CN118052877A - 电力线缆断股缺陷的定位方法、装置、设备及介质 - Google Patents
电力线缆断股缺陷的定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN118052877A CN118052877A CN202410195990.2A CN202410195990A CN118052877A CN 118052877 A CN118052877 A CN 118052877A CN 202410195990 A CN202410195990 A CN 202410195990A CN 118052877 A CN118052877 A CN 118052877A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- determining
- verified
- cable
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 362
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012795 verification Methods 0.000 claims abstract description 75
- 238000013507 mapping Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000002076 thermal analysis method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000005783 single-strand break Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种电力线缆断股缺陷的定位方法、装置、设备及介质,其中,该方法包括:获取与目标配电线路相对应的待处理图像,并基于所述待处理图像确定待检测线缆图像;基于目标缺陷识别模型确定与各所述待检测线缆图像相对应的缺陷相似度,并根据所述缺陷相似度从所述待检测线缆图像中确定待验证缺陷图像;确定与所述待验证缺陷图像相对应的图像采集位置,并根据所述图像采集位置确定与所述待验证缺陷图像相对应缺陷验证图像;基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置。基于上述技术方案,通过确定与配电线路相对应的缺陷图像,并获取对应的缺陷验证图像,进而基于缺陷图像和缺陷验证图像确定最终的缺陷位置,达到了提高断股缺陷定位精准度的技术效果。
Description
技术领域
本发明涉及电力运维技术领域,尤其涉及一种电力线缆断股缺陷的定位方法、装置、设备及介质。
背景技术
随着电力技术的不断发展,电力传输的稳定性至关重要,但是,由于电力线路往往工作于暴露的环境中,容易受到外界环境的影响,进而为了保证电力网络的正常运行,会定时对电力线缆进行巡检,以保证电力网络的稳定工作。
但是,传统的断股缺陷巡检方法是通过无人机拍摄与电力线缆相对应的图像,并在获取到图像后由人工对图像进行分析,进而确定电力线缆是否出现了断股缺陷,以及断股缺陷的位置,无法保证分析结果的准确性。
发明内容
本发明提供了一种电力线缆断股缺陷的定位方法、装置、设备及介质,通过确定与配电线路相对应的缺陷图像,并获取对应的缺陷验证图像,进而基于缺陷图像和缺陷验证图像确定最终的缺陷位置,解决了现有技术中无法准确识别断股缺陷位置的问题,达到了提高断股缺陷定位精准度的技术效果。
根据本发明的一方面,提供了一种电力线缆断股缺陷的定位方法电力线缆断股缺陷的定位方法,所述方法包括:
获取与目标配电线路相对应的待处理图像,并基于所述待处理图像确定待检测线缆图像;
基于所述目标缺陷识别模型确定与各所述待检测线缆图像相对应的缺陷相似度,并根据所述缺陷相似度从所述待检测线缆图像中确定待验证缺陷图像;
确定与所述待验证缺陷图像相对应的图像采集位置,并根据所述图像采集位置确定与所述待验证缺陷图像相对应缺陷验证图像;
基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置。
根据本发明的另一方面,提供了一种电力线缆断股缺陷的定位装置电力线缆断股缺陷的定位装置,所述装置包括:
图像确定模块,用于获取与目标配电线路相对应的待处理图像,并基于所述待处理图像确定待检测线缆图像;
图像筛选模块,用于基于所述目标缺陷识别模型确定与各所述待检测线缆图像相对应的缺陷相似度,并根据所述缺陷相似度从所述待检测线缆图像中确定待验证缺陷图像;
验证图像确定模块,用于确定与所述待验证缺陷图像相对应的图像采集位置,并根据所述图像采集位置确定与所述待验证缺陷图像相对应缺陷验证图像;
缺陷位置确定模块,用于基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置。
根据本发明的另一方面,提供了一种电子设备,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本发明任一实施例所述的电力线缆断股缺陷的定位方法电力线缆断股缺陷的定位方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电力线缆断股缺陷的定位方法。
本发明实施例的技术方案,通过获取与目标配电线路相对应的待处理图像,并基于待处理图像确定待检测线缆图像,进而基于目标缺陷识别模型确定与各待检测线缆图像相对应的缺陷相似度,并根据缺陷相似度从待检测线缆图像中确定待验证缺陷图像,确定与待验证缺陷图像相对应的图像采集位置,并根据图像采集位置确定与待验证缺陷图像相对应缺陷验证图像,最终基于缺陷验证图像和待验证缺陷图像确定与目标配电线路相对应的目标缺陷位置。基于上述技术方案,通过确定与配电线路相对应的缺陷图像,并获取对应的缺陷验证图像,进而基于缺陷图像和缺陷验证图像确定最终的缺陷位置,达到了提高断股缺陷定位精准度的技术效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中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是本发明实施例提供的一种电力线缆断股缺陷的定位方法的流程示意图;
图2是本发明实施例提供的一种电力线缆断股缺陷的定位方法的流程图;
图3是本发明实施例提供的一种电力线缆断股缺陷的定位装置的结构框图;
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例提供的一种电力线缆断股缺陷的定位方法电力线缆断股缺陷的定位方法的流程示意图,本实施例可适用于根据待处理图像确定与目标配电线路相对应的待验证缺陷图像,并基于缺陷验证图像对待验证缺陷图像进行缺陷验证,以确定最终的断股缺陷位置的情况,该方法可以由电力线缆断股缺陷的定位电力线缆断股缺陷的定位装置来执行,该电力线缆断股缺陷的定位电力线缆断股缺陷的定位装置可以采用硬件和/或软件的形式实现,该电力线缆断股缺陷的定位电力线缆断股缺陷的定位装置可配置于电子设备中,该电子设备可以是终端设备或者服务端设备等。
如图1所示,该方法包括:
S110、获取与目标配电线路相对应的待处理图像,并基于所述待处理图像确定待检测线缆图像。
其中,目标配电线路可以理解为需要进行缺陷检测的配电线路。待处理图像可以是通过无人机采集的与配电线路相对应的原始图像。待检测线缆图像可以理解为对待处理图像进行初步处理得到的图像。
具体的,获取与目标配电线路相对应的待处理图像,并根据待处理图像确定与目标配电线路相对应的待检测线缆图像,例如可以是通过无人机采集与目标配电线路相对应的原始图像,并将其存储于预设数据库中,进而当前需要验证目标配电线路是否存在断股缺陷时,可以获取与目标配电线路相对应的线路标识,并根据线路标识从预设数据库中匹配对应的原始图像作为与目标配电线路相对应的待处理图像,并且在获取到待处理图像后,确定与配电线路相对应的待检测线缆图像,待检测线缆图像可以是对待处理图像进行背景去除后得到的线缆图像。
在上述技术方案的基础上,所述基于所述待处理图像确定待检测线缆图像,包括:基于预设特征提取算法对所述待处理图像进行处理,确定与所述处理线路图像的线路特征信息;根据所述线路特征信息对所述待处理图像进行分割,确定所述待检测线缆图像。
其中,预设特征提取算法可以是预先设置用于提取待处理图像特征的算法,例如可以是灰度共生矩阵、Gabor滤波器、局部二值模式等。线路特征信息可以理解为图像中与配电线缆相关联的特征信息,例如可以是颜色与灰度信息、纹理特征信息、边缘特征信息等。边缘特征信息可以是用于区分线路组件之间的界限,如线路与背景、线路与其他部件之间的边缘等。
具体的,根据预设特征提取算法对线路待处理图像进行处理,确定与处理线路图像的线路特征信息,进而根据线路特征信息对待处理图像进行分割,确定待检测线缆图像。示例性的,可以是选择或设计一套针对电力线缆图像特点的特征提取算法,包括但不限于边缘检测、纹理分析、色彩空间转换(如灰度化、HSV色彩模型)、形状描述符、直方图均衡化等特征提取算法,进而从待处理图像提取与线路关键结构和状态相关的特征,例如在热红外图像中,可以提取导线的温度分布特征;在可见光图像中,则可能是电线的几何形状、颜色和纹理等信息,进而根据得到的线路特征信息,采用图像分割技术,例如阈值分割、区域生长、水平集方法、深度学习分割等,精确地将待处理图像分割成若干个具有特定含义的部分,如正常线缆区域、疑似故障区域、背景环境等。
S120、基于目标缺陷识别模型确定与各所述待检测线缆图像相对应的缺陷相似度,并根据所述缺陷相似度从所述待检测线缆图像中确定待验证缺陷图像。
其中,目标缺陷识别模型是预先训练得到的用于确定缺陷相似度的神经网络模型。缺陷相似度可以理解为待检测线缆图像与断股缺陷图像之间的相似度。待验证缺陷图像可以是需要进一步验证的缺陷图像。
具体的,基于目标缺陷识别模型确定与各待检测线缆图像相对应的缺陷相似度,并根据缺陷相似度从待检测线缆图像中确定待验证缺陷图像。示例性的,可以是对每张待检测线缆图像应用预设的特征提取算法,获取其能够反映潜在缺陷的关键特征信息,进而将提取出的特征输入到目标缺陷识别模型中,计算每张图像与已知各类缺陷类型的匹配程度,得出待检测线缆图像与各种缺陷类型的相似度,进而可以根据预先设置的相似度阈值和各待检测电缆图像相对应的缺陷相似度确定待验证缺陷图像。
需要说明的是,目标缺陷识别模型可以是通过收集大量包含正常线缆和存在断股缺陷的红外热像图像或可见光图像数据,进而对图像进行标准化,如尺寸调整、归一化、去噪、增强对比度等操作后,对每张图像中的线缆和断股区域进行精确标注,例如可以是人工进行标注,进而将标注完成图像的划分为训练集、验证集和测试集,使用训练集训练待训练缺陷识别模型,待训练缺陷识别模型可以是VGG、ResNet、U-Net等结构,也可以根据需求定制设计,并且在训练过程中通过反向传播算法更新模型参数,并利用验证集监控模型性能防止过拟合,并不断地调整超参数,可以是学习率、损失函数等以优化模型表现,并对训练得到的模型进行评估,例如计算模型的F1分数,将F1分数大于预设分数的模型作为目标缺陷识别模型。
在上述技术方案的基础上,所述基于所述目标缺陷识别模型确定与各所述待检测线缆图像相对应的缺陷相似度,包括:将所述待检测线缆图像输入所述目标缺陷识别模型,确定所述检测线缆图像与典型断股缺陷图像之间的缺陷相似度。
其中,典型断股缺陷图像至少包括单股断裂图像、完全断股图像、部分断股图像、闪络断股图像、腐蚀断股图像以及老化断股图像中的一类。
具体的,将待检测线缆图像输入目标缺陷识别模型,确定检测线缆图像与典型断股缺陷图像之间的缺陷相似度。示例性的,将提取到的待检测线缆图像特征与典型断股缺陷图像的特征进行对比,进而得到待检测线缆图像与各典型断股缺陷图像之间的图像相似度,进而将图像相似度作为最终的缺陷相似度,该相似度值可以是余弦相似度或欧式距离值等。需要说明的是,可以通过目标缺陷识别模型确定当前待检测线缆图像与多个典型断股缺陷图像之间的相似度值,进而基于该相似度值确定出与当前待检测线缆图像相对应的缺陷类型,例如可以是将相似度值最大的典型缺陷作为当前待检测线缆图像的缺陷类型。
S130、确定与所述待验证缺陷图像相对应的图像采集位置,并根据所述图像采集位置确定与所述待验证缺陷图像相对应缺陷验证图像。
其中,图像采集位置可以是与待验证缺陷图像相对应的采集位置信息。缺陷验证图像可以理解为用于验证图像采集位置是否出现缺陷的图像,例如可以是红外图像。
具体的,确定与待验证缺陷图像相对应的图像采集位置,并根据图像采集位置确定与待验证缺陷图像相对应缺陷验证图像。例如,可以是确定与待验证缺陷图像相对应的原始图像,并从原始图像中提取与待验证缺陷图像相对应的图像采集位置,例如在控制无人机采集图像时,可以将当前采集位置的坐标信息添加到原始图像中,可以是以水印的形式添加在原始图像中,进而可以通过图像识别的方法从原始图像中确定与待验证缺陷图像相对应的图像采集位置,进而基于图像采集位置确定与待验证缺陷图像相对应缺陷验证图像。示例性的,可以是在采集与目标线路相对应的待处理图像时,可以同时采集与目标线缆相对应的缺陷验证图像,也即与目标线缆相对应的红外图像,进而在确定待验证缺陷图像后,可以基于图像采集位置匹配对应的缺陷验证图像,并基于缺陷验证图像验证当前位置是否存在缺陷;确定与待验证缺陷图像相对应的图像采集位置后,基于该图像采集位置采集对应的红外图像,进而得到缺陷验证图像。
在上述技术方案的基础上,所述确定与所述待验证缺陷图像相对应的图像采集位置,包括:获取与所述目标配电线路相对应的图像位置关系映射表,并确定与所述待检测线缆图像相对应的图像编号;基于所述图像关系映射表和所述图像编号确定与所述待验证缺陷图像相对应的图像采集位置。
其中,图像位置关系映射表用于存储图像编号和采集位置之间的映射关系。图像编号可以是与各线缆图像相对应的唯一标识符。
具体的,获取与目标配电线路相对应的图像位置关系映射表,并确定与待检测线缆图像相对应的图像编号,进而基于图像关系映射表和图像编号确定与待验证缺陷图像相对应的图像采集位置。例如,可以是通过在发现一张待验证缺陷图像后,根据其图像编号,在图像位置关系映射表进行匹配,确定与图像编号相对应的图像位置信息,进而将图像位置信息作为与当前待验证缺陷图像相对应的图像采集位置。
在上述技术方案的基础上,在基于所述待处理图像确定待检测线缆图像之后,还包括:获取与所述待处理图像相对应的图像帧时,根据所述图像帧时确定与所述待处理图像相对应的的图像编号和图像采集位置;基于所述图像编号和所述图像采集位置确定与所述目标配电线路相对应的图像位置关系映射表。
其中,图像帧时可以理解为图像帧的捕捉时间或帧号,用于表示当前图像数据在时间维度上的位置信息。
具体的,获取与待处理图像相对应的图像帧时,根据图像帧时确定与待处理图像相对应的的图像编号和图像采集位置,进而基于图像编号和图像采集位置确定与目标配电线路相对应的图像位置关系映射表。示例性的,基于每一帧的待处理图像,确定其无人机拍摄当前帧时的无人机GPS位置信息和位姿信息,然后基于当前帧的编号与当前帧时的无人机GPS位置信息构建映射关系表。
S140、基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置。
其中,目标缺陷位置可以是存在断股缺陷的位置。
具体的,基于缺陷验证图像和待验证缺陷图像确定与目标配电线路相对应的目标缺陷位置,例如基于缺陷验证图像确定当前待验证缺陷图像的图像位置处是否存在断股缺陷,如果当前当前待验证缺陷图像的图像位置处存在断股缺陷,则将当前待验证缺陷图像的图像位置作为目标缺陷位置。
在上述技术方案的基础上,所述基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置,包括:基于所述缺陷验证图像确定与所述待验证缺陷图像相对应的热量分析结果;基于所述热量分析结果和所述验证缺陷图像确定所述目标缺陷位置。
其中,所述缺陷验证图像是与待验证缺陷图像相对应的红外图像。热量分析结果可以理解为通过红外热成像技术对线缆表面温度分布进行评估得到的分析结果。
具体的,基于缺陷验证图像确定与待验证缺陷图像相对应的热量分析结果,进而基于热量分析结果和验证缺陷图像确定目标缺陷位置,例如对缺陷验证图像进行热量信息分析,如果判定与当前缺陷验证图像相对应的图像位置同样存在断股故障点则最终判断当前待验证缺陷图像的图像位置为目标缺陷位置。
在上述技术方案的基础上,所述基于所述热量分析结果和所述待验证缺陷图像确定所述目标缺陷位置,包括:在所述热量分析结果为热量信息异常的情况下,确定与所述待验证缺陷图像相对应的所述图像采集位置,并将所述图像采集位置作为所述目标缺陷位置。
其中,热量信息异常可以理解为当前缺陷验证图像的热量信息出现异常。
具体的,在热量分析结果为热量信息异常的情况下,确定与待验证缺陷图像相对应的图像采集位置,并将图像采集位置作为目标缺陷位置,例如,可以是基于红外热像仪拍摄的线缆图像可以生成详细的温度分布图表,显示线缆各部分的实时温度信息。正常运行时,线缆应具有相对均匀的温度;如果存在异常,如断股、接触不良或绝缘层破损等故障,则可能会在局部区域出现过热现象,示例性的,断股会导致电流集中和发热增加,因此热点位置可能对应于断股缺陷,进而基于待验证缺陷图像的热量分析结果确定对应的目标缺陷位置。
本发明实施例的技术方案,通过获取与目标配电线路相对应的待处理图像,并基于待处理图像确定待检测线缆图像,进而基于目标缺陷识别模型确定与各待检测线缆图像相对应的缺陷相似度,并根据缺陷相似度从待检测线缆图像中确定待验证缺陷图像,确定与待验证缺陷图像相对应的图像采集位置,并根据图像采集位置确定与待验证缺陷图像相对应缺陷验证图像,最终基于缺陷验证图像和待验证缺陷图像确定与目标配电线路相对应的目标缺陷位置。基于上述技术方案,通过确定与配电线路相对应的缺陷图像,并获取对应的缺陷验证图像,进而基于缺陷图像和缺陷验证图像确定最终的缺陷位置,达到了提高断股缺陷定位精准度的技术效果。
实施例二
图2为本发明实施例提供的一种电力线缆断股缺陷的定位方法的流程图,本实施例在上述实施例的基础上,进一步优化了上述电力线缆断股缺陷的定位方法。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示,本发明实施例的方法包括:
确定待验证缺陷图像:具体的,可以是通过无人机采集与目标配电线路相对应的原始图像,并将其存储于预设数据库中,进而当前需要验证目标配电线路是否存在断股缺陷时,可以获取与目标配电线路相对应的线路标识,并根据线路标识从预设数据库中匹配对应的原始图像作为与目标配电线路相对应的待处理图像,并且在获取到待处理图像后,确定与配电线路相对应的待检测线缆图像,待检测线缆图像可以是对待处理图像进行背景去除后得到的线缆图像,进而基于待检测线缆图像和目标缺陷识别模型确定待验证缺陷图像。
示例性的,对目标配电线路进行激光扫描,获得初始的待处理图像,进而从待处理图像中提取能够表征断股缺陷的特征信息,利用特征信息对待处理图像进行分割,进而得到与目标配电线路相对应的待检测线缆图像。并基于预先训练得到的目标缺陷识别模型确定待检测线缆图像与各典型断股缺陷图像之间的缺陷相似度,基于该相似度确定待验证缺陷图像。将提取到的待检测线缆图像特征与典型断股缺陷图像的特征进行对比,进而得到待检测线缆图像与各典型断股缺陷图像之间的图像相似度,进而将图像相似度作为最终的缺陷相似度,该相似度值可以是余弦相似度或欧式距离值等。
对待验证缺陷图像进行缺陷验证:具体的,确定与待验证缺陷图像相对应的原始图像,并从原始图像中提取与待验证缺陷图像相对应的图像采集位置,例如在控制无人机采集图像时,可以将当前采集位置的坐标信息添加到原始图像中,可以是以水印的形式添加在原始图像中,进而可以通过图像识别的方法从原始图像中确定与待验证缺陷图像相对应的图像采集位置,进而基于图像采集位置确定与待验证缺陷图像相对应缺陷验证图像。进而根据图像采集位置调用红外成像模块获取该图像采集位置处的电力红外温度图像,对电力红外温度图像进行热量信息分析,如果判定当前目标图像空间位置同样存在断股故障点则最终判断当前电力线图像为存在的最终目标缺陷位置。
需要说明的是,在采集到与目标配电线路相对应的待处理图像后,可以是获取与待处理图像相对应的图像帧时,根据图像帧时确定与待处理图像相对应的的图像编号和图像采集位置,进而基于图像编号和图像采集位置确定与目标配电线路相对应的图像位置关系映射表。可以根据每一帧的待处理图像,确定其无人机拍摄当前帧时的无人机GPS位置信息和位姿信息,然后基于当前帧的编号与当前帧时的无人机GPS位置信息构建映射关系表,进而在发现一张待验证缺陷图像后,根据其图像编号,在图像位置关系映射表进行匹配,确定与图像编号相对应的图像位置信息,进而将图像位置信息作为与当前待验证缺陷图像相对应的图像采集位置。
示例性的,可以是在采集与目标线路相对应的待处理图像时,可以同时采集与目标线缆相对应的缺陷验证图像,也即与目标线缆相对应的红外图像,进而在确定待验证缺陷图像后,可以基于图像采集位置匹配对应的缺陷验证图像,并基于缺陷验证图像验证当前位置是否存在缺陷;确定与待验证缺陷图像相对应的图像采集位置后,基于该图像采集位置采集对应的红外图像,进而得到缺陷验证图像。
本发明实施例的技术方案,通过获取与目标配电线路相对应的待处理图像,并基于待处理图像确定待检测线缆图像,进而基于目标缺陷识别模型确定与各待检测线缆图像相对应的缺陷相似度,并根据缺陷相似度从待检测线缆图像中确定待验证缺陷图像,确定与待验证缺陷图像相对应的图像采集位置,并根据图像采集位置确定与待验证缺陷图像相对应缺陷验证图像,最终基于缺陷验证图像和待验证缺陷图像确定与目标配电线路相对应的目标缺陷位置。基于上述技术方案,通过确定与配电线路相对应的缺陷图像,并获取对应的缺陷验证图像,进而基于缺陷图像和缺陷验证图像确定最终的缺陷位置,达到了提高断股缺陷定位精准度的技术效果。
实施例三
图3为本发明实施例提供的一种电力线缆断股缺陷的定位装置的结构框图。如图3所示,该装置包括:图像确定模块310、图像筛选模块320、验证图像确定模块330以及缺陷位置确定模块340。
图像确定模块310,用于获取与目标配电线路相对应的待处理图像,并基于所述待处理图像确定待检测线缆图像;
图像筛选模块320,用于基于目标缺陷模型确定与各所述待检测线缆图像相对应的缺陷相似度,并根据所述缺陷相似度从所述待检测线缆图像中确定待验证缺陷图像;
验证图像确定模块330,用于确定与所述待验证缺陷图像相对应的图像采集位置,并根据所述图像采集位置确定与所述待验证缺陷图像相对应缺陷验证图像;
缺陷位置确定模块340,用于基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置。
在上述技术方案的基础上,所述图像确定模块,用于基于预设特征提取算法对所述待处理图像进行处理,确定与所述处理线路图像的线路特征信息;根据所述线路特征信息对所述待处理图像进行分割,确定所述待检测线缆图像。
在上述技术方案的基础上,所述图像筛选模块,用于将所述待检测线缆图像输入所述目标缺陷模型,确定所述检测线缆图像与典型断股缺陷图像之间的缺陷相似度;其中,所述目标缺陷模型是预先训练得到的用于确定缺陷相似度的神经网络模型;所述典型断股缺陷图像至少包括单股断裂图像、完全断股图像、部分断股图像、闪络断股图像、腐蚀断股图像以及老化断股图像中的一类。
在上述技术方案的基础上,所述验证图像确定模块,用于获取与所述目标配电线路相对应的图像位置关系映射表,并确定与所述待检测线缆图像相对应的图像编号,其中,所述图像位置关系映射表用于存储图像编号和采集位置之间的映射关系;基于所述图像关系映射表和所述图像编号确定与所述待验证缺陷图像相对应的图像采集位置。
在上述技术方案的基础上,所述装置还包括:映射关系表生成模块,用于在基于所述待处理图像确定待检测线缆图像之后,获取与所述待处理图像相对应的图像帧时,根据所述图像帧时确定与所述待处理图像相对应的的图像编号和图像采集位置;基于所述图像编号和所述图像采集位置确定与所述目标配电线路相对应的图像位置关系映射表。
在上述技术方案的基础上,所述缺陷位置确定模块,用于基于所述缺陷验证图像确定与所述待验证缺陷图像相对应的热量分析结果,其中,所述缺陷验证图像是与待验证缺陷图像相对应的红外图像;基于所述热量分析结果和所述验证缺陷图像确定所述目标缺陷位置。
在上述技术方案的基础上,所述缺陷位置确定模块,用于在所述热量分析结果为热量信息异常的情况下,确定与所述待验证缺陷图像相对应的所述图像采集位置,并将所述图像采集位置作为所述目标缺陷位置。
本发明实施例的技术方案,通过获取与目标配电线路相对应的待处理图像,并基于待处理图像确定待检测线缆图像,进而基于目标缺陷识别模型确定与各待检测线缆图像相对应的缺陷相似度,并根据缺陷相似度从待检测线缆图像中确定待验证缺陷图像,确定与待验证缺陷图像相对应的图像采集位置,并根据图像采集位置确定与待验证缺陷图像相对应缺陷验证图像,最终基于缺陷验证图像和待验证缺陷图像确定与目标配电线路相对应的目标缺陷位置。基于上述技术方案,通过确定与配电线路相对应的缺陷图像,并获取对应的缺陷验证图像,进而基于缺陷图像和缺陷验证图像确定最终的缺陷位置,达到了提高断股缺陷定位精准度的技术效果。
本发明实施例所提供的电力线缆断股缺陷的定位装置可执行本发明任意实施例所提供的电力线缆断股缺陷的定位方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如电力线缆断股缺陷的定位方法。
在一些实施例中,电力线缆断股缺陷的定位方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的电力线缆断股缺陷的定位方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电力线缆断股缺陷的定位方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电力线缆断股缺陷的定位方法,其特征在于,包括:
获取与目标配电线路相对应的待处理图像,并基于所述待处理图像确定待检测线缆图像;
基于目标缺陷识别模型确定与各所述待检测线缆图像相对应的缺陷相似度,并根据所述缺陷相似度从所述待检测线缆图像中确定待验证缺陷图像;
确定与所述待验证缺陷图像相对应的图像采集位置,并根据所述图像采集位置确定与所述待验证缺陷图像相对应缺陷验证图像;
基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待处理图像确定待检测线缆图像,包括:
基于预设特征提取算法对所述待处理图像进行处理,确定与所述处理线路图像的线路特征信息;
根据所述线路特征信息对所述待处理图像进行分割,确定所述待检测线缆图像。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标缺陷识别模型确定与各所述待检测线缆图像相对应的缺陷相似度,包括:
将所述待检测线缆图像输入所述目标缺陷识别模型,确定所述检测线缆图像与典型断股缺陷图像之间的缺陷相似度;
其中,所述目标缺陷识别模型是预先训练得到的用于确定缺陷相似度的神经网络模型;所述典型断股缺陷图像至少包括单股断裂图像、完全断股图像、部分断股图像、闪络断股图像、腐蚀断股图像以及老化断股图像中的一类。
4.根据权利要求1所述的方法,其特征在于,所述确定与所述待验证缺陷图像相对应的图像采集位置,包括:
获取与所述目标配电线路相对应的图像位置关系映射表,并确定与所述待检测线缆图像相对应的图像编号,其中,所述图像位置关系映射表用于存储图像编号和采集位置之间的映射关系;
基于所述图像关系映射表和所述图像编号确定与所述待验证缺陷图像相对应的图像采集位置。
5.根据权利要求4所述的方法,其特征在于,在基于所述待处理图像确定待检测线缆图像之后,还包括:
获取与所述待处理图像相对应的图像帧时,根据所述图像帧时确定与所述待处理图像相对应的的图像编号和图像采集位置;
基于所述图像编号和所述图像采集位置确定与所述目标配电线路相对应的图像位置关系映射表。
6.根据权利要求1所述的方法,其特征在于,所述基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置,包括:
基于所述缺陷验证图像确定与所述待验证缺陷图像相对应的热量分析结果,其中,所述缺陷验证图像是与待验证缺陷图像相对应的红外图像;
基于所述热量分析结果和所述验证缺陷图像确定所述目标缺陷位置。
7.根据权利要求6所述的方法,其特征在于,所述基于所述热量分析结果和所述待验证缺陷图像确定所述目标缺陷位置,包括:
在所述热量分析结果为热量信息异常的情况下,确定与所述待验证缺陷图像相对应的所述图像采集位置,并将所述图像采集位置作为所述目标缺陷位置。
8.一种电力线缆断股缺陷的定位装置,其特征在于,包括:
图像确定模块,用于获取与目标配电线路相对应的待处理图像,并基于所述待处理图像确定待检测线缆图像;
图像筛选模块,用于基于所述目标缺陷识别模型确定与各所述待检测线缆图像相对应的缺陷相似度,并根据所述缺陷相似度从所述待检测线缆图像中确定待验证缺陷图像;
验证图像确定模块,用于确定与所述待验证缺陷图像相对应的图像采集位置,并根据所述图像采集位置确定与所述待验证缺陷图像相对应缺陷验证图像;
缺陷位置确定模块,用于基于所述缺陷验证图像和所述待验证缺陷图像确定与所述目标配电线路相对应的目标缺陷位置。
9.一种电子设备,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权利要求1-7中任一项所述的电力线缆断股缺陷的定位方法。
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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的地电力线缆断股缺陷的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410195990.2A CN118052877A (zh) | 2024-02-22 | 2024-02-22 | 电力线缆断股缺陷的定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410195990.2A CN118052877A (zh) | 2024-02-22 | 2024-02-22 | 电力线缆断股缺陷的定位方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118052877A true CN118052877A (zh) | 2024-05-17 |
Family
ID=91047853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410195990.2A Pending CN118052877A (zh) | 2024-02-22 | 2024-02-22 | 电力线缆断股缺陷的定位方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118052877A (zh) |
-
2024
- 2024-02-22 CN CN202410195990.2A patent/CN118052877A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN116596854A (zh) | 一种设备缺陷的识别方法、装置、设备及介质 | |
CN110895811A (zh) | 一种图像篡改检测方法和装置 | |
CN118053027A (zh) | 一种缺陷识别方法、装置、电子设备及存储介质 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN116486125A (zh) | 一种设备的检测方法、装置、设备及介质 | |
CN118052877A (zh) | 电力线缆断股缺陷的定位方法、装置、设备及介质 | |
CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
CN112991308A (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN115542100B (zh) | 绝缘子故障检测方法、装置、设备及介质 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN118172626B (zh) | 图像分割模型训练方法、装置、电子设备及存储介质 | |
CN117975275A (zh) | 配电线路杆塔的识别方法、装置、电子设备及存储介质 | |
CN117218386A (zh) | 配电线路图像的处理方法、装置、电子设备及存储介质 | |
CN115761445A (zh) | 染色体分析模型的训练方法、装置、设备及介质 | |
CN117934367A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115375648A (zh) | 电流致热型缺陷识别方法、装置、设备及存储介质 | |
CN117275006A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN118506029A (zh) | 一种覆冰检测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |