CN116760952A - 基于无人机的电力铁塔维护巡检方法 - Google Patents
基于无人机的电力铁塔维护巡检方法 Download PDFInfo
- Publication number
- CN116760952A CN116760952A CN202311033669.6A CN202311033669A CN116760952A CN 116760952 A CN116760952 A CN 116760952A CN 202311033669 A CN202311033669 A CN 202311033669A CN 116760952 A CN116760952 A CN 116760952A
- Authority
- CN
- China
- Prior art keywords
- probability
- image
- images
- difference value
- tower
- 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.)
- Granted
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 230
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012423 maintenance Methods 0.000 title claims abstract description 32
- 238000007689 inspection Methods 0.000 title claims abstract description 28
- 230000014759 maintenance of location Effects 0.000 claims abstract description 101
- 230000006835 compression Effects 0.000 claims abstract description 12
- 238000007906 compression Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000006837 decompression Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/182—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a pixel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
- H04N19/82—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation involving filtering within a prediction loop
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
- H04N19/91—Entropy coding, e.g. variable length coding [VLC] or arithmetic coding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及基于无人机的电力铁塔维护巡检方法，包括：获取电力铁塔及其附属设备图像；获取图像中每个像素点的灰度值的保留概率和其差异值的保留概率；基于图像各像素点对应的灰度值保留概率和差异值保留概率，预选择各像素点的编码对象，构建最优霍夫曼树；根据最优霍夫曼树获取图像的压缩数据，将图像的压缩数据储存至无人机本地存储设备，通过解压分析，查看电力铁塔及附属设备的实际情况，评估设备的状态并做出维修判断。本发明使获取的最终霍夫曼编码结果码长较短，提高了压缩率，减少了图像数据所占内存，提高了无人机本地存储设备的使用率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于无人机的电力铁塔维护巡检方法。
背景技术
电力铁塔是一种架设高压输电线路的金属结构，通常由钢材或混凝土建造而成，其主要作用是支撑高压输电线路、保护线路不受外界环境的影响、便于维护和修复输电线路等，为了保证其使用安全，需要定期进行维护检修。基于无人机的电力铁塔维护巡检方法是一种高效、精准、安全的巡检方法，相较于传统的人工巡检方式，该方法具有操作简便、效率高、风险低等显著的优势，可以大大提高电力铁塔的管理效能。同时，结合人工智能技术，可以在数据处理和分析上实现自动化，减轻工作负担，提高工作效率。
无人机巡检时可通过其上的摄像机获取电力铁塔及附属设备图像，将图像压缩存储在本地存储设备中，其后在系统中解压分析图像，提取出电力铁塔及附属设备的实际情况，评估设备的状态并做出维修判断。压缩图像时霍夫曼编码是一种可用的高效的无损压缩方法，对图像数据中的像素值进行操作，但无人机获取的电力铁塔图像像素值较多，据此获取的霍夫曼树可能较深，导致对图像进行编码时码长过长，图像压缩率低，削减了无人机本地存储设备储存图像的使用效果。
发明内容
本发明提供基于无人机的电力铁塔维护巡检方法，以解决现有的问题。
本发明的基于无人机的电力铁塔维护巡检方法采用如下技术方案：
本发明一个实施例提供了基于无人机的电力铁塔维护巡检方法，该方法包括以下步骤：
获取电力铁塔及其附属设备图像；
获取电力铁塔及其附属设备图像每种灰度值的灰度值概率；获取电力铁塔及其附属设备图像的所有差异值；获取电力铁塔及其附属设备图像中每种差异值概率；根据电力铁塔及其附属设备图像每种灰度值的灰度值概率得到电力铁塔及其附属设备图像中每种灰度值的保留概率；根据电力铁塔及其附属设备图像中每种差异值概率得到电力铁塔及其附属设备图像中每种差异值的保留概率；
根据电力铁塔及其附属设备图像中每种差异值的保留概率和电力铁塔及其附属设备图像中每种灰度值的保留概率得到电力铁塔及其附属设备图像中各个像素点与其对应的灰度值的保留概率和差异值的保留概率；根据电力铁塔及其附属设备图像中各个像素点与其对应的灰度值的保留概率和差异值的保留概率预选择各像素点的编码对象；根据像素点的编码对象构建最优霍夫曼树；
根据最优霍夫曼树和预选择各像素点的编码对象获取电力铁塔及其附属设备图像的压缩数据，将电力铁塔及其附属设备图像的压缩数据储存至无人机本地存储设备，通过解压分析，查看电力铁塔及附属设备的实际情况，评估设备的状态并做出维修判断。
优选的，所述获取电力铁塔及其附属设备图像每种灰度值的灰度值概率，包括的具体步骤如下：
对于电力铁塔及其附属设备图像中第种灰度值，获取在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量，记为/>；将电力铁塔及其附属设备图像中像素点总数量记为/>；则第/>种灰度值的灰度值概率/>为在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量与电力铁塔及其附属设备图像中像素点总数量的比值。
优选的，所述获取电力铁塔及其附属设备图像的所有差异值，包括的具体步骤如下：
对于电力铁塔及其附属设备图像中第个像素点，获取第/>个像素点与之对应的前一个像素点的灰度差值的绝对值作为第/>个像素点的差异值，同理获得电力铁塔及其附属设备图像中所有像素点的差异值，其中像素点序列中的第一个像素点没有差异值；进而获得电力铁塔及其附属设备图像的所有差异值。
优选的，所述获取电力铁塔及其附属设备图像中每种差异值概率的具体公式如下：
式中，表示电力铁塔及其附属设备图像中差异值为/>的像素点的差异值概率；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点的数量；/>表示电力铁塔及其附属设备图像中像素点的总数量。
优选的，所述根据电力铁塔及其附属设备图像每种灰度值的灰度值概率得到电力铁塔及其附属设备图像中每种灰度值的保留概率，包括的具体步骤如下：
对于电力铁塔及其附属设备图像中第种灰度值；根据在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量和在电力铁塔及其附属设备图像中具有第/>种灰度值的像素点中灰度值概率大于差异值概率的像素点的数量得到电力铁塔及其附属设备图像中第/>种灰度值的保留概率的计算表达式为：
式中，表示电力铁塔及其附属设备图像中第/>种灰度值的保留概率；/>表示电力铁塔及其附属设备图像中具有第/>种灰度值的像素点中灰度值概率大于差异值概率的像素点的数量；/>表示在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量。
优选的，所述根据电力铁塔及其附属设备图像中每种差异值概率得到电力铁塔及其附属设备图像中每种差异值的保留概率，包括的具体步骤如下：
对于电力铁塔及其附属设备图像中差异值为的差异值的保留概率的计算表达式为：
式中，表示电力铁塔及其附属设备图像中差异值为/>的差异值的保留概率；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点中差异值概率大于灰度值概率的像素点的数量；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点的数量。
优选的，所述根据电力铁塔及其附属设备图像中每种差异值的保留概率和电力铁塔及其附属设备图像中每种灰度值的保留概率得到电力铁塔及其附属设备图像中各个像素点与其对应的灰度值的保留概率和差异值的保留概率，包括的具体步骤如下：
根据电力铁塔及其附属设备图像中各个差异值的保留概率和电力铁塔及其附属设备图像中各个灰度值的保留概率得到电力铁塔及其附属设备图像中各个像素点有其对应的灰度值的保留概率和差异值的保留概率。
优选的，所述根据电力铁塔及其附属设备图像中各个像素点与其对应的灰度值的保留概率和差异值的保留概率预选择各像素点的编码对象，包括的具体步骤如下：
对于电力铁塔及其附属设备图像首个像素点，将该像素点的灰度值作为编码对象；从电力铁塔及其附属设备图像第二个像素点开始，比较其灰度值的保留概率和差异值的保留概率，若灰度值的保留概率大于等于差异值的保留概率，则将该像素点的灰度值作为编码对象；若差异值的保留概率大于灰度值的保留概率，则将该像素点的差异值作为编码对象；遍历电力铁塔及其附属设备图像，获取全部的像素点的编码对象。
优选的，所述根据像素点的编码对象构建最优霍夫曼树，包括的具体步骤如下：
根据所有像素点的编码对象统计每个编码对象的概率，根据所有编码对象的概率构建最优霍夫曼树。
优选的，所述根据最优霍夫曼树和预选择各像素点的编码对象获取电力铁塔及其附属设备图像的压缩数据，将电力铁塔及其附属设备图像的压缩数据储存至无人机本地存储设备，通过解压分析，查看电力铁塔及附属设备的实际情况，评估设备的状态并做出维修判断，包括的具体步骤如下：
对电力铁塔及其附属设备图像各像素点进行编码时，当像素点的灰度值在霍夫曼树中对应的编码的长度小于编码长度阈值时，使用灰度值编码；当像素点的差异值的绝对值在霍夫曼树中对应的编码的长度小于编码长度阈值时，使用差异值编码，并根据像素点差异值的正负情况在该编码前加入正负标识符号；其中在解码过程中若存在正负标识符号，则认为该像素点的编码对象是差异值，若不存在，则说明该像素点的编码对象为灰度值；进而使得编码结果码长短，增强了图像的压缩效果；得到电力铁塔及其附属设备图像的压缩数据，将其储存至无人机本地存储设备，待设备内存存满后，在系统中对压缩数据进行解压并分析图像，提取出电力铁塔及其附属设备的实际情况，评估设备的状态并做出维修判断，以及时进行相应处理。
本发明的技术方案的有益效果是：针对无人机获取的电力铁塔图像像素值较多，据此获取的霍夫曼树可能较深，导致对图像进行编码时码长过长，导致图像压缩率低，削减了无人机本地存储设备储存图像的使用效果的问题，本发明通过无人机的摄像机获取电力铁塔及其附属设备图像，基于图像中各灰度值对应像素点与其前一像素点的差异值获取该灰度值的保留概率，基于各差异值对应灰度值获取该差异值的保留概率，根据每个像素点的灰度值的保留概率和差异值的保留概率，预选择每个像素点的编码对象。统计图像中每种编码对象数值的概率，构建霍夫曼树，对图像进行编码，获取图像压缩结果。基于图像数据的局部相似性，根据每个像素点对应的灰度值的保留概率和差异值的保留概率，预选择每个像素点的编码对象，使得获取的霍夫曼树深度减少，进而缩短了图像各像素点的编码长度，使获取的最终霍夫曼编码结果码长较短，提高了压缩率，减少了图像数据所占内存，提高了无人机本地存储设备的使用率。
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为本发明基于无人机的电力铁塔维护巡检方法的步骤流程图。
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无人机的电力铁塔维护巡检方法，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无人机的电力铁塔维护巡检方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于无人机的电力铁塔维护巡检方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取电力铁塔及其附属设备图像。
具体的，采用装载摄像机的无人机进行巡检，获取的巡检范围内各电力铁塔及其附属设备的图像，进而获得电力铁塔及其附属设备图像。
至此，获得电力铁塔及其附属设备图像。
步骤S002：获取图像中每个像素点的灰度值的保留概率和其差异值的保留概率。
需要说明的是，无人机巡检时飞行高度较高，拍摄图像时视野范围大，视角广阔，因此获取的电力铁塔及其附属设备图像较为复杂，图像中像素灰度值多而分散，使用霍夫曼编码时，由于存在较多概率较低的灰度值，构建的霍夫曼树深度较深，则各灰度值对应编码较长，图像各像素点进行编码后获取的编码结果码长较长，图像压缩效果不佳，则将压缩数据储存进无人机的本地存储设备时占用内存大，存储设备的使用率降低。
进一步需要说明的是，利用图像的局部相似性，根据图像各灰度值对应的像素点与其前一个像素点的灰度值差异值获取各灰度值的保留概率，根据各差异值对应的像素点的像素值获取各差异值的保留概率，考虑图像每个像素点对应灰度值保留概率和差异值保留概率，预选择每个像素点的编码对象，进而构建最优霍夫曼树。对图像各像素点进行编码，当像素点的差异值在霍夫曼树中对应的编码较短时，使用差异值编码，当像素点灰度值在霍夫曼树中对应的编码较短时，使用灰度值编码，据此，获取的霍夫曼编码结果码长较短，图像压缩效果更佳，占用无人机本地存储设备内存较少，使得无人机能够存储更多幅图像。
具体的，对获得电力铁塔及其附属设备图像进行Z字扫描，得到电力铁塔及其附属设备图像的所有像素点序列；进而让电力铁塔及其附属设备图像中每一个像素点都有一个与之对应的前一个像素点，其中像素点序列中的第一个像素点不存在与之对应的前一个像素点，对其直接使用灰度值编码。
1.获取电力铁塔及其附属设备图像中各个灰度值的保留概率。
具体的，对于电力铁塔及其附属设备图像中第种灰度值，获取在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量，记为/>；将电力铁塔及其附属设备图像中像素点总数量记为/>；则第/>种灰度值的灰度值概率/>为在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量与电力铁塔及其附属设备图像中像素点总数量的比值。
对于电力铁塔及其附属设备图像中第个像素点，获取第/>个像素点与之对应的前一个像素点的灰度差值的绝对值作为第/>个像素点的差异值，同理获得电力铁塔及其附属设备图像中所有像素点的差异值，其中像素点序列中的第一个像素点没有差异值；进而获得电力铁塔及其附属设备图像的所有差异值。
则电力铁塔及其附属设备图像中差异值为的像素点的差异值概率的计算表达式为：
式中，表示电力铁塔及其附属设备图像中差异值为/>的像素点的差异值概率；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点的数量；/>表示电力铁塔及其附属设备图像中像素点的总数量。
需要说明的是，灰度值的保留概率能够作为后续处理中预选择像素点编码对象的判断标准之一，灰度值保留概率越高，表示构建霍夫曼树时越有可能以像素点的灰度值作为编码对象。本发明中，构建霍夫曼树时不直接采用各灰度值出现的概率作为树的叶子节点权重，而是取各灰度值出现的概率和各像素点的差异值出现的概率中较大者作为霍夫曼树的叶子节点权重，以缩减树的深度，构建最优霍夫曼树。因此，对于某一灰度值下的全部像素点，每一个像素点具有灰度值概率和差异值概率两个指标，若像素点的灰度值概率大于差异值概率，说明在后续构建霍夫曼树时，对于该像素点，将其灰度值作为编码对象以获取权重更大的叶子节点。则对于某一灰度值，若其下全部像素点中灰度值概率大于差异值概率的像素点数量越多，该灰度值的保留概率越大。
具体的，对于电力铁塔及其附属设备图像中第种灰度值；根据在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量和在电力铁塔及其附属设备图像中具有第/>种灰度值的像素点中灰度值概率大于差异值概率的像素点的数量得到电力铁塔及其附属设备图像中第/>种灰度值的保留概率：
式中，表示电力铁塔及其附属设备图像中第/>种灰度值的保留概率；/>表示电力铁塔及其附属设备图像中具有第/>种灰度值的像素点中灰度值概率大于差异值概率的像素点的数量；/>表示在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量。
至此，获得电力铁塔及其附属设备图像中各个灰度值的保留概率。
2.获得电力铁塔及其附属设备图像中各个差异值的保留概率。
需要说明的是，差异值保留概率越高，表示构建霍夫曼树时越有可能以像素点的差异值作为编码对象，基于本发明中最优霍夫曼树的构建规则，对于像素点灰度值和差异值两个指标，选取保留概率高的指标作为树的构建基础。因此，对于某一差异值下的全部像素点，每一个像素点具有灰度值概率和差异值概率两个指标，若像素点的差异值概率大于灰度值概率，说明在后续构建霍夫曼树时，对于该像素点，将其差异值作为编码对象以获取权重更大的叶子节点。则对于某一差异值，若其下全部像素点中差异值概率大于灰度值概率的像素点数量越多，该差异值的保留概率越大。
具体的，对于电力铁塔及其附属设备图像中差异值为的差异值的保留概率的计算表达式为：
式中，表示电力铁塔及其附属设备图像中差异值为/>的差异值的保留概率；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点中差异值概率大于灰度值概率的像素点的数量；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点的数量。
至此，获得电力铁塔及其附属设备图像中各个差异值的保留概率。
步骤S003：基于图像各像素点对应的灰度值保留概率和差异值保留概率，预选择各像素点的编码对象，构建最优霍夫曼树。
需要说明的是，电力铁塔及其附属设备图像中各个像素点具有灰度值和差异值两个指标，各指标的保留概率表示了在预选择编码对象时两个指标的优先程度。灰度值的保留概率越大，说明电力铁塔及其附属设备图像中该像素点对应的灰度值的出现概率越大，则构建霍夫曼树时用这一灰度值作为叶子节点的权重就越大，差异值的保留概率同理。为构建最优霍夫曼树，尽可能缩减树的深度，缩短编码长度，选取保留概率大的指标作为预选择各像素点的编码对象。
具体的，根据电力铁塔及其附属设备图像中各个差异值的保留概率和电力铁塔及其附属设备图像中各个灰度值的保留概率得到电力铁塔及其附属设备图像中各个像素点有其对应的灰度值的保留概率和差异值的保留概率。
首先，对于电力铁塔及其附属设备图像首个像素点，将该像素点的灰度值作为编码对象；然后从电力铁塔及其附属设备图像第二个像素点开始，比较其灰度值的保留概率和差异值的保留概率，若灰度值的保留概率大于等于差异值的保留概率，则将该像素点的灰度值作为编码对象；若差异值的保留概率大于灰度值的保留概率，则将该像素点的差异值作为编码对象。遍历电力铁塔及其附属设备图像，获取全部的像素点的编码对象；根据所有像素点的编码对象统计每个编码对象的概率，根据所有编码对象的概率构建最优霍夫曼树。
步骤S004：根据最优霍夫曼树获取图像的压缩数据，将图像的压缩数据储存至无人机本地存储设备，通过解压分析，查看电力铁塔及附属设备的实际情况，评估设备的状态并做出维修判断。
需要注意的是，在获取的最优霍夫曼树中，叶子节点包含了灰度值和差异值，即对某一值为g的叶子节点，像素点灰度值为g时使用该叶子节点编码，像素点差异值为g时也使用该叶子节点编码。
对电力铁塔及其附属设备图像各像素点进行编码时，当像素点的灰度值在霍夫曼树中对应的编码较短即编码的长度小于编码长度阈值时，使用灰度值编码；当像素点的差异值的绝对值在霍夫曼树中对应的编码较短即编码的长度小于编码长度阈值时，使用差异值编码，并根据像素点差异值的正负情况在该编码前加入正负标识符号。编码长度阈值可以根据需要进行合理设定。其中在解码过程中若存在正负标识符号，则认为该像素点的编码对象是差异值，若不存在，则说明该像素点的编码对象为灰度值；进而使得编码结果码长短，增强了图像的压缩效果。
至此，无人机在巡检时，每采集一帧图像就利用本实施例上述的方法对图像进行压缩，并存储在无人机的存储设备中，所述的存储设备可以是移动硬盘和内存，本实施例由于需要根据压缩存储的图像进行巡检分析，因此本实施例的存储设备是内存。具体的，本实施例将压缩后的图像存储到内存中的缓存队列中，然后每次从缓存队列中取出一副压缩后的图像，将压缩后的图像利用霍夫曼树进行解压缩得到压缩前的图像，然后根据压缩前的图像进行巡检分析，巡检分析的过程为：利用YOLOV4网络获得压缩前的图像中电力铁塔及其附属设备的包围框，获取包围框的中心点，记为电力铁塔及其附属设备的位置，将电力铁塔及其附属设备的位置视为节点，利用迪杰斯特拉算法获取所有节点之间的最短路径，然后无人机沿着最短路径巡检电力铁塔及其附属设备，并记录下电力铁塔及其附属设备的图像以便管理人员查看是否需要维修。
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 (10)
1.基于无人机的电力铁塔维护巡检方法，其特征在于，该方法包括以下步骤：
获取电力铁塔及其附属设备图像；
获取电力铁塔及其附属设备图像每种灰度值的灰度值概率；获取电力铁塔及其附属设备图像的所有差异值；获取电力铁塔及其附属设备图像中每种差异值概率；根据电力铁塔及其附属设备图像每种灰度值的灰度值概率得到电力铁塔及其附属设备图像中每种灰度值的保留概率；根据电力铁塔及其附属设备图像中每种差异值概率得到电力铁塔及其附属设备图像中每种差异值的保留概率；
根据电力铁塔及其附属设备图像中每种差异值的保留概率和电力铁塔及其附属设备图像中每种灰度值的保留概率得到电力铁塔及其附属设备图像中各个像素点与其对应的灰度值的保留概率和差异值的保留概率；根据电力铁塔及其附属设备图像中各个像素点与其对应的灰度值的保留概率和差异值的保留概率预选择各像素点的编码对象；根据像素点的编码对象构建最优霍夫曼树；
根据最优霍夫曼树和预选择各像素点的编码对象获取电力铁塔及其附属设备图像的压缩数据，将电力铁塔及其附属设备图像的压缩数据储存至无人机本地存储设备，通过解压分析，查看电力铁塔及附属设备的实际情况，评估设备的状态并做出维修判断。
2.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述获取电力铁塔及其附属设备图像每种灰度值的灰度值概率，包括的具体步骤如下：
对于电力铁塔及其附属设备图像中第种灰度值，获取在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量，记为/>；将电力铁塔及其附属设备图像中像素点总数量记为/>；则第/>种灰度值的灰度值概率/>为在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量与电力铁塔及其附属设备图像中像素点总数量的比值。
3.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述获取电力铁塔及其附属设备图像的所有差异值，包括的具体步骤如下：
对于电力铁塔及其附属设备图像中第个像素点，获取第/>个像素点与之对应的前一个像素点的灰度差值的绝对值作为第/>个像素点的差异值，同理获得电力铁塔及其附属设备图像中所有像素点的差异值，其中像素点序列中的第一个像素点没有差异值；进而获得电力铁塔及其附属设备图像的所有差异值。
4.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述获取电力铁塔及其附属设备图像中每种差异值概率的具体公式如下：
式中，表示电力铁塔及其附属设备图像中差异值为/>的像素点的差异值概率；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点的数量；/>表示电力铁塔及其附属设备图像中像素点的总数量。
5.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述根据电力铁塔及其附属设备图像每种灰度值的灰度值概率得到电力铁塔及其附属设备图像中每种灰度值的保留概率，包括的具体步骤如下：
对于电力铁塔及其附属设备图像中第种灰度值；根据在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量和在电力铁塔及其附属设备图像中具有第/>种灰度值的像素点中灰度值概率大于差异值概率的像素点的数量得到电力铁塔及其附属设备图像中第/>种灰度值的保留概率的计算表达式为：
式中，表示电力铁塔及其附属设备图像中第/>种灰度值的保留概率；/>表示电力铁塔及其附属设备图像中具有第/>种灰度值的像素点中灰度值概率大于差异值概率的像素点的数量；/>表示在电力铁塔及其附属设备图像中具有第/>种灰度值的所有像素点的数量。
6.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述根据电力铁塔及其附属设备图像中每种差异值概率得到电力铁塔及其附属设备图像中每种差异值的保留概率，包括的具体步骤如下：
