CN118071821A - 位置信息的确定方法、装置、存储介质和电子设备 - Google Patents
位置信息的确定方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN118071821A CN118071821A CN202410256444.5A CN202410256444A CN118071821A CN 118071821 A CN118071821 A CN 118071821A CN 202410256444 A CN202410256444 A CN 202410256444A CN 118071821 A CN118071821 A CN 118071821A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image information
- information
- determining
- position information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 77
- 230000009466 transformation Effects 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000010892 electric spark Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003709 image segmentation 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010200 validation analysis 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种位置信息的确定方法、装置、存储介质和电子设备。其中,该方法包括:获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。本申请解决了无法准确定位变电设备的位置的技术问题。
Description
技术领域
本申请涉及图像过热识别定位技术领域,具体而言,涉及一种位置信息的确定方法、装置、存储介质和电子设备。
背景技术
随着电网的快速发展,220千伏(kV)及以下的变电站基本实现了无人值班。但是,电气设备可能因重载、过载和绝缘击穿等,引发危险高温、电火花或电弧,导致电气设备发生火灾和爆炸事故,而在无人值守的变电站中,由于不能及时发现并定位出火灾地点,不利于快速隔离火灾故障设备,造成火势的扩大,给电网的运行带来极大危害,从而存在无法准确定位变电设备的位置的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种位置信息的确定方法、装置、存储介质和电子设备,以至少解决无法准确定位变电设备的位置的技术问题。
根据本申请实施例的一个方面,提供了一种位置信息的确定方法。该方法可以包括:获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。
可选地,获取变电站的图像信息,包括:采集变电站的视频信息;基于视频信息,获取变电站的图像信息。
可选地,在获取变电站的图像信息之后,该方法还包括:对图像信息进行以下至少之一调整,得到预处理后的图像信息:对图像信息进行缩放操作、裁剪操作、填充操作、降噪操作。
可选地,对图像信息进行语义分割,确定每个像素点的类别标签,包括:调用语义分割模型对图像信息进行语义分割,得到每个像素点的类别标签。
可选地,调用语义分割模型对图像信息进行语义分割,得到每个像素点的类别标签,包括:将预处理后的图像信息输入语义分割模型中,确定每个像素点的类别概率分布;从类别概率分布中选择概率最高的类别作为像素点的类别标签。
可选地,将预处理后的图像信息输入语义分割模型中,确定每个像素点的类别概率分布,包括:在语义分割模型中引入多尺度空洞卷积模块,对图像信息进行特征提取,得到每个像素点的类别概率分布。
可选地,对类别标签进行分类,得到分类结果,包括:确定与类别标签关联的分割图像;将分割图像转换为灰度图像,且确定灰度图像中每个像素点的像素值;将像素值与像素阈值进行对比,得到对比结果;响应于对比结果为像素值大于像素阈值,将与像素值对应的像素点划分为目标区域。
可选地,该方法还包括:响应于对比结果为像素值小于等于像素阈值,将与像素值对应的像素点划分为非目标区域。
可选地,该方法还包括:获取图像信息的分辨率和变电设备的尺寸信息;对位置信息进行转换,得到与目标区域对应的变电设备的位置信息,包括:基于分辨率和尺寸信息,对位置信息进行转换,得到与目标区域对应的变电设备的位置信息。
可选地,在得到与目标区域对应的变电设备的位置信息之后,该方法还包括:对变电设备的位置信息进行定位,生成变电设备的报警信息。
根据本申请实施例的另一方面,还提供了一种位置信息的确定装置。该装置可以包括:第一获取单元,用于获取变电站的图像信息,其中,图像信息包括多个像素点;第一确定单元,用于对图像信息进行语义分割,确定每个像素点的类别标签;第一分类单元,用于对类别标签进行分类,得到分类结果;第二确定单元,用于响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;转换单元,用于对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,包括:存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行任意一种位置信息的确定方法。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现任意一种位置信息的确定方法。
