CN117315303B - 基于图像特征匹配的电缆旧损程度分析方法、装置及设备 - Google Patents
基于图像特征匹配的电缆旧损程度分析方法、装置及设备 Download PDFInfo
- Publication number
- CN117315303B CN117315303B CN202311604099.1A CN202311604099A CN117315303B CN 117315303 B CN117315303 B CN 117315303B CN 202311604099 A CN202311604099 A CN 202311604099A CN 117315303 B CN117315303 B CN 117315303B
- Authority
- CN
- China
- Prior art keywords
- image
- cable
- convolution
- target cable
- color
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 70
- 230000004927 fusion Effects 0.000 claims abstract description 56
- 238000005070 sampling Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000005520 cutting process Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001125 extrusion Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Abstract
本发明涉及图像处理技术领域,揭露了一种基于图像特征匹配的电缆旧损程度分析方法、装置及设备,所述方法包括:对目标电缆图像进行多方向的图像平衡,将目标电缆图像与多方向的平衡图像进行图像融合,得到融合图像;对融合图像进行色彩校验,得到色彩校验图像;根据色彩校验图像的特征点对色彩校验图像进行图像裁剪及下采样,得到采样电缆图像;提取采样电缆图像的全局特征,对全局特征进行特征切片,得到采样电缆图像的特征切片集,根据特征切片集计算采样电缆图像的图像特征;根据图像特征与预设的电缆旧损程度特征之间进行特征匹配,得到目标电缆图像的电缆旧损程度。本发明可以提高电缆旧损程度分析的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图像特征匹配的电缆旧损程度分析方法、装置及设备。
背景技术
随着城市的快速发展,电力需求在不断增加,电力电缆已逐步成为城市配电网的重要供电线路,然而,电缆由于电、热和环境条件等多重因素,电缆在长期运行过程中会出现损坏,质量会逐渐下降,导致绝缘性能下降,甚至引发绝缘击穿事故,影响电网安全运行,因此,电缆老化导致的运行事故已经成为影响架空电缆安全运行的一大隐患,开展电缆旧损程度分析,对运行中的电缆旧损情况进行提前预警,以保障电缆的可靠性,具有重要意义。
现有的电缆旧损程度分析方法主要是通过对电缆缆线的弹性模量、应力应变、拉断力等综合指标进行评估,研究电缆的力学性能,然而这种试验方法的成本太高,试验周期长,导致试验模型在实际生产运维中存在应用限制;因此,针对电缆旧损程度的分析方法的现状,很难准确地判断电缆的旧损程度,无法有效的处理电缆的安全隐患,架空电缆的旧损老化对于电网正常运行影响巨大,导致分析电缆旧损程度的准确度较差。
发明内容
本发明提供一种基于图像特征匹配的电缆旧损程度分析方法、装置及设备,其主要目的在于进行电缆旧损程度分析时准确性较差的问题。
为实现上述目的,本发明提供的一种基于图像特征匹配的电缆旧损程度分析方法,包括:
获取目标电缆图像,对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像;
计算所述融合图像在每个色彩通道的色彩通道均值,根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像;
检测所述色彩校验图像的特征点,根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像;
提取所述采样电缆图像的全局特征,对所述全局特征进行特征切片,得到所述采样电缆图像的特征切片集,根据所述特征切片集计算所述采样电缆图像的图像特征;
根据所述图像特征与预设的电缆旧损程度特征之间进行特征匹配,得到所述目标电缆图像的电缆旧损程度。
可选地,所述对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,包括:
计算所述目标电缆图像的像素值均值,根据所述像素值均值对所述目标电缆图像进行图像白平衡,得到所述目标电缆图像的白平衡图像;
利用如下公式对所述目标电缆图像进行图像白平衡:其中,/>表示所述目标电缆图像的白平衡图像中像素点的像素值,/>表示预设的平衡参数,/>表示所述像素值均值,/>表示所述目标电缆图像中像素点的像素值;
将所述目标电缆图像划分为多个图像块,计算所述图像块的灰度阈值,根据所述灰度阈值对每个所述图像块的像素值进行分配,得到分配图像块;
对所述分配图像块进行直方图平衡,得到平衡图像块,对所述平衡图像块进行插值运算及滤波处理,得到所述目标电缆图像的直平衡图像;