对于电力铁塔及其附属设备图像中差异值为的差异值的保留概率的计算表达式为：
式中，表示电力铁塔及其附属设备图像中差异值为/>的差异值的保留概率；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点中差异值概率大于灰度值概率的像素点的数量；/>表示电力铁塔及其附属设备图像中差异值为/>的像素点的数量。
7.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述根据电力铁塔及其附属设备图像中每种差异值的保留概率和电力铁塔及其附属设备图像中每种灰度值的保留概率得到电力铁塔及其附属设备图像中各个像素点与其对应的灰度值的保留概率和差异值的保留概率，包括的具体步骤如下：
根据电力铁塔及其附属设备图像中各个差异值的保留概率和电力铁塔及其附属设备图像中各个灰度值的保留概率得到电力铁塔及其附属设备图像中各个像素点有其对应的灰度值的保留概率和差异值的保留概率。
8.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述根据电力铁塔及其附属设备图像中各个像素点与其对应的灰度值的保留概率和差异值的保留概率预选择各像素点的编码对象，包括的具体步骤如下：
对于电力铁塔及其附属设备图像首个像素点，将该像素点的灰度值作为编码对象；从电力铁塔及其附属设备图像第二个像素点开始，比较其灰度值的保留概率和差异值的保留概率，若灰度值的保留概率大于等于差异值的保留概率，则将该像素点的灰度值作为编码对象；若差异值的保留概率大于灰度值的保留概率，则将该像素点的差异值作为编码对象；遍历电力铁塔及其附属设备图像，获取全部的像素点的编码对象。
9.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述根据像素点的编码对象构建最优霍夫曼树，包括的具体步骤如下：
根据所有像素点的编码对象统计每个编码对象的概率，根据所有编码对象的概率构建最优霍夫曼树。
10.根据权利要求1所述基于无人机的电力铁塔维护巡检方法，其特征在于，所述根据最优霍夫曼树和预选择各像素点的编码对象获取电力铁塔及其附属设备图像的压缩数据，将电力铁塔及其附属设备图像的压缩数据储存至无人机本地存储设备，通过解压分析，查看电力铁塔及附属设备的实际情况，评估设备的状态并做出维修判断，包括的具体步骤如下：
对电力铁塔及其附属设备图像各像素点进行编码时，当像素点的灰度值在霍夫曼树中对应的编码的长度小于编码长度阈值时，使用灰度值编码；当像素点的差异值的绝对值在霍夫曼树中对应的编码的长度小于编码长度阈值时，使用差异值编码，并根据像素点差异值的正负情况在该编码前加入正负标识符号；其中在解码过程中若存在正负标识符号，则认为该像素点的编码对象是差异值，若不存在，则说明该像素点的编码对象为灰度值；进而使得编码结果码长短，增强了图像的压缩效果；得到电力铁塔及其附属设备图像的压缩数据，将其储存至无人机本地存储设备，待设备内存存满后，在系统中对压缩数据进行解压并分析图像，提取出电力铁塔及其附属设备的实际情况，评估设备的状态并做出维修判断，以及时进行相应处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311033669.6A CN116760952B (zh) | 2023-08-17 | 2023-08-17 | 基于无人机的电力铁塔维护巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311033669.6A CN116760952B (zh) | 2023-08-17 | 2023-08-17 | 基于无人机的电力铁塔维护巡检方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116760952A true CN116760952A (zh) | 2023-09-15 |
| CN116760952B CN116760952B (zh) | 2023-10-20 |
Family
ID=87951795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311033669.6A Active CN116760952B (zh) | 2023-08-17 | 2023-08-17 | 基于无人机的电力铁塔维护巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116760952B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116980629A (zh) * | 2023-09-25 | 2023-10-31 | 深圳市银河通信科技有限公司 | 一种大型照明系统自动故障检测系统 |
| CN117819160A (zh) * | 2024-03-04 | 2024-04-05 | 宝鸡杭叉工程机械有限责任公司 | 基于图像处理的带式输送机煤流自动监测方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012071483A (ja) * | 2010-09-28 | 2012-04-12 | Dainippon Screen Mfg Co Ltd | 画像記録装置および画像記録方法 |
