CN117351521A - 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 - Google Patents
基于数字孪生的输电线鸟类检测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN117351521A CN117351521A CN202311638589.3A CN202311638589A CN117351521A CN 117351521 A CN117351521 A CN 117351521A CN 202311638589 A CN202311638589 A CN 202311638589A CN 117351521 A CN117351521 A CN 117351521A
- Authority
- CN
- China
- Prior art keywords
- bird
- transmission line
- power transmission
- digital
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 140
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 66
- 230000006399 behavior Effects 0.000 claims abstract description 43
- 238000005516 engineering process Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims abstract description 23
- 239000007787 solid Substances 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 claims 1
- 241000271566 Aves Species 0.000 description 87
- 238000000034 method Methods 0.000 description 24
- 238000009826 distribution Methods 0.000 description 14
- 241000894007 species Species 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000003993 interaction Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 210000003608 fece Anatomy 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 230000024703 flight behavior Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 208000028804 PERCHING syndrome Diseases 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明属于输电线监测技术领域,为了解决现有输电线鸟类检测存在的耗时、位置受限等问题,提出了基于数字孪生的输电线鸟类检测方法、系统、介质及设备,对获取图像数据进行鸟类识别,根据识别的鸟类种类分别进行实体建模模拟不同鸟类的行为习性;根据鸟类活动区域的点云数据进行输电线场景的三维重建,得到数字模型;将不同鸟类的实体建模结果整合到同一场景下的数字模型中,得到数字孪生模型;将实时采集的相同场景下的鸟类活动数据输入至数字孪生模型,进行实时更新;基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,实现对鸟类行为的可视化预测。从而减少人工主观判断,降低输电线路鸟害故障,提高效率。
Description
技术领域
本发明属于输电线监测相关技术领域,尤其涉及基于数字孪生的输电线鸟类检测方法、系统、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
鸟类对输电线路的存在和结构构成均存在潜在的鸟害风险,鸟类行为如栖息、筑巢、停歇、鸟粪等均可能导致线路短路、断电,甚至引发火灾等问题,因此,通过对鸟类的监测获得鸟类的飞行动态及行为,可以帮助电力部门制定相应的防护管理和保护措施。且鸟类有不同的迁徙活动和行为模式,其中一些鸟类可能会与输电线路发生冲突,因此实现对鸟类的监测,了解鸟类的飞行动态以及由鸟类问题引起的线路跳闸,可以帮助预测鸟害风险的高发区域,确定需要采取保护措施的重点区域。
输电线路是电力供应的重要组成部分,鸟害问题可能对电网的可靠性和能源供应安全产生负面影响,了解输电线鸟害问题,进行输电线路区域鸟类的监测活动,可以促进对电力系统的保护和安全管理,在鸟害风险较高的区域安装隔离器、鸟类警示标志等,以保护由于鸟害问题引起的线路跳闸,确保稳定的电力供应。
传统鸟类监测方法需要鸟类检测专家在现场观察和记录鸟类活动,包括鸟类的行为活动及其飞行动态等,通过对鸟类活动的数据进行记录,实现对鸟类的监测,从而保护输电线路的稳定运行。目前该方法存在以下问题:
1、传统输电线路鸟类监测观察者所在位置受限,无法监测到输电线路较远处的鸟类活动,尤其是高空中的鸟类;
2、传统输电线路鸟类监测对检测人员专业要求较高,受主观判断影响较大,主观判断可能会影响数据的准确性,因此存在一定的不确定性。
3、传统输电线路鸟类监测对于大规模的监测项目,需等待现场监测人员提供鸟类的详细行为活动信息数据后,再对大量的数据进行处理和分析,十分耗时。
发明内容
为克服上述现有技术的不足,本发明提供了基于数字孪生的输电线鸟类检测方法、系统、介质及设备,利用数字孪生和虚拟现实技术结合对鸟类行为活动进行实验模拟,从而减少人工主观判断,降低输电线路鸟害故障,提高效率,降低成本。
为实现上述目的,本发明的第一个方面提供基于数字孪生的输电线鸟类检测方法,包括:
获取目标输电线监测点处的鸟类图像数据,以及鸟类活动区域的点云环境数据;
对所述图像数据进行鸟类识别,得到对应的鸟类种类识别结果,根据识别的鸟类种类分别进行实体建模模拟不同鸟类的行为习性;
根据鸟类活动区域的点云数据进行输电线场景的三维重建,得到数字模型;
将不同鸟类的实体建模结果整合到同一场景下的所述数字模型中,得到数字孪生模型;
