CN117593671A - 一种输电线路通道隐患的识别方法及装置 - Google Patents

一种输电线路通道隐患的识别方法及装置 Download PDF

Info

Publication number
CN117593671A
CN117593671A CN202311588311.XA CN202311588311A CN117593671A CN 117593671 A CN117593671 A CN 117593671A CN 202311588311 A CN202311588311 A CN 202311588311A CN 117593671 A CN117593671 A CN 117593671A
Authority
CN
China
Prior art keywords
transmission line
line inspection
image
hidden danger
channel
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.)
Pending
Application number
CN202311588311.XA
Other languages
English (en)
Inventor
饶成成
李端姣
李雄刚
李国强
林俊省
曾懿辉
孟秋实
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.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid 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 Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202311588311.XA priority Critical patent/CN117593671A/zh
Publication of CN117593671A publication Critical patent/CN117593671A/zh
Pending legal-status Critical Current

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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种输电线路通道隐患的识别方法及装置，通过获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果；基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离；将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患；与现有技术相比，本发明的技术方案能提高输电线路通道隐患识别的准确性。

Description

一种输电线路通道隐患的识别方法及装置
技术领域
本发明涉及图像识别处理的技术领域，特别是涉及一种输电线路通道隐患的识别方法及装置。
背景技术
电力系统是现代社会不可或缺的基础设施，其稳定运行对于正常生活和工业生产至关重要，输电线路作为电力系统的基础设施，当输电线路通道存在隐患时，可能会导致电力设备的故障、线路短路、火灾等安全问题，甚至可能对人员和财产造成严重危害；因此，现有在对线路通道进行巡检时，还对通道隐患进行识别，以使能及早发现潜在的安全风险，并采取相应的预防和修复措施，确保电网运行的安全稳定。
但目前的通道隐患识别方法，并没有充分挖掘通道隐患工程机械与输电线路部件的空间关系，且图像采集过程中由于视角、遮挡的因素，会导致图像中的工程机械与输电线路部件与实际位置存在差异，导致实际应用中存在大量误检，使得通道隐患检测的准确性受到影响。
发明内容
本发明要解决的技术问题是：提供一种输电线路通道隐患的识别方法及装置，提高输电线路通道隐患识别的准确性。
为了解决上述技术问题，本发明提供了一种输电线路通道隐患的识别方法，包括：
获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果；
基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离；
将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患。
在一种可能的实现方式中，若所述第一距离小于预设距离阈值，确定输电线路存在通道隐患后，还包括：
将所述第一距离与预设的多个隐患等级距离阈值进行匹配，基于匹配结果，确定所述通道隐患的通道隐患等级。
在一种可能的实现方式中，获取所述工程机械和所述杆塔的三维空间关系，具体包括：
基于输电线路巡检图像，获取所述输电线路巡检图像对应的输电线路巡检多视角图像；
基于所述输电线路巡检多视角图像，获取所述输电线路巡检图像的深度数据，基于所述深度数据，构建所述输电线路巡检图像对应的三维空间巡检图像；
基于所述三维空间巡检图像，获取所述工程机械对应的第一三维点云数据，并获取所述杆塔对应的第二三维点云数据。
在一种可能的实现方式中，基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离，具体包括：
基于预设的距离计算公式，计算所述第一三维点云数据和所述第二三维点云数据的距离，并将所述距离作为所述工程机械和所述杆塔之间的第一距离。
在一种可能的实现方式中，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测前，还包括：
对所述改进的yolov5算法网络模型进行预训练；
