基站馈线检测方法、系统及相关装置
技术领域
本公开实施例涉及通信和图像处理技术领域,尤其涉及一种基站馈线检测方法、系统及相关装置。
背景技术
第五代移动通信技术(5
th generation mobile networks,5G)基站是5G网络的核心设备,提供无线覆盖,实现有线通信网络与无线终端之间的无线信号传输。基站的架构、形态直接影响5G网络如何部署。在技术标准中,5G的频段远高于现有其它网络,5G网络现阶段主要工作在3000-5000MHz频段。由于频率越高,信号传播过程中的衰减也越大,所以5G网络的基站密度将更高,目前基站总数已超70万。
高密度的基站布局,加大了基站馈线检测的工作量。而且,考虑到基站往往设置在建筑顶部,检测基站馈线安装是否准确的工作一般采用人工攀爬目视的方式确定,耗费人力和时间,且存在一定的人身安全隐患;同时,现有的检测方案完全依靠人工目视实现,过于主观,容易导致检测结果不准确以及检测效率低。
发明内容
本公开提供了一种图像处理方法,包括:基于检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,其中,由图像采集终端采集待检测基站的馈线图像,并将采集的馈线图像与待检测基站的标识对应存储;对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;以及将所述特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
本公开还提供一种图像处理装置,包括:获取模块,用于基于检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像, 其中,由图像采集终端采集待检测基站的馈线图像,并将采集的馈线图像与待检测基站的标识对应存储;转换模块,用于对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;以及比对模块,用于将所述特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
本公开还提供一种基站馈线检测方法,包括:图像采集终端采集待检测基站的馈线图像,并将采集的馈线图像与待检测基站的标识对应存储;图像处理终端基于检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像;所述图像处理终端对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像;以及所述图像处理终端将所述特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
本公开还提供一种基站馈线检测系统,包括:图像采集终端和图像处理终端,其中,所述图像采集终端采集待检测基站的馈线图像,并将采集的馈线图像与待检测基站的标识对应存储;所述图像处理终端基于检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,对所述目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像,将所述特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定所述目标检测基站的馈线是否安装正确。
本公开还提供一种电子设备,包括:处理器;以及存储计算机可执行指令的存储器,所述可执行指令在被所述处理器执行时,使所述处理器执行根据本公开的图像处理方法。
本公开还提供一种计算机可读存储介质,其上存储有一个或者多个程序,所述一个或者多个程序被一个或者多个处理器执行时,使得所述一个或者多个处理器执行根据本公开的图像处理方法。
附图说明
为了更清楚地说明本公开一个或多个实施例或相关技术中的技术方案,下面将对一个或多个实施例或相关技术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公开记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中,
图1是本公开所涉及的基站馈线的安装结果的示意图;
图2是本公开提供的基站馈线检测方案所适用的场景架构示意图;
图3A和图3B是本公开提供的基站馈线检测方法的流程示意图;
图4是本公开提供的图像处理终端对目标馈线图像进行图像预处理操作的流程示意图;
图5是本公开提供的选择馈线标记点以及相应HSV值的示意图;
图6是本公开提供的HSV图像格式的目标馈线图像的示意图;
图7是本公开提供的图像处理终端将经图像预处理操作后的目标馈线图像转换为特征灰度图像的流程示意图;
图8A是本公开提供的膨胀与腐蚀操作的示意图;
图8B是本公开提供的经膨胀与腐蚀操作处理后的馈线图像示意图;
图9A是本公开提供的比对流程示意图;
图9B是本公开提供的检测流程示意图;
图10A和图10B分别是本公开提供的基站馈线检测系统的结构示意图;
图11是本公开提供的图像处理方法的流程示意图;以及