利用预设的校正系数对所述目标电缆图像进行伽马校正,得到所述目标电缆图像的校正平衡图像;
汇集所述白平衡图像、所述直平衡图像以及所述校正平衡图像,得到所述目标电缆图像对应的多方向的平衡图像。
可选地,所述将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像,包括:
对所述目标电缆图像与所述多方向的平衡图像进行图像叠加,得到叠加图像;
对所述叠加图像进行不同尺寸的第一图像卷积以及平均池化,得到不同尺度的第一卷积图像及池化图像;
分别对所述不同尺度的第一卷积图像及所述池化图像进行第二图像卷积,得到不同尺度的第二卷积图像;
利用预设维度的卷积核对所述第二卷积图像进行通道降维,得到同一尺度的卷积图像,对所述同一尺度的卷积图像进行通道叠加,得到融合图像。
可选地,所述根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像,包括:
计算所述融合图像中在每个所述色彩通道的高像素值及低像素值;
根据所述色彩通道均值、所述高像素值及所述低像素值对所述融合图像在每个所述色彩通道的色彩值进行校正,得到校正色彩通道值;
根据所述校正色彩通道值构建所述目标电缆图像的色彩校验图像。
可选地,所述根据所述色彩通道均值及所述高像素值及所述低像素值对所述融合图像在每个所述色彩通道的色彩值进行校正,得到所述目标电缆图像的色彩校验图像,包括:
利用如下公式计算所述对所述融合图像在每个所述色彩通道的色彩值进行校正:其中,/>表示在第/>个色彩通道的校正色彩通道值,/>表示预设的双边滤波器,/>、/>、/>分别表示在/>、/>、通道的色彩通道均值,/>表示在第/>个色彩通道的色彩通道值, />表示在第/>个色彩通道的色彩通道均值,/>、/>分别表示第/>个色彩通道的高像素值及低像素值。
可选地,所述根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像,包括:
根据所述特征点对所述色彩校验图像进行旋转,得到旋转校验图像;
以所述特征点为中心将所述旋转校验图像裁剪为预设图像尺寸的矩形图像;
对所述矩形图像进行卷积下采样,得到采样电缆图像。
可选地,所述提取所述采样电缆图像的全局特征,包括:
对所述采样电缆图像进行多层卷积及激活处理,得到卷积特征;
对所述卷积特征进行挤压激励,得到卷积激励特征;
利用如下公式对所述卷积特征进行挤压激励:其中,/>表示卷积激励特征,/>表示激活函数,/>表示预设的第二全连接层,/>示/>激活函数,/>表示预设的第一全连接层,/>表示全局池化操作,/>表示所述卷积特征;
将所述卷积特征与所述卷积激励特征进行点乘,得到所述采样电缆图像的全局特征。
可选地,所述根据所述特征切片集计算所述采样电缆图像的图像特征,包括:
对所述特征切片集中的每个特征切片进行卷积,得到切片卷积特征;
利用如下公式对所述特征切片进行卷积:其中,/>表示切片卷积特征,/>表示符号函数,/>表示/>规范化操作,/>表示批归一化操作,/>表示预设的卷积核,/>表示所述特征切片;
对所述切片卷积特征进行特征拼接,得到所述采样电缆图像的图像特征。
为了解决上述问题,本发明还提供一种基于图像特征匹配的电缆旧损程度分析装置,所述装置包括:
图像平衡模块,用于获取目标电缆图像,对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像;
色彩校验模块,用于计算所述融合图像在每个色彩通道的色彩通道均值,根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像;
采样电缆图像提取模块,用于检测所述色彩校验图像的特征点,根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像;
图像特征计算模块,用于提取所述采样电缆图像的全局特征,对所述全局特征进行特征切片,得到所述采样电缆图像的特征切片集,根据所述特征切片集计算所述采样电缆图像的图像特征;
特征匹配模块,用于根据所述图像特征与预设的电缆旧损程度特征之间进行特征匹配,得到所述目标电缆图像的电缆旧损程度。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于图像特征匹配的电缆旧损程度分析方法。
本发明实施例通过对目标电缆图像进行多方向的图像平衡并将平衡图像进行图像方案,以保证平衡后的平衡图像与真实的电缆旧损程度更接近,能够提高融合图像的图像准确度;再对所述融合图像进行色彩校验,能够提高融合图像的色彩清晰度,进一步地提高目标电缆图像处理的精确度;检测色彩校验图像的特征点,根据特征点将色彩校验图像裁剪为采样电缆图像,提取采样电缆图像得到全局特征并对全局特征进行特征切片,更全面、细致地计算目标电缆图像中的电缆特征,从而跟精确地进行特征匹配,实现电缆旧损程度的精确分析。因此本发明提出的基于图像特征匹配的电缆旧损程度分析方法、装置及设备,可以解决分析电缆旧损程度时准确性较差的问题。
附图说明
图1为本发明一实施例提供的基于图像特征匹配的电缆旧损程度分析方法的流程示意图;
图2为本发明一实施例提供的对融合图像进行色彩校验的流程示意图;
图3为本发明一实施例提供的提取采样电缆图像的全局特征的特征图的流程示意图;
图4为本发明一实施例提供的基于图像特征匹配的电缆旧损程度分析装置的功能模块图;