将实时采集的相同场景下的鸟类活动数据输入至所述数字孪生模型,进行数字孪生模型的实时更新;
基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,实现对鸟类行为的可视化预测。
本发明的第二个方面提供基于数字孪生的输电线鸟类检测系统,包括:
获取模块:获取目标输电线监测点处的鸟类图像数据,以及鸟类活动区域的点云环境数据;
识别模块:对所述图像数据进行鸟类识别,得到对应的鸟类种类识别结果,根据识别的鸟类种类分别进行实体建模模拟不同鸟类的行为习性;
重建模块:根据鸟类活动区域的点云数据进行输电线场景的三维重建,得到数字模型;
建模模块:将不同鸟类的实体建模结果整合到同一场景下的所述数字模型中,得到数字孪生模型;
更新模块:将实时采集的相同场景下的鸟类活动数据输入至所述数字孪生模型,进行数字孪生模型的实时更新;
可视化模块:基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,实现对鸟类行为的可视化预测。
本发明的第三个方面提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行基于数字孪生的输电线鸟类检测方法。
本发明的第四个方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行基于数字孪生的输电线鸟类检测方法。
以上一个或多个技术方案存在以下有益效果:
在本发明中,获取目标输电线监测点处的鸟类图像数据,以及鸟类活动区域的点云环境数据;对图像数据进行鸟类识别,得到对应的鸟类种类识别结果,根据识别的鸟类种类分别进行实体建模模拟不同鸟类的行为习性;根据鸟类活动区域的点云数据进行输电线场景的三维重建,得到数字模型;将不同鸟类的实体建模结果整合到同一场景下的数字模型中,得到数字孪生模型;将实时采集的相同场景下的鸟类活动数据输入至数字孪生模型,进行数字孪生模型的实时更新;基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,实现对鸟类行为的可视化预测。利用数字孪生和虚拟现实技术结合对鸟类行为活动进行实验模拟,从而减少人工主观判断,降低输电线路鸟害故障,提高效率,降低成本。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一中基于数字孪生的输电线鸟类检测方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于数字孪生的输电线鸟类检测方法,包括:
获取目标输电线监测点处的鸟类图像数据,以及鸟类活动区域的点云环境数据;
对所述图像数据进行鸟类识别,得到对应的鸟类种类识别结果,根据识别的鸟类种类分别进行实体建模模拟不同鸟类的行为习性;
根据鸟类活动区域的点云数据进行输电线场景的三维重建,得到数字模型;
将不同鸟类的实体建模结果整合到同一场景下的所述数字模型中,得到数字孪生模型;
将实时采集的相同场景下的鸟类活动数据输入至所述数字孪生模型,进行数字孪生模型的实时更新;
基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,实现对鸟类行为的可视化预测。
本实施例方案主要利用数字孪生及虚拟现实VR技术完成输电线路鸟类实时监测,根据输电线路的物理特性、地理信息、鸟类的生态信息以及天气条件等因素创建数字孪生模型,利用监测设备对输电线路周边区域鸟类活动轨迹进行监测,并利用虚拟现实技术对不同种类的鸟类的飞行动态进行实验模拟,从而预测输电线路鸟害故障,辅助一线施工人员及时开展鸟害防护工作,保障电网安全运行。
本实施例方案主要体现在“数字孪生”和“虚拟现实”角度,数字孪生”是一种基于数字化模型的概念,旨在创建物理实体或系统的虚拟双胞胎,这个概念涉及将实际世界中的对象、过程或系统的信息转化为数字形式,以便进行模拟、分析和优化。“虚拟现实(Virtual Reality,VR)”是一种通过计算机生成的模拟环境,使用户能够与虚拟世界互动,产生身临其境的感觉,其原理涉及多个关键组成部分,包括感知、互动、仿真和渲染等。通过利用“数字孪生”和“虚拟现实”技术,完成输电线路鸟类的实时监测以及鸟类行为动态的模拟,从而及时响应输电线路鸟害故障。
下面结合图1说明基于数字孪生的输电线鸟类检测方法的具体步骤。
步骤1:数据采集:将摄像机设备安装在监测站点或人为经验认定的其他合适位置,以监测鸟类活动,用以捕捉鸟类的图像、视频或声音数据,同时摄像机设备可以捕获鸟类活动场景的图像和视频,进行视觉地图制作;同时,为了更全面的监测鸟类活动,在输电线路周边鸟类活动密集区域部署声音记录传感器,通过录制和识别不同鸟类的鸣叫声,从而了解鸟类的种类和行为等信息;其次,利用无人机激光扫描仪对在输电线路周边鸟类活动区域的环境数据进行点云采集,用以生成高精度的地形、建筑物及周边环境模型,从而建立精确的数字孪生模型。
步骤2:数据传输和处理:将数据采集设备采集的数据进行数字编码,使用HTTP或MQTT协议将数据传输到数据管理的服务器中,并在实时数据库中存储,以进行处理和分析。接收端接收到传输的数据后,对数据进行解码,利用机器学习的方式对数据进行清洗,去除无效以及干扰数据。将不同数据设备采集的数据进行数据整合,同一场景的环境以及鸟类图像、视频数据等整合到一致的数据库中。
步骤3:数据标记和识别:不同的鸟类有不同的飞行动态及其生活习性,为了更精确地监测不同鸟类的活动,对不同鸟类实现实体建模,以及对不同鸟类的行为习性进行模拟,通过利用计算机视觉人工智能技术,对捕获的图像和视频数据进行分析,以识别和分类不同种类的鸟类。鸟类识别工作利用人工智能算法完成,主要涉及的算法模型为Yolov8,训练YOLOv8需要一个大规模的带有标注信息的数据集,其中,包括了各种不同类别的目标。在训练过程中,网络通过反向传播算法不断调整权重,使其能够准确地预测目标的位置和类别。
主要的工作包括数据的标记和鸟类的识别,主要技术原理有:
1、Labelme数据标注:labelme是用Python编写的图形图像注释工具。它的功能包括对图像进行多边形,矩形,圆形,多段线,线段,点形式的标注;可用于目标检测,图像分割等任务。利用pip对labelme进行系统安装,将获取的不同鸟类的图片进行标注,标注格式为yolo数据格式。
2、利用Yolov8算法模型对视频及图片中的鸟类进行识别和目标检测,其是一个全新的 SOTA 模型,包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样,基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型,用于满足不同场景需求。
算法原理为:
(1)分割图片,它将图片分割为a×a个网格即grid,每个grid的大小相等。
(2)基于grid生成边界框,通过让a×a个grid每个都预测出B个边界框,边界框包含5个量即物体的中心位置(x,y)、高(h)、宽(w)以及这次预测的置信度。每个grid不仅只预测B个边界框,还要负责预测这个框中物体的类别,类别用one-hot编码表示,即每一个类别对应一个或多个寄存器,通过0/1标识该目标是否属于这个类别,并且每个目标只能有一个类别。
(3)置信度(Confidence),其计算公式是:
这个IOU的全称是intersection over union,也就是交并比,反映了两个框框的相似度。的意思是预测的边界框和真实的物体位置的交并比。Pr(Obj) 是一个grid有物体的概率,在有物体的时候ground truth为1,没有物体的时候ground truth为0。
YOLOv8的损失函数由多个部分组成,包括分类损失VFL Loss、回归损失为CIOULoss+DFL的形式。分类损失函数采用VFL Loss即改进交叉熵损失,交叉熵损失Cross-Entropy Loss,也称为对数损失Logarithmic Loss,是一种在分类问题中常用的损失函数。它衡量了模型预测的概率分布与实际标签之间的差异,用于衡量模型预测的准确程度。交叉熵损失通过计算模型预测的概率分布与真实标签的概率分布的交叉熵来衡量模型的性能。
VFL LOSS函数公式如下:
q为bbox即预测框和gt即真实框的交并比IoU,交并比IoU即预测框和真实框的交集除以两个框的并集,γ为系数,p为得分即概率,然后两个框相交,即q>0,是正样本,两个框无相交,则令q=0,为负样本。
CIOU损失函数与YOLOV5的一致,公式为:
其中,IoU是交并比,b和bgt分别表示两个矩形框的中心点,ρ表示两个矩形框之间的欧式距离,c表示两个矩形框闭合区域的对角线距离,v用于测量两个矩形框相对比例的一致性,α是权重系数。
目标识别损失DFL(Distribution Focal Loss),DFL以交叉熵的形式,去优化与标签y最接近的一左一右2个位置即yi与yi+1的概率,Si,Si+1为特征矩阵,从而让网络更快地聚焦到目标位置及邻近区域的分布,其公式为:
具体的,对获取的图像数据进行鸟类识别,得到对应的鸟类种类识别结果,具体为:
获取不同种类的鸟类图像并进行标注,作为训练集;
根据所述训练集训练YOLOv8网络,得到训练好的YOLOv8网络模型;
利用训练好的YOLOv8网络模型对所述图像数据进行识别,得到对应的鸟类种类识别结果。
步骤4:数字孪生建模:创建数字孪生模型,模拟输电线路、支架、附近的环境及鸟类活动等信息。数字孪生原理的关键优势在于它提供了实时、虚拟的方式来理解和优化物理世界中的事物,可以帮助减少成本、提高效率、预测风险,并支持智能决策制定,从而更好的实时监测鸟类活动。该部分的具体流程可以分为:
步骤4-1:数字建模:采集的数据用于创建数字模型,这是物理实体或系统的虚拟表示。本研究将无人机采集的点云环境数据进行“1:1”逆向建模,完成鸟类活动环境及输电场景的三维重建。对于此大规模场景模型,使用RfD-Net模型从点云中重建三维物体实例,利用点云数据中的几何特征和属性,例如输电线路的物理特性、不同地理位置信息、不同环境等数据,对点云数据进行分割,将输电线路通道点云场景划分为输电线路、支架、环境等不同的实体,根据RfD-Net模型的大规模网络训练,完成输电线路点云场景的三维重建。
该网络由三个模块组成:三维检测器模块3D detector,空间变换器模块spatialtransformer和形状生成器模块shape generator。
步骤4-1-1:在输电线路通道点云场景中,为了实现对不同实体的准确检测,三维检测器模块利用点云数据学习物体的候选包围盒(object proposals)。首先,对于输入的点云,采用VoteNet作为框架来产生候选包围盒,并以此为特征来预测包围盒的参数,包括包围盒中心,尺度,角度,语义标签和空间占有分数 objectness score ,当一个候选包围盒的中心与真实值之间的差距小于0.3m时,空间占有分数取正;当与真实值之间的差距大于0.6m时取负,使得模型能够更精准地评估候选包围盒的准确性,并更好地适应实际场景中物体位置的变化。为了更精确地回归包围盒的参数,引入了两层的多层感知机,从而进一步提高了模型的性能,使其能够更好地适应输电线路通道点云场景中不同实体的检测需求,如输电线路、支架和环境等。通过这样的综合设计,实现了对输电线路通道中不同实体的准确划分和检测,为场景理解提供了更为可靠的基础。
步骤4-1-2:在输电线路通道点云场景中,空间变换器模块实现了对输电场景的高水平的理解和分析。空间变换器模块分为两部分:目标包围盒选取 objectness dropout和点云聚合与对齐 group&align。在目标选取objectness dropout部分的输入为“三维检测”部分输出的所有候选包围盒参数,输出为物体空间占有分数较高的物体包围盒。物体点云聚合与对齐group&align 的目的是将原始点云聚类到物体包围盒中,并转换到实体局部规范坐标系。首先,由于之前提取出的物体包围盒过多,采用top-N dropout保留得分较高的物体包围盒;在聚合与对齐 group&align部分,对原始点云进行采样,并对输电线路通道点云场景中的输电线路、支架、环境等不同实体聚类到以各个包围盒中心为球心的球中,并将这部分点云从世界坐标系转换到不同实体的各自局部坐标系中,最后,通过规范化系统来消除平移和旋转的误差来对齐坐标系,从而实现对输电线路通道中不同实体的特征理解。
步骤4-1-3:在输电线路通道点云场景中,形状生成器模块实现了对不同实体的形状生成和详细划分,形状生成器模块分为特征编码skip propogation,形状解码shapedecoder和网格生成marching cubes三部分。在“特征编码”部分中,使用Pointnet将每个box proposal中的点分为前景和背景,提取前景中的点之后,与之前“三维目标检测”提取出的proposal特征合并,再使用带有残差连接的Pointnet将合并后的特征编码成新的特征,从而得到不同输电点云场景实体的强化特征矩阵。然后,在“形状解码”部分采用条件Batch Normalization层回归出占用值occupancy values,将其与点和proposal特征一起送入隐式编码器中,回归出一个高斯分布的均值与标准差,再从这个分布上采样,得到一个隐式编码。最后,将隐式编码与点一起送入条件层块conditional block,回归出最终的点占有值occupancy value。得到了最终的占用值后,采用marching cubes算法生成最终的网格。通过这一综合的形状生成器模块,能够在输电线路通道点云场景中高效生成并准确划分不同实体的形状,从而完成输电线路点云场景的三维重建。