根据本申请实施例的另一方面,还提供了一种计算机程序产品。该计算机程序产品可以包括计算机程序,其中,计算机程序被设置为运行时执行上述任意一种位置信息的确定方法。
根据本申请实施例的另一方面,还提供了一种计算机程序产品。该计算机程序产品可以包括非易失性计算机可读存储介质,其中,非易失性计算机可读存储介质存储计算机程序,计算机程序被设置为运行时执行上述任意一种位置信息的确定方法。
根据本申请实施例的另一方面,还提供了一种计算机程序。该计算机程序被设置为运行时执行上述任意一种位置信息的确定方法。
在本申请实施例中,获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。也就是说,本申请对获取的变电站的图像信息进行语义分割,确定图像信息中每个像素点的类别标签,进一步对类别标签进行分类,当像素点位于目标区域时,对像素点的位置信息进行转换,得到变电设备的位置信息,从而实现了准确定位变电设备的位置的技术效果,进而解决了无法准确定位变电设备的位置技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种位置信息的确定方法的流程示意图;
图2是根据本申请实施例的一种基于语义分割的变电站设备图像过热智能定位方法的流程示意图;
图3是根据本申请实施例的一种语义分割模型结构的示意图;
图4是根据本申请实施例的一种特征金字塔结构的示意图;
图5是根据本申请实施例的一种位置信息的确定装置的结构示意图;
图6出示了可以用来实施本申请的实施例的示例电子设备600的示意性框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请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。
根据本申请实施例,提供了一种位置信息的确定方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种位置信息的确定方法的流程示意图,如图1所示,该方法可以包括如下步骤:
步骤S102,获取变电站的图像信息,其中,图像信息包括多个像素点。
在上述步骤S102中,可以获取变电站的图像信息。其中,图像信息至少可以包括变电设备、电力输送线路、变电站建筑和变电站周围的环境等内容,可以用于变电站的运行监控、设备维护和安全管理等方面,图像信息中可以包括多个像素点。
可选地,该实施例通过变电站视频监控系统或变电站巡检机器人等设备,可以获取变电站的图像信息,获取的图像信息至少可以包括变电站的可见光和红外图像等。
步骤S104,对图像信息进行语义分割,确定每个像素点的类别标签。
在上述步骤S104中,在获取变电站的图像信息之后,可以对图像信息进行语义分割,确定每个像素点的类别标签。其中,类别标签可以为像素点所属的类别或分类,比如,在语义分割问题中,像素点的类别标签可以是过热区域、非过热区域等,此处仅为举例说明,不对类别标签的内容做具体限制。
可选地,在获取变电站的图像信息之后,可以对监控系统和巡检机器人拍摄的图像信息进行数据集的制作,对于数据集中的每一张图片制作对应的标签数据,并利用裁剪、翻转、尺度变换和仿射变换等数据增强技术对数据进行预处理,提高训练集样本量和样本的多样性,将数据集按照一定比例分为训练集、验证集和测试集,并将训练集作为输入来训练语义分割(DeepLabv3+)模型,经过反复迭代至收敛,在训练过程中通过验证集验证模型的检测精度,并在迭代完成模型收敛后,选择验证精度最高的DeepLabv3+模型参数作为最终的模型,并通过测试集进行泛化测试,得到DeepLabv3+模型最终的测试精度,最后利用训练好的DeepLabv3+模型对监控系统和巡检机器人采集的原始图像或者视频数据进行语义分割,输出每个像素点的类别标签。
步骤S106,对类别标签进行分类,得到分类结果。
在上述步骤S106中,在确定每个像素点的类别标签之后,可以对确定的每个像素点的类别标签进行分类,得到分类结果。其中,分类结果可以用于表征类别标签是否为目标区域。
可选地,在调用语义分割模型对图像信息进行语义分割,得到语义分割的输出结果之后,可以根据语义分割的输出结果,提取出被分类为目标区域的像素点,并基于自适应阈值法判断该像素点是否属于目标区域。
步骤S108,响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息。
在上述步骤S108中,在对类别标签进行分类,得到分类结果之后,当得到的分类结果为类别标签对应的像素点位于目标区域时,响应于分类结果为类别标签对应的像素点位于目标区域,可以确定位于目标区域的像素点的位置信息。其中,目标区域可以为过热区域,过热区域中的像素值为1。像素点的位置信息可以为像素点在图像坐标系中的位置,可以用横坐标和纵坐标的形式表示,在常见的二维图像中,像素点的位置信息可以用(x,y)来表示,x可以用于表示像素点在水平方向上的位置,y可以用于表示像素点在垂直方向上的位置,可以用于确定图像信息中像素点的位置,从而进行图像处理和分析操作。
可选地,当类别标签对应的像素点位于目标区域时,可以确定位于目标区域的图像信息中的像素点的坐标,从而得到位于目标区域的像素点的位置信息。
步骤S110,对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。
在上述步骤S110中,在确定位于目标区域的像素点的位置信息之后,可以对位于目标区域的像素点的位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。其中,变电设备的位置信息可以为变电设备所在的位置坐标,可以用(X,Y)来表示,X可以用于表示变电设备在水平方向上的位置,Y可以用于表示变电设备在垂直方向上的位置,可以用于设备的定位和管理。
可选地,该实施例将处于目标区域的图像信息中的像素点的坐标转换为实际设备的物理坐标,根据设备的物理坐标进行定位,并生成相应的报警信息,从而实现智能定位。
在本申请实施例中,获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。也就是说,本申请对获取的变电站的图像信息进行语义分割,确定图像信息中每个像素点的类别标签,进一步对类别标签进行分类,当像素点位于目标区域时,对像素点的位置信息进行转换,得到变电设备的位置信息,从而实现了准确定位变电设备的位置的技术效果,进而解决了无法准确定位变电设备的位置技术问题。
在本申请一些实施例中,步骤S102,获取变电站的图像信息,包括:采集变电站的视频信息;基于视频信息,获取变电站的图像信息。
在该实施例中,可以获取变电站的视频信息,进一步基于获取的变电站的视频信息,可以获取变电站的图像信息。其中,变电站的视频信息至少可以包括变电站的建筑结构、设备设施、运行状态、安全管理和电力传输等内容,视频信息至少可以展示变电站的整体布局、主要设备,比如,变压器、开关设备和电缆等的运行情况。
可选地,该实施例可以采集变电站的视频信息,通过采集的变电站的视频信息,可以获取变电站的图像信息,比如,可以获取变电站的可见光图像和红外图像等。
在本申请一些实施例中,在步骤S102,获取变电站的图像信息之后,该方法还包括:对图像信息进行以下至少之一调整,得到预处理后的图像信息:对图像信息进行缩放操作、裁剪操作、填充操作、降噪操作。
在该实施例中,在获取变电站的图像信息之后,可以对获取的图像信息进行预处理,至少可以包括对图像信息进行缩放操作、裁剪操作、填充操作和降噪操作等,从而得到预处理后的图像信息。
可选地,该实施例通过对获取的图像信息进行缩放、裁剪、填充和降噪等预处理操作,使得预处理后的图像信息可以适应语义分割(DeepLabv3+)模型的输入要求。
在本申请一些实施例中,步骤S104,对图像信息进行语义分割,确定每个像素点的类别标签,包括:调用语义分割模型对图像信息进行语义分割,得到每个像素点的类别标签。
在该实施例中,在得到预处理后的图像信息之后,由于预处理后的图像信息满足语义分割模型的输入要求,从而可以调用语义分割模型对预处理后的图像信息进行语义分割,得到每个像素点的类别标签。其中,语义分割模型可以为语义分割的深度学习模型,通过采用深度卷积神经网络和空洞卷积等技术来实现对图像中不同物体的像素级别分割,可以用于处理语义分割任务。
可选地,在得到图像信息之后,基于获取的图像信息,生成数据集,对于数据集中的每个图像信息,都制作对应的标签数据。将数据集按照一定比例分为训练集、验证集和测试集,并将训练集作为输入,来训练DeepLabv3+模型。进一步调用训练好的DeepLabv3+模型,对图像信息进行语义分割,得到每个像素点的类别标签。
在本申请一些实施例中,调用语义分割模型对图像信息进行语义分割,得到每个像素点的类别标签,包括:将预处理后的图像信息输入语义分割模型中,确定每个像素点的类别概率分布;从类别概率分布中选择概率最高的类别作为像素点的类别标签。
在该实施例中,在得到预处理后的图像信息之后,可以将预处理后的图像信息输入语义分割模型中,可以确定每个像素点的类别概率分布。进一步可以从类别概率分布中选择概率最高的类别作为像素点的类别标签。其中,类别概率分布可以为在图像信息中,每个像素点属于不同类别的概率分布,可以通过对图像进行分类或分割来确定每个像素点所属的类别,然后统计每个类别在整个图像中出现的频率,从而得到每个像素点的类别概率分布,可以用于图像分割、目标检测和其它图像处理任务中。
可选地,在训练DeepLabv3+模型之后,可以将预处理后的图像信息输入到DeepLabv3+模型中,通过前向传播计算得到图像信息中每个像素点的类别概率分布。对于每个像素点,从类别概率分布中选择最高概率对应的类别作为该像素点的类别标签。
可选地,该实施例可以采用特征金字塔结构,在基本不增加原有模型计算量的情况下,提升对小物体检测的性能,以提高检测的精度。通过上述操作,每一层预测所用的特征图都融合了不同分辨率和不同语义强度的特征,可以进一步提高对小物体目标的检测精度。
在本申请一些实施例中,将预处理后的图像信息输入语义分割模型中,确定每个像素点的类别概率分布,包括:在语义分割模型中引入多尺度空洞卷积模块,对图像信息进行特征提取,得到每个像素点的类别概率分布。
在该实施例中,在将预处理后的图像信息输入语义分割模型中之后,可以在语义分割模型中引入多尺度空洞卷积模块,对预处理后的图像信息进行特征提取,得到每个像素点的类别概率分布。其中,多尺度空洞卷积模块可以为用于图像处理和计算机视觉任务的深度学习模块,通过在卷积操作中引入空洞或扩张率,可以在不增加参数数量的情况下增加感受野大小,从而使模型能够更好地捕捉图像中的全局和局部信息,可以用于提高图像语义分割、物体检测和图像分类等任务的性能。
可选地,该实施例在DeepLabv3+模型中引入多尺度空洞卷积模块,多尺度空洞卷积模块包括多个并行的空洞卷积分支,每个分支使用不同的空洞率来捕捉不同尺度的特征信息,并生成特征图。为提高检测的特征信息的尺度,可以在DeepLabv3+模型中采用特征金字塔结构,当DeepLabv3+模型在特征提取时,可以将原来的单网络上的每一级的特征图和后一级缩放两倍的特征图进行逐元素地(EIement-wise)相加操作。
在本申请一些实施例中,步骤S106,对类别标签进行分类,得到分类结果,包括:确定与类别标签关联的分割图像;将分割图像转换为灰度图像,且确定灰度图像中每个像素点的像素值;将像素值与像素阈值进行对比,得到对比结果;响应于对比结果为像素值大于像素阈值,将与像素值对应的像素点划分为目标区域。
在该实施例中,可以确定与类别标签关联的分割图像。可以将确定的分割图像转换为灰度图像,且确定灰度图像中每个像素点的像素值。进一步可以将像素值与像素阈值进行对比,得到对比结果。当对比结果为像素值大于像素阈值时,响应于对比结果为像素值大于像素阈值,可以将与像素值对应的像素点划分为目标区域。其中,分割图像可以为将每个像素的类别标签输出为一个与原始图像大小相同的图像,每个像素值表示其所属的类别。灰度图像可以为只包含黑白两种颜色的图像,可以为只有亮度信息而没有颜色信息的图像,在灰度图像中,像素值表示亮度级别,通常用0表示黑色,用255表示白色,其它值表示不同程度的灰度。像素阈值可以为根据实际情况计算得到的像素值的阈值。
可选地,与类别标签关联的分割图像可以为彩色图像,通过将红绿蓝(Red GreenBlue,简称为RGB)图像中的每个像素的红、绿、蓝通道的值进行加权平均得到灰度值,从而可以将彩色图像转换为灰度图像。为了降低图像中的噪声对后续处理的影响,使用均值滤波器对灰度图像进行平滑处理,均值滤波器将每个像素值替换为其周围像素的平均值。进一步可以采用自适应阈值法计算每个像素周围邻域的局部均值或局部高斯加权平均,从而确定该像素的局部阈值。可以将得到的局部阈值设置为像素阈值,进一步将灰度图像中的每个像素值与其对应的局部阈值进行比较,当像素值大于局部阈值时,则将该像素点标记为过热区域,其中,过热区域中的像素值为1。
在本申请一些实施例中,该方法还包括:响应于对比结果为像素值小于等于像素阈值,将与像素值对应的像素点划分为非目标区域。
在该实施例中,在将像素值与像素阈值进行对比,得到对比结果之后,当对比结果为像素值小于等于像素阈值时,响应于对比结果为像素值小于等于像素阈值,可以将与像素值对应的像素点划分为非目标区域。其中,非目标区域可以为非过热区域,非过热区域中的像素值为0。
可选地,将灰度图像中的每个像素值与其对应的局部阈值进行比较,当像素值小于等于局部阈值时,则将该像素点标记为非过热区域,其中,非过热区域中的像素值为0。
在本申请一些实施例中,该方法还包括:获取图像信息的分辨率和变电设备的尺寸信息;步骤S110,对位置信息进行转换,得到与目标区域对应的变电设备的位置信息,包括:基于分辨率和尺寸信息,对位置信息进行转换,得到与目标区域对应的变电设备的位置信息。
在该实施例中,可以获取图像信息的分辨率和变电设备的尺寸信息。在获取图像信息的分辨率和变电设备的尺寸信息之后,可以对位于过热区域的像素点的位置信息进行转换,得到与目标区域对应的变电设备的位置信息。其中,尺寸信息可以为电气设备的物理尺寸等信息。
可选地,该实施例获取图像信息的分辨率以及电气设备的物理尺寸,确定图像和设备的坐标系,使用左上角为原点,向右为X轴正方向,向下为Y轴正方向,根据图像的分辨率以及设备的物理尺寸,通过以下公式计算出每个像素在设备上的物理尺寸:
X=x*(W/w)
Y=y*(H/h)
其中,W可以用于表示电气设备宽度,w可以用于表示图像宽度,W/w可以用于表示每个像素在设备上的物理宽度,对于过热区域中的每个像素,将过热区域中的像素坐标(x,y)转换为设备上的物理坐标(X,Y),H可以用于表示设备的高度,h可以用于表示图像的高度。
在本申请一些实施例中,在步骤S110,得到与目标区域对应的变电设备的位置信息之后,该方法还包括:对变电设备的位置信息进行定位,生成变电设备的报警信息。
在该实施例中,在得到与目标区域对应的变电设备的位置信息之后,可以对变电设备的位置信息进行定位,生成变电设备的报警信息。
可选地,该实施例对过热区域原因的类别进行识别,生成相应的报警信息,其中,过热区域原因的类别至少可以包括环境隐患、设备本身原因和其他原因。环境隐患至少可以包括外部火灾侵入导致的发热,设备本身原因至少可以包括由于安装、绝缘老化和潮湿等原因引起的发热,其他原因至少可以包括由于人为原因,比如,扔烟头等引发的火灾。表1给出了报警信息中具体包括发热的原因及电气设备的具体位置,从表1中可以看出,当过热区域原因的类别分别为环境隐患、设备本身原因和其他原因时,均输出变电站设备的位置信息和报警信息。
表1过热区域原因的类别
在本申请实施例中,获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。也就是说,本申请对获取的变电站的图像信息进行语义分割,确定图像信息中每个像素点的类别标签,进一步对类别标签进行分类,当像素点位于目标区域时,对像素点的位置信息进行转换,得到变电设备的位置信息,从而实现了准确定位变电设备的位置的技术效果,进而解决了无法准确定位变电设备的位置技术问题。
为了便于本领域技术人员更好的理解本申请的技术方案,现结合一具体实施例进行说明。
目前,电力行业是支撑国民经济发展的重要产业,随着科技的飞速发展,电力是重要的驱动力,也是社会稳定运行的基础,提供高质量电能是对电力生产的要求。为了电力系统安全可靠地运行,必须定期对电力设备进行巡检。传统巡检方式为巡检人员通过步行到达输电线路附近,然后借助望远镜、红外热像仪和电晕检测摄像头等设备对电力设备进行检查。然而电网通常架设在交通不便且环境复杂的山区,人工检查输电线路速度慢、效率低、劳动强度大,并且在极端天气条件时很难对设备进行检查。有时巡检人员还需要攀爬电力杆塔进行检查,容易导致安全事故的发生。