图5为本发明一实施例提供的实现所述基于图像特征匹配的电缆旧损程度分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于图像特征匹配的电缆旧损程度分析方法。所述基于图像特征匹配的电缆旧损程度分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于图像特征匹配的电缆旧损程度分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于图像特征匹配的电缆旧损程度分析方法的流程示意图。在本实施例中,所述基于图像特征匹配的电缆旧损程度分析方法包括:
S1、获取目标电缆图像,对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像。
本发明实施例中,目标电缆图像是采集的进行旧损程度分析的电缆图像,可以通过基于拍照功能的设备获取。
本发明实施例中,多方向的图像平衡是对目标电缆图像进行不同方式的图像平衡,以得到目标电缆图像在不同平衡方式下的多方向的平衡图像,从而能根据多方向的平衡图像得到目标电缆图像中更清晰的融合图像,以提高目标电缆图像的图像清晰度。
本发明实施例中,所述对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,包括:
计算所述目标电缆图像的像素值均值,根据所述像素值均值对所述目标电缆图像进行图像白平衡,得到所述目标电缆图像的白平衡图像;
将所述目标电缆图像划分为多个图像块,计算所述图像块的灰度阈值,根据所述灰度阈值对每个所述图像块的像素值进行分配,得到分配图像块;
对所述分配图像块进行直方图平衡,得到平衡图像块,对所述平衡图像块进行插值运算及滤波处理,得到所述目标电缆图像的直平衡图像;
利用预设的校正系数对所述目标电缆图像进行伽马校正,得到所述目标电缆图像的校正平衡图像;
汇集所述白平衡图像、所述直平衡图像以及所述校正平衡图像,得到所述目标电缆图像对应的多方向的平衡图像。
本发明实施例中,像素值均值是目标电缆图像中所有像素点像素值的平均值,通过电缆图像的像素均值能够对目标电缆图像的图像颜色进行校正,从而得到图像颜色更准确的目标电缆图像,以提高后续电缆旧损程度的分析准确度。
本发明实施例中,利用如下公式对所述目标电缆图像进行图像白平衡:其中,/>表示所述目标电缆图像的白平衡图像中像素点的像素值,/>表示预设的平衡参数,/>表示所述像素值均值,/>表示所述目标电缆图像中像素点的像素值。
本发明实施例中,通过白平衡对目标电缆图像中每个像素点的像素值进行调整,从而对电缆图像的色彩进行校正,得到图像色彩更准确的白平衡图像。
本发明实施例中,将目标电缆图像均分为多个图像块,同时将像素点的像素值划分为多个等级,根据像素等级以及每个像素块的像素均值计算每个图像块的灰度阈值,同时将像素值超过灰度阈值的部分平均分配至每个像素点内,从而得到平衡图像块,再对平衡图像块进行双线性插值能够避免分块区域产生块状效应,最后对图像进行中值滤波使图像变得平滑,进而能够提高目标电缆图像的图像对比度。
本发明实施例中,所述伽马校正是利用预设的校正系数对像素点的像素值进行指数校正,使得每个像素点的像素值与校正后的校正值为指数关系,进而提高目标电缆图像的细节。
本发明实施例中,通过对目标电缆图像进行多方向的图像平衡,能够从图像色彩、对比度以及细节方向对目标电缆图像进行平衡,以保证平衡后的平衡图像与真实的电缆旧损程度更接近,从而能够提高融合图像的图像准确度。
本发明实施例中,所述将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像,包括:
对所述目标电缆图像与所述多方向的平衡图像进行图像叠加,得到叠加图像;
对所述叠加图像进行不同尺寸的第一图像卷积以及平均池化,得到不同尺度的第一卷积图像及池化图像;
分别对所述不同尺度的第一卷积图像及所述池化图像进行第二图像卷积,得到不同尺度的第二卷积图像;
利用预设维度的卷积核对所述第二卷积图像进行通道降维,得到同一尺度的卷积图像,对所述同一尺度的卷积图像进行通道叠加,得到融合图像。
本发明实施例中,可以利用上述具有多个卷积核的卷积层对叠加图像进行图像卷积及平均池化,例如,卷积核大小分别为6×6,4×4, 3×3, 1×1, 7×7, 6×6, 3×3的卷积核,以对叠加图像进行不同尺寸的第一图像卷积以及第二图像卷积,再对卷积图像进行3×3的通道降维,将尺度一致的卷积图像进行相同通道的元素叠加,得到第一融合图像,从而能够对不同方向的平衡图像进行得到不同尺度的卷积,以提取得到不同尺度的平衡图像特征信息,以得到更精确的融合图像。
S2、计算所述融合图像在每个色彩通道的色彩通道均值,根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像。
本发明实施例中,多方向的图像平衡是对目标电缆图像进行整体的图像均衡,但融合图像中的R,G,B 三通道值可能会具有明显的偏移性,导致融合图像的色彩通道值中的色彩分值偏差过大,因此,通过对融合图像进行色彩校验,能够使融合图像中的图像色彩分布的更均匀,贴近更自然的清晰图像,得到更精确的色彩校验图像。
本发明实施例中,色彩通道均值是融合图像中所有像素点分别在R,G,B 三通道上的均值,通过均值对融合图像进行色彩校验,得到色彩更清晰的色彩校验图像。
