CN117152687A - 一种通信线路状态监测系统 - Google Patents
一种通信线路状态监测系统 Download PDFInfo
- Publication number
- CN117152687A CN117152687A CN202311422108.5A CN202311422108A CN117152687A CN 117152687 A CN117152687 A CN 117152687A CN 202311422108 A CN202311422108 A CN 202311422108A CN 117152687 A CN117152687 A CN 117152687A
- Authority
- CN
- China
- Prior art keywords
- communication line
- area
- expansion
- pixel
- pixel point
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 142
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000003708 edge detection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别领域,公开了一种通信线路状态监测系统,包括像识别模块用于对通信线路的图像进行识别,获取通信线路存在的缺陷;图像识别模块包括目标区域获取单元和图像识别单元;目标区域获取单元用于基于拓展像素点获取通信线路的图像中的通信线路的区域;图像识别单元用于对通信线路的区域进行识别,获取通信线路存在的缺陷。本发明通过在灰度化得到的图像中获取拓展像素点的集合,然后基于拓展像素点的集合得到多个拓展区域,接着从拓展区域中选出中间区域,最后对中间区域进行优化处理,得到了通信线路的区域,有效地提高了获得通信线路的区域的速度。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种通信线路状态监测系统。
背景技术
通过无人机技术来对通信线路进行拍照检测是一种非常高效的通信线路检测方式,将获得的通信线路的图像传输至计算终端(如云服务器、办公电脑等)后,计算终端能够通过相应的图像识别算法来识别出通信线路中存在的缺陷。
现有技术中,一般都是采用边缘检测算法对包含通信线路的图像进行检测之后,获得通信线路的区域,然后再对该区域进行图像识别,以获取通信线路中存在的缺陷。例如申请号为202011476612.X的专利便公开了相关的技术特征。
但是,由于边缘检测需要对图像中所有的像素点进行计算,因此,获得通信线路的区域的速度不够快,当需要识别的图像比较多时,则会影响通信线路的缺陷的整体识别效率。
发明内容
本发明的目的在于公开一种通信线路状态监测系统,解决如何在采用图像识别算法识别通信线路中存在的缺陷的过程中,提高获取通信线路的区域的速度的问题。
为了达到上述目的,本发明提供如下技术方案:
本发明提供了一种通信线路状态监测系统,包括图像识别模块,图像识别模块用于对通信线路的图像进行识别,获取通信线路存在的缺陷;
图像识别模块包括目标区域获取单元和图像识别单元;
目标区域获取单元用于采用如下方法获取通信线路的图像中的通信线路的区域:
用表示通信线路的图像,对/>进行灰度化处理,得到图像/>;
获取中的拓展像素点的集合/>;
分别对中的每个拓展像素点进行拓展计算,得到多个拓展区域;
对拓展区域进行筛选,得到中间区域;
对中间区域进行优化处理,得到通信线路的区域;
图像识别单元用于对通信线路的区域进行识别,获取通信线路存在的缺陷。
可选的,获取中的拓展像素点的集合/>,包括:
以的任意一个顶点坐标原点,以与顶点相连的两条相互垂直的边作为x轴和y轴,
建立直角坐标系;
获取中横坐标为0、横坐标为/>、纵坐标为0和横坐标为/>这四种类型的像素点的集合/>;/>和/>分别为/>中的像素点的x轴的坐标的最大值和y轴的坐标的最大值;
分别计算中的每个像素点的拓展系数;
将拓展系数排在前的像素点作为拓展像素点保存到集合/>。
可选的,拓展系数的计算公式为:
,
表示像素点i的拓展系数,max表示获取集合中的元素的最大值,/>表示像素点i的8邻域中,属于集合/>中的像素点的集合,/>表示像素点i和像素点j之间的特征差异值。