图12是本公开提供的图像处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案,下面将结合本公开的一个或多个实施例的附图,对本公开的一个或多个实施例的技术方案进行清楚、完整地描述。显然,所描述的一个或多个实施例仅仅是本公开的一部分实施例,而不是全部的实施例。基于本 公开的一个或多个实施例,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,都应当属于本文件的保护范围。
为了保证基站正常运行,需要时常对安装的馈线进行检测,一般通过馈线标记点的数量进行区分。图1示出了馈线安装的要求,即,馈线标记点的数量从左至右递增或者递减。当不满足递增或递减顺序时,则认为安装错误。
相关技术中,基站的馈线检测存在的不可靠以及不安全问题,本公开提出了一种新的馈线检测方案:图像采集终端将采集到的待检测基站的馈线图像发送至云端服务器,由云端服务器对采集的馈线图像及相应待检测基站的标识进行对应存储;图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,对目标馈线图像进行图像预处理操作后转换为特征灰度图像,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。通过上述方式几乎可以实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
在介绍本公开所提供的基站馈线检测方案之前,首先简单介绍该基站馈线检测方案所适用的场景架构。参照图2所示,图像采集终端202可以是可移动的,并不一定安装在待检测基站附近。例如,图像采集终端202可以是手持摄像机,或具有图像采集功能的无人机。在有采集业务需求或是检测业务需求时,将图像采集终端202布置在待检测基站的馈线附近进行拍摄作业。云端服务器204用于对采集到的馈线图像进行存储,其安全、高效且可以实现大体量存储,便于检测方存取。图像处理终端206可以从云端服务器204获取馈线图像并进行一系列图像处理操作,以实现对馈线安装正确与否的自动检测。应理解,图像处理终端206可以与图像采集终端202和/或云端服务器204远程协作,尽可能减少人为参与,降低检测错误率以及检测安全隐患。应当认识到,图2所示架构为示例性系统架构,具体实现时,系统中可以不包含云端服务器,在此情况下,云端服务器的存储功能可由图像处理终端实现。
下面通过具体的实例对本公开的基站馈线检测方案进行详述。
参照图3A所示,本公开提供的一种基站馈线检测方法,该基站馈线检测方法可以包括以下步骤302a至308a。
在步骤302a,图像采集终端采集待检测基站的馈线图像,并将采集的馈线图像与待检测基站的标识对应存储。
应理解,此时图像采集终端可以将采集到的馈线图像以及对应的待检测基站的标识发送至图像处理终端或者云端服务器进行存储。
在步骤304a,图像处理终端基于检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像。
图像处理终端可以基于检测请求中目标检测基站的标识,从本地或者云端服务器中查找并获取相匹配的目标馈线图像。
在步骤306a,图像处理终端对目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像。
在步骤308a,图像处理终端将特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。
参照图3B所示,本公开提供的另一种基站馈线检测方法,该基站馈线检测方法可以包括以下步骤302b至308b。
在步骤302b,图像采集终端采集待检测基站的馈线图像,并将采集的馈线图像与待检测基站的标识发送至云端服务器,以便于云端服务器将采集的馈线图像与待检测基站的标识对应存储。
馈线图像可以包括馈线图片或馈线视频。可以由图像采集终端根据本地定位装置生成的基站编码作为待检测基站的标识;也可以通过扫描馈线所在位置处的基站条码获取基站编码作为待检测基站的标识。
在本公开中,图像采集终端可以是接触式手持图像拍摄设备,例如,手持摄像机、手机或平板电脑等;也可以是非接触式图像拍摄设备,例如,具有图像采集功能的无人机等。相应地,由于图像采集终端的具体类型不同,采集馈线图像的具体实现方式也存在差别。
当图像采集终端为接触式手持图像拍摄设备时,图像采集终端采集待检测基站的馈线图像可以具体实现为:响应于用户的触控操作, 接触式手持图像拍摄设备从待检测基站拍摄馈线图像。
当图像采集终端为非接触式图像拍摄设备时,图像采集终端采集待检测基站的馈线图像可以具体实现为:响应于用户的远程控制,非接触式图像拍摄设备从待检测基站拍摄馈线图像。
无论哪种方式,都可以实现对馈线图像的采集,便于后续实现馈线安装正确与否的自动检测。在条件允许的情况下,可以通过非接触式图像拍摄设备采集馈线图像,这样可以完全规避人工采集数据所带来的主观问题,且避免安全隐患。可见,以非接触式方式采集检测馈线图像的方式更客观准确且更安全可靠。
在步骤304b,图像处理终端基于检测请求中目标检测基站的标识,在云端服务器中查找并获取相匹配的目标馈线图像。
检测请求可以由检测方发起,检测请求中可以携带有目标检测基站的标识。此外,还可以针对检测业务附带的其它信息,例如,目标检测基站的位置信息,所属地信息等。
在步骤306b,图像处理终端对目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像。