本发明实施例中,参阅图2所示,所述根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像,包括:
S21、计算所述融合图像中在每个所述色彩通道的高像素值及低像素值;
S22、根据所述色彩通道均值、所述高像素值及所述低像素值对所述融合图像在每个所述色彩通道的色彩值进行校正,得到校正色彩通道值;
S23、根据所述校正色彩通道值构建所述目标电缆图像的色彩校验图像。
本发明实施例中,高像素值、低像素值是将每个像素点在通道值中的色彩通道值进行划分的色彩通道值,例如,有20%的像素点色彩通道值大于高像素值,有20%的像素点色彩通道值小于低像素值,则高像素值及低像素值是对每个色彩通道的色彩通道值进行划分的色彩通道值。具体地,本发明可以通过计算每个色彩通道值中色彩通道值的分位数得到高像素值及低像素值。
本发明实施例中,所述根据所述色彩通道均值及所述高像素值及所述低像素值对所述融合图像在每个所述色彩通道的色彩值进行校正,得到所述目标电缆图像的色彩校验图像,包括:
利用如下公式计算所述对所述融合图像在每个所述色彩通道的色彩值进行校正:其中,/>表示在第/>个色彩通道的校正色彩通道值,/>表示预设的双边滤波器,/>、/>、/>分别表示在/>、/>、通道的色彩通道均值,/>表示在第/>个色彩通道的色彩通道值, />表示在第/>个色彩通道的色彩通道均值,/>、/>分别表示第/>个色彩通道的高像素值及低像素值。
本发明实施例中,通过色彩通道均值对融合图像中每个像素点在不同色彩通道的色彩通道值进行校正,能够避免色彩通道值的色彩分值偏差过大,使得校正后的色彩通道值更均匀,从而提高融合图像的色彩清晰度,进一步地提高目标电缆图像处理的精确度。
S3、检测所述色彩校验图像的特征点,根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像。
本发明实施例中,特征点是能够表示色彩校验图像中电缆的标志,通过特征点能够对色彩校验图像中的电缆标志点进行识别,得到特征点,即色彩校验图像中与周围像素点具有明显差异的像素点。
本发明实施例中,可以通过ORB(Oriented FAST and Rotated BRIEF)算法对色彩校验图像中的色素点进行快速检测,得到特征点,具体地,在每个享受像素点往上下左右扩张3个像素值,并以其为中心画圆,以对称的方式选择圆上16个像素,选择一个阈值,如果第二步中的16个像素有连续(一般为12)个像素的值都大于或者小于阈值,则认为是特征点。
本发明实施例中,采样电缆图像是以每个特征点对色彩校验图像进行裁剪及下采样后的集合,每个特征点对应一个采样电缆图像,以对每个特征点对应的图像区域进行划分,更精确地对色彩检测图像进行分析。
本发明实施例中,所述根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像,包括:
根据所述特征点对所述色彩校验图像进行旋转,得到旋转校验图像;
以所述特征点为中心将所述旋转校验图像裁剪为预设图像尺寸的矩形图像;
对所述矩形图像进行卷积下采样,得到采样电缆图像。
本发明实施例中,旋转校验图像的旋转角度是每个特征点相对于色彩校验图像的图像中心点的角度,从而将裁剪电缆图像聚焦于特征点的图像区域。
本发明实施例中,可以将旋转校验图像裁剪为64×64的矩形图像,再通过下采样将图像进行缩小的同时不丢失特征信息,例如,可以将矩形图像下采样至32×32的采样电缆图像,其中,可以使用卷积层对矩形图像进行下采样。
本发明实施例中,通过采样电缆图像对特征点所在的特征区域进行裁剪,能更精确地分析色彩校验图像中的电缆特征,提高后续图像特征提取的精确度,进而提高电缆旧损程度分析的准确度。
S4、提取所述采样电缆图像的全局特征,对所述全局特征进行特征切片,得到所述采样电缆图像的特征切片集,根据所述特征切片集计算所述采样电缆图像的图像特征。
本发明实施例中,全局特征是利用预构建的特征提取网络提取采样电缆图像中的全面特征,再对全面特征进行切分,以得到更细节的电缆特征,从而全面细致的计算目标电缆图像的图像特征,其中,特征提取网络中包括多层卷积层、批规范化(BN)、ReLU 激活函数以及网络挤压激励层构成,网络挤压激励层包括两个全连接层、激活函数以及全局池化模块,具体地,网络挤压激励层可以从侧面插入多层卷积层中,以避免增加特征提取网络的深度。
本发明实施例中,参阅图3所示,所述提取所述采样电缆图像的全局特征,包括:
S31、对所述采样电缆图像进行多层卷积及激活处理,得到卷积特征;
S32、对所述卷积特征进行挤压激励,得到卷积激励特征;
S33、将所述卷积特征与所述卷积激励特征进行点乘,得到所述采样电缆图像的全局特征。
本发明实施例中,所述对所述卷积特征进行挤压激励,得到卷积激励特征,包括:
利用如下公式对所述卷积特征进行挤压激励:其中,/>表示卷积激励特征,/>表示激活函数,/>表示预设的第二全连接层,/>示/>激活函数,/>表示预设的第一全连接层,/>表示全局池化操作,/>表示所述卷积特征。
本发明实施例中,通过卷积激励能够得到卷积通道信息的重要程度,从而得到更精确的卷积激励特征。
本发明实施例中,特征切片是根据全局特征的特征维度进行切片,例如,全局特征的通道维度为8×8×128,以通道维度16为切片长度,将全局特征分割为8个8×8×16维度的特征切片,得到特征切片集。
本发明实施例中,所述根据所述特征切片集计算所述采样电缆图像的图像特征,包括:
对所述特征切片集中的每个特征切片进行卷积,得到切片卷积特征;