其中，所述对所述改进的yolov5算法网络模型进行预训练，具体包括：
获取多个输电线路巡检样本图像，对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像；
分别对所述多个预处理输电线路巡检样本图像进行目标标注，得到每个预处理输电线路巡检样本图像对应的标注目标，基于所述多个预处理输电线路巡检样本图像，以及每个预处理输电线路巡检样本图像对应的标注目标，生成模型训练样本集；
以所述模型训练样本集中的每个预处理输电线路巡检样本图像作为模型输入，以所述每个预处理输电线路巡检样本图像对应的标注目标为模型输出，对所述改进的yolov5算法网络模型进行模型训练，直至模型收敛。
在一种可能的实现方式中，对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像，具体包括：
对所述多个输电线路巡检样本图像进行图像预处理，得到多个新增输电线路巡检样本图像，其中，所述图像预处理包括亮度调节、图像随机裁剪、图像旋转、图像加噪、图像拼接和图像像素调整；
基于所述多个输电线路巡检样本图像和所述多个新增输电线路巡检样本图像，得到多个预处理输电线路巡检样本图像。
在一种可能的实现方式中，所述改进的yolov5算法网络模型包括主干网络，其中，所述主干网络由Focus模块、CBS模块、CSP1_x模块、CSP2_x模块和SPP模块构成，所述CSP1_x模块中设置有RES模块。
本发明还提供了一种输电线路通道隐患的识别装置，包括：目标检测模块、三维空间关系获取模块和通道隐患确定模块；
其中，所述目标检测模块，用于获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果；
所述三维空间关系获取模块，用于基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离；
所述通道隐患确定模块，用于将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患。
在一种可能的实现方式中，所述通道隐患确定模块，用于将若所述第一距离小于预设距离阈值，确定输电线路存在通道隐患后，还用于：
将所述第一距离与预设的多个隐患等级距离阈值进行匹配，基于匹配结果，确定所述通道隐患的通道隐患等级。
在一种可能的实现方式中，所述三维空间关系获取模块，用于获取所述工程机械和所述杆塔的三维空间关系，具体包括：
基于输电线路巡检图像，获取所述输电线路巡检图像对应的输电线路巡检多视角图像；
基于所述输电线路巡检多视角图像，获取所述输电线路巡检图像的深度数据，基于所述深度数据，构建所述输电线路巡检图像对应的三维空间巡检图像；
基于所述三维空间巡检图像，获取所述工程机械对应的第一三维点云数据，并获取所述杆塔对应的第二三维点云数据。
在一种可能的实现方式中，所述三维空间关系获取模块，用于基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离，具体包括：
基于预设的距离计算公式，计算所述第一三维点云数据和所述第二三维点云数据的距离，并将所述距离作为所述工程机械和所述杆塔之间的第一距离。
本发明提供的一种输电线路通道隐患的识别装置，还包括：模型预训练模块；
其中，所述模型预训练模块，用于对所述改进的yolov5算法网络模型进行预训练；
其中，所述模型预训练模块，用于对所述改进的yolov5算法网络模型进行预训练，具体包括：
获取多个输电线路巡检样本图像，对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像；
分别对所述多个预处理输电线路巡检样本图像进行目标标注，得到每个预处理输电线路巡检样本图像对应的标注目标，基于所述多个预处理输电线路巡检样本图像，以及每个预处理输电线路巡检样本图像对应的标注目标，生成模型训练样本集；
以所述模型训练样本集中的每个预处理输电线路巡检样本图像作为模型输入，以所述每个预处理输电线路巡检样本图像对应的标注目标为模型输出，对所述改进的yolov5算法网络模型进行模型训练，直至模型收敛。
在一种可能的实现方式中，所述模型预训练模块，用于对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像，具体包括：
对所述多个输电线路巡检样本图像进行图像预处理，得到多个新增输电线路巡检样本图像，其中，所述图像预处理包括亮度调节、图像随机裁剪、图像旋转、图像加噪、图像拼接和图像像素调整；
基于所述多个输电线路巡检样本图像和所述多个新增输电线路巡检样本图像，得到多个预处理输电线路巡检样本图像。
在一种可能的实现方式中，所述改进的yolov5算法网络模型包括主干网络，其中，所述主干网络由Focus模块、CBS模块、CSP1_x模块、CSP2_x模块和SPP模块构成，所述CSP1_x模块中设置有RES模块。
本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的输电线路通道隐患的识别方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的输电线路通道隐患的识别方法。
本发明实施例一种输电线路通道隐患的识别方法及装置，与现有技术相比，具有如下有益效果：