可选的,的计算公式为:
,
和/>分别表示像素点i和像素点j的灰度值,/>和分别表示像素点i和像素点j的图像梯度;/>表示灰度值计算参数,/>。
可选的,分别对中的每个拓展像素点进行拓展计算,得到多个拓展区域,包括:
对于中的拓展像素点b,对其进行拓展计算的过程包括:
S1,将拓展像素点b作为对比像素点;
S2,将对比像素点保存到拓展集合;
S3,获取对比像素点的邻域中的且不属于/>的像素点的集合;
S4,分别计算中的每个像素点与对比像素点之间的判断系数;
S5,获取中的像素点与对比像素点之间的判断系数的最小值;
S6,判断最小值是否小于设定的判断系数阈值,若是,则进入S7,若否,则进入S8;
S7,将中判断系数的最小值所对应的像素点作为新的对比像素点,进入S2;
S8,将拓展集合中的所有像素点所组成的区域作为拓展区域。
可选的,对拓展区域进行筛选,得到中间区域,包括:
分别获取每个拓展区域的对比值:
,
表示拓展区域c的对比值,/>和/>分别表示拓展区域c的像素点的在/>中所占的行数和列数,max表示获取集合中的元素的最大值;
将对比值最大的拓展区域作为中间区域。
可选的,对中间区域进行优化处理,得到通信线路的区域,包括:
用表示位于中间区域的边缘的像素点;
将属于的/>邻域且不属于中间区域的像素点保存到中间集合;
获取得到的所有中间集合的并集;
由中间区域和中的像素点获取通信线路的区域。
可选的,对通信线路的区域进行识别,获取通信线路存在的缺陷,包括:
将通信线路的区域输入到预先训练好的识别模型中进行识别,获取通信线路存在的缺陷。
可选的,还包括获取模块,获取模块用于获取通信线路的图像,并将获得的通信线路的图像传输至图像识别模块。
可选的,获取模块包括无人机控制装置和无人机;
无人机控制装置用于控制无人机飞行至目标拍摄位置,以及用于向无人机发送拍摄命令;
无人机用于根据拍摄命令对通信线路进行拍摄,获得通信线路的图像。
有益效果
本发明从通信线路的图像中获取通信线路的区域时,并没与采用边缘检测算法来获得对应的区域,而是通过在灰度化得到的图像中获取拓展像素点的集合,然后基于拓展像素点的集合得到多个拓展区域,接着从拓展区域中选出中间区域,最后对中间区域进行优化处理,得到了通信线路的区域。由于拓展像素点的集合中的像素点的数量相较于中的像素点的总数而言,所占的比例非常低,因此,本发明的获取过程并不需要对中所有的像素点进行计算,从而能够在获得准确的通信线路的区域的同时,有效地提高了获得通信线路的区域的速度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明的一种通信线路状态监测系统的一种示意图。
图2为本发明的一种通信线路状态监测系统的另一种示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示的一种实施例,本发明提供了一种通信线路状态监测系统,包括图像识别模块,图像识别模块用于对通信线路的图像进行识别,获取通信线路存在的缺陷。
图像识别模块包括目标区域获取单元和图像识别单元。
目标区域获取单元用于采用如下方法获取通信线路的图像中的通信线路的区域:
用表示通信线路的图像,对/>进行灰度化处理,得到图像/>;
获取中的拓展像素点的集合/>;
分别对中的每个拓展像素点进行拓展计算,得到多个拓展区域;
对拓展区域进行筛选,得到中间区域;
对中间区域进行优化处理,得到通信线路的区域。
图像识别单元用于对通信线路的区域进行识别,获取通信线路存在的缺陷。
上述实施过程,从通信线路的图像中获取通信线路的区域时,并没与采用边缘检测算法来获得对应的区域,而是通过在灰度化得到的图像中获取拓展像素点的集合,然后基于拓展像素点的集合得到多个拓展区域,接着从拓展区域中选出中间区域,最后对中间区域进行优化处理,得到了通信线路的区域。由于拓展像素点的集合中的像素点的数量相较于中的像素点的总数而言,所占的比例非常低,因此,本发明的获取过程并不需要对/>中所有的像素点进行计算,从而能够在获得准确的通信线路的区域的同时,有效地提高了获得通信线路的区域的速度。
可选的,获取中的拓展像素点的集合/>,包括:
以的任意一个顶点坐标原点,以与顶点相连的两条相互垂直的边作为x轴和y轴,建立直角坐标系;
获取中横坐标为0、横坐标为/>、纵坐标为0和横坐标为/>这四种类型的像素点的集合/>;/>和/>分别为/>中的像素点的x轴的坐标的最大值和y轴的坐标的最大值;
分别计算中的每个像素点的拓展系数;
将拓展系数排在前的像素点作为拓展像素点保存到集合/>。
上述计算过程主要是先获取处于的最外围的一圈的像素点,然后分别计算这些得到的像素点的拓展系数,最后基于拓展系数从大到小进行排序,将排在前S%的像素点作为拓展像素点。
因为若一张图像中包含了通信线路,那么通信线路通常是贯穿整张图像的,因此,本发明的上述计算过程,能够得到处于图像的边缘的,且可能是属于通信线路的区域的像素点的集合,然后,对这些像素点进行进一步的计算得到通信线路的区域,从而避免了像边缘检测算法那样对所有的像素点进行计算,从而提高了计算效率。
具体的,S的取值范围为。
在一些实施方式中,S的值为0.2。
例如,以一张长宽尺寸为/>的图像为例,当S的值为0.2时,则集合/>中仅包括5个像素点。
后续仅需要对这5个像素点进行进一步的计算即可,显然能够大幅度减少参与获取通信线路所在区域的计算过程的像素点的数量。
可选的,拓展系数的计算公式为:
,
表示像素点i的拓展系数,max表示获取集合中的元素的最大值,表示像素点i的8邻域中,属于集合/>中的像素点的集合,/>表示像素点i和像素点j之间的特征差异值。
具体的,拓展系数主要用于表示处于像素点i的邻域中的且属于的像素点与像素点i之间的差异,差异越大,则表示该像素点属于通信线路的概率越大。因为获取通信线路的图像时,为了降低背景的对识别的干扰,一般都是以天空为背景进行拍摄,因此,得到的图像的最外围的像素点中属于的通信线路的区域中的像素点与背景区域的像素点之间的差异就会非常大,利用这一特征,本发明实现了拓展像素点的高效获取。
可选的,的计算公式为:
,
和/>分别表示像素点i和像素点j的灰度值,/>和分别表示像素点i和像素点j的图像梯度;/>表示灰度值计算参数,/>。
具体的,特征差异值从灰度值和图像梯度两个方向计算得到,能够更加全面地表示两个像素点之间的特征差异,从而能够以更加高的概率选出属于通信线路的像素点作为拓展像素点。
在一些实施方式中,灰度计算参数的取值为0.6。
可选的,分别对中的每个拓展像素点进行拓展计算,得到多个拓展区域,包括:
对于中的拓展像素点b,对其进行拓展计算的过程包括:
S1,将拓展像素点b作为对比像素点;
S2,将对比像素点保存到拓展集合;
S3,获取对比像素点的邻域中的且不属于/>的像素点的集合;
S4,分别计算中的每个像素点与对比像素点之间的判断系数;
S5,获取中的像素点与对比像素点之间的判断系数的最小值;
S6,判断最小值是否小于设定的判断系数阈值,若是,则进入S7,若否,则进入S8;
S7,将中判断系数的最小值所对应的像素点作为新的对比像素点,进入S2;
S8,将拓展集合中的所有像素点所组成的区域作为拓展区域。
上述拓展计算过程的原理是,根据对比像素点的邻域的像素点的判断系数与判断系数阈值之间的关系,不断地改变对比像素点的位置,从而实现了区域的拓展,若拓展像素点为属于通信线路的像素点,则能够拓展像素点经过拓展计算后,将绝大部分的属于通信线路的像素点保存到同一个拓展区域中。由于仅依据特征差异值并不能确定具体哪些像素点属于通信线路的像素点,因此,本发明通过对所有的特征差异值符合要求的像素点进行拓展计算,然后通过后续的筛选过程来得到属于通信线路的区域。
上述实施方式有效地提高了从图像中获取通信线路的区域的效率。
具体的,k为奇数。邻域指的是以对比像素点为中心的,尺寸为/>的矩形范围。
在一些实施方式中,k的值为3。
具体的,判断系数的计算公式为:
,
表示像素点v的判断系数,/>和/>分别表示像素点v和对比像素点/>的梯度方向,/>表示梯度方向的最大值,/>和/>分别表示像素点v和对比像素点/>的亮度值,/>表示亮度值的最大值,亮度值的获取过程包括:
获取通信线路的图像在Lab颜色模型中的L分量的图像;
将中与像素点v的坐标相同的像素点的像素值作为/>的值;
将中与对比像素点/>的坐标相同的像素点的像素值作为/>的值。
具体的,判断系数从梯度方向以及亮度值两个方向进行计算,对于对比像素点和像素点v,若两者均属于通信线路所在区域的像素点,则梯度方向之间的差异会非常小,且亮度值之间的差异也会非常小,通过将判断系数与判断系数阈值进行对比便能够判断出像素点v是否属于通信线路所在区域的像素点。因此,本发明的判断系数从两个相关性非常低的方向计算得到,有利于使得判断系数能够准确地表示像素点v和对比像素点/>之间的差异。从而有利于获得更加完整的通信线路的区域。
