CN116912721A - 一种基于单目立体视觉的配电网设备本体识别方法及系统 - Google Patents

一种基于单目立体视觉的配电网设备本体识别方法及系统 Download PDF

Info

Publication number
CN116912721A
CN116912721A CN202311181037.4A CN202311181037A CN116912721A CN 116912721 A CN116912721 A CN 116912721A CN 202311181037 A CN202311181037 A CN 202311181037A CN 116912721 A CN116912721 A CN 116912721A
Authority
CN
China
Prior art keywords
distribution network
network equipment
equipment body
power distribution
image data
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
Application number
CN202311181037.4A
Other languages
English (en)
Other versions
CN116912721B (zh
Inventor
曹世鹏
倪莎
王立涛
陈杰
余万金
周文斌
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.)
Zhongxin Hanchuang Jiangsu Technology Co ltd
Original Assignee
Zhongxin Hanchuang Jiangsu 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 Zhongxin Hanchuang Jiangsu Technology Co ltd filed Critical Zhongxin Hanchuang Jiangsu Technology Co ltd
Priority to CN202311181037.4A priority Critical patent/CN116912721B/zh
Publication of CN116912721A publication Critical patent/CN116912721A/zh
Application granted granted Critical
Publication of CN116912721B publication Critical patent/CN116912721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于单目立体视觉的配电网设备本体识别方法及系统，包括服务器、以及无人机、评估模块、采集模块、分析模块、提取模块，采集模块从至少两个位置地点采集配电网设备本体进行的至少两张图像数据，分析模块对至少两个位置地点采集的至少两张图像数据进行分析，以确定能代表配电网设备本体的图像数据，并从图像数据中确定配电网设备本体的等效尺寸，提取模块用于对至少两个位置地点的代表配电网设备本体的图像数据进行特征提取，以确定代表配电网设备本体的图像数据中的特征数，评估模块根据等效尺寸以及特征数对配电网设备本体进行评估，以识别出配电网设备本体的类型。

Description

一种基于单目立体视觉的配电网设备本体识别方法及系统
技术领域
本发明涉及发电、变电或配电技术领域，尤其涉及一种基于单目立体视觉的配电网设备本体识别方法及系统。
背景技术
配电网分布随着经济增长愈加复杂，运维管理难度大，目前电网线路依旧主要采用人工和无人机巡视的方式，产生大量的图像数据，主要以人工进行审核为主，对于现代电网的快速发展及安全运行已不能满足日常运维需求。
如CN115205285B现有技术公开了一种部署有架空线路缺陷识别算法的设备及其缺陷识别方法，当前人工审核主要问题在于耗时耗力，效率低下，且评判标准过于依赖主观因素，未形成统一分析标准，导致缺陷识别准确率较低。
另一种典型的如CN112340018A 的现有技术公开的一种基于智能图像识别的电力巡检无人机及巡检方法，传统的电力线路、管道巡线流程是工作人员亲自到现场巡视线路，巡视对象主要是设施，杆塔、导线、变压器、绝缘子、横担、刀闸等设备，并用纸记录巡视情况，然后再人工录入到计算机中，现有的电力线路、管道巡线流程是采用无人机进行智能图像识别，并将数据传输至在控制终端进行记录。
为了解决本领域普遍存在智能程度低、识别精准性差、需要人工辅助、故障无法主动预警等等问题，作出了本发明。
发明内容
本发明的目的在于，针对目前所存在的不足，提出了一种基于单目立体视觉的配电网设备本体识别方法及系统。
为了克服现有技术的不足，本发明采用如下技术方案：
一种基于单目立体视觉的配电网设备本体识别系统，配电网设备本体识别系统包括服务器、以及无人机，所述配电网设备本体识别系统还包括评估模块、采集模块、分析模块、提取模块，所述服务器分别与所述无人机、所述采集模块、所述分析模块、所述提取模块、所述评估模块连接，以将所述采集模块、所述评估模块、所述分析模块、所述提取模块的过程数据进行存储；
所述采集模块从至少两个位置地点采集所述配电网设备本体进行的至少两张图像数据，所述分析模块对至少两个位置地点采集的至少两张所述图像数据进行分析，以确定能代表所述配电网设备本体的所述图像数据，并从图像数据中确定所述配电网设备本体的等效尺寸，所述提取模块用于对至少两个位置地点的代表所述配电网设备本体的所述图像数据进行特征提取，以确定代表所述配电网设备本体的所述图像数据中的特征数，所述评估模块根据等效尺寸以及特征数对所述配电网设备本体进行评估，以识别出所述配电网设备本体的类型；
所述评估模块包括定位单元和评估单元，所述定位单元用于对所述无人机的实时位置进行检测，所述评估单元根据所述采集模块识别到的实时图像以及所述配电网设备本体相关联的正常状态下的标准图像对所述配电网设备本体进行评估；
所述分析模块获取所述采集模块采集得到的至少两张图像数据，并根据下式计算每张所述图像数据的清晰度指数Qualified：
；
式中，N表示图像像素总数，G(i)表示第i个像素点处的梯度幅值，μ表示所有像素点处梯度幅值的平均值；
所述分析模块比对每张所述图像数据的清晰度指数，并选用清晰度指数大的所述图像数据作为代表所述配电网设备本体的所述图像数据，并获取代表所述配电网设备本体的所述图像数据的焦距数据、以及图像数据所确定所述配电网设备本体的等效尺寸。
可选的，所述定位单元包括定位器、触发器和联网子程序，所述定位器用于对所述无人机的实时位置进行定位，所述触发器根据所述定位器的定位数据发出关联指令，所述联网子程序接收所述触发器的关联指令，以使所述定位器向所述服务器发出调用请求，并将与所述定位器的定位位置相关联的配电网设备本体的基础数据库进行调用。
可选的，所述采集模块包括采集相机和数据存储器，所述采集相机用于采集配电网设备本体进行的图像数据，所述数据存储器存储所述采集单元采集的所述配电网设备本体的图像数据；
其中，所述采集相机在至少两个飞行轨迹对所述配电网设备本体进行图像数据的采集，且在同一飞行轨迹上采集至少两张所述配电网设备本体的图像数据。
可选的，所述评估单元获取所述配电网设备本体的等效尺寸、以及所述配电网设备本体的所述图像数据中的特征数，并根据下式计算匹配指数Match：
；
式中，ω1、ω2为权重系数，根据实际需求进行调整，real为所述配电网设备本体的所述图像数据中的特征数，standard为标准基础数据库中配电网设备本体的标准特征数，Actual_size为所述图像数据的确定所述配电网设备本体的等效尺寸，Exact_size为标准基础数据中所述配电网设备本体的标准大小；
若所述匹配指数Match越高，则识别得到的所述配电网设备本体越精准。