| CN108419086A (zh) * | 2018-05-08 | 2018-08-17 | 北京理工大学 | 一种基于霍夫曼编码的图像压缩方法 |
| CN108846873A (zh) * | 2018-06-21 | 2018-11-20 | 桂林电子科技大学 | 一种基于灰度概率的医学图像无损压缩方法 |
| CN110853047A (zh) * | 2019-10-12 | 2020-02-28 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
| JP2020058014A (ja) * | 2018-09-28 | 2020-04-09 | 株式会社リコー | 映像処理装置、ビデオ会議システム、映像処理方法、およびプログラム |
| CN112837313A (zh) * | 2021-03-05 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 一种输电线路异物的图像分割的方法 |
| US20220121884A1 (en) * | 2011-09-24 | 2022-04-21 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN114885035A (zh) * | 2022-06-30 | 2022-08-09 | 北京城建设计发展集团股份有限公司 | 无损压缩方法及装置、无损解压方法及装置 |
| CN115082443A (zh) * | 2022-07-25 | 2022-09-20 | 山东天意机械股份有限公司 | 基于智能监控平台的混凝土制品质量检测方法 |
| CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
| CN115834895A (zh) * | 2023-02-22 | 2023-03-21 | 创银科技(南通)有限公司 | 用于无人机的数据高效压缩存储方法 |
| CN115861325A (zh) * | 2023-03-01 | 2023-03-28 | 山东中科冶金矿山机械有限公司 | 基于图像数据的悬架弹簧缺陷检测方法及系统 |
| CN116405574A (zh) * | 2023-06-08 | 2023-07-07 | 中国人民解放军总医院第二医学中心 | 一种远程医疗图像优化通讯方法及系统 |
| CN116489369A (zh) * | 2023-06-26 | 2023-07-25 | 深圳市美力高集团有限公司 | 一种行车数字录像压缩处理方法 |
-
2023
- 2023-08-17 CN CN202311033669.6A patent/CN116760952B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012071483A (ja) * | 2010-09-28 | 2012-04-12 | Dainippon Screen Mfg Co Ltd | 画像記録装置および画像記録方法 |
| US20220121884A1 (en) * | 2011-09-24 | 2022-04-21 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN108419086A (zh) * | 2018-05-08 | 2018-08-17 | 北京理工大学 | 一种基于霍夫曼编码的图像压缩方法 |
| CN108846873A (zh) * | 2018-06-21 | 2018-11-20 | 桂林电子科技大学 | 一种基于灰度概率的医学图像无损压缩方法 |
| JP2020058014A (ja) * | 2018-09-28 | 2020-04-09 | 株式会社リコー | 映像処理装置、ビデオ会議システム、映像処理方法、およびプログラム |
| CN110853047A (zh) * | 2019-10-12 | 2020-02-28 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
| CN112837313A (zh) * | 2021-03-05 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 一种输电线路异物的图像分割的方法 |
| CN114885035A (zh) * | 2022-06-30 | 2022-08-09 | 北京城建设计发展集团股份有限公司 | 无损压缩方法及装置、无损解压方法及装置 |
| CN115082443A (zh) * | 2022-07-25 | 2022-09-20 | 山东天意机械股份有限公司 | 基于智能监控平台的混凝土制品质量检测方法 |
| CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