具体的,梯度方向的最大值为180°,亮度值的最大值为100。
在一些实施方式中,判断系数阈值为0.1。
可选的,对拓展区域进行筛选,得到中间区域,包括:
分别获取每个拓展区域的对比值:
,
表示拓展区域c的对比值,/>和/>分别表示拓展区域c的像素点的在/>中所占的行数和列数,max表示获取集合中的元素的最大值;
将对比值最大的拓展区域作为中间区域。
具体的,本发明在筛选时主要是考虑了拓展区域的跨度,因为对于包含通信线路的图像而言,通信线路的区域通常贯穿整张图像,此时,通信线路的区域的行数或列数达到最大值。
可选的,对中间区域进行优化处理,得到通信线路的区域,包括:
用表示位于中间区域的边缘的像素点;
将属于的/>邻域且不属于中间区域的像素点保存到中间集合;
获取得到的所有中间集合的并集;
由中间区域和中的像素点获取通信线路的区域。
具体的,由于在判断的过程中,可能会存在部分处于通信区域的与背景之间的过渡区域中的像素点由于拍摄的角度、光线等问题导致对应的判断系数的数值比较大,因此,本发明通过对中间区域的像素点进行延伸,从而能够得到更加完整的通信线路的区域。
具体的,由中间区域和中的像素点获取通信线路的区域,包括:
获取中间区域和中的像素点组成的区域Z;
对于区域Z中的第s行,获取区域Z中的第s行的横坐标的最小值和最大值,
将第s行的横坐标处于区间中的像素点作为通信线路的区域的像素点,
,/>表示区域z的总行数;
对于区域Z中的第t列,获取区域Z中的第t列的纵坐标的最小值和最大值,
将第t列的纵坐标处于区间中的像素点作为通信线路的区域的像素点,
,/>表示区域z的总行数;/>,/>表示区域z的总列数。
本发明并不是仅将中间区域中的像素点以及中的像素点来作为通信线路的区域的像素点,因为在拓展计算的过程中,属于通信线路的内部的部分像素点可能会因为与周围的像素点之间的差异比较大而没有被正确地纳入到拓展区域中,从而在中间区域中的像素点以及/>中的像素点所组成的区域中留下一些不连续的区域,显然,这样获得的通信线路并不完整,因此,本发明通过上述获取过程,有效地提高了得到了更加完整的通信线路的区域的概率。从而为后面的缺陷识别提供了更高质量的图像,提高了缺陷识别的结果的准确率。
具体的,中间区域的边缘的像素点指的是:
对于中间区域中的一行像素点而言,横坐标最大的像素点和横坐标最小的像素点;
以及,
对于中间区域中的一列像素点而言,纵坐标最大的像素点和纵坐标最小的像素点。
具体的,m为大于等于3的奇数。
在一些实施方式中,m的值为3。
可选的,对通信线路的区域进行识别,获取通信线路存在的缺陷,包括:
将通信线路的区域输入到预先训练好的识别模型中进行识别,获取通信线路存在的缺陷。
在一些实施方式中,识别模型可以是Fast R-CNN、R-FCN、YOLO等神经网络模型。
通信线路的缺陷包括生锈、局部断裂、脱皮等。
可选的,如图2所示,还包括获取模块,获取模块用于获取通信线路的图像,并将获得的通信线路的图像传输至图像识别模块。
在一些实施方式中,获取模块可以通过5G网络将通信线路的图像传输至图像识别模块。
在另一些实施方式中,获取模块可以通过卫星通信的方式将通信线路的图像传输至图像识别模块。
可选的,获取模块包括无人机控制装置和无人机;
无人机控制装置用于控制无人机飞行至目标拍摄位置,以及用于向无人机发送拍摄命令;
无人机用于根据拍摄命令对通信线路进行拍摄,获得通信线路的图像。
具体的,无人机控制装置由负责进行对通信线路进行监测的人员使用,该人员通过无人机控制装置控制无人机飞行至目标拍摄位置,然后通过无人机控制装置向无人机发送拍摄命令。拍摄命令包括光圈、ISO等参数。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种通信线路状态监测系统,其特征在于,包括图像识别模块,图像识别模块用于对通信线路的图像进行识别,获取通信线路存在的缺陷;
图像识别模块包括目标区域获取单元和图像识别单元;
目标区域获取单元用于采用如下方法获取通信线路的图像中的通信线路的区域:
用表示通信线路的图像,对/>进行灰度化处理,得到图像/>;获取中的拓展像素点的集合/>;
分别对中的每个拓展像素点进行拓展计算,得到多个拓展区域;
对拓展区域进行筛选,得到中间区域;
对中间区域进行优化处理,得到通信线路的区域;
图像识别单元用于对通信线路的区域进行识别,获取通信线路存在的缺陷。