可选的，所述配电网设备本体识别系统还包括避障模块和交互模块，所述避障模块用于对所述无人机识别过程进行避障，所述交互模块根据所述评估结果触发提示，以提示管理员当前巡检位置的所述配电网设备本体的状态。
本发明提供一种基于单目立体视觉的配电网设备本体识别方法，配电网设备本体识别方法包括以下步骤：
S1、所述无人机沿着设定的巡检路线采集至少两张图像数据；
S2、更换另一巡检路线采集至少两张图像数据，其中，当前巡检路线需与上一次巡检路不一致；
S3、所述分析模块对至少两个位置地点采集的至少两张所述图像数据进行分析，以确定代表所述配电网设备本体的所述图像数据，并从图像数据中确定所述配电网设备本体的等效尺寸；
S4、所述提取模块用于对至少两个位置地点的代表所述配电网设备本体的所述图像数据进行特征提取，以确定所述图像数据中的特征数；
S5、所述评估模块根据图像数据中确定所述配电网设备本体的等效尺寸以及代表所述配电网设备本体的所述图像数据中的特征数对所述配电网设备本体进行评估，以识别出所述配电网设备本体的类型。
可选的，所述识别方法包括：在步骤S3中确定代表所述配电网设备本体的所述图像数据后，获取该图像数据对应的焦距数据，并根据焦距数据和清晰度数据确定所述配电网设备本体的等效尺寸。
可选的，所述识别方法包括：在步骤S5中，将图像数据中确定所述配电网设备本体的等效尺寸以及代表所述配电网设备本体的所述图像数据中的特征数与基础数据库中的各个配电网设备本体进行比对，并根据比对结果识别出配电网设备本体的类型。
可选的，所述识别方法包括：所述基础数据库中已经预先置入各个配电网设备本体的标准大小和标准特征数。
本发明所取得的有益效果是：
1.通过所述分析模块对所述采集模块采集得到的图像数据进行分析，使得采集得到的图像数据能够进行筛选和分析，提升图像数据的精准性和可靠性；
2.通过所述提取模块和所述分析模块的相互配合，对采集得到的图像数据进行筛选，并对筛选的图像以及拍摄时的参数数据进行分析，同时根据筛选后的图像数据进行大小的提取，以确定最能反映所述配电网本体设备的图像数据，提升整个系统的识别智能程度；
3. 通过所述评估单元和所述定位单元的相互配合，使得所述配电网本体设备的识别更加的精准，也提升了所述配电网设备本体的识别效率，改变了现有技术中需要人工辅助的现状，保证整个系统具有主动评估和定位的优点；
4. 通过所述交互单元和所述提示单元的相互配合，使得操作者获得最佳的交互舒适性，也兼顾操作者能实时掌握当前的巡检或识别过程。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定相同的部分。
图1为本发明的整体方框示意图。
图2为本发明的分析模块的分析方框示意图。
图3为本发明的分析模块和提取模块对代表配电网本体设备的图像进行处理的示意图。
图4为本发明的评估单元的评估方框示意图。
图5为本发明的无人机对输电线路的巡检场景示意图（黑色虚线为巡检轨迹）。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不悖离本发明的精神下进行各种修饰与变更。另外，本发明的附图仅为简单示意说明，并非依等效尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。
实施例一：根据图1、图2、图3、图4、图5所示，本实施例提供一种基于单目立体视觉的配电网设备本体识别系统，配电网设备本体识别系统包括服务器、以及无人机，所述配电网设备本体识别系统还包括评估模块、采集模块、分析模块、提取模块，所述服务器分别与所述无人机、所述采集模块、所述分析模块、所述提取模块、所述评估模块连接，以将所述采集模块、所述评估模块、所述分析模块、所述提取模块的过程数据进行存储，以使得上述几个模块的过程数据能够被查询；
所述采集模块从至少两个位置地点采集所述配电网设备本体进行的至少两张图像数据，所述分析模块对至少两个位置地点采集的至少两张所述图像数据进行分析，以确定能代表所述配电网设备本体的所述图像数据，并从图像数据中确定所述配电网设备本体的等效尺寸，所述提取模块用于对至少两个位置地点的代表所述配电网设备本体的所述图像数据进行特征提取，以确定代表所述配电网设备本体的所述图像数据中的特征数，所述评估模块根据等效尺寸以及特征数对所述配电网设备本体进行评估，以识别出所述配电网设备本体的类型；
所述配电网设备本体识别系统还包括中央处理器，所述中央处理器分别与所述评估模块、采集模块、分析模块、提取模块控制连接，并基于所述中央处理器对所述评估模块、所述采集模块、所述分析模块和所述提取模块进行集中控制，以提升整个系统对所述配电网设备本体的智能识别；
可选的，所述配电网设备本体识别系统还包括避障模块和交互模块，所述避障模块用于对所述无人机识别过程进行避障，所述交互模块根据所述评估结果触发提示，以提示管理员当前巡检位置的所述配电网设备本体的状态；
其中，所述采集模块、所述评估模块、所述提取模块、和交互模块均设置在所述无人机上，并跟随所述无人机对巡检路线上的配电网设备本体进行识别；
可选的，所述采集模块包括采集相机和数据存储器，所述采集相机用于采集配电网设备本体进行的图像数据，所述数据存储器存储所述采集单元采集的所述配电网设备本体的图像数据；
其中，所述采集相机在至少两个飞行轨迹对所述配电网设备本体进行图像数据的采集，且在同一飞行轨迹上采集至少两张所述配电网设备本体的图像数据；
在本实施例中，所述无人机携带所述采集模块并依照设定好的至少两条巡检路线对所述配电网设备本体进行巡检，以达到对所述配电网设备本体进行识别的目的；
同时，每次对每一处所述配电网设备本体进行巡检的过程中，需要获得至少两个位置的至少两张图像数据，以使得所述采集相机在对所述配电网设备本体进行巡检的过程中，能够准确的采集所述配电网设备本体的图像数据；
可选的，所述分析模块获取所述采集模块采集得到的至少两张图像数据，并根据下式计算每张所述图像数据的清晰度指数Qualified：
；
式中，N表示图像像素总数，可以通过对至少两张图像数据进行处理后，得到的对应的图像数据对应的图像像素总数，G(i)表示第i个像素点处的梯度幅值，μ表示所有像素点处梯度幅值的平均值；
其中，所述梯度幅值是本领域的技术人员通过图像数据技术中可以轻易得到，因而在本实施例中不再一一赘述；
具体的，举例说明一下第i个像素点处梯度幅值的一般步骤：
1) 将图像转换为灰度图像（如果尚未进行）：首先，如果原始图像是彩色图像，需要将其转换为灰度图像。这可以通过将彩色通道的值进行加权平均来实现，常用的加权平均方法是将红色、绿色和蓝色通道的值按照0.2989、0.5870和0.1140的比例加权平均。
2) 对图像应用Sobel算子：Sobel算子是一个3x3的滤波器，它分别在水平和垂直方向上对图像进行卷积运算。它可以通过以下两个矩阵表示：
水平方向的sobel算子（Gx）：
;
垂直方向的sobel算子（Gy）：
;
将Sobel算子分别与图像进行卷积运算，得到水平方向上的梯度值（Gx）和垂直方向上的梯度值（Gy）。
3) 计算梯度幅值：通过使用以下公式计算像素点处的梯度幅值（G）：
;
其中，Gx是水平方向上的梯度值，Gy是垂直方向上的梯度值。可以使用欧几里得距离的平方根来计算梯度幅值。
所述分析模块比对每张所述图像数据的清晰度指数Qualified，并选用清晰度指数Qualified大的所述图像数据作为代表所述配电网设备本体的所述图像数据，并获取代表所述配电网设备本体的所述图像数据的焦距数据、以及图像数据所确定所述配电网设备本体的等效尺寸；
通过所述分析模块对所述采集模块采集得到的图像数据进行分析，使得采集得到的图像数据能够进行筛选和分析，提升图像数据的精准性和可靠性；
在本实施例中，当获得代表所述配电网设备本体的图像数据后，则通过以下步骤计算所述图像数据所反映的所述配电网设备本体的等效尺寸：
STEP1：确定相机的焦距，焦距是相机光学系统的一个参数，通常以毫米（mm）为单位表示；可以通过相机的技术规格或者相机标定得到；其中，所述焦距数据是与确定的最能反映所述配电网的图像数据相关联的；
STEP2：确定物体在图像中的像素尺寸：通过图像处理技术，例如边缘检测、特征提取、轮廓提取等方法，获取物体在图像中的像素尺寸，包括物体在图像中的宽度和高度；
STEP3：计算物体的等效尺寸：利用相机的焦距和物体在图像中的像素尺寸，可以通过相似三角形的原理计算所述配电网设备本体的等效尺寸；
具体的计算公式如下：
；
式中，Width为所述配电网设备本体的等效宽度，W为物体在图像中的像素宽度，F为焦距，M为图像水平像素数；
；
式中，length为所述配电网设备本体的等效长度，L为物体在图像中的像素高度，F为焦距，K为图像垂直像素数；
所述提取模块对代表所述配电网设备本体的所述图像数据中的特征数进行提取是本领域的技术人员所熟知的技术手段，本领域的技术人员可以查询相关的技术手册获知该提示方式和方法，以准确的提取出所述图像数据所关联的所述配电网设备主体的特征和特征数量；
在本实施例中，所述特征包括但是不局限于以下列举的几种：所述配电网设备主体的凸出形状（圆形、方形、椭圆形等）或所述配电网设备主体的形状（形心）等；
在本实施例中，提供一种对所述配电网设备主体的形状进行确定的方法，如图像数据处理技术中常用的轮廓提取法，所述轮廓提取是一种基于图像二值化后的边界信息来确定物体形状的方法；可以使用图像处理技术如阈值化、形态学处理等将图像转化为二值图像，然后通过轮廓提取算法，如OpenCV中的findContours函数，来提取出物体的轮廓，从而获得物体的形状信息，并从所述形状信息中计算轮廓数；
这是本实施例的一种优选做法，当然本领域技术人员可以根据对轮廓提取法进行优化或者替代，因而在这里不再一一赘述；
通过所述提取模块和所述分析模块的相互配合，对采集得到的图像数据进行筛选，并对筛选的图像以及拍摄时的参数数据进行分析，同时根据筛选后的图像数据进行大小的提取，以确定最能反映所述配电网本体设备的图像数据，提升整个系统的识别智能程度；
所述评估模块包括定位单元和评估单元，所述定位单元用于对所述无人机的实时位置进行检测，所述评估单元根据所述采集模块识别到的实时图像以及所述配电网设备本体相关联的正常状态下的标准图像对所述配电网设备本体进行评估；
可选的，所述定位单元包括定位器、触发器和联网子程序，所述定位器用于对所述无人机的实时位置进行定位，所述触发器根据所述定位器的定位数据发出关联指令，所述联网子程序接收所述触发器的关联指令，以使所述定位器向所述服务器发出调用请求，并将与所述定位器的定位位置相关联的配电网设备本体的基础数据库进行调用；
可选的，所述评估单元获取所述配电网设备本体的等效尺寸、以及所述配电网设备本体的所述图像数据中的特征数，并根据下式计算匹配指数Match：
；
式中，ω1、ω2为权重系数，用于控制特征数匹配度和大小匹配度在匹配指数中的重要程度，根据实际需求由操作者或系统进行调整，满足：ω1+ω2=1，real为所述配电网设备本体的所述图像数据中的特征数，standard为标准基础数据库中配电网设备本体的标准特征数，Actual_size为所述图像数据的确定所述配电网设备本体的等效尺寸（等效宽度*等效长度），Exact_size为标准基础数据中所述配电网设备本体的标准大小；
在本实施例中，所述匹配指数的取值范围为[0，1]，若所述匹配指数Match越高，则识别得到的所述配电网设备本体越精准；
通过所述评估单元和所述定位单元的相互配合，使得所述配电网本体设备的识别更加的精准，也提升了所述配电网设备本体的识别效率；
所述避障模块包括检测雷达和避障程序，所述检测雷达用于对所述无人机的行进方向进行识别，并将识别得到的障碍物方位以及距离数据传输至所述避障程序中，所述避障程序接收所述障碍物的方位和距离数据后，则触发所述无人机的自主避障，以提升所述无人机在对所述配电网设备本体的安全运行；
其中，所述检测雷达设置在所述无人机上，具体的，设置在所述无人机的四周，以对所述无人机的四周的障碍物的方位和距离进行检测；
另外，对于所述避障程序是一种无人机常用的避障程序，这是本领域的技术人员所熟知的技术手段，本领域的技术人员可以查询相关的技术手册获知该技术，因而在本实施例中不再一一赘述；
同时，所述交互模块包括交互单元和提示单元，所述交互单元用于与操作者进行交互，以提示所述交互单元的当前状态，所述提示单元根据所述评估模块、避障模块以及采集模块的数据触发预警，并将预警提示信息向所述交互单元进行传输，使得所述交互单元能够向所述操作者进行提示；
所述交互单元包括交互显示屏，所述交互显示屏用于显示当前接收所述服务器上存储的数据，以提示所述操作者当前的状态；
所述提示单元将所述评估单元的评估结果、避障单元检测得到的障碍物信息以及采集单元采集得到的图像数据向所述交互单元进行实时传输，所述交互单元将接收所述服务器上存储的数据在交互显示屏上进行显示；
通过所述交互单元和所述提示单元的相互配合，使得操作者获得最佳的交互舒适性，也兼顾操作者能实时掌握当前的巡检或识别过程；
其中，所述交互显示屏采用手持式，以达到更加简便的携带；
本发明提供一种基于单目立体视觉的配电网设备本体识别方法，配电网设备本体识别方法包括以下步骤：
S1、所述无人机沿着设定的巡检路线采集至少两张图像数据；
S2、更换另一巡检路线采集至少两张图像数据，其中，当前巡检路线需与上一次巡检路不一致；其中，通过至少两条巡检路线进行采集，能够提升整个巡检和所述配电网设备本体的识别精度和效率；