步骤306b可以划分为两部分,即,图像预处理操作和灰度图像转换操作。
图4是本公开提供的图像处理终端对目标馈线图像进行图像预处理操作的流程示意图。
参照图4所示,图像处理终端对目标馈线图像进行图像预处理操作可以包括步骤402至406。
在步骤402,根据检测像素需求,对目标馈线图像进行缩放处理。
将从云端服务器获取的馈线图像读取到本地之后,在不影响馈线检测的基础上,可以对图像进行缩放处理,以便于馈线图像满足预置检测像素需求。
在步骤404,从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值。
参照图5所示,可以通过人工辅助触摸的方式或是自动标记的方式,从馈线图像上选择馈线标记点,并为选取的各个馈线标记点提 取色相饱和度值(Hue Saturation Value,HSV)。
在步骤406,基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
从云端服务器获取的目标馈线图像的格式可以是RGB图像格式,因此,需要基于各个馈线标记点的HSV值,将图5所示的目标馈线图像转换为HSV图像格式,转换后的图像可参考图6。
在对目标馈线图像进行上述一系列的图像预处理操作后,可以对得到的HSV目标馈线图像进一步执行图像中馈线的具体识别处理操作。
图7是本公开提供的图像处理终端将经图像预处理操作后的目标馈线图像转换为特征灰度图像的流程示意图。
参照图7所示,图像处理终端将经图像预处理操作后的目标馈线图像转换为特征灰度图像可以包括步骤802至806。
在步骤802,使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓。
边缘检测技术本质上是一种滤波计算,不同的算子有不同的提取效果。常见的边缘检测技术包括:Sobel边缘检测算子、Laplacian边缘检测算子、Canny边缘检测算子。
Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好,但Sobel算子对边缘定位不是很准确,图像的边缘不止一个像素。当对精度要求不是很高时,Sobel算子是一种较为常用的边缘检测方法。
Laplacian算子法对噪声比较敏感,所以很少用该算子检测边缘,而是用来判断边缘像素应被视为图像的明区还是暗区。拉普拉斯高斯算子(Laplacian of Gaussian,LOG)是一种二阶导数算子,将在边缘处产生一个陡峭的零交叉,Laplacian算子是各向同性的,能对任何走向的界线和线条进行锐化,无方向性。这是拉普拉斯算子区别于其他算法的最大优点。
Canny边缘检测算子不容易受噪声干扰,能够检测到真正的弱边缘。优点在于,使用两种不同的阈值分别检测强边缘和弱边缘,并且 当弱边缘和强边缘相连时,才将弱边缘包含在输出图像中。Canny方法的目标是找到一个最优的边缘。最优边缘的定义包括:好的检测,即,算法能够尽可能多地标示出图像中的实际边缘;好的定位,即,标识出的边缘要与实际图像中的实际边缘尽可能接近;最小响应,即,图像中的边缘只能标识一次,并且可能存在的图像噪声不应被标识为边缘。
图像处理终端在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,可以包括以第1步至第5步。
第1步,使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声。
为了尽可能减少噪声对边缘检测结果的影响,必须滤除噪声以防止由噪声引起的错误检测。为了平滑图像,可以使用高斯滤波器与图像进行卷积,使图像平滑,以减少边缘检测器上明显的噪声影响。
第2步,计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向。
第3步,基于计算得到的梯度值和方向对每个像素点进行非极大值抑制。
非极大值抑制是一种边缘稀疏技术,作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊。非极大值抑制可以帮助将局部最大值之外的所有梯度值抑制为0。对梯度图像中每个像素进行非极大值抑制的算法是:将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较,如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点;否则该像素点将被抑制。为了更加精确的计算,通常在跨越梯度方向的两个相邻像素之间使用线性插值来得到要比较的像素梯度,
第4步,使用双阈值边缘检测进一步优化边缘。如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制。
在施加非极大值抑制之后,剩余的像素可以更准确地表示图像 中的实际边缘。然而,仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应,必须用弱梯度值过滤边缘像素,并保留具有高梯度值的边缘像素,这可以通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则会被抑制。阈值的选择取决于给定输入图像的内容。
第5步,通过抑制孤立的弱边缘像素的方式确定最终馈线标记点的边缘轮廓。
被划分为强边缘的像素点已经被确定为边缘,因为它们是从图像中的真实边缘中提取出来的。然而,对于弱边缘像素,将会有一些争论,因为这些像素可以是从真实边缘提取的,也可以是因噪声或颜色变化引起的。为了获得准确的结果,应该抑制由噪声等引起的弱边缘。通常,由真实边缘引起的弱边缘像素将连接到强边缘像素,而噪声响应未连接。为了跟踪边缘连接,可以查看弱边缘像素及其8个邻域像素,只要其中一个为强边缘像素,则该弱边缘像素就可以保留为真实的边缘。
在步骤804,对边缘检测处理后的HSV目标馈线图像进行中值滤波处理。
中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波在一定的条件下可以克服常见线性滤波器(如方框滤波器、均值滤波等)带来的图像细节模糊,而且对滤除脉冲干扰及图像扫描噪声非常有效,也常用于保护边缘信息。中值滤波保存边缘的特性使其在不希望出现边缘模糊的场合也很有用,是非常经典的平滑噪声处理方法。对图像进行中值滤波,将利用Canny边缘检测算子得到的图像进行进一步去噪,排除图像中较小的独立噪点。
在步骤806,将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
膨胀是将物体的边缘加以膨胀的形态学操作,腐蚀是将物体的 边缘加以腐蚀的形态学操作。膨胀与腐蚀操作如图8A所示。在实现时,可以需要根据HSV目标馈线图像的具体需求进行膨胀或腐蚀,例如,部分馈线的线段进行膨胀,其它馈线的线段进行腐蚀,图8B所示为经过膨胀或腐蚀处理后的HSV目标馈线图像。
在步骤308b,图像处理终端将特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。
步骤308a和308b的比对流程可以参照图9A所示,包括步骤1002至1008。
在步骤1002,通过边缘轮廓查找和线段计数,对特征灰度图像和标准馈线特征灰度图像进行粗粒度比对,如果粗粒度比对结果不匹配,则确定馈线安装错误;如果粗粒度比对结果匹配,则进一步执行步骤1004。
通过边缘轮廓查找,遍历上一部分得到的特征灰度图,找出并保留连通线段,统计线段个数记为k,与标准灰度馈线图的线段个数k-std比对,若线段个数一致则继续进行下一步比对,若不一致则判定馈线安装错误。通过轮廓查找和计数对比,使用粗粒度的方式完成馈线图像大体的比对,并作为下一步更细粒度比对的前提。
在步骤1004,对特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,最小目标馈线图像与标准馈线特征灰度图像处于同一维度空间。
对特征灰度图像中馈线部分进行定位配准可以包括:记特征灰度图中像素点编号为(i,j),图像尺寸为m×n,设四个变量imin、imax、jmin、jmax,初值分别设为0、0、m-1、n-1;由(0,0)点出发,遍历灰度图的所有像素点,如果像素点灰度值高于预设阈值ε,则继续遍历,若低于,则与四个变量进行比较,并根据比较结果来确定是否将当前i值赋给imin或imax,以及是否将当前j值赋给jmin或jmax。图像定位是为了下一步目标图像截取做准备,减少不必要的比对区域,提升算法准确性和性能。
保留上一步得到imin、imax、jmin、jmax所围成的矩形区域, 并将图像尺寸变换至标准尺寸m-std、n-std。根据图像定位的点进行图像截取,获取最小目标图像;同时对获取的最小目标图像进行尺度变化,从而将两张对比图像在同一个维度进行对比,增加对比的精准度。
在步骤1006,将最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与标准馈线特征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对,如果细粒度比对结果不匹配,则确定馈线安装错误;如果细粒度比对结果匹配,则进一步执行步骤1008。
具体实现时,可以将馈线的线段按顺序编号,计算每一条线段的最高点的坐标Y值与最低点的坐标Y值的差,即线段长度L;并计算每一条线段的最左点的坐标X值与最右点的坐标X值的差,即线段宽度W。将计算结果与标准特征灰度图中同编号的线段的长度L_std与宽度W_std进行比对。预设尺寸低阈值ε1和高阈值ε2,若L_std*ε1<L<L_std*ε2且W_std*ε1<W<W_std*ε2,则通过尺寸特征比对,继续下一步,反之则判定馈线安装错误,通知客户端。本步骤通过对目标图像和标准图像进行线段及细粒度的比对,关注更细节的指标条件。
在步骤1008,使用特定均值方差进行特征整体比对,其中,特定均值方差是最小目标馈线图像的馈线中线段与标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差,如果整体比对结果不匹配,则确定馈线安装错误;如果整体比对结果匹配,则确定馈线安装正确。
具体地,馈线的线段与标准灰度图中的线段包含的所有像素点灰度值的均值记为E,分别计算馈线的线段和标准线段与E的方差,分别记为D1、D2。预设方差阈值ε3,若D1+D2<ε3,则完成所有比对,判定馈线安装正确;反之则判定馈线安装错误。本步骤将细粒度的指标通过算法关联起来计算,将各系统粒度指标看做一个系统整体进行判断,从而放大细粒度指标之间的差异。这样的好处是将微观的差异放大后更容易发现问题,从而提升算法整体的质量,确保结果的准确 性。
下面通过图9B将整个检测步骤流程化。
首先,由图像采集终端通过人工拍摄或无人机拍摄的方式拍摄馈线照片,上传至云端服务器对应存储。之后,由图像处理终端向云端服务器发起检测请求并获取相应馈线图像。图像处理终端对馈线图像进行预处理以及图像转换等操作。然后,将转换得到的灰度特征图像与标准库中的标准馈线图像进行特征比对,根据特征比对结果判定馈线安装是否正确。
根据本公开的上述技术方案,图像采集终端将采集到的待检测基站的馈线图像发送至云端服务器,由云端服务器对采集的馈线图像及相应待检测基站的标识进行对应存储;图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,对目标馈线图像进行图像预处理操作后转换为特征灰度图像,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。通过上述方式几乎可以实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
参照图10A所示,本公开提供一种基站馈线检测系统1100,包括图像采集终端1102和图像处理终端1106。
图像采集终端1102采集待检测基站的馈线图像,并将采集的馈线图像与待检测基站的标识对应存储。
图像处理终端1106基于检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像。
图像处理终端1106对目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像。
图像处理终端1106将特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。
参照图10B所示,本公开提供一种基站馈线检测系统1100,包括图像采集终端1102、云端服务器1104以及图像处理终端1106。
图像采集终端1102采集待检测基站的馈线图像,并将馈线图像与待检测基站的标识发送至云端服务器1104,以便于云端服务器 1104将采集的馈线图像与待检测基站的标识对应存储。
图像处理终端1106基于检测请求中目标检测基站的标识,从云端服务器1104中查找并获取相匹配的目标馈线图像。
图像处理终端1106对目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像。
图像处理终端1106将特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。
图像采集终端1102可以为接触式手持图像拍摄设备,图像采集终端1102采集待检测基站的馈线图像时,可以响应于用户的触控操作,从待检测基站拍摄馈线图像。图像采集终端1102可以为非接触式图像拍摄设备,图像采集终端1102采集待检测基站的馈线图像时,可以响应于用户的远程控制,从待检测基站拍摄馈线图像。
图像处理终端1106在对目标馈线图像进行图像预处理操作时,可以根据检测像素需求,对目标馈线图像进行缩放处理;从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值;以及基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
图像处理终端1106在将经图像预处理操作后的目标馈线图像转换为特征灰度图像时,可以使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓;对边缘检测处理后的HSV目标馈线图像进行中值滤波处理;以及将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
边缘检测技术可以包括:Sobel边缘检测算子、Laplacian边缘检测算子、Canny边缘检测算子。
图像处理终端1106在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,可以使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声;计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向;基于计算得到的梯度值和方向对每个像素点进行非极大值抑制;使用双阈值边缘检测进一步优化 边缘,如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制;并且通过抑制孤立的弱边缘像素的方式确定最终馈线标记点的边缘轮廓。
图像处理终端1106在将特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确时,可以通过边缘轮廓查找和线段计数,对特征灰度图像和标准馈线特征灰度图像进行粗粒度比对,如果粗粒度比对结果不匹配,则确定馈线安装错误;如果粗粒度比对结果匹配,则进一步对特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,最小目标馈线图像与标准馈线特征灰度图像处于同一维度空间;将最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与标准馈线特征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对,如果细粒度比对结果不匹配,则确定馈线安装错误;如果细粒度比对结果匹配,则进一步使用特定均值方差进行特征整体比对,其中,特定均值方差是最小目标馈线图像的馈线中线段与标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差,如果整体比对结果不匹配,则确定馈线安装错误;如果整体比对结果匹配,则确定馈线安装正确。