| CN115834895A (zh) * | 2023-02-22 | 2023-03-21 | 创银科技(南通)有限公司 | 用于无人机的数据高效压缩存储方法 |
| CN115861325A (zh) * | 2023-03-01 | 2023-03-28 | 山东中科冶金矿山机械有限公司 | 基于图像数据的悬架弹簧缺陷检测方法及系统 |
| CN116405574A (zh) * | 2023-06-08 | 2023-07-07 | 中国人民解放军总医院第二医学中心 | 一种远程医疗图像优化通讯方法及系统 |
| CN116489369A (zh) * | 2023-06-26 | 2023-07-25 | 深圳市美力高集团有限公司 | 一种行车数字录像压缩处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| HANGYING HUANG: "Probabilistic Grayscale Visual Cryptography Scheme Using Multi-Pixel Encoding", 《2021 17TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY (CIS)》 * |
| 范祥辉;李士宁;杜鹏雷;裘莹;: "WSN中一种自适应无损数据压缩机制", 计算机测量与控制, no. 02 * |
| 黄婷婷: "无人机自动巡线方法研究", 《中国优秀硕士论文电子期刊网》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116980629A (zh) * | 2023-09-25 | 2023-10-31 | 深圳市银河通信科技有限公司 | 一种大型照明系统自动故障检测系统 |
| CN116980629B (zh) * | 2023-09-25 | 2024-01-30 | 深圳市银河通信科技有限公司 | 一种大型照明系统自动故障检测系统 |
| CN117819160A (zh) * | 2024-03-04 | 2024-04-05 | 宝鸡杭叉工程机械有限责任公司 | 基于图像处理的带式输送机煤流自动监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116760952B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116760952B (zh) | 基于无人机的电力铁塔维护巡检方法 | |
| CN116600132B (zh) | 一种煤矿视频数据自适应压缩方法 | |
| CN109495741B (zh) | 基于自适应下采样和深度学习的图像压缩方法 | |
| CN110210378B (zh) | 一种基于边缘计算的嵌入式视频图像解析方法及装置 | |
| CN116681036B (zh) | 基于数字孪生的工业数据存储方法 | |
| CN116095347B (zh) | 基于视频分析的建筑工程安全施工方法及系统 | |
| CN116153452B (zh) | 基于人工智能的医疗电子病历存储系统 | |
| CN116612436B (zh) | 基于煤矿掘进工作面关键特征的视频编码注意力标定系统 | |
| CN112565777B (zh) | 基于深度学习模型视频数据传输方法、系统、介质及设备 | |
| CN116828210B (zh) | 一种用于矿下视频采集智能传输方法及系统 | |
| CN103442225B (zh) | 基于数据库在线学习更新的有限速率下遥感图像传输系统 | |
| CN116910285B (zh) | 基于物联网的智慧交通数据优化存储方法 | |
| CN116405574A (zh) | 一种远程医疗图像优化通讯方法及系统 | |
| CN112819252A (zh) | 一种卷积神经网络模型构建方法 | |
| CN116980629B (zh) | 一种大型照明系统自动故障检测系统 | |
| CN116777845B (zh) | 基于人工智能的建筑工地安全风险智能评估方法及系统 | |
| CN117221609B (zh) | 一种高速公路收费业务集中监控值机系统 | |
| CN116723251B (zh) | 基于传感器网络的智能锅炉自动监测系统 | |
| CN101720043B (zh) | 基于多模式预测的成像光谱图像压缩方法 | |
| CN111263163A (zh) | 一种基于手机平台的深度视频压缩框架的实现方法 | |
| CN113784147B (zh) | 一种基于卷积神经网络的高效视频编码方法及系统 | |
| CN114266430A (zh) | 基于变分同化的架空输电线路风险评估方法及装置 | |
| CN113298893A (zh) | 一种基于电力调度的人工智能图像处理方法 | |
| CN113555034B (zh) | 压缩音频识别方法、装置及存储介质 | |
| CN117896482B (zh) | 一种车辆行车记录仪的数据智能存储方法 |
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 |