步骤4-2:数据整合:将不同来源到的采集到的数据利用其地理坐标位置,将其进行坐标对齐,以此整合到同一场景下的数字模型中,以确保模型与实际系统的状态保持同步。将摄像机采集到相同场景下的鸟类数据信息通过实时数据传输方式传入数字模型中,从而实现输电线路鸟类活动区域中不同鸟类的监测。
步骤4-3:实时更新:根据摄像机传入的鸟类活动实时数据,对数字孪生模型进行实时更新,以反映实际系统的变化。这要求持续的数据采集和模型更新,以确保数字孪生仍然与物理实体或系统保持同步。
步骤5:虚拟现实模拟:将数字孪生模型与虚拟现实技术相结合,允许用户进入虚拟环境以观察鸟类飞行和潜在的冲突情况。这有助于输电线路运维人员更好地理解问题并评估潜在的风险。通过VR技术创建的模拟生态环境,使得研究人员能够在不受时间和地点限制的情况下完成鸟类活动的监测,进行观察和研究。
步骤5-1:虚拟现实环境建模:借助虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境。这包括上述创建的输电线路、鸟类、景观和其他相关对象的三维模型,用以反映数字孪生模型中的数据。
步骤5-2:用户界面和交互:创建虚拟现实webVR平台,将上述创建的三维模型导入至webVR平台中,在Web页面中添加相应的用户界面元素,使用WebVR来启用虚拟现实模式,使得用户能够在支持VR的设备上进入虚拟环境,以提供用户与虚拟环境互动的手段,允许用户在虚拟环境中自由移动、观察鸟类飞行和执行相关操作。
步骤6:鸟类行为模拟:在虚拟环境中,模拟不同种类的鸟类的飞行动态。这包括不同种类的鸟类、它们的飞行高度、速度、飞行路径和行为等,这些行为可以在以往实际观察到的历史数据上进行模拟预测。通过在Web页面中添加相应的用户界面元素,来模拟不同种类的鸟类在输电线路区域的飞行及其行为活动如筑巢、鸟粪污染等,将不同鸟类的飞行行为与其生活习性,并通过动画技术进行实现,用于用户在虚拟环境中进行交互。
步骤7:实时监测和数据记录:通过不断获取实际数据,并利用数字孪生和虚拟现实技术进行集成,监测人员可以实时观察虚拟环境中的鸟类,记录它们的行为、数量和位置。这些数据可以用于研究鸟类的习性、迁徙模式和生态学研究,虚拟现实应用实时更新虚拟环境和鸟类活动模拟,以反映实际世界中的变化,从而提前预警输电线路中的鸟害故障。
步骤8:鸟害评估:在虚拟环境中,模拟鸟类与输电线路的交互,包括潜在的碰撞、飞行路径与线路的接触等。本研究通过利用数字孪生和虚拟现实技术对鸟类行为进行模型,评估鸟类对输电线路的潜在危害。
步骤9:预测和防护:通过数字孪生技术,可以实现对输电线路周围鸟类活动区域中鸟类的实时监测,同时,利用虚拟现实技术对不同鸟类的飞行状态及其生活习性进行模拟,通过模拟结果,预测输电线路中潜在的鸟害风险。根据这些预测结果,制定相应的防护措施,例如改进线路设计、安装鸟类防护设备等策略。同时,虚拟现实技术可以用于培训和教育一线输电线路鸟害监测人员,以帮助用户了解不同鸟类的生活习性,及其与输电线路潜在的冲突情况并学习如何采取措施来减少冲突风险。
步骤10:数据存储和分享:所收集的数据可以存储在云端或本地服务器上,并与其他研究人员、保护组织和公众分享。这有助于鸟类保护和科学研究。
利用本实施例方案,通过将数字孪生模型与虚拟现实技术相结合,可以实时更新数据,用户可以以更直观的方式监测鸟类活动,同时根据虚拟现实对鸟类飞行和潜在冲突的模拟,可以提前响应输电线路鸟害故障预警,更好地规划和管理输电线路,减少与鸟类的冲突。这种方法有助于实时监测鸟类的活动,提高线路的可持续性,并保护野生鸟类的生存环境,为电力部门做好防鸟防灾的工作提供更精准的理论依据和数据支持。
实施例二
本实施例的目的是提供基于数字孪生的输电线鸟类检测系统,包括:
获取模块:获取目标输电线监测点处的鸟类图像数据,以及鸟类活动区域的点云环境数据;
识别模块:对所述图像数据进行鸟类识别,得到对应的鸟类种类识别结果,根据识别的鸟类种类分别进行实体建模模拟不同鸟类的行为习性;
重建模块:根据鸟类活动区域的点云数据进行输电线场景的三维重建,得到数字模型;
建模模块:将不同鸟类的实体建模结果整合到同一场景下的所述数字模型中,得到数字孪生模型;
更新模块:将实时采集的相同场景下的鸟类活动数据输入至所述数字孪生模型,进行数字孪生模型的实时更新;
可视化模块:基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,实现对鸟类行为的可视化预测。
下面结合图1说明基于数字孪生的输电线鸟类检测方法的具体步骤。
在获取模块中:数据采集:将摄像机设备安装在监测站点或人为经验认定的其他合适位置,以监测鸟类活动,用以捕捉鸟类的图像、视频或声音数据,同时摄像机设备可以捕获鸟类活动场景的图像和视频,进行视觉地图制作;同时,为了更全面地监测鸟类活动,在输电线路周边鸟类活动密集区域部署声音记录传感器,通过录制和识别不同鸟类的鸣叫声,从而了解鸟类的种类和行为等信息;其次,利用无人机激光扫描仪对在输电线路周边鸟类活动区域的环境数据进行点云采集,用以生成高精度的地形、建筑物及周边环境模型,从而建立精确的数字孪生模型。
数据传输和处理:将数据采集设备采集的数据进行数字编码,使用HTTP或MQTT协议将数据传输到数据管理的服务器中,并在实时数据库中存储,以进行处理和分析。接收端接收到传输的数据后,对数据进行解码,利用机器学习的方式对数据进行清洗,去除无效以及干扰数据。将不同数据设备采集的数据进行数据整合,同一场景的环境以及鸟类图像、视频数据等整合到一致的数据库中。
在识别模块中:数据标记和识别:不同的鸟类有不同的飞行动态及其生活习性,为了更精确地监测不同鸟类的活动,对不同鸟类实现实体建模,以及对不同鸟类的行为习性进行模拟,通过利用计算机视觉人工智能技术,对捕获的图像和视频数据进行分析,以识别和分类不同种类的鸟类。鸟类识别工作利用人工智能算法完成,主要涉及的算法模型为Yolov8,训练YOLOv8需要一个大规模的带有标注信息的数据集,其中,包括了各种不同类别的目标。在训练过程中,网络通过反向传播算法不断调整权重,使其能够准确地预测目标的位置和类别。
主要的工作包括数据的标记和鸟类的识别,主要技术原理有:
1、Labelme数据标注:labelme是用Python编写的图形图像注释工具。它的功能包括对图像进行多边形,矩形,圆形,多段线,线段,点形式的标注;可用于目标检测,图像分割等任务。利用pip对labelme进行系统安装,将获取的不同鸟类的图片进行标注,标注格式为yolo数据格式。
2、利用Yolov8算法模型对视频及图片中的鸟类进行识别和目标检测,其是一个全新的 SOTA 模型,包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样,基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型,用于满足不同场景需求。
算法原理为:
(1)分割图片,它将图片分割为a×a个网格即grid,每个grid的大小相等。
(2)基于grid生成边界框,通过让a×a个grid每个都预测出B个边界框,边界框包含5个量即物体的中心位置(x,y)、高(h)、宽(w)以及这次预测的置信度。每个grid不仅只预测B个边界框,还要负责预测这个框中物体的类别,类别用one-hot编码表示,即每一个类别对应一个或多个寄存器,通过0/1标识该目标是否属于这个类别,并且每个目标只能有一个类别。
(3)置信度(Confidence),其计算公式是:
这个IOU的全称是intersection over union,也就是交并比,反映了两个框框的相似度。的意思是预测的边界框和真实的物体位置的交并比。Pr(Obj) 是一个grid有物体的概率,在有物体的时候ground truth为1,没有物体的时候ground truth为0。
YOLOv8的损失函数由多个部分组成,包括分类损失VFL Loss、回归损失为CIOULoss+DFL的形式。分类损失函数采用VFL Loss即改进交叉熵损失,交叉熵损失Cross-Entropy Loss,也称为对数损失Logarithmic Loss,是一种在分类问题中常用的损失函数。它衡量了模型预测的概率分布与实际标签之间的差异,用于衡量模型预测的准确程度。交叉熵损失通过计算模型预测的概率分布与真实标签的概率分布的交叉熵来衡量模型的性能。
VFL LOSS函数公式如下:
q为bbox即预测框和gt即真实框的交并比IoU,交并比IoU即预测框和真实框的交集除以两个框的并集,γ为系数,p为得分即概率,然后两个框相交,即q>0,是正样本,两个框无相交,则令q=0,为负样本。
CIOU损失函数与YOLOV5的一致,公式为:
其中,IoU是交并比,b和bgt分别表示两个矩形框的中心点,ρ表示两个矩形框之间的欧式距离,c表示两个矩形框闭合区域的对角线距离,v用于测量两个矩形框相对比例的一致性,α是权重系数。
目标识别损失DFL(Distribution Focal Loss),DFL以交叉熵的形式,去优化与标签y最接近的一左一右2个位置即yi与yi+1的概率,Si,Si+1为特征矩阵,从而让网络更快地聚焦到目标位置及邻近区域的分布,其公式为:
具体的,对获取的图像数据进行鸟类识别,得到对应的鸟类种类识别结果,具体为:
获取不同种类的鸟类图像并进行标注,作为训练集;
根据所述训练集训练YOLOv8网络,得到训练好的YOLOv8网络模型;
利用训练好的YOLOv8网络模型对所述图像数据进行识别,得到对应的鸟类种类识别结果。
在重建模块和建模模块中:数字孪生建模:创建数字孪生模型,模拟输电线路、支架、附近的环境及鸟类活动等信息。数字孪生原理的关键优势在于它提供了实时、虚拟的方式来理解和优化物理世界中的事物,可以帮助减少成本、提高效率、预防风险,并支持智能决策制定,从而更好地实时监测鸟类活动。该部分的具体流程可以分为:
数字建模:采集的数据用于创建数字模型,这是物理实体或系统的虚拟表示。本研究将无人机采集的点云环境数据进行“1:1”逆向建模,完成鸟类活动环境及输电场景的三维重建。对于此大规模场景模型,使用RfD-Net模型从点云中重建三维物体实例,利用点云数据中的几何特征和属性,例如输电线路的物理特性、不同地理位置信息、不同环境等数据,对点云数据进行分割,将输电线路通道点云场景划分为输电线路、支架、环境等不同的实体,根据RfD-Net模型的大规模网络训练,完成输电线路点云场景的三维重建。
该网络由三个模块组成:三维检测器模块3D detector,空间变换器模块spatialtransformer和形状生成器模块shape generator。
在输电线路通道点云场景中,为了实现对不同实体的准确检测,三维检测器模块利用点云数据学习物体的候选包围盒(object proposals)。首先,对于输入的点云,采用VoteNet作为框架来产生候选包围盒,并以此为特征来预测包围盒的参数,包括包围盒中心,尺度,角度,语义标签和空间占有分数 objectness score ,当一个候选包围盒的中心与真实值之间的差距小于0.3m时,空间占有分数取正;当与真实值之间的差距大于0.6m时取负,使得模型能够更精准地评估候选包围盒的准确性,并更好地适应实际场景中物体位置的变化。为了更精确地回归包围盒的参数,引入了两层的多层感知机,从而进一步提高了模型的性能,使其能够更好地适应输电线路通道点云场景中不同实体的检测需求,如输电线路、支架和环境等。通过这样的综合设计,实现了对输电线路通道中不同实体的准确划分和检测,为场景理解提供了更为可靠的基础。
在输电线路通道点云场景中,空间变换器模块实现了对输电场景的高水平的理解和分析。空间变换器模块分为两部分:目标包围盒选取 objectness dropout和点云聚合与对齐 group&align。在目标选取objectness dropout部分的输入为“三维检测”部分输出的所有候选包围盒参数,输出为物体空间占有分数较高的物体包围盒。物体点云聚合与对齐group&align 的目的是将原始点云聚类到物体包围盒中,并转换到实体局部规范坐标系。首先,由于之前提取出的物体包围盒过多,采用top-N dropout保留得分较高的物体包围盒;在聚合与对齐 group&align部分,对原始点云进行采样,并对输电线路通道点云场景中的输电线路、支架、环境等不同实体聚类到以各个包围盒中心为球心的球中,并将这部分点云从世界坐标系转换到不同实体的各自局部坐标系中,最后,通过规范化系统来消除平移和旋转的误差来对齐坐标系,从而实现对输电线路通道中不同实体的特征理解。
在输电线路通道点云场景中,形状生成器模块实现了对不同实体的形状生成和详细划分,形状生成器模块分为特征编码skip propogation,形状解码shape decoder和网格生成marching cubes三部分。在“特征编码”部分中,使用Pointnet将每个box proposal中的点分为前景和背景,提取前景中的点之后,与之前“三维目标检测”提取出的proposal特征合并,再使用带有残差连接的Pointnet将合并后的特征编码成新的特征,从而得到不同输电点云场景实体的强化特征矩阵。然后,在“形状解码”部分采用条件BatchNormalization层回归出占用值occupancy values,将其与点和proposal特征一起送入隐式编码器中,回归出一个高斯分布的均值与标准差,再从这个分布上采样,得到一个隐式编码。最后,将隐式编码与点一起送入条件层块conditional block,回归出最终的点占有值occupancy value。得到了最终的占用值后,采用marching cubes算法生成最终的网格。通过这一综合的形状生成器模块,能够在输电线路通道点云场景中高效生成并准确划分不同实体的形状,从而完成输电线路点云场景的三维重建。
数据整合:将不同来源采集到的数据利用其地理坐标位置,将其进行坐标对齐,以此整合到同一场景下的数字模型中,以确保模型与实际系统的状态保持同步。将摄像机采集到相同场景下的鸟类数据信息通过实时数据传输方式传入数字模型中,从而实现输电线路鸟类活动区域中不同鸟类的监测。
在更新模块中:根据摄像机传入的鸟类活动实时数据,对数字孪生模型进行实时更新,以反映实际系统的变化。这要求持续的数据采集和模型更新,以确保数字孪生仍然与物理实体或系统保持同步。
在可视化模块中,将数字孪生模型与虚拟现实技术相结合,允许用户进入虚拟环境以观察鸟类飞行和潜在的冲突情况。这有助于输电线路运维人员更好地理解问题并评估潜在的风险。通过VR技术创建的模拟生态环境,使得研究人员能够在不受时间和地点限制的情况下完成鸟类活动的监测,进行观察和研究。
虚拟现实环境建模:借助虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境。这包括上述创建的输电线路、鸟类、景观和其他相关对象的三维模型,用以反映数字孪生模型中的数据。
用户界面和交互:创建虚拟现实webVR平台,将上述创建的三维模型导入至webVR平台中,在Web页面中添加相应的用户界面元素,使用WebVR来启用虚拟现实模式,使得用户能够在支持VR的设备上进入虚拟环境,以提供用户与虚拟环境互动的手段,允许用户在虚拟环境中自由移动、观察鸟类飞行和执行相关操作。
在本实施例中还包括:鸟类行为模拟:在虚拟环境中,模拟不同种类的鸟类的飞行动态。这包括不同种类的鸟类、它们的飞行高度、速度、飞行路径和行为等,这些行为可以在以往实际观察到的历史数据上进行模拟预测。通过在Web页面中添加相应的用户界面元素,来模拟不同种类的鸟类在输电线路区域的飞行及其行为活动如筑巢、鸟粪污染等,将不同鸟类的飞行行为与其生活习性,并通过动画技术进行实现,用于用户在虚拟环境中进行交互。
实时监测和数据记录:通过不断获取实际数据,并利用数字孪生和虚拟现实技术进行集成,监测人员可以实时观察虚拟环境中的鸟类,记录它们的行为、数量和位置。这些数据可以用于研究鸟类的习性、迁徙模式和生态学研究,虚拟现实应用实时更新虚拟环境和鸟类活动模拟,以反映实际世界中的变化,从而提前预警输电线路中的鸟害故障。
鸟害评估:在虚拟环境中,模拟鸟类与输电线路的交互,包括潜在的碰撞、飞行路径与线路的接触等。本研究通过利用数字孪生和虚拟现实技术对鸟类行为进行模型,评估鸟类对输电线路的潜在危害。
预测和防护:通过数字孪生技术,可以实现对输电线路周围鸟类活动区域中鸟类的实时监测,同时,利用虚拟现实技术对不同鸟类的飞行状态及其生活习性进行模拟,通过模拟结果,预测输电线路中潜在的鸟害风险。根据这些预测结果,制定相应的防护措施,例如改进线路设计、安装鸟类防护设备等策略。同时,虚拟现实技术可以用于培训和教育一线输电线路鸟害监测人员,以帮助用户了解不同鸟类的生活习性,及其与输电线路潜在的冲突情况并学习如何采取措施来减少冲突风险。
数据存储和分享:所收集的数据可以存储在云端或本地服务器上,并与其他研究人员、保护组织和公众分享。这有助于鸟类保护和科学研究。
实施例三
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述方法的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于数字孪生的输电线鸟类检测方法,其特征在于,包括:
获取目标输电线监测点处的鸟类图像数据,以及鸟类活动区域的点云环境数据;
对所述图像数据进行鸟类识别,得到对应的鸟类种类识别结果,根据识别的鸟类种类分别进行实体建模模拟不同鸟类的行为习性;
根据鸟类活动区域的点云数据进行输电线场景的三维重建,得到数字模型;
将不同鸟类的实体建模结果整合到同一场景下的所述数字模型中,得到数字孪生模型;
将实时采集的相同场景下的鸟类活动数据输入至所述数字孪生模型,进行数字孪生模型的实时更新;
基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,实现对鸟类行为的可视化预测。
2.如权利要求1所述的基于数字孪生的输电线鸟类检测方法,其特征在于,对所述图像数据进行鸟类识别,得到对应的鸟类种类识别结果,具体为:
获取不同种类的鸟类图像并进行标注,作为训练集;
根据所述训练集训练YOLOv8网络,得到训练好的YOLOv8网络模型;
利用训练好的YOLOv8网络模型对所述图像数据进行识别,得到对应的鸟类种类识别结果。
3.如权利要求1所述的基于数字孪生的输电线鸟类检测方法,其特征在于,采用RfD-Net模型从鸟类活动区域的点云环境数据中进行输电线场景的三维重建,具体为:
利用三维检测器模块对点云数据学习物体的候选包围盒,对输电线路通道中不同实体进行划分和检测;
利用空间变换器模块对输电线点云数据中不同实体聚类到以各个包围盒中心为球心的球中,并从世界坐标转换到不同实体的各自局部坐标系中;
利用形状生成器模块对输电线点云数据中不同实体的形状生成,完成对输电线点云场景的重建。
4.如权利要求1所述的基于数字孪生的输电线鸟类检测方法,其特征在于,还包括:在可视化虚拟环境中,模拟不同种类的鸟类在目标输电线区域的飞行和行为活动,根据模拟结果预测目标输电线潜在的鸟害风险。
5.如权利要求1所述的基于数字孪生的输电线鸟类检测方法,其特征在于,基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,具体为;
创建虚拟现实webVR平台,将数字孪生模型导入所创建的虚拟现实webVR平台;