根据本公开的上述技术方案,图像采集终端将采集到的待检测基站的馈线图像发送至云端服务器,由云端服务器对采集的馈线图像及相应待检测基站的标识进行对应存储;图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,对目标馈线图像进行图像预处理操作后转换为特征灰度图像,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。通过上述方式几乎可以实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
本公开还提供一种图像处理方法,参照图11所示,该图像处理方法可以包括以下步骤1202至1206。
在步骤1202,基于检测请求中目标检测基站的标识,查找并获 取相匹配的目标馈线图像,其中,由图像采集终端采集待检测基站的馈线图像,并将采集的馈线图像与当前待检测基站的标识对应存储。
图像采集终端可以将采集到的馈线图像协同待检测基站的标识一起发送给图像处理终端或者云端服务器进行对应存储。相应地,图像处理终端可以从本地或是云端服务器查找并获取相匹配的目标馈线图像。
在步骤1204,对目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像。
在步骤1206,将特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。
对目标馈线图像进行图像预处理操作可以包括:根据检测像素需求,对目标馈线图像进行缩放处理;从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值;以及基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
将经图像预处理操作后的目标馈线图像转换为特征灰度图像可以包括:使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓;对边缘检测处理后的HSV目标馈线图像进行中值滤波处理;以及将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
边缘检测技术可以包括:Sobel边缘检测算子、Laplacian边缘检测算子、Canny边缘检测算子。
在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,可以使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声;计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向;基于计算得到的梯度值和方向对每个像素点进行非极大值抑制;使用双阈值边缘检测进一步优化边缘,如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制;并且通过抑制孤立的弱边缘 像素的方式确定最终馈线标记点的边缘轮廓。
将特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确可以包括:通过边缘轮廓查找和线段计数,对特征灰度图像和标准馈线特征灰度图像进行粗粒度比对,如果粗粒度比对结果不匹配,则确定馈线安装错误;如果粗粒度比对结果匹配,则进一步对特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,最小目标馈线图像与标准馈线特征灰度图像处于同一维度空间;将最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与标准馈线特征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对,如果细粒度比对结果不匹配,则确定馈线安装错误;如果细粒度比对结果匹配,则进一步使用特定均值方差进行特征整体比对,其中,特定均值方差是最小目标馈线图像的馈线中线段与标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差,如果整体比对结果不匹配,则确定馈线安装错误;如果整体比对结果匹配,则确定馈线安装正确。
根据本公开的上述技术方案,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,对目标馈线图像进行图像预处理操作后转换为特征灰度图像,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。通过上述方式几乎可以实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