S3、所述分析模块对至少两个位置地点采集的至少两张所述图像数据进行分析，以确定代表所述配电网设备本体的所述图像数据，并从图像数据中确定所述配电网设备本体的等效尺寸；
S4、所述提取模块用于对至少两个位置地点的代表所述配电网设备本体的所述图像数据进行特征提取，以确定所述图像数据中的特征数；
S5、所述评估模块根据图像数据中确定所述配电网设备本体的等效尺寸以及代表所述配电网设备本体的所述图像数据中的特征数对所述配电网设备本体进行评估，以识别出所述配电网设备本体的类型；
可选的，所述识别方法包括：在步骤S3中确定代表所述配电网设备本体的所述图像数据后，获取该图像数据对应的焦距数据，并根据焦距数据和清晰度数据确定所述配电网设备本体的等效尺寸；
可选的，所述识别方法包括：在步骤S5中，将图像数据中确定所述配电网设备本体的等效尺寸以及代表所述配电网设备本体的所述图像数据中的特征数与基础数据库中的各个配电网设备本体进行比对，并根据比对结果识别出配电网设备本体的类型；
可选的，所述识别方法包括：所述基础数据库中已经预先置入各个配电网设备本体的标准大小和标准特征数；
通过配电网设备本体的识别方法与所述配电网设备本体的识别系统的相互配合，使得对所述配电网设备本体的识别精度能更加精准，同时，也兼顾对所述配电网设备本体的巡检和识别。
实施例二：本实施例应当理解为包含前述任一一个实施例的全部特征，并在其基础上进一步改进，根据图1、图2、图3、图4、图5所示，还在于所述交互单元还包括配对管理终端、设置在所述交互显示屏上的位移传感器以及配对触发子单元，所述配对管理终端用于对所述交互显示屏与所述服务器的连接进行配对，所述位移传感器用于采集所述交互显示屏的位置量进行采集，所述配对触发子单元根据所述位置传感器采集得到的位移数据进行分析，形成分析结果，并根据分析结果触发对所述配对管理终端对所述交互显示屏与所述服务器的配对关系；
其中，所述位移出传感器设置在所述交互显示屏上，当所述交互显示屏处于配对状态，则所述位移传感器则会对所述交互显示屏的位移量进行采集，以获得所述交互显示屏的位移数据；
所述配对触发子单元获取所述位移传感器的位移数据，并根据下式计算配对指数connect：
；
式中，move为所述位置数据的值，foundation为位移偏置基础值，sensitive为灵敏系数，k1、k2、k3为权重系数，满足：k1+k2+k3=1；
若所述配对指数connect超过设定的配对阈值，则触发所述配对管理终端授予所述交互显示屏配对码，并根据所述配对码建立所述交互显示屏和所述服务器的配对关系；
若所述配对指数connect未超过设定的配对阈值，则继续对所述交互显示屏的状态进行监控；
其中，设定的配对阈值由系统或操作者进行设定，这是本领域的技术人员所熟知的技术手段，本领域的技术人员可以查询相关的技术手册获知该技术，因而在本实施例中不再一一赘述；
需要注意的是，不同的配对场景和设备特点可能需要不同的权重和灵敏度，因此在实际应用中应该进行充分的验证和调优，以确保配对指数的准确性和可靠性；同时，所述配对指数中的各项均为无量纲的数，得出的结果理应也为无量纲；
当满足触发所述配对管理终端授予所述交互显示屏配对码的条件后，所述配对管理终端根据下式授予配对码：
；
式中，Pairing_code（j）为所述配对码的第j位对应的值，grade为所述交互显示屏的等级，其值根据所述交互显示屏的实际情况进行设定，ID（j）为所述交互显示屏的设备识别码第（j）位的值，times为所述交互显示屏当天的配对次数，cost为所述交互显示屏的预估使用时长，其值根据操作者的预估使用时间进行设定；
其中，以上的数据从系统的人机界面进行输入调整，以生成所述配对码；
当所述配对码生成后，则建立所述交互显示屏与所述服务器的配对关系，以实时接收所述服务器上存储的数据，使得操作者能动态的掌握当前所述配电网本体设备识别得到的状态；
通过所述配对管理终端和所述配对触发子单元的相互配合，使得所述交互显示屏与所述服务器建立配对关系，以保证所述操作者获得最佳的交互舒适性。
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的保护范围，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的保护范围内，此外，随着技术发展其中的元素可以更新的。