随着电网的快速发展,220kV及以下的变电站基本实现了无人值班。但是,电气设备可能因重载、过载和绝缘击穿等,引发危险高温、电火花或电弧,导致电气设备发生火灾和爆炸事故,而在无人值守的变电站中,由于不能及时发现并定位出火灾地点,不利于快速隔离火灾故障设备,造成火势的扩大,给电网的运行带来极大危害,从而存在无法准确定位变电设备的位置的技术问题。
为了解决上述问题,本申请提出了一种基于语义分割的变电站设备图像过热智能定位方法,通过变电站视频监控系统或变电站巡检机器人等设备获取的可见光和红外图像,对监控系统和巡检机器人拍摄的图像信息进行数据集的制作,对于数据集中的每一张图片制作对应的标签数据,并利用裁剪、翻转、尺度变换和仿射变换等数据增强技术对数据进行预处理,提高训练集样本量和样本的多样性,将数据集按照一定比例分为训练集、验证集和测试集,并将训练集作为输入,来训练DeepLabv3+模型,经过反复迭代至收敛,在训练过程中通过验证集验证模型的检测精度,并在迭代完成模型收敛后,选择验证精度最高的DeepLabv3+模型参数作为最终的模型,并通过测试集进行泛化测试,得到DeepLabv3+模型最终的测试精度,最后利用训练好的DeepLabv3+模型对监控系统和巡检机器人采集的原始图像或者视频数据进行检测,得到每一张图片中每一个可检测目标的种类和目标在图像中的位置,实现智能定位。
图2是根据本申请实施例的一种基于语义分割的变电站设备图像过热智能定位方法的流程示意图,如图2所示,该基于语义分割的变电站设备图像过热智能定位的流程可以包括如下步骤:
步骤S201,基于采集的变电站的视频信息,获取变电站的图像信息。
在上述步骤S201中,采集变电站视频,可以获取可见光和红外图像。
步骤S202,基于获取的图像信息,生成数据集。
在上述步骤S202中,对于数据集中的每一张图像制作对应的标签数据。对待检测的变电站设备的图像信息进行预处理,包括图像缩放、裁剪、填充以及降噪等操作,以适应DeepLabv3+模型的输入要求。
步骤S203,将数据集按照一定比例分为训练集、验证集和测试集,并将训练集作为输入来训练语义分割模型。
步骤S204,调用训练好的语义分割模型进行语义分割,输出每个像素点的类别标签。
在上述步骤S204中,将预处理后的图像输入到DeepLabv3+模型中,通过前向传播计算得到每个像素的类别概率分布。对于每个像素,从类别概率分布中选择最高概率对应的类别作为该像素的类别标签。最后,将每个像素的类别标签输出为一个与原始图像大小相同的分割图像,其中,每个像素的值表示其所属的类别。
图3是根据本申请实施例的一种语义分割模型结构的示意图,如图3所示,在DeepLabv3+模型中引入多尺度空洞卷积模块,多尺度空洞卷积模块包括多个并行的空洞卷积分支,每个分支使用不同的空洞率来捕捉不同尺度的特征信息,并生成特征图。可选地,在卷积层(Conv layers),采用深度卷积神经网络模型和特征金字塔网络的结合体(ResNet-101+FPN),生成共享特征图,对候选区域进行池化,得到每个像素点的类别和边界框。图4是根据本申请实施例的一种特征金字塔结构的示意图,如图4所示,为提高检测的特征信息的尺度,在DeepLabv3+模型中采用特征金字塔结构,进行预测,当DeepLabv3+模型在特征提取时,将原来的单网络上的每一级的特征图和后一级缩放两倍的特征图进行逐元素相加的操作。
该实施例采用特征金字塔结构,在基本不增加原有模型计算量的情况下,提升对小物体检测的性能,以提高检测的精度。通过上述操作,每一层预测所用的特征图都融合了不同分辨率和不同语义强度的特征,可以进一步提高对小物体目标的检测精度。
步骤S205,基于每个像素点的类别标签,提取出被分类为过热区域的像素点,并基于自适应阈值法判断该像素点是否属于过热区域。
在上述步骤S205中,根据语义分割的输出结果,提取出被分类为过热区域的像素点,并基于自适应阈值法判断该像素点是否属于过热区域。首先,将彩色图像转换为灰度图像,通过将RGB图像的每个像素的红、绿、蓝通道的值进行加权平均得到灰度值,为了降低图像中的噪声对后续处理的影响,使用均值滤波器对灰度图像进行平滑处理,均值滤波器将每个像素的值替换为其周围像素的平均值,采用自适应阈值法计算每个像素周围邻域的局部均值或局部高斯加权平均确定该像素的局部阈值,将灰度图像中的每个像素值与其对应的局部阈值进行比较,当像素值大于局部阈值时,则将该像素标记为过热区域。否则,将该像素标记为非过热区域,其中,过热区域的像素值为1,非过热区域的像素值为0。
步骤S206,将处于过热区域的像素点的坐标转换为实际设备的物理坐标。
在上述步骤S206中,获取图像的分辨率以及电气设备的物理尺寸,确定图像和设备的坐标系,使用左上角为原点,向右为X轴正方向,向下为Y轴正方向,根据图像和设备的分辨率以及物理尺寸,计算出每个像素在设备上的物理尺寸,从而将处于过热区域的像素点的坐标转换为实际设备的物理坐标。
步骤S207,根据设备的物理坐标进行定位,并生成相应的报警信息。
在上述步骤S207中,每个像素的类别标签具体包括过热区域和非过热区域。通过对过热区域原因的类别进行识别,生成相应的报警信息,过热区域原因的类别至少可以包括环境隐患、设备本身原因和其他原因。环境隐患至少可以包括外部火灾侵入导致的发热,设备本身原因至少可以包括由于安装、绝缘老化和潮湿等原因引起的发热,其他原因至少可以包括由于人为原因如烟头等引发的火灾。当过热区域原因的类别分别为环境隐患、设备本身原因和其他原因时,均输出变电站设备的位置信息和报警信息。
在本申请实施例中,获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。也就是说,本申请对获取的变电站的图像信息进行语义分割,确定图像信息中每个像素点的类别标签,进一步对类别标签进行分类,当像素点位于目标区域时,对像素点的位置信息进行转换,得到变电设备的位置信息,从而实现了准确定位变电设备的位置的技术效果,进而解决了无法准确定位变电设备的位置技术问题。
本申请实施例还提供了一种位置信息的确定装置。需要说明的是,该实施例的位置信息的确定装置可以用执行本发明实施例的位置信息的确定方法。
图5是根据本申请实施例的一种位置信息的确定装置的结构示意图,如图5所示,该位置信息的确定装置500可以包括:第一获取单元502、第一确定单元504、第一分类单元506、第二确定单元508和转换单元510。
第一获取单元502,用于获取变电站的图像信息,其中,图像信息包括多个像素点。
第一确定单元504,用于对图像信息进行语义分割,确定每个像素点的类别标签。
第一分类单元506,用于对类别标签进行分类,得到分类结果。
第二确定单元508,用于响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息。
转换单元510,用于对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。
可选地,第一获取单元502包括:采集模块,用于采集变电站的视频信息;获取模块,用于基于视频信息,获取变电站的图像信息。
可选地,在获取单元502用于获取变电站的图像信息之后,该装置还包括:调整单元,用于对图像信息进行以下至少之一调整,得到预处理后的图像信息:对图像信息进行缩放操作、裁剪操作、填充操作、降噪操作。
可选地,第一确定单元504包括:第一确定模块,用于调用语义分割模型对图像信息进行语义分割,得到每个像素点的类别标签。
可选地,第一确定模块包括:第一确定子模块,用于将预处理后的图像信息输入语义分割模型中,确定每个像素点的类别概率分布;第二确定子模块,用于从类别概率分布中选择概率最高的类别作为像素点的类别标签。
可选地,第一确定子模块还用于:在语义分割模型中引入多尺度空洞卷积模块,对图像信息进行特征提取,得到每个像素点的类别概率分布。
可选地,第一分类单元506包括:第二确定模块,用于确定与类别标签关联的分割图像;第三确定模块,用于将分割图像转换为灰度图像,且确定灰度图像中每个像素点的像素值;对比模块,用于将像素值与像素阈值进行对比,得到对比结果;分类模块,用于响应于对比结果为像素值大于像素阈值,将与像素值对应的像素点划分为目标区域。
可选地,该装置还包括:第二分类单元,用于响应于对比结果为像素值小于等于像素阈值,将与像素值对应的像素点划分为非目标区域。
可选地,该装置还包括:第一获取单元,用于获取图像信息的分辨率和变电设备的尺寸信息;转换单元510包括:转换模块,用于基于分辨率和尺寸信息,对位置信息进行转换,得到与目标区域对应的变电设备的位置信息。
可选地,在得到与目标区域对应的变电设备的位置信息之后,该装置还包括:生成单元,用于对变电设备的位置信息进行定位,生成变电设备的报警信息。
该装置中,通过第一获取单元502获取变电站的图像信息,其中,图像信息包括多个像素点。通过第一确定单元504对图像信息进行语义分割,确定每个像素点的类别标签。通过第一分类单元506对类别标签进行分类,得到分类结果。通过第二确定单元508响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息。通过转换单元510对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。也就是说,本申请对获取的变电站的图像信息进行语义分割,确定图像信息中每个像素点的类别标签,进一步对类别标签进行分类,当像素点位于目标区域时,对像素点的位置信息进行转换,得到变电设备的位置信息,从而实现了准确定位变电设备的位置的技术效果,进而解决了无法准确定位变电设备的位置技术问题。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种位置信息的确定方法。
具体地,上述存储介质用于存储以下功能的程序指令,实现以下功能:
获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。
可选地,在本实施例中,上述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。上述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。
在本申请一示例性实施例中,还提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现上述任一项位置信息的确定方法。
可选地,该计算机程序在被处理器执行时可实现如下步骤:
获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。
在本申请一示例性实施例中,还提供了一种计算机程序产品,包括非易失性计算机可读存储介质,其中,非易失性计算机可读存储介质存储计算机程序,该计算机程序被设置为运行时执行上述任一项位置信息的确定方法。
可选地,该计算机程序在被处理器执行时可实现如下步骤:
获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。
在本申请一示例性实施例中,还提供了一种计算机程序,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,该计算机程序在被处理器执行时可实现如下步骤:
获取变电站的图像信息,其中,图像信息包括多个像素点;对图像信息进行语义分割,确定每个像素点的类别标签;对类别标签进行分类,得到分类结果;响应于分类结果为类别标签对应的像素点位于目标区域,确定位于目标区域的像素点的位置信息;对位置信息进行转换,得到与目标区域对应的变电站中变电设备的位置信息。