本公开还提供一种图像处理装置,参照图12所示,该图像处理装置1300可以包括获取模块1302、转换模块1304和比对模块1306。
获取模块1302用于基于检测请求中目标检测基站的标识,查找并获取相匹配的目标馈线图像,其中,由图像采集终端采集待检测基站的馈线图像,并将采集的馈线图像与待检测基站的标识对应存储。
转换模块1304用于对目标馈线图像进行图像预处理操作,并将经图像预处理操作后的目标馈线图像转换为特征灰度图像。
比对模块1306用于将特征灰度图像与标准馈线特征灰度图像进 行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。
转换模块1304对目标馈线图像进行图像预处理操作时,可以根据检测像素需求,对目标馈线图像进行缩放处理;从缩放处理后的目标馈线图像中选择馈线标记点,并提取各个馈线标记点的HSV值;以及基于提取的各个馈线标记点的HSV值,将缩放处理后的目标馈线图像进行HSV图像格式转换。
转换模块1304将经图像预处理操作后的目标馈线图像转换为特征灰度图像时,可以使用边缘检测技术对转换得到的HSV目标馈线图像进行处理,得到馈线标记点的边缘轮廓;对边缘检测处理后的HSV目标馈线图像进行中值滤波处理;以及将中值滤波处理后的HSV目标馈线图像中馈线标记点的边缘进行膨胀或腐蚀的形态学操作。
边缘检测技术可以包括:Sobel边缘检测算子、Laplacian边缘检测算子、Canny边缘检测算子。
转换模块1304在使用Canny边缘检测算子对转换得到的HSV目标馈线图像进行处理时,可以使用高斯滤波器,对转换得到的HSV目标馈线图像进行平滑处理并滤除噪声;计算处理后的HSV目标馈线图像中每个像素点的梯度值和方向;基于计算得到的梯度值和方向对每个像素点进行非极大值抑制;使用双阈值边缘检测进一步优化边缘,如果边缘像素的梯度值大于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则其被抑制;并且通过抑制孤立的弱边缘像素的方式确定最终馈线标记点的边缘轮廓。
比对模块1306在将特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确时,可以通过边缘轮廓查找和线段计数,对特征灰度图像和标准馈线特征灰度图像进行粗粒度比对,如果粗粒度比对结果不匹配,则确定馈线安装错误;如果粗粒度比对结果匹配,则进一步对特征灰度图像中馈线部分进行定位配准,并截取获得最小目标馈线图像,其中,最小目标馈线图像与标准馈线特征灰度图像处于同一维度空间;将最小目标馈线图像中馈线所包含线段的线段长度和线段宽度分别与标准馈线特 征灰度图像中馈线所包含线段的线段标准长度和标准宽度进行细粒度比对,如果细粒度比对结果不匹配,则确定馈线安装错误;如果细粒度比对结果匹配,则进一步使用特定均值方差进行特征整体比对,其中,特定均值方差是最小目标馈线图像的馈线中线段与标准馈线特征灰度图像的馈线中相对应线段包含的所有像素点灰度值的均值所确定的方差,如果整体比对结果不匹配,则确定馈线安装错误;如果整体比对结果匹配,则确定馈线安装正确。
根据本公开的上述技术方案,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,对目标馈线图像进行图像预处理操作后转换为特征灰度图像,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。通过上述方式几乎可以实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
本公开还提供一种电子设备,包括:处理器;以及存储计算机可执行指令的存储器,所述可执行指令在被所述处理器执行时,使所述处理器执行如图11所示的图像处理方法。
同时,本公开实施例提供的一种计算机可读存储介质,其上存储有一个或者多个程序,所述一个或者多个程序被一个或者多个处理器执行时,使得所述一个或者多个处理器执行如图11所示的图像处理方法。
根据本公开的上述技术方案,图像处理终端可以根据检测请求从云端服务器中查找并获取目标馈线图像,对目标馈线图像进行图像预处理操作后转换为特征灰度图像,将得到的特征灰度图像与标准馈线特征灰度图像进行比对,并根据比对结果确定目标检测基站的馈线是否安装正确。通过上述方式几乎可以实现自动化检测,降低检测成本和安全隐患,提升检测准确性和效率。
以上各实施例仅为本公开的示例性实施例,并非用于限定本公开的范围。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的范围之内。
上述一个或多个实施例阐明的系统、装置、模块或单元,具体 可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体地,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本公开的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤 可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。