CN111914824A - 一种基于深度神经网络识别线缆损伤的数据集样本采集装置 - Google Patents

一种基于深度神经网络识别线缆损伤的数据集样本采集装置 Download PDF

Info

Publication number
CN111914824A
CN111914824A CN202010763990.XA CN202010763990A CN111914824A CN 111914824 A CN111914824 A CN 111914824A CN 202010763990 A CN202010763990 A CN 202010763990A CN 111914824 A CN111914824 A CN 111914824A
Authority
CN
China
Prior art keywords
cable
neural network
data set
sample collection
deep neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010763990.XA
Other languages
English (en)
Inventor
吴丽莎
陈山
王东
吴昊
冯驰
邵云蛟
占永红
张凯
王淋漓
程亚萍
程轶红
许侠
吴屏
操昊鹏
邵竹星
方军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Anqing Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Anqing Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Anqing Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010763990.XA priority Critical patent/CN111914824A/zh
Publication of CN111914824A publication Critical patent/CN111914824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/02—Heads
    • F16M11/04—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand
    • F16M11/043—Allowing translations
    • F16M11/045—Allowing translations adapted to left-right translation movement
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
    • F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
    • F16M11/02—Heads
    • F16M11/18—Heads with mechanism for moving the apparatus relatively to the stand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于深度神经网络识别线缆损伤的数据集样本采集装置，其包括：支架以及以所述支架为支撑呈水平布置的带损伤的线缆；在所述线缆的上方设有图像采集装置，所述图像采集装置具有能沿线缆长度方向移动的摄像头；还包括能被所述摄像头采集到模拟环境景象的环境模拟装置。本发明提出的一种基于深度神经网络识别线缆损伤的数据集样本采集装置，可以在仅有少量包含损伤的线缆样本情况下，快速生成大量可用于深度神经网络训练的线缆损伤图像样本集，解决目前线缆损伤样本数量少的难题。

Description

一种基于深度神经网络识别线缆损伤的数据集样本采集装置
技术领域：
本发明涉及一种基于深度神经网络识别线缆损伤的数据集样本采集装置。
背景技术：
ADSS光缆是一种全介质，无金属，不导电的通信线缆，被广泛应用于电力***的通信设施，其安全性对于电力***正常稳定工作具有重要意义。ADSS随输电线路建设，挂点在电力铁塔中部，接近导线安全距离，易遭受电腐蚀侵害，又因ADSS光缆内部无任何金属部件，无法防止小动物啃咬，容易造成光缆损坏。因此通过巡线机器人或者无人机挂载自动识别装置，基于深度学习图像目标识别技术来进行自动损伤检测，可以有效提高检测效率，节省人力，实现电网智能化，保障ADSS光缆安全。
基于深度神经网络的目标检测技术近几年在图像处理领域获得很大成功，通过构建高性能的卷积神经网络，并预先采集足够数量的目标图像样本进行神经网络训练，可以实现目标物的自动识别与定位，可用于ADSS光缆各类损伤的自动检测。
图像数据集的采集数量与质量，对于深度神经网络的训练效果、ADSS光缆损伤检测的准确率影响很大。在实际环境下，巡线机器人拍摄到的线缆缺陷图片可能会包含各种复杂背景和不同天气、强度和角度的光线，想要准确识别不同环境下的线缆损伤，需要大量的包含多种环境光线条件、多种背景的线缆损伤图像样本集用于深度神经网络的训练。然而，由于该类图像数据通常不公开，且缺少针对性的收集与采集，因此难以获得足够数量的图像样本用于深度学习的训练。特别是针对巡线机器人特定角度拍摄的各类缺陷图片样本集的收集，是开发线缆损伤自动检测***的难点之一。
发明内容：
为克服现有技术的缺陷，本发明的目的在于提出一种利用少量线缆损伤样本，通过搭建虚拟环境，在短时间内快速生成大量不同背景画面、不同光线条件的线缆损伤图像数据集的装置，并实现线缆损伤目标自动标定。为深度神经网络的训练提供足够多的图像样本集。
本发明解决技术问题采用如下技术方案：
一种基于深度神经网络识别线缆损伤的数据集样本采集装置，其包括：
支架以及以所述支架为支撑呈水平布置的带损伤的线缆；
在所述线缆的上方设有图像采集装置，所述图像采集装置具有能沿线缆长度方向移动的摄像头；
还包括能被所述摄像头采集到模拟环境景象的环境模拟装置。
作为优选，进一步地，所述支架包括底座以及固定设于所述底座上的竖杆，在所述竖杆上设有夹具用于夹持线缆。
作为优选，进一步地，所述图像采集装置的摄像头设于丝杠滑块直线往复机构上，具体包括：与所述线缆平行设置的导轨、丝杠，以及与所述丝杠配合的滑块，所述摄像头安装于所述滑块上，滑块由丝杠驱动沿导轨滑动，所述丝杠由步进电机驱动，所述步进电机的基座安装于竖杆上。
作为优选，进一步地，所述环境模拟装置包括：处于线缆下方能变换播放画面的液晶屏以及能模拟自然光的可调整色温、光线柔度的照明光源。
作为优选，进一步地，所述液晶屏设于液晶屏支架上，所述液晶屏支架的两端铰接在滑动块的立柱上，所述滑动块架设在于滑轨上，所述滑轨与所述线缆平行。
与已有技术相比，本发明的有益效果体现在：
1、本发明提出的一种基于深度神经网络识别线缆损伤的数据集样本采集装置，可以在仅有少量包含损伤的线缆样本情况下，快速生成大量可用于深度神经网络训练的线缆损伤图像样本集，解决目前线缆损伤样本数量少的难题。
2、本发明提出的环境模拟装置，可模拟真实拍摄环境，使样本集中的线缆损伤具有丰富的背景图像、光照条件，从而使深度神经网络检测准确率更高，避免过拟合，提高深度神经网络泛化能力，从而使巡线过程中的损伤自动识别更加准确可靠。
附图说明：
图1为本发明的基于深度神经网络识别线缆损伤的数据集样本采集装置示意图；
图2为本发明提出的图像采集装置示意图。
图中标号：1支架、2图像采集装置、3环境模拟装置、4夹具、5线缆、6液晶屏、7照明光源、8滑轨、9电脑、10线缆损伤、11摄像头、12支架底座、13竖杆、14导轨、15丝杆、16步进电机。
以下通过具体实施方式，并结合附图对本发明作进一步说明。
具体实施方式：
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：本发明基于深度神经网络识别线缆损伤的数据集样本采集装置，其包括：
支架1以及以支架为支撑呈水平布置的带损伤10的线缆5；在线缆的上方设有图像采集装置2，图像采集装置具有能沿线缆长度方向移动的摄像头11；还包括能被摄像头采集到模拟环境景象的环境模拟装置3。支架1包括底座12以及固定设于底座12上的竖杆13，在竖杆上设有夹具4用于夹持线缆5。图像采集装置4的摄像头11设于丝杠滑块直线往复机构上，具体包括：与线缆平行设置的导轨14、丝杠15，以及与丝杠15配合的滑块，摄像头11安装于滑块上，滑块由丝杠驱动沿导轨滑动，丝杠15由步进电机16驱动，步进电机的基座安装于竖杆13上。环境模拟装置3包括：处于线缆下方能变换播放画面的液晶屏6以及能模拟自然光的可调整色温、光线柔度的照明光源7。液晶屏6设于液晶屏支架上，液晶屏支架的两端铰接在滑动块的立柱上，滑动块架设在于滑轨8上，滑轨8与线缆平行。具体实施中，液晶屏6可调整角度和沿滑轨8平移，照明光源7通过调整色温、光线柔度和角度模拟环境光，电脑9控制液晶屏6快速切换背景画面，图像采集装置2以不同的背景画面采集线缆损伤10的图像，并根据摄像头11的位置自动标记图像中的线缆损伤10。
工作原理：使用时，准备具有不同类型损伤的线缆5若干段，依次将带有线缆损伤10的线缆5安装在夹具4上，通过照明光源7调整光照，电脑9控制液晶屏6快速切换背景画面，摄像头11以不同的背景画面采集线缆损伤10的图像，同时在图像中自动标注线缆损伤10，摄像头11在一个位置的图像采集完成后，沿导轨14移动一个步长，再次进行采集，从而采集到大量具有不同光照条件、不同背景、不同拍摄角度的线缆损伤10图像样本集，用于深度神经网络的训练。
需要说明的是，本发明中未详细阐述部分属于本领域公知技术，或可直接从市场上采购获得，本领域技术人员不需要付出创造性劳动即可获得，其具体的连接方式在本领域或日常生活中有着极其广泛的应用，此处不再详述。
此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种基于深度神经网络识别线缆损伤的数据集样本采集装置，其特征在于包括：
支架(1)以及以所述支架为支撑呈水平布置的带损伤(10)的线缆(5)；
在所述线缆的上方设有图像采集装置(4)，所述图像采集装置具有能沿线缆长度方向移动的摄像头(11)；
还包括能被所述摄像头采集到模拟环境景象的环境模拟装置(3)。
2.根据权利要求1所述的一种基于深度神经网络识别线缆损伤的数据集样本采集装置，其特征在于，所述支架(1)包括底座(12)以及固定设于所述底座(12)上的竖杆(13)，在所述竖杆上设有夹具(4)用于夹持线缆(5)。
3.根据权利要求1所述的一种基于深度神经网络识别线缆损伤的数据集样本采集装置，其特征在于，所述图像采集装置(4)的摄像头(11)设于丝杠滑块直线往复机构上，具体包括：与所述线缆平行设置的导轨(14)、丝杠(15)，以及与所述丝杠(15)配合的滑块，所述摄像头(11)安装于所述滑块上，滑块由丝杠驱动沿导轨滑动，所述丝杠(15)由步进电机(16)驱动，所述步进电机的基座安装于竖杆(13)上。
4.根据权利要求1所述的一种基于深度神经网络识别线缆损伤的数据集样本采集装置，其特征在于，所述环境模拟装置(3)包括：处于线缆下方能变换播放画面的液晶屏(6)以及能模拟自然光的可调整色温、光线柔度的照明光源(7)。
5.根据权利要求4所述的一种基于深度神经网络识别线缆损伤的数据集样本采集装置，其特征在于，所述液晶屏(6)设于液晶屏支架上，所述液晶屏支架的两端铰接在滑动块的立柱上，所述滑动块架设在于滑轨(8)上，所述滑轨(8)与所述线缆平行。
CN202010763990.XA 2020-08-01 2020-08-01 一种基于深度神经网络识别线缆损伤的数据集样本采集装置 Pending CN111914824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010763990.XA CN111914824A (zh) 2020-08-01 2020-08-01 一种基于深度神经网络识别线缆损伤的数据集样本采集装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010763990.XA CN111914824A (zh) 2020-08-01 2020-08-01 一种基于深度神经网络识别线缆损伤的数据集样本采集装置

Publications (1)

Publication Number Publication Date
CN111914824A true CN111914824A (zh) 2020-11-10

Family

ID=73287580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010763990.XA Pending CN111914824A (zh) 2020-08-01 2020-08-01 一种基于深度神经网络识别线缆损伤的数据集样本采集装置

Country Status (1)

Country Link
CN (1) CN111914824A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000050445A (ja) * 1998-07-31 2000-02-18 Kawasaki Heavy Ind Ltd 架電・送電施設用保守・補修作業訓練システム
CN202746863U (zh) * 2012-09-20 2013-02-20 国家电网公司 移动式摄像头云台自动控制轨道装置
CN103941745A (zh) * 2014-03-07 2014-07-23 国家电网公司 用于无人机输电线路巡检的移动子站及工作方法
CN106097253A (zh) * 2016-08-24 2016-11-09 北京印刷学院 一种基于块旋转和清晰度的单幅图像超分辨率重建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000050445A (ja) * 1998-07-31 2000-02-18 Kawasaki Heavy Ind Ltd 架電・送電施設用保守・補修作業訓練システム
CN202746863U (zh) * 2012-09-20 2013-02-20 国家电网公司 移动式摄像头云台自动控制轨道装置
CN103941745A (zh) * 2014-03-07 2014-07-23 国家电网公司 用于无人机输电线路巡检的移动子站及工作方法
CN106097253A (zh) * 2016-08-24 2016-11-09 北京印刷学院 一种基于块旋转和清晰度的单幅图像超分辨率重建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨红云等: "水稻叶片几何参数无损测量方法研究", 《江西农业大学学报》, vol. 42, no. 2, pages 407 - 418 *

Similar Documents

Publication Publication Date Title
CN112633535A (zh) 一种基于无人机图像的光伏电站智能巡检方法及***
CN108918542B (zh) 一种光缆表面缺陷检测装置及方法
CN103411974B (zh) 基于云端大数据的平面材料检测远程***及检测方法
CN112326686B (zh) 无人机智能巡航路面病害检测方法、无人机和检测***
CN109598772B (zh) 基于架空输电线路单一缺陷自动标注图片数据源扩充方法
CN103118270B (zh) 一种摄像头测试装置及其测试方法
CN204924983U (zh) 一种光栅调制的镜片疵病自动检测装置
CN206223686U (zh) 一种lcd外观缺陷检测***
CN205176871U (zh) 一种二维码检测设备
CN109238241B (zh) 一种配电线路车载自动巡检***及其巡检方法
GB2319834A (en) Measurement of rotation speed of a flying object
CN113900436B (zh) 巡检控制方法、装置、设备和存储介质
CN208459716U (zh) 一种液晶显示屏检测装置
CN205374289U (zh) 一种植物叶片漫反射颜色无损采集装置
CN115235948A (zh) 基于计算机视觉识别的液体粘度测量***
CN114594533A (zh) 一种基于自适应高斯混合算法的视频雨量监测方法与装置
CN102003954B (zh) 数字摄影测量光学参数自动配置***
CN109374644A (zh) 基于图像识别的隧道衬砌缺陷智能检测模拟实验装置
CN209858171U (zh) 一种阵列式发光元件质量检测***
CN111914824A (zh) 一种基于深度神经网络识别线缆损伤的数据集样本采集装置
CN110617801A (zh) 建筑病害巡视装置、建筑病害检测***及其检测方法
CN110332992B (zh) 一种参数可调的光学检测装置及方法
CN108713317A (zh) 一种图像采集装置
CN210741478U (zh) 建筑病害巡视装置
CN113014518B (zh) 一种灯语接收机

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