通过获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果；基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离；将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患；与现有技术相比，本发明的技术方案使用改进的yolov5算法网络模型对输电线路巡检图像进行目标检测，可以自动识别出工程机械和杆塔等目标物体，可以大大提高目标的识别效率和识别准确性；后续通过获取工程机械和杆塔之间的三维空间关系，可以较为准确的确定它们之间的距离信息，能避免现有中基于二维空间位置，容易目标定位不准确的问题，有助于后续基于准确的距离信息，能准确地评估输电线路的通道隐患情况，提高输电线路通道隐患识别的准确性。
附图说明
图1是本发明提供的一种输电线路通道隐患的识别方法的一种实施例的流程示意图；
图2是本发明提供的一种输电线路通道隐患的识别装置的一种实施例的结构示意图；
图3是本发明提供的一种实施例的改进的yolov5算法网络模型的网络结构模块代码示意图；
图4是本发明提供的一种实施例的改进的yolov5算法网络模型的网络结构示意图。
具体实施方式
下面将结合本发明中的附图，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他实施例，都属于本发明保护的范围。
实施例1，参见图1，图1是本发明提供的一种输电线路通道隐患的识别方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101-步骤103，具体如下：
步骤101：获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果。
一实施例中，通过在无人机上搭载摄像模块，基于摄像模块采集输电线路巡检过程中的图像，得到输电线路多视角巡检图像，其中，所述输电线路多视角巡检图像包括不同视角对应的输电线路巡检图像；这是由于无人机巡检工程中会从不同位置和角度拍摄电网输电线路中的工程机械和杆塔，从而得到输电线路多视角巡检图像。
优选的，所述摄像模块可以为立体摄像头或单摄像头。
一实施例中，在采集到的输电线路多视角巡检图像中选取预设视角对应的输电线路巡检图像，作为获取得到的输电线路巡检图像，并将所述输电线路巡检图像输入到改进的yolov5算法网络模型中，以使所述改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测。
一实施例中，所述改进的yolov5算法网络模型包括主干网络，其中，所述主干网络由Focus模块、CBS模块、CSP1_x模块、CSP2_x模块和SPP模块构成，所述CSP1_x模块中设置有RES模块，如图3所示，图3是改进的yolov5算法网络模型的网络结构模块代码示意图；如图4所示，图4是改进的yolov5算法网络模型的网络结构示意图。
具体的，CBS模块包含了卷积层、batch normalization层和silu激活函数。
具体的，Res模块包含了两个CBS模块，以及一个残差链接。
具体的，Focus模块，用于将图像矩阵的像素都完整地输入到网络中，保护信息的完整性，同时降低宽和高的数量级别，将宽和高降低到原来的一半，以增加通道的数量。
具体的，SPP模块则是采用多个max pooling对其进行下采样，提取图像信息。
具体的，CSP1_x模块和CSP2_x模块，用于提取图像矩阵不同维度的信息，为后面的级联使用多维度信息提供信息保障，其中，CSP1_x模块中的x指的是在CSP1_x模块中Res模块的数量，而CSP2_x模块汇总的x指的是CSP2_x模块中CBS模块的数量。
一实施例中，所述改进的yolov5算法网络模型还包括neck网络和预测网络，其中，所述neck网络，用于将主干网络的上下维度信息进行整合处理，同时将不同尺度的信息通过上采样和级联进行处理，并且通过CSP2_x模块融合多尺度和多维度信息，使得图像信息在多个尺度和多个维度上提供充分的识别信息；所述预测网络则是由多个卷积模块构成，每个卷积模块都对应着一个尺度的输出结果，在不同尺度上的预测结果都是多个候选轮廓，通过非极大值抑制方法，计算得出预测的候选轮廓。
一实施例中，所述基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测前，还包括：对所述改进的yolov5算法网络模型进行预训练。
一实施例中，所述对所述改进的yolov5算法网络模型进行预训练时，通过获取多个输电线路巡检样本图像，对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像；分别对所述多个预处理输电线路巡检样本图像进行目标标注，得到每个预处理输电线路巡检样本图像对应的标注目标，基于所述多个预处理输电线路巡检样本图像，以及每个预处理输电线路巡检样本图像对应的标注目标，生成模型训练样本集；以所述模型训练样本集中的每个预处理输电线路巡检样本图像作为模型输入，以所述每个预处理输电线路巡检样本图像对应的标注目标为模型输出，对所述改进的yolov5算法网络模型进行模型训练，直至模型收敛。
一实施例中，对所述多个输电线路巡检样本图像进行图像预处理，得到多个新增输电线路巡检样本图像，其中，所述图像预处理包括亮度调节、图像随机裁剪、图像旋转、图像加噪、图像拼接和图像像素调整；基于所述多个输电线路巡检样本图像和所述多个新增输电线路巡检样本图像，得到多个预处理输电线路巡检样本图像。
具体的，在进行亮度调节时，分别对所述多个输电线路巡检样本图像进行亮度和对比度随机调节处理，得到多个不同亮度不同对比度的输电线路巡检样本图像，以确保适应各种光照条件。
具体的，在进行图像随机裁剪时，分别对所述多个输电线路巡检样本图像进行随机裁剪处理，得到不同区域的输电线路巡检样本图像。
具体的，在进行图像旋转时，分别对所述多个输电线路巡检样本图像进行平移和旋转处理，得到不同视角对应的输电线路巡检样本图像，增加了图像的多样性。