对所述切片卷积特征进行特征拼接,得到所述采样电缆图像的图像特征。
本发明实施例中,对特征切片进行卷积是将切片特征转换为二进制的描述,以减少特征的冗余程度,提高后续计算特征距离的准确度。
本发明实施例中,所述对所述特征切片集中的每个特征切片进行卷积,得到切片卷积特征,包括:
利用如下公式对所述特征切片进行卷积:其中,/>表示切片卷积特征,/>表示符号函数,/>表示/>规范化操作,/>表示批归一化操作,/>表示预设的卷积核,/>表示所述特征切片。
本发明实施例中,卷积核可以是8×8的卷积核,进而通过符号函数能够将特征切片映射为1×1×128的二进制特征,从而得到二进制的特征描述,减少特征计算的复杂程度。
本发明实施例中,通过每个采样电缆图像的图像特征来表征目标电缆图像的图像特征,通过多个特征点对应的采样电缆图像的图像特征进行旧损程度分析,能够更全面细致地计算目标电缆图像中的电缆特征,从而提高旧损程度分析的准确度。
S5、根据所述图像特征与预设的电缆旧损程度特征之间进行特征匹配,得到所述目标电缆图像的电缆旧损程度。
本发明实施例中,图像特征是多个采样电缆图像的图像特征,通过多个图像特征进行融合,得到目标电缆图像的特征,在计算目标电缆图像的特征与电缆旧损程度特征之间的向量距离,从而进行特征匹配,选取特征距离最小的电缆旧损程度特征对应的电缆旧损程度得到目标电缆图像的电缆旧损程度。
优选地,可以将图像特征进行叠加后转化为1维的特征以计算与电缆旧损程度之间的向量距离,得到根据向量距离进行特征匹配,匹配得到向量距离最小的电缆旧损程度特征作为目标电缆图像的电缆旧损程度。
本发明实施例中,通过图像特征全面的对目标电缆图像进行特征分析,从而跟精确地进行特征匹配,提高电缆旧损程度的分析的精确度。
本发明实施例通过对目标电缆图像进行多方向的图像平衡并将平衡图像进行图像方案,以保证平衡后的平衡图像与真实的电缆旧损程度更接近,能够提高融合图像的图像准确度;再对所述融合图像进行色彩校验,能够提高融合图像的色彩清晰度,进一步地提高目标电缆图像处理的精确度;检测色彩校验图像的特征点,根据特征点将色彩校验图像裁剪为采样电缆图像,提取采样电缆图像得到全局特征并对全局特征进行特征切片,更全面、细致地计算目标电缆图像中的电缆特征,从而跟精确地进行特征匹配,实现电缆旧损程度的精确分析。因此本发明提出的基于图像特征匹配的电缆旧损程度分析方法,可以解决分析电缆旧损程度时准确性较差的问题。
如图4所示,是本发明一实施例提供的基于图像特征匹配的电缆旧损程度分析装置的功能模块图。
本发明所述基于图像特征匹配的电缆旧损程度分析装置400可以安装于电子设备中。根据实现的功能,所述基于图像特征匹配的电缆旧损程度分析装置400可以包括图像平衡模块401、色彩校验模块402、采样电缆图像提取模块403、图像特征计算模块404及特征匹配模块405。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像平衡模块401,用于获取目标电缆图像,对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像;
所述色彩校验模块402,用于计算所述融合图像在每个色彩通道的色彩通道均值,根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像;
所述采样电缆图像提取模块403,用于检测所述色彩校验图像的特征点,根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像;
所述图像特征计算模块404,用于提取所述采样电缆图像的全局特征,对所述全局特征进行特征切片,得到所述采样电缆图像的特征切片集,根据所述特征切片集计算所述采样电缆图像的图像特征;
所述特征匹配模块405,用于根据所述图像特征与预设的电缆旧损程度特征之间进行特征匹配,得到所述目标电缆图像的电缆旧损程度。
详细地,本发明实施例中所述基于图像特征匹配的电缆旧损程度分析装置400中所述的各模块在使用时采用与上述图1至图3中所述的基于图像特征匹配的电缆旧损程度分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于图像特征匹配的电缆旧损程度分析方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504,还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序,如基于图像特征匹配的电缆旧损程度分析方法程序。
其中,所述处理器501在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器502内的程序或者模块(例如执行基于图像特征匹配的电缆旧损程度分析方法程序等),以及调用存储在所述存储器502内的数据,以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于图像特征匹配的电缆旧损程度分析方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器501逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的基于图像特征匹配的电缆旧损程度分析方法程序是多个指令的组合,在所述处理器501中运行时,可以实现:
获取目标电缆图像,对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像;
计算所述融合图像在每个色彩通道的色彩通道均值,根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像;
检测所述色彩校验图像的特征点,根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像;
提取所述采样电缆图像的全局特征,对所述全局特征进行特征切片,得到所述采样电缆图像的特征切片集,根据所述特征切片集计算所述采样电缆图像的图像特征;
根据所述图像特征与预设的电缆旧损程度特征之间进行特征匹配,得到所述目标电缆图像的电缆旧损程度。
具体地,所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于图像特征匹配的电缆旧损程度分析方法,其特征在于,所述方法包括:
获取目标电缆图像,对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像;其中,所述对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,包括:计算所述目标电缆图像的像素值均值,根据所述像素值均值对所述目标电缆图像进行图像白平衡,得到所述目标电缆图像的白平衡图像;
利用如下公式对所述目标电缆图像进行图像白平衡:其中,/>表示所述目标电缆图像的白平衡图像中像素点的像素值,/>表示预设的平衡参数,/>表示所述像素值均值,表示所述目标电缆图像中像素点的像素值;
将所述目标电缆图像划分为多个图像块,计算所述图像块的灰度阈值,根据所述灰度阈值对每个所述图像块的像素值进行分配,得到分配图像块;对所述分配图像块进行直方图平衡,得到平衡图像块,对所述平衡图像块进行插值运算及滤波处理,得到所述目标电缆图像的直平衡图像;利用预设的校正系数对所述目标电缆图像进行伽马校正,得到所述目标电缆图像的校正平衡图像;汇集所述白平衡图像、所述直平衡图像以及所述校正平衡图像,得到所述目标电缆图像对应的多方向的平衡图像;
其中,所述将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像,包括:对所述目标电缆图像与所述多方向的平衡图像进行图像叠加,得到叠加图像;对所述叠加图像进行不同尺寸的第一图像卷积以及平均池化,得到不同尺度的第一卷积图像及池化图像;分别对所述不同尺度的第一卷积图像及所述池化图像进行第二图像卷积,得到不同尺度的第二卷积图像;利用预设维度的卷积核对所述第二卷积图像进行通道降维,得到同一尺度的卷积图像,对所述同一尺度的卷积图像进行通道叠加,得到融合图像;
计算所述融合图像在每个色彩通道的色彩通道均值,根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像;
检测所述色彩校验图像的特征点,根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像;
提取所述采样电缆图像的全局特征,对所述全局特征进行特征切片,得到所述采样电缆图像的特征切片集,根据所述特征切片集计算所述采样电缆图像的图像特征;
根据所述图像特征与预设的电缆旧损程度特征之间进行特征匹配,得到所述目标电缆图像的电缆旧损程度。
2.如权利要求1所述的基于图像特征匹配的电缆旧损程度分析方法,其特征在于,所述根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像,包括:
计算所述融合图像中在每个所述色彩通道的高像素值及低像素值;
根据所述色彩通道均值、所述高像素值及所述低像素值对所述融合图像在每个所述色彩通道的色彩值进行校正,得到校正色彩通道值;
根据所述校正色彩通道值构建所述目标电缆图像的色彩校验图像。
3.如权利要求2所述的基于图像特征匹配的电缆旧损程度分析方法,其特征在于,所述根据所述色彩通道均值及所述高像素值及所述低像素值对所述融合图像在每个所述色彩通道的色彩值进行校正,得到所述目标电缆图像的色彩校验图像,包括:
利用如下公式计算所述对所述融合图像在每个所述色彩通道的色彩值进行校正:其中,/>表示在第/>个色彩通道的校正色彩通道值,表示预设的双边滤波器,/>、/>、/>分别表示在/>、/>、/>通道的色彩通道均值,/>表示在第/>个色彩通道的色彩通道值, />表示在第/>个色彩通道的色彩通道均值,/>、分别表示第/>个色彩通道的高像素值及低像素值。
4.如权利要求1所述的基于图像特征匹配的电缆旧损程度分析方法,其特征在于,所述根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像,包括:
根据所述特征点对所述色彩校验图像进行旋转,得到旋转校验图像;
以所述特征点为中心将所述旋转校验图像裁剪为预设图像尺寸的矩形图像;
对所述矩形图像进行卷积下采样,得到采样电缆图像。
5.如权利要求1所述的基于图像特征匹配的电缆旧损程度分析方法,其特征在于,所述提取所述采样电缆图像的全局特征,包括:
对所述采样电缆图像进行多层卷积及激活处理,得到卷积特征;
对所述卷积特征进行挤压激励,得到卷积激励特征;
利用如下公式对所述卷积特征进行挤压激励:其中,/>表示卷积激励特征,/>表示/>激活函数,/>表示预设的第二全连接层,表示/>激活函数,/>表示预设的第一全连接层,/>表示全局池化操作,/>表示所述卷积特征;
