电数据转换成数字信号，所述PFGA将其存储至存储器中并执行如权利要求1至7任意一项所述的方法步骤。
CN202310778495.XA 2023-06-29 2023-06-29 一种基于fpga的无人机巡检数据处理方法及装置 Pending CN116664612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310778495.XA CN116664612A (zh) 2023-06-29 2023-06-29 一种基于fpga的无人机巡检数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310778495.XA CN116664612A (zh) 2023-06-29 2023-06-29 一种基于fpga的无人机巡检数据处理方法及装置

Publications (1)

Publication Number Publication Date
CN116664612A true CN116664612A (zh) 2023-08-29

Family

ID=87726223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310778495.XA Pending CN116664612A (zh) 2023-06-29 2023-06-29 一种基于fpga的无人机巡检数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN116664612A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612047A (zh) * 2024-01-23 2024-02-27 国网湖北省电力有限公司信息通信公司 基于ai大模型的电网用无人机巡检图像识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612047A (zh) * 2024-01-23 2024-02-27 国网湖北省电力有限公司信息通信公司 基于ai大模型的电网用无人机巡检图像识别方法
CN117612047B (zh) * 2024-01-23 2024-04-12 国网湖北省电力有限公司信息通信公司 基于ai大模型的电网用无人机巡检图像识别方法

Similar Documents

Publication Publication Date Title
CN109631848B (zh) 输电线路异物入侵检测系统和检测方法
CN116664612A (zh) 一种基于fpga的无人机巡检数据处理方法及装置
CN112633343A (zh) 一种电力设备端子排接线校核方法及装置
CN112528979A (zh) 变电站巡检机器人障碍物判别方法及系统
CN112229845A (zh) 基于视觉导航技术的无人机高精度饶塔智能巡检方法
CN115294031A (zh) 基于红外热成像分析的光伏组件故障图像识别方法
CN112614130A (zh) 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法
CN113962973A (zh) 一种基于卫星技术的输电线路无人机智能巡检系统及方法
CN117761455A (zh) 基于故障测距的线路故障研判方法及系统
CN110649957B (zh) 降低星载微波辐射计滑环传输误码率的方法、系统及介质
CN111591321A (zh) 一种用于轨道杆号牌内容的连续识别纠正装置和方法
CN113538434B (zh) 一种电力设备缺陷识别方法、系统和可读存储介质
CN105528790A (zh) 一种输电线路小型部件识别方法
CN116843686B (zh) 接触网定位器线夹螺母缺陷的检测方法及装置
CN116740022B (zh) 基于视觉检测的桥梁性能评估系统
WO2024119983A1 (zh) 一种轨道车辆电缆终端的异常检测方法及装置
CN111325708B (zh) 一种输电线路检测方法和服务器
CN116645355A (zh) 一种基于图像识别的输电线路监测系统
CN115830806A (zh) 基于高分遥感的自然灾害情况分析系统
CN111726263B (zh) 一种自动驾驶汽车低延迟低误码率的通信系统及方法
CN111105395B (zh) 一种用于输电运行监测的ai智能云台
CN113408805A (zh) 一种雷电地闪识别方法、装置、设备及可读存储介质
CN113949142A (zh) 一种基于视觉识别的巡线机器人自主充电方法、系统
CN111476383A (zh) 一种泵站机组状态检修动态决策方法
CN118301287B (zh) 一种基于人工智能的视频数据智能化截取分析系统及方法

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