具体的，在进行图像加噪和图像拼接时，分别对所述多个输电线路巡检样本图像进行随机加噪处理，得到多个加噪输电线路巡检样本图像，并对所述多个加噪输电线路巡检样本图像进行随机拼接处理，得到多个拼接输电线路巡检样本图像，能增强模型对噪声和复杂场景的适应性。
具体的，在进行图像像素处理时，分别对所述多个输电线路巡检样本图像进行像素点像素值调整，得到不同图像像素对应的输电线线路巡检样本图像，以使模型能适应不同的色彩环境。
优选的，所述图像预处理还包括：图像尺度调整和多样化保存。
具体的，在进行图像尺度调整时，分别对所述多个输电线路巡检样本图像进行随机缩放处理，得到不同图像尺度对应的输电线路巡检样本图像，以使模型能实现对不同距离视角的变化。
具体的，在进行多样化保存时，分别对所述多个输电线路巡检样本图像进行镜像翻转、数据标准化，并多次应用增强的方法，以使得到多个新增的输电线路巡检样本图像，实现对样本图像的拓展。
一实施例中，在完成对改进的yolov5算法网络模型的训练后，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测时，主要检测所述输电线路巡检图像中是否包含杆塔和工程机械，其中，所述工程机械包括但不限于吊车、桩机、挖掘机和塔吊，并在检测完成后，输出目标检测结果。
步骤102：基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离。
一实施例中，由于工程机械与杆塔之间存在空间依存关系，可根据它们之间的距离判断通道隐患是否存在，且基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔后，若仅基于单个角度的输电线路巡检样本图像，判断所述工程与所述杆塔之间的距离，可能会由于图像角度或图像遮挡的问题，导致得到的距离与两者实际的距离相差甚远，影响后续的通道隐患判断；因此，本实施例中，在确定所述输电线路巡检图像中存在工程机械和杆塔时，还获取工程机械和杆塔之间的三维空间关系，并基于三维空间关系，确定工程机械和杆塔之间的距离。
一实施例中，获取所述工程机械和所述杆塔的三维空间关系时，基于输电线路巡检图像，获取所述输电线路巡检图像对应的输电线路巡检多视角图像；基于所述输电线路巡检多视角图像，获取所述输电线路巡检图像的深度数据，基于所述深度数据，构建所述输电线路巡检图像对应的三维空间巡检图像；基于所述三维空间巡检图像，获取所述工程机械对应的第一三维点云数据，并获取所述杆塔对应的第二三维点云数据。
具体的，由于输电线路巡检图像是从多个视角对应的输电线路巡检多视角图像中选取出来的预设视角的输电线路巡检图像，因此，基于所述输电线路巡检图像，获取同次巡检过程中的其他视角的输电线路巡检图像，即所述输电线路巡检图像对应的输电线路巡检多视角图像。
优选的，所述输电线路巡检图像对应的输电线路巡检多视角图像中均存在有工程机械和杆塔。
具体的，在获取输电线路巡检图像对应的多视角图像后，基于相机标定算法计算出各个视角相机的内参和外参，然后利用立体匹配的方式计算出所述输电线路巡检图像中各个像素点的深度值，以使获取所述输电线路巡检图像的深度数据。
具体的，在进行立体匹配时，通过对所述输电线路巡检图像进行特征提取，得到第一特征，并对所述输电线路巡检多视角图像进行特征提取，得到第二特征；分别对所述第一特征和所述第二特征进行特征点匹配，得到多个特征点对，并基于双目视差算法，分别计算每个特征点对对应的视差值，基于所述视差值，生成所述输电线路巡检图像对应的图像视差图，对所述图像视差图进行深度转换，得到图像深度图，并基于所述图像深度图，得到所述输电线路巡检图像的深度数据。
具体的，基于所述深度数据，构建所述输电线路巡检图像对应的三维空间巡检图像时，将所述深度数据转换为点云模型，三维点云模型中的每个点代表空间中的一个物体或者物体表明上的一个点，将不同角度、不同位置的点云进行配准，使得它们能够重叠在一起，形成一个完整的点云模型，使用点云处理软件进行点云转换为网格模型，并基于3D建模软件将输电线路巡检图像投影到网格模型上，得到所述输电线路巡检图像对应的三维空间巡检图像。
一实施例中，基于所述三维空间巡检图像，获取所述工程机械对应的第一三维点云数据，并获取所述杆塔对应的第二三维点云数据时，从所述三维空间巡检图像中提取出工程机械区域，并提取出所述工程机械区域中的点云数据，得到所述工程机械对应的第一三维点云数据；同样的，从所述三维空间巡检图像中提取出杆塔区域，并提取出所述杆塔区域中的点云数据，得到所述杆塔对应的第二三维点云数据。
一实施例中，基于预设的距离计算公式，计算所述第一三维点云数据和所述第二三维点云数据的距离，并将所述距离作为所述工程机械和所述杆塔之间的第一距离，其中，所述预设的距离计算公式为欧式距离计算公式。
步骤103：将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患。
一实施例中，根据空间依存关系分析，如果工程机械与杆塔之间的距离较近，则判定为输电线路的通道隐患；如果工程机械与杆塔之间的距离较远，则判定为工程正常施工，无隐患。因此，本实施例中，通过结合预先设定的判定条件，即预设距离阈值，对工程机械与杆塔之间的第一距离进行对比判断；若所述第一距离小于预设距离阈值，则证明工程机械与杆塔之间的距离较近，则判定为输电线路的通道隐患；反之，若所述第一距离不小于预设距离阈值，则证明工程机械与杆塔之间的距离较远，则判定为工程正常施工，无隐患。
一实施例中，若所述第一距离小于预设距离阈值，确定输电线路存在通道隐患后，还将所述第一距离与预设的多个隐患等级距离阈值进行匹配，基于匹配结果，确定所述通道隐患的通道隐患等级，以使后续基于通道隐患的严重程度，对通道隐患进行不同的处理和优先级安排。
优选的，设置所述通道隐患等级包括通道隐患等级高、通道隐患等级中和通道隐患等级低。