2.根据权利要求1所述的一种通信线路状态监测系统,其特征在于,获取中的拓展像素点的集合/>,包括:
以的任意一个顶点坐标原点,以与顶点相连的两条相互垂直的边作为x轴和y轴,建立直角坐标系;
获取中横坐标为0、横坐标为/>、纵坐标为0和横坐标为/>这四种类型的像素点的集合/>;/>和/>分别为/>中的像素点的x轴的坐标的最大值和y轴的坐标的最大值;
分别计算中的每个像素点的拓展系数;
将拓展系数排在前的像素点作为拓展像素点保存到集合/>。
3.根据权利要求2所述的一种通信线路状态监测系统,其特征在于,拓展系数的计算公式为:
,
表示像素点i的拓展系数,max表示获取集合中的元素的最大值,/>表示像素点i的8邻域中,属于集合/>中的像素点的集合,/>表示像素点i和像素点j之间的特征差异值。
4.根据权利要求3所述的一种通信线路状态监测系统,其特征在于,的计算公式为:
,
和/>分别表示像素点i和像素点j的灰度值,/>和/>分别表示像素点i和像素点j的图像梯度;/>表示灰度值计算参数,/>。
5.根据权利要求1所述的一种通信线路状态监测系统,其特征在于,分别对中的每个拓展像素点进行拓展计算,得到多个拓展区域,包括:
对于中的拓展像素点b,对其进行拓展计算的过程包括:
S1,将拓展像素点b作为对比像素点;
S2,将对比像素点保存到拓展集合;
S3,获取对比像素点的邻域中的且不属于/>的像素点的集合/>;
S4,分别计算中的每个像素点与对比像素点之间的判断系数;
S5,获取中的像素点与对比像素点之间的判断系数的最小值;
S6,判断最小值是否小于设定的判断系数阈值,若是,则进入S7,若否,则进入S8;
S7,将中判断系数的最小值所对应的像素点作为新的对比像素点,进入S2;
S8,将拓展集合中的所有像素点所组成的区域作为拓展区域。
6.根据权利要求1所述的一种通信线路状态监测系统,其特征在于,对拓展区域进行筛选,得到中间区域,包括:
分别获取每个拓展区域的对比值:
,
表示拓展区域c的对比值,/>和/>分别表示拓展区域c的像素点的在/>中所占的行数和列数,max表示获取集合中的元素的最大值;
将对比值最大的拓展区域作为中间区域。
7.根据权利要求1所述的一种通信线路状态监测系统,其特征在于,对中间区域进行优化处理,得到通信线路的区域,包括:
用表示位于中间区域的边缘的像素点;
将属于的/>邻域且不属于中间区域的像素点保存到中间集合;
获取得到的所有中间集合的并集;
由中间区域和中的像素点获取通信线路的区域。
8.根据权利要求1所述的一种通信线路状态监测系统,其特征在于,对通信线路的区域进行识别,获取通信线路存在的缺陷,包括:
将通信线路的区域输入到预先训练好的识别模型中进行识别,获取通信线路存在的缺陷。
9.根据权利要求1所述的一种通信线路状态监测系统,其特征在于,还包括获取模块,获取模块用于获取通信线路的图像,并将获得的通信线路的图像传输至图像识别模块。
10.根据权利要求9所述的一种通信线路状态监测系统,其特征在于,获取模块包括无人机控制装置和无人机;
无人机控制装置用于控制无人机飞行至目标拍摄位置,以及用于向无人机发送拍摄命令;
无人机用于根据拍摄命令对通信线路进行拍摄,获得通信线路的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422108.5A CN117152687B (zh) | 2023-10-31 | 2023-10-31 | 一种通信线路状态监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422108.5A CN117152687B (zh) | 2023-10-31 | 2023-10-31 | 一种通信线路状态监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152687A true CN117152687A (zh) | 2023-12-01 |
CN117152687B CN117152687B (zh) | 2024-01-26 |
Family