Claims (9)

1.一种基于单目立体视觉的配电网设备本体识别系统，配电网设备本体识别系统包括服务器、以及无人机，其特征在于，所述配电网设备本体识别系统还包括评估模块、采集模块、分析模块、提取模块，所述服务器分别与所述无人机、所述采集模块、所述分析模块、所述提取模块、所述评估模块连接，以将所述采集模块、所述评估模块、所述分析模块、所述提取模块的过程数据进行存储；
所述采集模块从至少两个位置地点采集所述配电网设备本体进行的至少两张图像数据，所述分析模块对至少两个位置地点采集的至少两张所述图像数据进行分析，以确定能代表所述配电网设备本体的所述图像数据，并从图像数据中确定所述配电网设备本体的等效尺寸，所述提取模块用于对至少两个位置地点的代表所述配电网设备本体的所述图像数据进行特征提取，以确定代表所述配电网设备本体的所述图像数据中的特征数，所述评估模块根据等效尺寸以及特征数对所述配电网设备本体进行评估，以识别出所述配电网设备本体的类型；
所述评估模块包括定位单元和评估单元，所述定位单元用于对所述无人机的实时位置进行检测，所述评估单元根据所述采集模块识别到的实时图像以及所述配电网设备本体相关联的正常状态下的标准图像对所述配电网设备本体进行评估；
所述分析模块获取所述采集模块采集得到的至少两张图像数据，并根据下式计算每张所述图像数据的清晰度指数Qualified：
；
式中，N表示图像像素总数，G(i)表示第i个像素点处的梯度幅值，μ表示所有像素点处梯度幅值的平均值；
所述分析模块比对每张所述图像数据的清晰度指数，并选用清晰度指数大的所述图像数据作为代表所述配电网设备本体的所述图像数据，并获取代表所述配电网设备本体的所述图像数据的焦距数据、以及图像数据所确定所述配电网设备本体的等效尺寸。
2.根据权利要求1所述的一种基于单目立体视觉的配电网设备本体识别系统，其特征在于，所述定位单元包括定位器、触发器和联网子程序，所述定位器用于对所述无人机的实时位置进行定位，所述触发器根据所述定位器的定位数据发出关联指令，所述联网子程序接收所述触发器的关联指令，以使所述定位器向所述服务器发出调用请求，并将与所述定位器的定位位置相关联的配电网设备本体的基础数据库进行调用。
3.根据权利要求2所述的一种基于单目立体视觉的配电网设备本体识别系统，其特征在于，所述采集模块包括采集相机和数据存储器，所述采集相机用于采集配电网设备本体进行的图像数据，所述数据存储器存储所述采集单元采集的所述配电网设备本体的图像数据；
其中，所述采集相机在至少两个飞行轨迹对所述配电网设备本体进行图像数据的采集，且在同一飞行轨迹上采集至少两张所述配电网设备本体的图像数据。
4.根据权利要求3所述的一种基于单目立体视觉的配电网设备本体识别系统，其特征在于，所述评估单元获取所述配电网设备本体的等效尺寸、以及代表所述配电网设备本体的所述图像数据中的特征数，并根据下式计算匹配指数Match：
；
式中，ω1、ω2为权重系数，根据由系统根据实际需求进行设定或调整，real为所述配电网设备本体的所述图像数据中的特征数，standard为标准基础数据库中配电网设备本体的标准特征数，Actual_size为所述图像数据的确定所述配电网设备本体的等效尺寸，Exact_size为标准基础数据中所述配电网设备本体的标准大小；
若所述匹配指数Match越高，则识别得到的所述配电网设备本体越精准。
5.根据权利要求4所述的一种基于单目立体视觉的配电网设备本体识别系统，其特征在于，所述配电网设备本体识别系统还包括避障模块和交互模块，所述避障模块用于对所述无人机识别过程进行避障，所述交互模块根据所述评估结果触发提示，以提示管理员当前巡检位置的所述配电网设备本体的状态。
6.一种基于单目立体视觉的配电网设备本体识别方法，应用了如权利要求5所述的一种基于单目立体视觉的配电网设备本体识别系统，其特征在于，配电网设备本体识别方法包括以下步骤：
S1、所述无人机沿着设定的巡检路线采集至少两张图像数据；
S2、更换另一巡检路线采集至少两张图像数据，其中，当前巡检路线需与上一次巡检路不一致；
S3、所述分析模块对至少两个位置地点采集的至少两张所述图像数据进行分析，以确定代表所述配电网设备本体的所述图像数据，并从图像数据中确定所述配电网设备本体的等效尺寸；
S4、所述提取模块用于对至少两个位置地点的代表所述配电网设备本体的所述图像数据进行特征提取，以确定所述图像数据中的特征数；
S5、所述评估模块根据图像数据中确定所述配电网设备本体的等效尺寸以及代表所述配电网设备本体的所述图像数据中的特征数对所述配电网设备本体进行评估，以识别出所述配电网设备本体的类型。
7.根据权利要求6所述的一种基于单目立体视觉的配电网设备本体识别方法，其特征在于，所述识别方法包括：在步骤S3中确定代表所述配电网设备本体的所述图像数据后，获取该图像数据对应的焦距数据，并根据焦距数据和清晰度数据确定所述配电网设备本体的等效尺寸。
8.根据权利要求7所述的一种基于单目立体视觉的配电网设备本体识别方法，其特征在于，所述识别方法包括：在步骤S5中，将图像数据中确定所述配电网设备本体的等效尺寸以及代表所述配电网设备本体的所述图像数据中的特征数与基础数据库中的各个配电网设备本体进行比对，并根据比对结果识别出配电网设备本体的类型。
9.根据权利要求8所述的一种基于单目立体视觉的配电网设备本体识别方法，其特征在于，所述识别方法包括：所述基础数据库中已经预先置入各个配电网设备本体的标准大小和标准特征数。
CN202311181037.4A 2023-09-14 2023-09-14 一种基于单目立体视觉的配电网设备本体识别方法及系统 Active CN116912721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311181037.4A CN116912721B (zh) 2023-09-14 2023-09-14 一种基于单目立体视觉的配电网设备本体识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311181037.4A CN116912721B (zh) 2023-09-14 2023-09-14 一种基于单目立体视觉的配电网设备本体识别方法及系统

Publications (2)

Publication Number Publication Date
CN116912721A true CN116912721A (zh) 2023-10-20
CN116912721B CN116912721B (zh) 2023-12-05

Family

ID=88367310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311181037.4A Active CN116912721B (zh) 2023-09-14 2023-09-14 一种基于单目立体视觉的配电网设备本体识别方法及系统

Country Status (1)

Country Link
CN (1) CN116912721B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694472A (zh) * 2009-10-23 2010-04-14 郭震 缺陷孔图像识别方法
CN102735747A (zh) * 2012-04-10 2012-10-17 南京航空航天大学 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法
CN103577475A (zh) * 2012-08-03 2014-02-12 阿里巴巴集团控股有限公司 一种图片自动化分类方法、图片处理方法及其装置
CN104238566A (zh) * 2014-09-27 2014-12-24 江阴润玛电子材料股份有限公司 电子电路用基于图像识别的巡线机器人控制系统
CN105426850A (zh) * 2015-11-23 2016-03-23 深圳市商汤科技有限公司 一种基于人脸识别的关联信息推送设备及方法
US10460169B1 (en) * 2019-01-14 2019-10-29 Sourcewater, Inc. Image processing of aerial imagery for energy infrastructure analysis using joint image identification
CN111553430A (zh) * 2020-04-30 2020-08-18 中国银行股份有限公司 一种外币识别方法及装置
CN112950837A (zh) * 2021-03-03 2021-06-11 中国工商银行股份有限公司 基于深度学习的纸币破损情况识别方法及装置
CN114187511A (zh) * 2021-12-06 2022-03-15 北京国网富达科技发展有限责任公司 一种输电全景大数据智能监控方法
CN115081652A (zh) * 2022-07-13 2022-09-20 国网湖北省电力有限公司黄石供电公司 一种基于图像识别技术的电力巡检方法及系统
CN115186964A (zh) * 2022-05-21 2022-10-14 重庆邮电大学 计及主观评估数据的配电网线路风险预测系统及方法
WO2022246898A1 (zh) * 2021-05-27 2022-12-01 中科晶源微电子技术（北京）有限公司 用于电子束缺陷检测的像素尺寸校准方法和装置及设备
CN116727295A (zh) * 2023-06-15 2023-09-12 安徽天秉新材料科技有限公司 一种全自动化废旧织物识别分拣控制系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694472A (zh) * 2009-10-23 2010-04-14 郭震 缺陷孔图像识别方法
CN102735747A (zh) * 2012-04-10 2012-10-17 南京航空航天大学 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法
CN103577475A (zh) * 2012-08-03 2014-02-12 阿里巴巴集团控股有限公司 一种图片自动化分类方法、图片处理方法及其装置
CN104238566A (zh) * 2014-09-27 2014-12-24 江阴润玛电子材料股份有限公司 电子电路用基于图像识别的巡线机器人控制系统
CN105426850A (zh) * 2015-11-23 2016-03-23 深圳市商汤科技有限公司 一种基于人脸识别的关联信息推送设备及方法
US10460169B1 (en) * 2019-01-14 2019-10-29 Sourcewater, Inc. Image processing of aerial imagery for energy infrastructure analysis using joint image identification
CN111553430A (zh) * 2020-04-30 2020-08-18 中国银行股份有限公司 一种外币识别方法及装置
CN112950837A (zh) * 2021-03-03 2021-06-11 中国工商银行股份有限公司 基于深度学习的纸币破损情况识别方法及装置
WO2022246898A1 (zh) * 2021-05-27 2022-12-01 中科晶源微电子技术（北京）有限公司 用于电子束缺陷检测的像素尺寸校准方法和装置及设备
CN114187511A (zh) * 2021-12-06 2022-03-15 北京国网富达科技发展有限责任公司 一种输电全景大数据智能监控方法
CN115186964A (zh) * 2022-05-21 2022-10-14 重庆邮电大学 计及主观评估数据的配电网线路风险预测系统及方法
CN115081652A (zh) * 2022-07-13 2022-09-20 国网湖北省电力有限公司黄石供电公司 一种基于图像识别技术的电力巡检方法及系统
CN116727295A (zh) * 2023-06-15 2023-09-12 安徽天秉新材料科技有限公司 一种全自动化废旧织物识别分拣控制系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GULHAN USTABAS KAYA: "Development of hybrid optical sensor based on deep learning to detect and classify the micro-size defects in printed circuit board", 《MEASUREMENT》, pages 1 - 13 *
谭有新 等: "短文本特征的组合加权方法", 《广东工业大学学报》, pages 51 - 61 *

Also Published As

Publication number Publication date
CN116912721B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
US20210073573A1 (en) Ship identity recognition method based on fusion of ais data and video data
CN110850723B (zh) 一种基于变电站巡检机器人系统的故障诊断及定位方法
CN106356757B (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
CN105373135B (zh) 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统
CN107392247B (zh) 一种电力线下方地物安全距离实时检测方法
CN109800697B (zh) 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法
CN112528979B (zh) 变电站巡检机器人障碍物判别方法及系统
CN111753712A (zh) 电力生产人员安全监测方法、系统以及设备
CN112327906A (zh) 一种基于无人机的智能自动巡检系统
CN113920097B (zh) 一种基于多源图像的电力设备状态检测方法及系统
CN106649598A (zh) 一种输电线路覆冰厚度的检测方法
CN104091168A (zh) 基于无人机影像的电力线自动提取定位方法
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别系统
CN104573713A (zh) 一种基于图像纹理特征的互感器红外图像识别方法
CN112802004B (zh) 便携式输电线路和杆塔健康智能视频检测装置
CN112132157B (zh) 一种基于树莓派的步态人脸融合识别方法
CN115995058A (zh) 基于人工智能的输电通道安全在线监测方法
CN116129135A (zh) 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法
CN106682579B (zh) 用于检测输电线路覆冰的无人机双目视觉图像处理系统
CN116862712A (zh) 基于雷视融合的电力施工潜在安全风险检测方法与系统
CN105447431A (zh) 一种基于机器视觉的入坞飞机跟踪定位方法及系统
CN105987665B (zh) 一种特高压输电线路弧垂点变化范围的预警监测装置及方法
CN109712018A (zh) 一种输电线路综合监控系统
CN116912721B (zh) 一种基于单目立体视觉的配电网设备本体识别方法及系统
CN117237990A (zh) 群养猪只体重的估测方法、装置、电子设备及存储介质

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