一实施例中，在判断所述输电线路巡检图像中存在通道隐患后，基于所述第一三维点云数据和所述第二三维点云数据，在所述输电线路图像中标记出通道隐患区域和所述通道隐患区域对应的通道隐患等级。
一实施例中，基于识别出来的通道隐患和通道隐患等级，还对应生成通道隐患报告，以使通知相关人员或指导进行进一步的处理和管理。
实施例2，参见图2，图2是本发明提供的一种输电线路通道隐患的识别装置的一种实施例的结构示意图，如图2所示，该装置包括目标检测模块201、三维空间关系获取模块202和通道隐患确定模块203，具体如下：
所述目标检测模块201，用于获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果。
所述三维空间关系获取模块202，用于基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离。
所述通道隐患确定模块203，用于将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患。
一实施例中，所述通道隐患确定模块203，用于将若所述第一距离小于预设距离阈值，确定输电线路存在通道隐患后，还用于：将所述第一距离与预设的多个隐患等级距离阈值进行匹配，基于匹配结果，确定所述通道隐患的通道隐患等级。
一实施例中，所述三维空间关系获取模块202，用于获取所述工程机械和所述杆塔的三维空间关系，具体包括：基于输电线路巡检图像，获取所述输电线路巡检图像对应的输电线路巡检多视角图像；基于所述输电线路巡检多视角图像，获取所述输电线路巡检图像的深度数据，基于所述深度数据，构建所述输电线路巡检图像对应的三维空间巡检图像；基于所述三维空间巡检图像，获取所述工程机械对应的第一三维点云数据，并获取所述杆塔对应的第二三维点云数据。
一实施例中，所述三维空间关系获取模块202，用于基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离，具体包括：基于预设的距离计算公式，计算所述第一三维点云数据和所述第二三维点云数据的距离，并将所述距离作为所述工程机械和所述杆塔之间的第一距离。
本实施例提供的一种输电线路通道隐患的识别装置，还包括：模型预训练模块。
一实施例中，所述模型预训练模块，用于对所述改进的yolov5算法网络模型进行预训练。
一实施例中，所述模型预训练模块，用于对所述改进的yolov5算法网络模型进行预训练，具体包括：获取多个输电线路巡检样本图像，对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像；分别对所述多个预处理输电线路巡检样本图像进行目标标注，得到每个预处理输电线路巡检样本图像对应的标注目标，基于所述多个预处理输电线路巡检样本图像，以及每个预处理输电线路巡检样本图像对应的标注目标，生成模型训练样本集；以所述模型训练样本集中的每个预处理输电线路巡检样本图像作为模型输入，以所述每个预处理输电线路巡检样本图像对应的标注目标为模型输出，对所述改进的yolov5算法网络模型进行模型训练，直至模型收敛。
一实施例中，所述模型预训练模块，用于对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像，具体包括：对所述多个输电线路巡检样本图像进行图像预处理，得到多个新增输电线路巡检样本图像，其中，所述图像预处理包括亮度调节、图像随机裁剪、图像旋转、图像加噪、图像拼接和图像像素调整；基于所述多个输电线路巡检样本图像和所述多个新增输电线路巡检样本图像，得到多个预处理输电线路巡检样本图像。
一实施例中，所述改进的yolov5算法网络模型包括主干网络，其中，所述主干网络由Focus模块、CBS模块、CSP1_x模块、CSP2_x模块和SPP模块构成，所述CSP1_x模块中设置有RES模块。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。
需要说明的是，上述输电线路通道隐患的识别装置的实施例仅仅是示意性的，其中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。
在上述的输电线路通道隐患的识别方法的实施例的基础上，本发明另一实施例提供了一种输电线路通道隐患的识别终端设备，该输电线路通道隐患的识别终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的输电线路通道隐患的识别方法。
示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述输电线路通道隐患的识别终端设备中的执行过程。
所述输电线路通道隐患的识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述输电线路通道隐患的识别终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述输电线路通道隐患的识别终端设备的控制中心，利用各种接口和线路连接整个输电线路通道隐患的识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述输电线路通道隐患的识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述输电线路通道隐患的识别方法的实施例的基础上，本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时，控制所述存储介质所在的设备执行本发明任意一实施例的输电线路通道隐患的识别方法。
在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