ID=88910468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311422108.5A Active CN117152687B (zh) | 2023-10-31 | 2023-10-31 | 一种通信线路状态监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152687B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916906A (zh) * | 2006-09-08 | 2007-02-21 | 北京工业大学 | 基于信息突变的图像检索算法 |
WO2010125911A1 (ja) * | 2009-04-27 | 2010-11-04 | 株式会社日立ハイテクノロジーズ | 欠陥検査装置及び欠陥検査方法 |
WO2021152416A1 (ja) * | 2020-01-31 | 2021-08-05 | 株式会社半導体エネルギー研究所 | 学習データ生成装置、不良識別システム |
US20220076404A1 (en) * | 2020-09-09 | 2022-03-10 | Kabushiki Kaisha Toshiba | Defect management apparatus, method and non-transitory computer readable medium |
US20220292317A1 (en) * | 2021-03-11 | 2022-09-15 | Kabushiki Kaisha Toshiba | Defect classification apparatus, method and program |
CN115187880A (zh) * | 2022-07-20 | 2022-10-14 | 无锡科技职业学院 | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 |
CN115546121A (zh) * | 2022-09-20 | 2022-12-30 | 国网山东省电力公司淄博供电公司 | 一种基于多尺度目标检测的通信线路光缆缺陷识别方法 |
WO2023025236A1 (zh) * | 2021-08-26 | 2023-03-02 | 交通运输部水运科学研究所 | 一种多通航要素数据融合方法 |
CN115937186A (zh) * | 2022-12-29 | 2023-04-07 | 上海众鉴质量技术有限公司 | 一种纺织品缺陷识别方法及系统 |
CN116155673A (zh) * | 2023-04-17 | 2023-05-23 | 南京信息工程大学 | 一种用于降低ofdm信号papr的少模光纤通信方法 |
CN116524196A (zh) * | 2023-06-21 | 2023-08-01 | 南方电网数字平台科技(广东)有限公司 | 一种基于图像识别技术的输电线智能检测系统 |
CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
CN116846789A (zh) * | 2023-09-01 | 2023-10-03 | 国网四川省电力公司信息通信公司 | 通信链路的运维管理系统 |
-
2023
- 2023-10-31 CN CN202311422108.5A patent/CN117152687B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916906A (zh) * | 2006-09-08 | 2007-02-21 | 北京工业大学 | 基于信息突变的图像检索算法 |
WO2010125911A1 (ja) * | 2009-04-27 | 2010-11-04 | 株式会社日立ハイテクノロジーズ | 欠陥検査装置及び欠陥検査方法 |
WO2021152416A1 (ja) * | 2020-01-31 | 2021-08-05 | 株式会社半導体エネルギー研究所 | 学習データ生成装置、不良識別システム |
US20220076404A1 (en) * | 2020-09-09 | 2022-03-10 | Kabushiki Kaisha Toshiba | Defect management apparatus, method and non-transitory computer readable medium |