将所述卷积特征与所述卷积激励特征进行点乘,得到所述采样电缆图像的全局特征。
6.如权利要求1所述的基于图像特征匹配的电缆旧损程度分析方法,其特征在于,所述根据所述特征切片集计算所述采样电缆图像的图像特征,包括:
对所述特征切片集中的每个特征切片进行卷积,得到切片卷积特征;
利用如下公式对所述特征切片进行卷积:其中,/>表示切片卷积特征,/>表示符号函数,/>表示/>规范化操作,/>表示批归一化操作,表示预设的卷积核,/>表示所述特征切片;
对所述切片卷积特征进行特征拼接,得到所述采样电缆图像的图像特征。
7.一种基于图像特征匹配的电缆旧损程度分析装置,其特征在于,所述装置包括:
图像平衡模块,用于获取目标电缆图像,对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像;其中,所述对所述目标电缆图像进行多方向的图像平衡,得到所述目标电缆图像对应的多方向的平衡图像,包括:计算所述目标电缆图像的像素值均值,根据所述像素值均值对所述目标电缆图像进行图像白平衡,得到所述目标电缆图像的白平衡图像;
利用如下公式对所述目标电缆图像进行图像白平衡:其中,/>表示所述目标电缆图像的白平衡图像中像素点的像素值,/>表示预设的平衡参数,/>表示所述像素值均值,/>表示所述目标电缆图像中像素点的像素值;
将所述目标电缆图像划分为多个图像块,计算所述图像块的灰度阈值,根据所述灰度阈值对每个所述图像块的像素值进行分配,得到分配图像块;对所述分配图像块进行直方图平衡,得到平衡图像块,对所述平衡图像块进行插值运算及滤波处理,得到所述目标电缆图像的直平衡图像;利用预设的校正系数对所述目标电缆图像进行伽马校正,得到所述目标电缆图像的校正平衡图像;汇集所述白平衡图像、所述直平衡图像以及所述校正平衡图像,得到所述目标电缆图像对应的多方向的平衡图像;
其中,所述将所述目标电缆图像与所述多方向的平衡图像进行图像融合,得到融合图像,包括:对所述目标电缆图像与所述多方向的平衡图像进行图像叠加,得到叠加图像;对所述叠加图像进行不同尺寸的第一图像卷积以及平均池化,得到不同尺度的第一卷积图像及池化图像;分别对所述不同尺度的第一卷积图像及所述池化图像进行第二图像卷积,得到不同尺度的第二卷积图像;利用预设维度的卷积核对所述第二卷积图像进行通道降维,得到同一尺度的卷积图像,对所述同一尺度的卷积图像进行通道叠加,得到融合图像;
色彩校验模块,用于计算所述融合图像在每个色彩通道的色彩通道均值,根据所述每个色彩通道的色彩通道均值对所述融合图像进行色彩校验,得到所述目标电缆图像的色彩校验图像;
采样电缆图像提取模块,用于检测所述色彩校验图像的特征点,根据所述特征点对所述色彩校验图像进行图像裁剪及下采样,得到采样电缆图像;
图像特征计算模块,用于提取所述采样电缆图像的全局特征,对所述全局特征进行特征切片,得到所述采样电缆图像的特征切片集,根据所述特征切片集计算所述采样电缆图像的图像特征;
特征匹配模块,用于根据所述图像特征与预设的电缆旧损程度特征之间进行特征匹配,得到所述目标电缆图像的电缆旧损程度。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于图像特征匹配的电缆旧损程度分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311604099.1A CN117315303B (zh) | 2023-11-28 | 2023-11-28 | 基于图像特征匹配的电缆旧损程度分析方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311604099.1A CN117315303B (zh) | 2023-11-28 | 2023-11-28 | 基于图像特征匹配的电缆旧损程度分析方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117315303A CN117315303A (zh) | 2023-12-29 |
CN117315303B true CN117315303B (zh) | 2024-03-22 |
Family
ID=89246696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311604099.1A Active CN117315303B (zh) | 2023-11-28 | 2023-11-28 | 基于图像特征匹配的电缆旧损程度分析方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315303B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353974A (zh) * | 2020-02-20 | 2020-06-30 | 凌云光技术集团有限责任公司 | 一种检测影像边界缺陷的方法及装置 |
CN112595730A (zh) * | 2020-11-13 | 2021-04-02 | 深圳供电局有限公司 | 电缆破损识别方法、装置和计算机设备 |
CN114486933A (zh) * | 2022-02-23 | 2022-05-13 | 湖南长缆智能科技有限公司 | 一种电缆外观检测装置、方法及存储介质 |
WO2022117772A1 (en) * | 2020-12-03 | 2022-06-09 | Basf Se | System and method for determining damage on plants after herbicide application |
CN116645616A (zh) * | 2023-04-20 | 2023-08-25 | 武汉大学 | 一种利用遥感图像评估自然灾害中建筑物损坏程度的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803613B2 (en) * | 2018-09-25 | 2020-10-13 | Geomni, Inc. | Computer vision systems and methods for ground surface condition detection and extraction from digital images |
-
2023
- 2023-11-28 CN CN202311604099.1A patent/CN117315303B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353974A (zh) * | 2020-02-20 | 2020-06-30 | 凌云光技术集团有限责任公司 | 一种检测影像边界缺陷的方法及装置 |
CN112595730A (zh) * | 2020-11-13 | 2021-04-02 | 深圳供电局有限公司 | 电缆破损识别方法、装置和计算机设备 |
WO2022117772A1 (en) * | 2020-12-03 | 2022-06-09 | Basf Se | System and method for determining damage on plants after herbicide application |
CN114486933A (zh) * | 2022-02-23 | 2022-05-13 | 湖南长缆智能科技有限公司 | 一种电缆外观检测装置、方法及存储介质 |
CN116645616A (zh) * | 2023-04-20 | 2023-08-25 | 武汉大学 | 一种利用遥感图像评估自然灾害中建筑物损坏程度的方法 |
Non-Patent Citations (2)
Title |
---|
Deep Learning Based External-force-damage Detection for Power Transmission Line;Junyi Liu et al.;《 Journal of Physics: Conference Series》;第1-7页 * |
基于轻卷积神经网络的电力电缆绝缘损伤图像检测方法;黄志豪 等;《电子设计工程》;第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117315303A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN112085952A (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN112116540B (zh) | 一种用于旋钮开关的档位识别方法和系统 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN117315303B (zh) | 基于图像特征匹配的电缆旧损程度分析方法、装置及设备 | |
CN110895811A (zh) | 一种图像篡改检测方法和装置 | |
CN110969640A (zh) | 视频图像的分割方法、终端设备以及计算机可读存储介质 | |
CN116563040A (zh) | 基于牲畜识别的农险查勘方法、装置、设备及存储介质 | |
CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
CN114913518A (zh) | 基于图像处理的车牌识别方法、装置、设备及介质 | |
CN113128440A (zh) | 基于边缘设备的目标物识别方法、装置、设备及存储介质 | |
CN116580361A (zh) | 密集人群计算方法、装置、设备及存储介质 | |
CN112052850B (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN116883764B (zh) | 一种电池系统故障识别方法及装置 | |
CN111652226B (zh) | 基于图片的目标识别方法、装置及可读存储介质 | |
CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 | |
CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
CN115641455B (zh) | 一种基于多特征融合的图像匹配方法 | |
CN117132484A (zh) | 图像矫正及表计图像识别方法、装置、设备及介质 |
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 |