综上，本发明提供的一种输电线路通道隐患的识别方法及装置，通过获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果；基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离；将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患；与现有技术相比，本发明的技术方案能提高输电线路通道隐患识别的准确性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种输电线路通道隐患的识别方法，其特征在于，包括：
获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果；
基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离；
将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患。
2.如权利要求1所述的一种输电线路通道隐患的识别方法，其特征在于，若所述第一距离小于预设距离阈值，确定输电线路存在通道隐患后，还包括：
将所述第一距离与预设的多个隐患等级距离阈值进行匹配，基于匹配结果，确定所述通道隐患的通道隐患等级。
3.如权利要求1所述的一种输电线路通道隐患的识别方法，其特征在于，获取所述工程机械和所述杆塔的三维空间关系，具体包括：
基于输电线路巡检图像，获取所述输电线路巡检图像对应的输电线路巡检多视角图像；
基于所述输电线路巡检多视角图像，获取所述输电线路巡检图像的深度数据，基于所述深度数据，构建所述输电线路巡检图像对应的三维空间巡检图像；
基于所述三维空间巡检图像，获取所述工程机械对应的第一三维点云数据，并获取所述杆塔对应的第二三维点云数据。
4.如权利要求3所述的一种输电线路通道隐患的识别方法，其特征在于，基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离，具体包括：
基于预设的距离计算公式，计算所述第一三维点云数据和所述第二三维点云数据的距离，并将所述距离作为所述工程机械和所述杆塔之间的第一距离。
5.如权利要求1所述的一种输电线路通道隐患的识别方法，其特征在于，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测前，还包括：
对所述改进的yolov5算法网络模型进行预训练；
其中，所述对所述改进的yolov5算法网络模型进行预训练，具体包括：
获取多个输电线路巡检样本图像，对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像；
分别对所述多个预处理输电线路巡检样本图像进行目标标注，得到每个预处理输电线路巡检样本图像对应的标注目标，基于所述多个预处理输电线路巡检样本图像，以及每个预处理输电线路巡检样本图像对应的标注目标，生成模型训练样本集；
以所述模型训练样本集中的每个预处理输电线路巡检样本图像作为模型输入，以所述每个预处理输电线路巡检样本图像对应的标注目标为模型输出，对所述改进的yolov5算法网络模型进行模型训练，直至模型收敛。
6.如权利要求5所述的一种输电线路通道隐患的识别方法，其特征在于，对所述多个输电线路巡检样本图像进行图像预处理，得到多个预处理输电线路巡检样本图像，具体包括：
对所述多个输电线路巡检样本图像进行图像预处理，得到多个新增输电线路巡检样本图像，其中，所述图像预处理包括亮度调节、图像随机裁剪、图像旋转、图像加噪、图像拼接和图像像素调整；
基于所述多个输电线路巡检样本图像和所述多个新增输电线路巡检样本图像，得到多个预处理输电线路巡检样本图像。
7.如权利要求1所述的一种输电线路通道隐患的识别方法，其特征在于，所述改进的yolov5算法网络模型包括主干网络，其中，所述主干网络由Focus模块、CBS模块、CSP1_x模块、CSP2_x模块和SPP模块构成，所述CSP1_x模块中设置有RES模块。
8.一种输电线路通道隐患的识别装置，其特征在于，包括：目标检测模块、三维空间关系获取模块和通道隐患确定模块；
其中，所述目标检测模块，用于获取输电线路巡检图像，基于改进的yolov5算法网络模型对所述输电线路巡检图像进行目标检测，输出目标检测结果；
所述三维空间关系获取模块，用于基于所述目标检测结果，在确定所述输电线路巡检图像中存在工程机械和杆塔时，获取所述工程机械和所述杆塔的三维空间关系，并基于所述三维空间关系，确定所述工程机械和所述杆塔之间的第一距离；
所述通道隐患确定模块，用于将所述第一距离与预设距离阈值进行对比，若所述第一距离小于预设距离阈值，则确定输电线路存在通道隐患，否则，确定输电线路不存在通道隐患。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的输电线路通道隐患的识别方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的输电线路通道隐患的识别方法。
CN202311588311.XA 2023-11-27 2023-11-27 一种输电线路通道隐患的识别方法及装置 Pending CN117593671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311588311.XA CN117593671A (zh) 2023-11-27 2023-11-27 一种输电线路通道隐患的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311588311.XA CN117593671A (zh) 2023-11-27 2023-11-27 一种输电线路通道隐患的识别方法及装置

Publications (1)

Publication Number Publication Date
CN117593671A true CN117593671A (zh) 2024-02-23

Family

ID=89921507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311588311.XA Pending CN117593671A (zh) 2023-11-27 2023-11-27 一种输电线路通道隐患的识别方法及装置

Country Status (1)

Country Link
CN (1) CN117593671A (zh)

Similar Documents

Publication Publication Date Title
CN113837991B (zh) 图像处理方法、装置、设备及存储介质
CN112270745B (zh) 一种图像生成方法、装置、设备以及存储介质
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
CN113052754B (zh) 一种图片背景虚化的方法及装置
KR20130072073A (ko) 영상 윤곽선 추출 장치 및 방법
CN115953566B (zh) 一种用于红外热成像仪的特征分析方法、系统及介质
CN111680704A (zh) 海洋红线新增人类活动斑块自动化快速提取方法和装置
CN117635590B (zh) 一种笔记本电脑外壳的缺陷检测方法及装置
CN110910379B (zh) 一种残缺检测方法及装置
CN114494990A (zh) 一种目标检测方法、系统、终端设备及存储介质
CN117372401A (zh) 一种电缆线路缺陷的识别方法、系统、终端设备及介质
CN115272262A (zh) 室外绝缘子表面缺陷识别方法、装置及电子设备
CN110188640B (zh) 人脸识别方法、装置、服务器和计算机可读介质
CN109523570A (zh) 运动参数计算方法及装置
CN109815763A (zh) 二维码的检测方法、装置和存储介质
CN117541738A (zh) 一种基于三维点云的输电线路隐患在线监测方法及装置
CN117745743A (zh) 印制电路板切割路径的自动生成方法及装置
CN117409083A (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN116071625B (zh) 深度学习模型的训练方法、目标检测方法及装置
CN112529917A (zh) 一种三维目标分割方法、装置、设备和存储介质
CN117593671A (zh) 一种输电线路通道隐患的识别方法及装置
CN112001247B (zh) 多目标检测方法、设备及存储装置
CN113870210A (zh) 一种图像质量评估方法、装置、设备及存储介质
US20230326029A1 (en) Method for processing images, electronic device, and storage medium
CN113011297B (zh) 基于边云协同的电力设备检测方法、装置、设备及服务器

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