US20220292317A1 (en) * | 2021-03-11 | 2022-09-15 | Kabushiki Kaisha Toshiba | Defect classification apparatus, method and program |
WO2023025236A1 (zh) * | 2021-08-26 | 2023-03-02 | 交通运输部水运科学研究所 | 一种多通航要素数据融合方法 |
CN115187880A (zh) * | 2022-07-20 | 2022-10-14 | 无锡科技职业学院 | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 |
CN115546121A (zh) * | 2022-09-20 | 2022-12-30 | 国网山东省电力公司淄博供电公司 | 一种基于多尺度目标检测的通信线路光缆缺陷识别方法 |
CN115937186A (zh) * | 2022-12-29 | 2023-04-07 | 上海众鉴质量技术有限公司 | 一种纺织品缺陷识别方法及系统 |
CN116155673A (zh) * | 2023-04-17 | 2023-05-23 | 南京信息工程大学 | 一种用于降低ofdm信号papr的少模光纤通信方法 |
CN116524196A (zh) * | 2023-06-21 | 2023-08-01 | 南方电网数字平台科技(广东)有限公司 | 一种基于图像识别技术的输电线智能检测系统 |
CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
CN116846789A (zh) * | 2023-09-01 | 2023-10-03 | 国网四川省电力公司信息通信公司 | 通信链路的运维管理系统 |
Non-Patent Citations (1)
Title |
---|
陈潇等: "基于改进U-Net网络对输电塔陶瓷绝缘子表面缺陷的识别算法", 《陶瓷学报》, vol. 43, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152687B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN112241699A (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN104809443A (zh) | 基于卷积神经网络的车牌检测方法及系统 | |
CN113159300B (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
CN111598889B (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN111126505B (zh) | 一种基于深度学习的路面裂缝快速识别方法 | |
CN114092793B (zh) | 适用于复杂水下环境的端到端生物目标检测方法 | |
CN109087294A (zh) | 一种产品缺陷检测方法、系统及计算机可读存储介质 | |
CN111242026A (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN111881924B (zh) | 结合光照不变性与短曝光光照增强的暗光车照识别方法 | |
CN117152687B (zh) | 一种通信线路状态监测系统 | |
CN111079585B (zh) | 图像增强结合伪孪生卷积神经网络的行人再识别方法 | |
CN117274967A (zh) | 一种基于卷积神经网络多模态融合车牌识别算法 | |
CN116309270A (zh) | 一种基于双目图像的输电线路典型缺陷识别方法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN114155246B (zh) | 一种基于可变形卷积的输电塔销钉缺陷检测方法 | |
CN116228775A (zh) | 基于机器视觉的接触器完整性检测方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 |
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 |