根据本申请的实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一项位置信息的确定方法。
可选地,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入设备输出设备和上述处理器连接。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。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/或者要求的本申请的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
计算单元601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。计算单元601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计算单元、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。计算单元601执行上文所描述的各个方法和处理,例如位置信息的确定方法。例如,在一些实施例中,位置信息的确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的位置信息的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行位置信息的确定方法。
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。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本申请的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
所述集成的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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种位置信息的确定方法,其特征在于,包括:
获取变电站的图像信息,其中,所述图像信息包括多个像素点;
对所述图像信息进行语义分割,确定每个所述像素点的类别标签;
对所述类别标签进行分类,得到分类结果;
响应于所述分类结果为所述类别标签对应的所述像素点位于目标区域,确定位于所述目标区域的所述像素点的位置信息;
对所述位置信息进行转换,得到与所述目标区域对应的所述变电站中变电设备的位置信息。
2.根据权利要求1所述的方法,其特征在于,获取所述变电站的所述图像信息,包括:
采集所述变电站的视频信息;
基于所述视频信息,获取所述变电站的所述图像信息。
3.根据权利要求1所述的方法,其特征在于,在获取所述变电站的所述图像信息之后,所述方法还包括:
对所述图像信息进行以下至少之一调整,得到预处理后的所述图像信息:对所述图像信息进行缩放操作、裁剪操作、填充操作、降噪操作。
4.根据权利要求1所述的方法,其特征在于,对所述图像信息进行语义分割,确定每个所述像素点的所述类别标签,包括:
调用语义分割模型对所述图像信息进行语义分割,得到每个所述像素点的所述类别标签。
5.根据权利要求4所述的方法,其特征在于,调用所述语义分割模型对所述图像信息进行语义分割,得到每个所述像素点的所述类别标签,包括:
将预处理后的所述图像信息输入所述语义分割模型中,确定每个所述像素点的类别概率分布;
从所述类别概率分布中选择概率最高的类别作为所述像素点的所述类别标签。
6.根据权利要求5所述的方法,其特征在于,将预处理后的所述图像信息输入所述语义分割模型中,确定每个所述像素点的所述类别概率分布,包括:
在所述语义分割模型中引入多尺度空洞卷积模块,对所述图像信息进行特征提取,得到每个所述像素点的所述类别概率分布。
7.根据权利要求1所述的方法,其特征在于,对所述类别标签进行分类,得到所述分类结果,包括:
确定与所述类别标签关联的分割图像;
将所述分割图像转换为灰度图像,且确定所述灰度图像中每个像素点的像素值;
将所述像素值与像素阈值进行对比,得到对比结果;
响应于所述对比结果为所述像素值大于所述像素阈值,将与所述像素值对应的所述像素点划分为所述目标区域。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
响应于所述对比结果为所述像素值小于等于所述像素阈值,将与所述像素值对应的所述像素点划分为非目标区域。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述图像信息的分辨率和所述变电设备的尺寸信息;
对所述位置信息进行转换,得到与所述目标区域对应的所述变电设备的位置信息,包括:
基于所述分辨率和所述尺寸信息,对所述位置信息进行转换,得到与所述目标区域对应的所述变电设备的位置信息。
10.根据权利要求1所述的方法,其特征在于,在得到与所述目标区域对应的所述变电设备的位置信息之后,所述方法还包括:
对所述变电设备的位置信息进行定位,生成所述变电设备的报警信息。
11.一种位置信息的确定装置,其特征在于,包括:
第一获取单元,用于获取变电站的图像信息,其中,所述图像信息包括多个像素点;
第一确定单元,用于对所述图像信息进行语义分割,确定每个所述像素点的类别标签;
第一分类单元,用于对所述类别标签进行分类,得到分类结果;
第二确定单元,用于响应于所述分类结果为所述类别标签对应的所述像素点位于目标区域,确定位于所述目标区域的所述像素点的位置信息;
转换单元,用于对所述位置信息进行转换,得到与所述目标区域对应的所述变电站中变电设备的位置信息。
12.一种非易失性存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至10中任意一项所述的位置信息的确定方法。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至10中任一项所述的位置信息的确定方法。
14.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,其中,所述计算机程序被设置为被处理器运行时执行所述权利要求1至10中任一项中所述的位置信息的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410256444.5A CN118071821A (zh) | 2024-03-06 | 2024-03-06 | 位置信息的确定方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410256444.5A CN118071821A (zh) | 2024-03-06 | 2024-03-06 | 位置信息的确定方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118071821A true CN118071821A (zh) | 2024-05-24 |
Family
ID=91101568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410256444.5A Pending CN118071821A (zh) | 2024-03-06 | 2024-03-06 | 位置信息的确定方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118071821A (zh) |
-
2024
- 2024-03-06 CN CN202410256444.5A patent/CN118071821A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116594B (zh) | 一种基于语义分割的风飘异物识别方法和装置 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN115953566B (zh) | 一种用于红外热成像仪的特征分析方法、系统及介质 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN115346083A (zh) | 一种温度异常检测模型训练方法、装置、设备及介质 | |
CN113326773A (zh) | 识别模型训练方法、识别方法、装置、设备及存储介质 | |
CN114220009A (zh) | 一种基于红外图像的导线风偏识别方法与系统 | |
CN116311132A (zh) | 一种减速带识别方法、装置、设备及存储介质 | |
CN108900895B (zh) | 一种对视频流的目标区域的屏蔽方法及其装置 | |
CN115965578A (zh) | 一种基于通道注意力机制的双目立体匹配检测方法及装置 | |
CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和系统 | |
CN113807184B (zh) | 障碍物检测方法、装置、电子设备及自动驾驶车辆 | |
CN117765083A (zh) | 一种设备定位方法、装置、电子设备及存储介质 | |
CN118038021A (zh) | 基于改进yolov4的变电站作业现场异物入侵检测方法 | |
Wei et al. | Insulator defect detection in transmission line based on an improved lightweight YOLOv5s algorithm | |
CN117351462A (zh) | 施工作业检测模型训练方法、装置、设备及存储介质 | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN116912774A (zh) | 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质 | |
CN118071821A (zh) | 位置信息的确定方法、装置、存储介质和电子设备 | |
CN114998387A (zh) | 一种物体距离监测方法、装置、电子设备和存储介质 | |
CN113837991B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN115620496B (zh) | 应用于输电线路的故障报警方法、装置、设备和介质 | |
Li et al. | Improved YOLOV7 algorithm for transmission line metal fittings equipment detection: algorithm improvement for integrating attention mechanism | |
CN112989987B (zh) | 用于识别人群行为的方法、装置、设备以及存储介质 | |
CN118155128A (zh) | 已布设电缆的潜在威胁识别装置、方法及设备 |
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 |