利用虚拟现实webVR平台启用现实模拟模式;
在现实模拟模式中,模拟不同种类的鸟类在输电线区域的飞行行为和行为活动;
将不同鸟类的飞行行为和行为活动通过动画技术实现展示。
6.基于数字孪生的输电线鸟类检测系统,其特征在于,包括:
获取模块:获取目标输电线监测点处的鸟类图像数据,以及鸟类活动区域的点云环境数据;
识别模块:对所述图像数据进行鸟类识别,得到对应的鸟类种类识别结果,根据识别的鸟类种类分别进行实体建模模拟不同鸟类的行为习性;
重建模块:根据鸟类活动区域的点云数据进行输电线场景的三维重建,得到数字模型;
建模模块:将不同鸟类的实体建模结果整合到同一场景下的所述数字模型中,得到数字孪生模型;
更新模块:将实时采集的相同场景下的鸟类活动数据输入至所述数字孪生模型,进行数字孪生模型的实时更新;
可视化模块:基于虚拟现实技术,将数字孪生模型中的数据转化为可视化虚拟环境,实现对鸟类行为的可视化预测。
7.如权利要求6所述的基于数字孪生的输电线鸟类检测系统,其特征在于,所述识别模块包括:
样本构建单元:获取不同种类的鸟类图像并进行标注,作为训练集;
训练单元:根据所述训练集训练YOLOv8网络,得到训练好的YOLOv8网络模型;
图像识别单元:利用训练好的YOLOv8网络模型对所述图像数据进行识别,得到对应的鸟类种类识别结果。
8.如权利要求6所述的基于数字孪生的输电线鸟类检测系统,其特征在于,所述重建模块包括:利用三维检测器模块对点云数据学习物体的候选包围盒,对输电线路通道中不同实体进行划分和检测;利用空间变换器模块对输电线点云数据中不同实体聚类到以各个包围盒中心为球心的球中,并从世界坐标转换到不同实体的各自局部坐标系中;利用形状生成器模块对输电线点云数据中不同实体的形状生成,完成对输电线点云场景的重建。
9.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一项所述的基于数字孪生的输电线鸟类检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一项所述的基于数字孪生的输电线鸟类检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311638589.3A CN117351521B (zh) | 2023-12-04 | 2023-12-04 | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311638589.3A CN117351521B (zh) | 2023-12-04 | 2023-12-04 | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351521A true CN117351521A (zh) | 2024-01-05 |
CN117351521B CN117351521B (zh) | 2024-04-09 |
Family
ID=89371304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311638589.3A Active CN117351521B (zh) | 2023-12-04 | 2023-12-04 | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351521B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710795A (zh) * | 2024-02-06 | 2024-03-15 | 成都同步新创科技股份有限公司 | 一种基于深度学习的机房线路安全性检测方法及系统 |
CN117789254A (zh) * | 2024-02-27 | 2024-03-29 | 深圳坤元生态科技有限公司 | 一种基于无人机的野生动物族群评估方法及系统 |
CN117710795B (zh) * | 2024-02-06 | 2024-06-07 | 成都同步新创科技股份有限公司 | 一种基于深度学习的机房线路安全性检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070884A (zh) * | 2020-08-29 | 2020-12-11 | 南京翱翔信息物理融合创新研究院有限公司 | 一种同步实现三维重建和ar虚实注册的方法、系统及装置 |
CN114419227A (zh) * | 2022-01-14 | 2022-04-29 | 国网上海市电力公司 | 一种基于数字孪生技术的基建运行数据贯通方法 |
CN115049793A (zh) * | 2022-08-17 | 2022-09-13 | 广东电网有限责任公司佛山供电局 | 基于数字孪生的输电线路树木生长可视化预测方法及装置 |
CN115909395A (zh) * | 2022-10-31 | 2023-04-04 | 武汉珞珈天铭电气科技有限公司 | 一种输电线路鸟害监测方法、装置、电子设备及存储介质 |
CN116740758A (zh) * | 2023-05-25 | 2023-09-12 | 广西电网有限责任公司贵港供电局 | 一种防止误判的鸟类图像识别方法及系统 |
US20230342902A1 (en) * | 2022-04-22 | 2023-10-26 | Iclassifier Inc. | Method and system for automated evaluation of animals |
-
2023
- 2023-12-04 CN CN202311638589.3A patent/CN117351521B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070884A (zh) * | 2020-08-29 | 2020-12-11 | 南京翱翔信息物理融合创新研究院有限公司 | 一种同步实现三维重建和ar虚实注册的方法、系统及装置 |
CN114419227A (zh) * | 2022-01-14 | 2022-04-29 | 国网上海市电力公司 | 一种基于数字孪生技术的基建运行数据贯通方法 |
US20230342902A1 (en) * | 2022-04-22 | 2023-10-26 | Iclassifier Inc. | Method and system for automated evaluation of animals |
CN115049793A (zh) * | 2022-08-17 | 2022-09-13 | 广东电网有限责任公司佛山供电局 | 基于数字孪生的输电线路树木生长可视化预测方法及装置 |
CN115909395A (zh) * | 2022-10-31 | 2023-04-04 | 武汉珞珈天铭电气科技有限公司 | 一种输电线路鸟害监测方法、装置、电子设备及存储介质 |
CN116740758A (zh) * | 2023-05-25 | 2023-09-12 | 广西电网有限责任公司贵港供电局 | 一种防止误判的鸟类图像识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
SHUO WANG 等: "Optimal graph partitioning for time-sensitive flow scheduling towards digital twin networ", 《AIIOT \'22: PROCEEDINGS OF THE 1ST WORKSHOP ON DIGITAL TWIN & EDGE AI FOR INDUSTRIAL IOT》, 21 November 2022 (2022-11-21), pages 13 * |
高昂 等: "一种改进YOLOv8的密集行人检测算法", 《图学学报》, 31 October 2023 (2023-10-31), pages 890 - 898 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710795A (zh) * | 2024-02-06 | 2024-03-15 | 成都同步新创科技股份有限公司 | 一种基于深度学习的机房线路安全性检测方法及系统 |
CN117710795B (zh) * | 2024-02-06 | 2024-06-07 | 成都同步新创科技股份有限公司 | 一种基于深度学习的机房线路安全性检测方法及系统 |
CN117789254A (zh) * | 2024-02-27 | 2024-03-29 | 深圳坤元生态科技有限公司 | 一种基于无人机的野生动物族群评估方法及系统 |
CN117789254B (zh) * | 2024-02-27 | 2024-04-26 | 深圳坤元生态科技有限公司 | 一种基于无人机的野生动物族群评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117351521B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shan et al. | Research on landscape design system based on 3D virtual reality and image processing technology | |
CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
CN107292989A (zh) | 基于3dgis技术的高压输电巡检系统 | |
US20220067233A1 (en) | Generating operational and realistic models of physical systems | |
CN116298701B (zh) | 一种基于数字孪生系统的配电网故障检测方法及相关装置 | |
CN110322564A (zh) | 一种适用于vr/ar的变电站运行环境的三维模型构建方法 | |
CN108182218B (zh) | 一种基于地理信息系统的视频人物识别方法、系统及电子设备 | |
Song et al. | Real-time monitoring for crowd counting using video surveillance and GIS | |
Wu et al. | A novel method for tunnel digital twin construction and virtual-real fusion application | |
CN116843845A (zh) | 一种应用于数字孪生城市的空间数据集成方法及系统 | |
CN117424886A (zh) | 一种智慧水务业务管控平台及管控方法 | |
CN114815757A (zh) | 一种面向水泥工厂数字孪生虚拟巡检方法 | |
Guo et al. | Art product design and vr user experience based on iot technology and visualization system | |
CN115859689B (zh) | 一种全景可视化数字孪生应用的方法 | |
CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 | |
CN113569801B (zh) | 一种配电施工现场带电设备及其带电区域识别方法及装置 | |
CN116128197A (zh) | 一种智慧机场管理系统和方法 | |
Bai et al. | Cyber mobility mirror for enabling cooperative driving automation: A co-simulation platform | |
Chang et al. | Safety risk assessment of electric power operation site based on variable precision rough set | |
CN115457211A (zh) | 基于数字孪生的变电站管理方法及系统 | |
CN116958476B (zh) | 一种基于bim数据的建筑物可视化建模方法及系统 | |
CN114615344B (zh) | 一种电力仪表智能规约转换方法与装置 | |
Lee | Energy Consumption Prediction Using RNN Algorithms in a Digital Twin for Effective Building Operations. | |
CN117150741A (zh) | 电力设施可视化监测系统及构建方法 |
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 |