CN116091428A - 一种输电线路巡检图像高精度智能分塔的方法及系统 - Google Patents
一种输电线路巡检图像高精度智能分塔的方法及系统 Download PDFInfo
- Publication number
- CN116091428A CN116091428A CN202211712880.6A CN202211712880A CN116091428A CN 116091428 A CN116091428 A CN 116091428A CN 202211712880 A CN202211712880 A CN 202211712880A CN 116091428 A CN116091428 A CN 116091428A
- Authority
- CN
- China
- Prior art keywords
- tower
- image
- component
- module
- transmission line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 49
- 230000005540 biological transmission Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000012856 packing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 17
- 238000000926 separation method Methods 0.000 claims description 15
- 238000009795 derivation Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 101100261006 Salmonella typhi topB gene Proteins 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 101150032437 top-3 gene Proteins 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/70—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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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]
-
- 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)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种输电线路巡检图像高精度智能分塔的方法及系统，涉及输电线路巡检和图像分组处理技术领域，采用如下步骤：导入批量去重后的输电线路巡检图像，对导入的批量图片进行时间序列重构，利用卷积神经网络训练后的AI部件识别模型对杆塔部件进行识别，完成部件序列重构，再结合智能化分塔算法确定分塔点实现自动化分塔，最后利用归并编码模块将导入图像归并整理形成新的分塔目录和数据结构，将自动分塔后的图像数据集打包压缩后存储到指定目录。本发明能够代替人工分塔，提高工作效率和分塔精度。
Description
技术领域
本发明涉及输电线路巡检和图像分组处理技术领域，具体涉及一种输电线路巡检图像高精度智能分塔的方法及系统。
背景技术
近年来，输电线路巡检逐渐从人工徒步过渡到了大量使用直升机、无人机进行航拍巡检的阶段。为提高作业效率，巡检过程中须连续拍摄大量杆塔及部件图像，完成飞行拍摄任务后再将照片按杆塔分开进行管理(以下简称分塔)。经过分塔处理后的图像，再进行人工缺陷查找，就可以快速定位缺陷杆塔号码，进行实地复核和检修。
利用人工对大量图像进行分塔作业，耗时费力且容易出错，难以适应现代化电网运维的需要，难以提高作业效率和质量，必须通过新技术新方法进行改进。
发明内容
本发明的目的在于针对现有技术缺陷和不足，提供一种输电线路巡检图像高精度智能分塔的方法及系统，它通过图像导入、时序重构、部件识别、时序部件分塔、归并编码和数据导出一系列处理流程，将批量巡检图像按杆塔准确地进行编码、分组和导出，为后续工序做好数据准备。
本发明所述的一种输电线路巡检图像高精度智能分塔的方法，采用如下步骤：
步骤1：输电线路巡检批量图像导入：批量导入去重后的同一航次拍摄的输电线路巡检杆塔图像，形成图像集合P＝{p1，p2...pn}；
步骤2：时间序列读取、入库和重建：读取导入的所有图像集中每张图片的拍摄时间并存储到关系数据库，进行时序重建，形成时序集合T＝{t1，t2...tn}；
步骤3：部件识别、结果入库和部件序列重建：用预训练的AI部件识别模型对导入图像进行识别并存入关系数据库，进行部件序列重建，形成部件序列集合C＝{c1，c2...cn}；
步骤4：时序部件智能分塔：用时序分塔模型进行自动分塔；
步骤5：归并编码、目录重建：以杆塔为单位，根据分塔点信息将批量图像进行自动归并，按预定规则编码并重建文件目录结构；
步骤6：数据导出模块：将自动分塔后的图像数据集打包压缩后存储到指定目录。
进一步地，步骤3的具体算法，采用如下步骤：
步骤301：杆塔部件标签定义：根据输电杆塔的部件组成定义整理部件标签；
步骤302：杆塔部件样本图像库预处理：将整理好的不同部件的多张样本图像存放在以部件标签命名的目录下；
步骤303：杆塔部件识别模型训练和评估：基于卷积神经网络与损失函数，利用样本图像库训练分类模型实现杆塔部件识别检测，获得部件识别准确率；
步骤304：构建杆塔模型精度提升反馈网络，通过重复步骤302、303，获得识别准确率符合预定目标的AI部件识别模型；
步骤305：模型导出；将训练所得的AI部件识别模型中训练相关的参数剔除，保留模型结构和权重；
步骤306：调用AI部件识别模型对输入图像进行部件识别，形成部件序列集合C＝{c1，c2...cn}。
进一步地，步骤4的具体算法，采用如下步骤：
步骤401：设定，导入图像的总塔数为x+1座，总图像数量为n；
步骤402：计算拍摄时间相邻两个图像的拍摄时间差，Δi＝ti+1-ti,设置Δn＝0；得到拍摄时间差集合：Δ＝{Δ1，Δ2...Δn-1，Δn}；
步骤403：从时间差集合Δ中找出单侧离群值最大的x个样本，形成新的时间差离群样本集合Δtopx＝{Δa，Δb...Δx}，上述每个离群样本所对应的图片pa，pb…px作为候选分塔点，即为某号杆塔图组的最后一张，其后续图片为下一杆塔的图组；
步骤404：检查Δtopx中每个离群样本所对应的分塔点后续n张图片的部件类型，如Δa对应分塔点图片为pa，其后续n张图片pa+1、pa+2…pa+n对应的部件代码为ca+1、ca+2…ca+n；按照电网巡检作业规范，拍摄杆塔部件时首先拍“部件A”，接着拍“部件B”…“部件N”，那么如果ca+1＝“部件A”且ca+2＝“部件B”且ca+n＝“部件N”，则保留该时间差值；否则从Δtopx中删除该元素，再从T时序集合中选择剩余的最大时间差值元素进入Δtopx；
循环进行检查直到Δtopx所有的元素符合上述部件判定条件；
步骤405：Δtopx集合内每个时间差值所对应的图片即pa,pb…px确定为相邻两个杆塔的分塔点。
本发明的另一个目的在于提供了一种输电线路巡检图像高精度智能分塔的系统包括数据导入模块、时序重构模块、部件识别模块、时序部件分塔模块、归并编码模块、数据导出模块；
所述数据导入模块与时序重构模块相连，时序重构模块与部件识别模块相连，部件识别模块与时序部件分塔模块相连，时序部件分塔模块与归并编码模块相连，归并编码模块与数据导出模块相连。
所述数据导入模块用于批量导入去重后的输电线路巡检杆塔图像；所述时序重构模块读取导入的输电线路巡检杆塔图像的拍摄时间，并按照拍摄的时间序列进行读取入库，实现时序重建；所述部件识别模块用于将预训练的AI部件识别模型对导入的图像逐一进行部件识别，并将识别结果存入关系数据库库，重建部件序列；所述时序部件分塔模块自动查找分塔点并进行智能分塔；所述归并编码模块将批量图像进行自动归并，按预定规则编码并重建文件目录结构；所述数据导出模块将自动分塔后的图像数据集打包导出并存储到指定目录。
本发明有益效果为：
本发明所述的一种输电线路巡检图像高精度智能分塔的方法及系统，它对导入的批量图片进行时间序列和部件序列的重构，结合智能化分塔算法模型实现自动化分塔，最后利用归并编码模块将导入图像归并整理形成新的分塔目录和数据结构，从而达到代替人工分塔、提高工作效率和分塔精度的目的。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1为本发明一种输电线路巡检图像高精度智能分塔的方法的流程图；
图2为本发明一种输电线路巡检图像高精度智能分塔的方法的时间序、时间差、时间差topx以及候选分塔点示意图；
图3为发明一种输电线路巡检图像高精度智能分塔系统的模块构成图。
附图标记说明：
101-为数据导入模块、102-时序重构模块、103-部件识别模块、104-时序部件分塔模块、105-归并编码模块、106-数据导出模块。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
如图1-图3所示，本具体实施方式所述的一种输电线路巡检图像高精度智能分塔的方法及系统，采用如下步骤：
步骤1：输电线路巡检批量图像导入：批量导入去重后的同一航次拍摄的输电线路巡检杆塔图像，形成图像集合P＝{p1，p2...pn}；
步骤2：时间序列读取、入库和重建：读取导入的所有图像集中每张图片的拍摄时间并存储到关系数据库，进行时序重建，形成时序集合T＝{t1，t2...tn}；
步骤3：部件识别、结果入库和部件序列重建：用预训练的AI部件识别模型对导入图像进行识别并存入关系数据库，进行部件序列重建，形成部件序列集合C＝{c1，c2...cn}；
步骤4：时序部件智能分塔：用时序分塔模型进行自动分塔；
步骤5：归并编码、目录重建：以杆塔为单位，根据分塔点信息将批量图像进行自动归并，按预定规则编码并重建文件目录结构；
步骤6：数据导出模块：将自动分塔后的图像数据集打包压缩后存储到指定目录。
本发明中的步骤3的具体算法，采用如下步骤：
步骤301：杆塔部件标签定义：根据输电杆塔的部件组成定义整理部件标签；
步骤302：杆塔部件样本图像库预处理：将整理好的不同部件的多张样本图像存放在以部件标签命名的目录下；
步骤303：杆塔部件识别模型训练和评估：基于卷积神经网络与损失函数，利用样本图像库训练分类模型实现杆塔部件识别检测，获得部件识别准确率；
步骤304：构建杆塔模型精度提升反馈网络，通过重复步骤302、303，获得识别准确率符合预定目标的杆塔部件识别模型；
步骤305：模型导出；将训练所得模型中训练相关的参数剔除，保留模型结构和权重；
步骤306：调用模型对输入图像进行部件识别，形成部件序列集合C＝{c1，c2...cn}。
如图2所示，本发明中的步骤4的具体算法，采用如下步骤：
步骤401：设定，导入图像的总塔数为x+1座，总图像数量为n；
步骤402：计算拍摄时间相邻两个图像的拍摄时间差，Δi＝ti+1-ti,设置Δn＝0；得到拍摄时间差集合：Δ＝{Δ1，Δ2...Δn-1，Δn}；
步骤403：从时间差集合Δ中找出单侧离群值最大的x个样本，形成新的时间差离群样本集合Δtopx＝{Δa，Δb...Δx}，上述每个离群样本所对应的图片pa，pb…px作为候选分塔点，即为某号杆塔图组的最后一张，其后续图片为下一杆塔的图组；
步骤404：检查Δtopx中每个离群样本所对应的分塔点后续n张图片的部件类型，如Δa对应分塔点图片为pa，其后续n张图片pa+1、pa+2…pa+n对应的部件代码为ca+1、ca+2…ca+n；按照电网巡检作业规范，拍摄杆塔部件时首先拍“部件A”，接着拍“部件B”…“部件N”，那么如果ca+1＝“部件A”且ca+2＝“部件B”且ca+n＝“部件N”，则保留该时间差值；否则从Δtopx中删除该元素，再从T时序集合中选择剩余的最大时间差值元素进入Δtopx。循环进行检查直到Δtopx所有的元素符合上述部件判定条件；
步骤405：Δtopx集合内每个时间差值所对应的图片即pa,pb…px确定为相邻两个杆塔的分塔点。
本发明中的步骤5的目录结构，其规则如下：
步骤501，一级目录：机组号-巡检日期；
步骤502，二级目录：线路名+杆塔号起止范围；
步骤503，三级目录：杆塔号(#四位数字)；
步骤504，文件命名规则：4位时间序列序号+部件位置+部件编码.JPG。
一种输电线路巡检图像高精度智能分塔的系统包括数据导入模块101、时序重构模块102、部件识别模块103、时序部件分塔模块104、归并编码模块105、数据导出模块106；
所述数据导入模块101与时序重构模块102相连，时序重构模块102与部件识别模块103相连，部件识别模块103与时序部件分塔模块104相连，时序部件分塔模块104与归并编码模块105相连，归并编码模块105与数据导出模块106相连。
举具体实施例，一种输电线路巡检图像高精度智能分塔的方法，如下陈述:
步骤1：批量导入去重后的同一航次拍摄的输电线路巡检杆塔图像，以导入日期加序列号为目录名创建临时目录将图像保存在计算机系统中；
步骤2：读取导入的所有图像集中每张图片的拍摄时间并存储到关系数据库，进行时序重建。分别读取每一张图片的创建时间将其存入图像信息数据表，按时间升序生成图片序列号；
步骤3：用预训练的AI部件识别模型对导入图像进行识别并将识别结果存入关系数据库，进行部件序列重建。将识别后的部件编码存入图像信息数据表；
步骤301：杆塔部件标签定义：根据输电杆塔的部件组成定义整理部件标签。本实施例整理各种杆塔类型塔头26类、塔基1类、其他部件1类合计28大类；
步骤302：杆塔部件样本图像库处理：将整理好的不同部件的多张样本图像存放在以部件名命名的目录下，形成训练样本数据。
步骤303：杆塔部件识别模型训练和评估：基于卷积神经网络与损失函数，利用样本图像库数据训练模型实现杆塔部件识别检测，获得部件识别准确率；
步骤304：构建杆塔模型精度提升反馈网络，通过重复步骤302、303，获得识别准确率符合要求的杆塔部件识别模型。本实施例中每个塔头部件类包含2000张样本图、塔基包含2000张样本图、其他部件包含32000张样本图，合计使用86000张样本库；最终优化后模型部件识别准确度为99.1％；
步骤305：模型导出；将训练所得模型中训练相关的参数剔除，保留模型结构和权重；
步骤306：调用模型对输入图像进行部件识别，形成部件序列集合C＝{c1，c2...cn}。
步骤4：用时序分塔模型进行自动分塔；具体算法如下：
步骤401：输入导入图像的总塔数为x+1座；
步骤402：按文件创建的时间序，计算每一张图片与下一图片的创建时间差，将算出的时间差存储在图像信息数据表。具体存储字段为photo_id(图片id)，file_name(文件名称)，photo_time(拍摄时间)，compo_code(部件码)，time_interval(与下一相邻图片的拍摄时间差)。将最后一张图片记录中的time_interval置为0；
步骤403：从图像信息数据表中找出time_interval最大的前x个记录，将其存入候选分塔点表。具体存储字段为photo_id，file_name，photo_time，compo_code，time_interval。
步骤404：按照某电网巡检作业规范的规定，拍摄杆塔部件时首先拍“塔头”，接着拍“塔基”。本实施例逐一检查候选分塔点表中记录的photo_id其后续两张图片的部件类型ca+1，ca+2；那么如果ca+1＝“塔头”且ca+2＝“塔基”，则保留该记录；否则从分塔点表中删除该条记录，并再从图像信息数据表剩余元素中选择time_interval最大的记录存入分塔点表。
步骤405：重复404步骤，直到候选分塔点表中所有的记录符合上述部件判定条件。则候选分塔点表内每条记录所对应的图片即为某杆塔的最后一张图片，可作为杆塔的最终分塔点。
本发明中，相邻的杆塔之间形成分塔点。例如，图2中导入了同一航次拍摄的4座杆塔合计25张图像，按时间升序排列得到集合P＝{p1,p2,…p25}；取各个图片的拍摄时间得到集合T＝{t1,t2,…t25}；根据算式Δi＝ti+1-ti,Δn＝0，计算相邻两张图像的拍摄时间差得到时间差集合Δ＝{Δ1,Δ2,…Δ25}，；从Δ时间差集合中找出最大的3个，形成新的时间差集合Δtop3＝{Δ9，Δ18，Δ20}；然后再检查Δtop3中每个时间差所对应的分塔点如p9后续两张图片p10，p11的部件类型c10，c11；如果c10＝“塔头”且c11＝“塔基”，则保留该时间差值；否则从Δtop3中删除该时间差值，再从Δ集合中选择剩余的最大值进入Δtop3。循环进行检查直到所有的元素符合上述部件条件，集合内每个时间差所对应的图片即为杆塔的分塔点，最终将p1-p9、p10-p18、p19-p20、p21-p25分别归并为杆塔1、2、3、4的图像组。
步骤5：以杆塔为单位，根据分塔点表的信息，按预定规则编码并重建文件目录结构以保存各个杆塔的图像组。目录结构规则如下：
一级目录：机组号-巡检日期；
二级目录：线路名+杆塔号起止范围；
三级目录：杆塔号(#四位数字)；
文件命名规则：4位时间序列序号+部件位置+部件编码.JPG。
步骤6：数据导出模块：将自动分塔后的图像数据集打包压缩后存储到指定目录。
本发明的输电线路巡检图像高精度智能分塔的系统，包括：数据导入模块101、时序重构模块102、部件识别模块103、时序部件分塔模块104、归并编码模块105、数据导出模块106；
所述数据导入模块101与时序重构模块102相连，时序重构模块102与部件识别模块103相连，部件识别模块103与时序部件分塔模块104相连，时序部件分塔模块104与归并编码模块105相连，归并编码模块105与数据导出模块106相连。
其中：数据导入模块101：批量导入输电线路巡检杆塔图像；
时序重构模块102：将图像拍摄的时间序列进行读取入库，实现重建；
部件识别模块103：将导入图像逐一进行部件识别，识别结果入库，重建部件序列；
时序部件分塔模块104：自动查找分塔点并进行智能分塔；
归并编码模块105：将批量图像进行自动归并，按预定规则编码并重建文件目录结构；
数据导出模块106：将自动分塔后的图像数据集打包存储到指定目录。
本发明的优点如下:
(1)该基于时间序列和部件序列的自动化分塔方法，利用偏度检验原理，结合深度学习部件识别进行作业规范分析，能够高精度地实现自动分塔，可解决大量输电线路航拍巡检图片进行人工分塔作业耗时费力的问题。
(2)该基于时间序列和部件序列的自动化分塔方法，经实际测试达到了98.6％的识别精度，且对图像目录结构和文件名进行了标准化编码，更方便后续工序使用。
本发明利用图像时间序列信息、部件序列信息，利用时序分塔模型进行自动化分塔处理，再利用部件序列进行核验纠错，从而实现高精度分塔。
以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。
Claims (5)
1.一种输电线路巡检图像高精度智能分塔的方法，其特征在于：采用如下步骤：
步骤1，输电线路巡检批量图像导入：批量导入同一航次拍摄的去重后的输电线路巡检杆塔图像，形成图像集合P＝{p1，p2...pn}；
步骤2，时间序列读取、入库和重建：读取导入的所有图像集合中每张图片的拍摄时间并存储到关系数据库，进行时序重建，形成时序集合T＝{t1，t2...tn}；
步骤3，部件识别、结果入库和部件序列重建：用预训练的AI部件识别模型对导入图像进行分析，将识别结果存入关系数据库进行部件序列重建，形成部件序列集合C＝{c1，c2...cn}；
步骤4，时序部件智能分塔：用时序分塔模型进行自动分塔；
步骤5，归并编码、目录重建：根据分塔点信息将导入的图像集合以杆塔为单位进行归并，按预定规则编码并重建文件目录结构；
步骤6，数据导出模块：将自动分塔后的图像数据集打包压缩后存储到指定目录。
2.根据权利要求1所述的一种输电线路巡检图像高精度智能分塔的方法，其特征在于：步骤3的部件识别的具体算法，采用如下步骤：
步骤301：杆塔部件标签定义：根据输电杆塔的部件组成定义整理部件标签；
步骤302：杆塔部件样本图像库预处理：将整理好的不同部件的多张样本图像存放在以部件标签命名的目录下；
步骤303：杆塔部件识别模型训练和评估：基于卷积神经网络与损失函数，利用样本图像库训练分类模型实现杆塔部件识别检测，获得部件识别准确率；
步骤304：构建杆塔模型精度提升反馈网络，通过重复步骤302、303，获得识别准确率符合预定目标的AI部件识别模型；
步骤305：模型导出；将训练所得模型中训练相关的参数剔除，保留模型结构和权重；
步骤306：调用模型对输入图像进行部件识别，形成部件序列集合C＝{c1，c2，...cn}。
3.根据权利要求1所述的一种输电线路巡检图像高精度智能分塔的方法，其特征在于：步骤4的具体算法，采用如下步骤：
步骤401：设定，导入图像的总塔数为x+1座，总图像数量为n；
步骤402：计算拍摄时间相邻两个图像的拍摄时间差，Δi＝ti+1-ti,设置Δn＝0；得到拍摄时间差集合：Δ＝{Δ1，Δ2...Δn-1，Δn}；
步骤403：从时间差集合Δ中找出单侧离群值最大的x个样本，形成新的时间差离群样本集合Δtopx＝{Δa，Δb...Δx}，上述每个离群样本所对应的图片pa，pb…px作为候选分塔点，即为某号杆塔图组的最后一张，其后续图片为下一杆塔的图组；
步骤404：检查Δtopx中每个离群样本所对应的分塔点后续n张图片的部件类型，如Δa对应分塔点图片为pa，其后续n张图片pa+1、pa+2…pa+n对应的部件代码为ca+1、ca+2…ca+n；按照电网巡检作业规范，拍摄杆塔部件时首先拍“部件A”，接着拍“部件B”…“部件N”，那么如果ca+1＝“部件A”且ca+2＝“部件B”且ca+n＝“部件N”，则保留该时间差值；否则从Δtopx中删除该元素，再从T时序集合中选择剩余的最大时间差值元素进入Δtopx。循环进行检查直到Δtopx所有的元素符合上述部件判定条件；
步骤405：Δtopx集合内每个时间差值所对应的图片即pa,pb…px确定为相邻两个杆塔的分塔点。
4.根据权利要求1所述的输电线路巡检图像高精度智能分塔的方法，其特征在于：步骤5中所述目录结构规则具体包括：
一级目录：机组号-巡检日期；
二级目录：线路名+杆塔号起止范围；
三级目录：杆塔号(#四位数字)。
5.一种输电线路巡检图像高精度智能分塔的系统，其特征在于：包括数据导入模块、时序重构模块、部件识别模块、时序部件分塔模块、归并编码模块、数据导出模块；
所述数据导入模块用于批量导入输电线路巡检杆塔图像；所述时序重构模块读取导入的输电线路巡检杆塔图像的拍摄时间，并按照拍摄的时间序列进行读取入库，实现时序重建；所述部件识别模块用于将预训练的AI部件识别模型对导入的图像逐一进行部件识别，并将识别结果存入关系数据库库，重建部件序列；所述时序部件分塔模块自动查找分塔点并进行智能分塔；所述归并编码模块将批量图像进行自动归并，按预定规则编码并重建文件目录结构；所述数据导出模块将自动分塔后的图像数据集打包导出并存储到指定目录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211712880.6A CN116091428B (zh) | 2022-12-29 | 2022-12-29 | 一种输电线路巡检图像高精度智能分塔的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211712880.6A CN116091428B (zh) | 2022-12-29 | 2022-12-29 | 一种输电线路巡检图像高精度智能分塔的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116091428A true CN116091428A (zh) | 2023-05-09 |
| CN116091428B CN116091428B (zh) | 2023-09-01 |
Family
ID=86201939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211712880.6A Active CN116091428B (zh) | 2022-12-29 | 2022-12-29 | 一种输电线路巡检图像高精度智能分塔的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091428B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105375392A (zh) * | 2015-12-04 | 2016-03-02 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种直升机电力巡线实现方法及实现系统 |
| CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
| CN108365557A (zh) * | 2018-02-24 | 2018-08-03 | 广东电网有限责任公司肇庆供电局 | 一种无人机精细化巡检输电线路的方法及系统 |
| CN111914813A (zh) * | 2020-08-31 | 2020-11-10 | 国网湖南省电力有限公司 | 基于图像分类的输电线路巡检图像命名方法及系统 |
| CN111915553A (zh) * | 2020-06-18 | 2020-11-10 | 杭州深睿博联科技有限公司 | 基于时序建模的部位识别方法和装置 |
| CN111966217A (zh) * | 2020-07-20 | 2020-11-20 | 中国人民解放军军事科学院国防科技创新研究院 | 基于手势和眼动的无人机控制方法和系统 |
| CN112244878A (zh) * | 2020-08-31 | 2021-01-22 | 北京工业大学 | 用并联型多模块cnn和lstm识别关键频带图像序列的方法 |
| CN113160050A (zh) * | 2021-03-25 | 2021-07-23 | 哈尔滨工业大学 | 基于时空神经网络的小目标识别方法及系统 |
| CN113239764A (zh) * | 2021-04-29 | 2021-08-10 | 国网江苏省电力有限公司苏州供电分公司 | 输电线路无人机巡检图像预处理方法 |
| US20220343113A1 (en) * | 2021-04-27 | 2022-10-27 | Pegatron Corporation | Automatic model reconstruction method and automatic model reconstruction system for component recognition model |
-
2022
- 2022-12-29 CN CN202211712880.6A patent/CN116091428B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105375392A (zh) * | 2015-12-04 | 2016-03-02 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种直升机电力巡线实现方法及实现系统 |
| CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
| CN108365557A (zh) * | 2018-02-24 | 2018-08-03 | 广东电网有限责任公司肇庆供电局 | 一种无人机精细化巡检输电线路的方法及系统 |
| CN111915553A (zh) * | 2020-06-18 | 2020-11-10 | 杭州深睿博联科技有限公司 | 基于时序建模的部位识别方法和装置 |
| CN111966217A (zh) * | 2020-07-20 | 2020-11-20 | 中国人民解放军军事科学院国防科技创新研究院 | 基于手势和眼动的无人机控制方法和系统 |
| CN111914813A (zh) * | 2020-08-31 | 2020-11-10 | 国网湖南省电力有限公司 | 基于图像分类的输电线路巡检图像命名方法及系统 |
| CN112244878A (zh) * | 2020-08-31 | 2021-01-22 | 北京工业大学 | 用并联型多模块cnn和lstm识别关键频带图像序列的方法 |
| CN113160050A (zh) * | 2021-03-25 | 2021-07-23 | 哈尔滨工业大学 | 基于时空神经网络的小目标识别方法及系统 |
| US20220343113A1 (en) * | 2021-04-27 | 2022-10-27 | Pegatron Corporation | Automatic model reconstruction method and automatic model reconstruction system for component recognition model |
| CN113239764A (zh) * | 2021-04-29 | 2021-08-10 | 国网江苏省电力有限公司苏州供电分公司 | 输电线路无人机巡检图像预处理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杜伟等: "输电通道机载激光点云多级配准研究", 《遥感技术与应用》, pages 1294 - 1298 * |
| 汤踊;韩军;魏文力;丁建;彭新俊;: "深度学习在输电线路中部件识别与缺陷检测的研究", 电子测量技术, no. 06, pages 60 - 65 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116091428B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112116706B (zh) | 一种枪支及散件三维模型数据库的建立方法及数据库系统 | |
| CN113836038B (zh) | 测试数据构造方法、装置、设备及存储介质 | |
| CN103377237B (zh) | 高维数据的近邻搜索方法以及快速近似图像搜索方法 | |
| CN105488212B (zh) | 一种重复数据的数据质量检测方法及装置 | |
| CN110458175B (zh) | 一种基于词汇树检索的无人机影像匹配对选择方法及系统 | |
| CN109344740A (zh) | 人脸识别系统、方法及计算机可读存储介质 | |
| US20140074993A1 (en) | Method enabling the presentation of two or more contents interposed on the same digital stream | |
| CN104951562B (zh) | 一种基于vlad双重自适应的图像检索方法 | |
| CN110032654B (zh) | 一种基于人工智能的超市商品录入方法及系统 | |
| CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及系统 | |
| CN116363125A (zh) | 基于深度学习的电池模组外观缺陷检测方法及系统 | |
| CN112668301B (zh) | 一种环评文件重复度检测方法及系统 | |
| CN116091428B (zh) | 一种输电线路巡检图像高精度智能分塔的方法及系统 | |
| CN106611016A (zh) | 一种基于可分解词包模型的图像检索方法 | |
| CN109284700A (zh) | 图像中多个人脸检测的方法、存储介质、设备及系统 | |
| CN106055636B (zh) | 一种岩石便携智能识别方法 | |
| CN111061779A (zh) | 一种基于大数据平台的数据处理方法及装置 | |
| CN117892820A (zh) | 一种基于大语言模型的多级数据建模方法及系统 | |
| CN104484869B (zh) | 面向排序测度特征的图像匹配方法及系统 | |
| CN107577690B (zh) | 海量信息数据的推荐方法及推荐装置 | |
| CN113407538B (zh) | 一种多源异构关系型数据库数据的增量采集方法 | |
| CN117077071A (zh) | 一种基于数据分级的数据分析方法及系统 | |
| CN111898618B (zh) | 一种识别古代图形文字的方法、装置和程序储存介质 | |
| CN110502660B (zh) | 一种弱监督下的多距离度量图像检索方法 | |
| CN114549802A (zh) | 一种基于ocr技术的三维模型数据自动关联与定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |