CN114035606A - 杆塔巡检***、杆塔巡检方法、控制装置和存储介质 - Google Patents
杆塔巡检***、杆塔巡检方法、控制装置和存储介质 Download PDFInfo
- Publication number
- CN114035606A CN114035606A CN202111308904.7A CN202111308904A CN114035606A CN 114035606 A CN114035606 A CN 114035606A CN 202111308904 A CN202111308904 A CN 202111308904A CN 114035606 A CN114035606 A CN 114035606A
- Authority
- CN
- China
- Prior art keywords
- tower
- abnormal
- image
- model
- state 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
- 238000007689 inspection Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 155
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000003416 augmentation Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000012212 insulator Substances 0.000 description 4
- 241000264877 Hippospongia communis Species 0.000 description 3
- 235000005770 birds nest Nutrition 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000005765 wild carrot Nutrition 0.000 description 3
- 244000000626 Daucus carota Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请涉及一种杆塔巡检***、杆塔巡检方法、控制装置和存储介质。所述杆塔巡检***包括:飞行装置;采集装置,所述采集装置设置于所述飞行装置上,用于采集所述杆塔图像;控制装置,设置于所述飞行装置上,与所述采集装置连接,用于获取杆塔图像,还用于根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息,还用于发送所述异常状态信息。终端设备,与所述控制装置连接,用于接收所述控制装置发送的异常状态信息。该杆塔巡检***在杆塔图像的采集端确定杆塔的异常状态信息,无需将采集的图片发送至远程服务器进行判断,从而提高了检测的效率。
Description
技术领域
本申请涉及杆塔检测技术领域,特别是涉及一种杆塔巡检***、杆塔巡检方法、控制装置和存储介质。
背景技术
随着电网的不断发展与建设,针对电力设施的巡视工作量也不断增加,尤其是在一些偏远地区,更增大了巡检难度,与此同时电网管理单位也不断升级管理方式。
目前采用固定摄像机在线检测***进行杆塔巡检,固定摄像机在线检测***由安装在杆塔上的摄像机采集视频或图像,再将其传送到远程服务器,由服务器对目标进行检测和识别异常。但是将图片传送给远程服务器受网络信号影响较大,特别是当传送的图像为高清图像时,在偏远地区信号断断续续,实时传输数据十分困难,因此采用固定摄像机在线检测***进行杆塔巡检的检测效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种检测效率高的杆塔巡检***、杆塔巡检方法、控制装置和存储介质。
第一方面,提供了一种杆塔巡检***,包括:飞行装置;采集装置,所述采集装置设置于所述飞行装置上,用于采集所述杆塔图像;控制装置,设置于所述飞行装置上,与所述采集装置连接,用于获取杆塔图像,还用于根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息,还用于发送所述异常状态信息。终端设备,与所述控制装置连接,用于接收所述控制装置发送的异常状态信息。
在其中一个实施例中,还包括调节装置,用于调节所述采集装置的采集角度。
第二方面,提供了一种杆塔巡检方法,包括:获取杆塔图像;根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息;将所述异常状态信息发送至终端设备。
在其中一个实施例中,所述根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息的步骤包括:根据所述杆塔图像以及第一杆塔异常模型,确定所述杆塔的异常位置;根据所述杆塔的异常位置,控制采集装置获取杆塔的异常位置的细节图像;其中,所述采集装置用于采集所述杆塔的图像;根据所述细节图像以及第二杆塔异常模型,确定所述杆塔的异常状态信息。
在其中一个实施例中,所述根据所述杆塔的异常位置,控制采集装置获取杆塔的异常位置的细节图像的步骤包括:计算所述杆塔的异常位置与所述杆塔图像的像素偏差;根据所述像素偏差计算所述采集装置所需调整的目标角度;根据所述目标角度控制所述采集装置,并控制所述采集装置对焦所述杆塔的异常位置,采集杆塔的异常位置的细节图像。
在其中一个实施例中,所述方法还包括:控制飞行装置按照预设的巡检路线飞行;其中,所述飞行装置设置有所述采集装置;在飞行装置飞行到检测点的情况下,控制所述采集装置采集所述杆塔图像。
在其中一个实施例中,所述方法还包括:若根据所述杆塔图像以及第一杆塔异常模型,确定所述杆塔无异常位置,则控制所述飞行装置按照所述预设的巡检路线飞向下一检测点。
在其中一个实施例中,所述第一杆塔异常模型为YOLOv4模型,和/或所述第二杆塔异常模型为YOLOv4模型。
第三方面,提供了一种杆塔巡检装置,包括:获取模块,用于获取杆塔图像;确定模块,用于根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息;发送模块,用于将所述异常状态信息发送至终端设备。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第二方面任一所述的杆塔巡检方法。
上述杆塔巡检***,包括飞行装置、采集装置、控制装置以及终端设备,控制装置根据采集装置采集到的杆塔图像,并根据杆塔图像以及杆塔异常模型,确定杆塔的异常状态信息,并将异常状态信息发送至终端设备。上述杆塔巡检***在杆塔图像的采集端确定杆塔的异常状态信息,无需将采集的图片发送至远程服务器进行判断,从而提高了检测的效率。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,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为第一实施例中杆塔巡检***的结构示意图;
图2为一个实施例中杆塔巡检方法的流程示意图;
图3为一个实施例中异常状态信息的确定方法的流程示意图;
图4为一个实施例中YOLOv4模型的建立方法的流程示意图;
图5为一个实施例中细节图像的获取方法的流程示意图;
图6为第二实施例中杆塔巡检***的结构示意图;
图7为第三实施例中杆塔巡检***的结构示意图;
图8为一个实施例中杆塔巡检装置的结构框图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
空间关系术语例如“在...下”、“在...下面”、“下面的”、“在...之下”、“在...之上”、“上面的”等,在这里可以用于描述图中所示的一个元件或特征与其它元件或特征的关系。应当明白,除了图中所示的取向以外,空间关系术语还包括使用和操作中的器件的不同取向。例如,如果附图中的器件翻转,描述为“在其它元件下面”或“在其之下”或“在其下”元件或特征将取向为在其它元件或特征“上”。因此,示例性术语“在...下面”和“在...下”可包括上和下两个取向。此外,器件也可以包括另外地取向(譬如,旋转90度或其它取向),并且在此使用的空间描述语相应地被解释。
需要说明的是,当一个元件被认为是“连接”另一个元件时,它可以是直接连接到另一个元件,或者通过居中元件连接另一个元件。此外,以下实施例中的“连接”,如果被连接的对象之间具有电信号或数据的传递,则应理解为“电连接”、“通信连接”等。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时,在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
杆塔检测指工作人员利用相关设备,识别绝缘子、线夹、均压环等电力设备及其附属设施,并检测杆塔相关异常,如:绝缘子有无自爆现象,有无鸟巢、蜂巢等异物,杆塔下有无施工设施等。
由于一些设备相对较小,所以大多采用高清摄像头采集相关图像,再将采集的图像传送至远程服务器进行处理,虽然这能实现对杆塔进行检测,但是该方法至少具有以下缺点,一是需要将数据传回远程服务器会存在网络时延,甚至出现网络中断,导致检测时延甚至无法检测;二是远程服务器上往往有大量业务,在使用高峰期会对数据处理产生大量等待时延;三是当采集装置增多,超过机房负载后需要对机房的网络或服务器进行扩展十分不便。
有鉴于此,本申请实施例提供了一种杆塔巡检***,该杆塔巡检***包括飞行装置、采集装置、控制装置以及终端设备。控制装置根据采集装置采集到的杆塔图像,并根据杆塔图像以及杆塔异常模型,确定杆塔的异常状态信息,并将异常状态信息发送至终端设备。上述杆塔巡检***在杆塔图像的采集端确定杆塔的异常状态信息,无需将采集的图像发送至远程服务器进行判断,从而提高了检测的效率。
请参考图1,其示出了本申请实施例提供的一种杆塔巡检***,如图1所示,该杆塔巡检***可以包括飞行装置120、采集装置140、控制装置160以及终端设备180。
其中,采集装置140设置于飞行装置120上,用于采集杆塔图像。可选的,飞行装置120可以包括无人机,采集装置140设置于无人机底部。可选的,采集装置140为摄像头,可以采集杆塔图像。
控制装置160设置于飞行装置120上,与采集装置140连接,用于获取杆塔图像,还用于根据杆塔图像以及杆塔异常模型,确定杆塔的异常状态信息,还用于发送异常状态信息。其中,异常状态信息可以包括但不限于存在鸟巢、蜂巢等异物、绝缘子自爆、电线下存在施工机械、均压环脱落、螺栓脱落、销钉脱落。杆塔异常模型可以用于检测杆塔图像是否存在异常状态。在一个实施例中,控制装置160还可以将异常状态信息对应存储。以使工作人员可以根据控制装160置存储的信息,确定异常杆塔的情况,避免由于传输网络出现中断的情况下,杆塔异常状态信息丢失的情况。可选的,控制装置160包括开发板,该开发板为确定杆塔的异常状态信息提供所需的算力和存储空间,实现了边缘计算的功能。该实施例利用开发板进行边缘计算,在杆塔图像采集端对杆塔图像进行处理,避免了由于图像传输造成的网络时延,从而提高了检测的效率。
终端设备180与控制装置160连接,用于接收控制装置160发送的异常状态信息,工作人员可以根据终端设备180接收的信息对杆塔进行监测。将控制装置160的检测结果实时传送到终端设备180,方便工作人员对检测流程进行把控。可选的,终端设备180包括显示屏,终端设备180将接收到的异常状态信息通过显示屏进行显示。在一个实施例中,控制装置160还可以用于将采集装置140采集的杆塔图像发送至终端设备180。以使工作人员可以获得更全面的信息。可选的,终端设备180可以包括平板电脑,用于接收无人机回传信息,方便工作人员监控检测情况。在一个实施例中,控制装置160与终端设备180建立无线连接,以使终端设备180获取杆塔的异常状态信息。
上述实施例提供的杆塔巡检***的飞行装置搭载控制装置和采集装置,利用控制装置实现边缘计算,在杆塔图像的采集端对图像进行处理,可以避免将杆塔图像传送给远程服务器造成的时延,提高了检测效率。同时,上述实施例提供的杆塔巡检***不需要与远程服务器进行数据交互,在没有网络的地区仍可以正常工作,提高了杆塔巡检***的可用性。
同时,上述实施例提供的杆塔巡检***需要增加更多的飞行装置、采集装置以及控制装置的情况下,不需要考虑数据中心网络负载以及计算负载,部署灵活方便,可扩展性强。控制装置实时回传杆塔的异常状态信息给终端设备,方便工作人员处理紧急情况,提高了工作效率。
在一个实施例中,上述实施例提供的杆塔巡检***还可以包括调节装置,用于调节采集装置的采集角度。在一个实施例中,控制装置与调节装置连接,用于控制调节装置以调节采集装置的采集角度。采集装置安装在调节装置上,该调节装置可以调整采集装置的水平和俯仰的角度,从而实现采集装置对杆塔图像的获取。可选的,在采集装置为摄像头的情况下,调节装置可以为云台。可选的,云台为电动云台,电动云台包括两台执行电动机,电动机与控制装置连接,电动机根据接收到的控制装置的控制信号运动,从而实现对采集装置的采集角度做调整。上述实施例通过控制装置对调节装置进行调整,相对于接收远程服务器的调节信号而言,不存在网络时延问题,避免了由于网络传输存在时延导致无人机悬停时间过长降低了检测效率的现象,同时还避免了悬停期间无人机位置、角度出现变化,远程服务器传回的调整数据失效,使得检测效果不稳定的问题,并且提高了巡检效率。
可选的,飞行装置可以包括无人机,调节装置可以包括三维增稳平台,采集装置可以包括高清摄像头,控制装置可以包括开发板。具体的,三维增稳平台安装在无人机正下方,高清摄像头安装在三维增稳平台下,开发板安装于无人机内部,为确定杆塔的异常状态信息和控制高清摄像机提供算力。
请参考图2,其示出了本申请第一实施例提供的一种杆塔巡检方法,如图2所示,该杆塔巡检方法可以包括步骤S202至步骤S206。
S202,获取杆塔图像。
在一个实施例中,杆塔巡检***包括采集装置,通过该采集装置获取杆塔图像。对于采集装置的描述详见上文实施例,在此不再赘述。
S204,根据杆塔图像以及杆塔异常模型,确定杆塔的异常状态信息。
其中,异常状态信息可以包括但不限于存在鸟巢、蜂巢等异物、绝缘子自爆、电线下存在施工机械、均压环脱落、螺栓脱落、销钉脱落。杆塔异常模型可以用于检测杆塔图像是否存在异常状态。在一个实施例中,将获取的杆塔图像输入到杆塔异常模型,杆塔异常模型输出杆塔的异常状态信息。
S206,将异常状态信息发送至终端设备。
在一个实施例中,终端设备将异常状态信息进行展示,使工作人员可以获得杆塔的异常状态信息,对杆塔情况进行检测。
上述实施例提供的杆塔巡检方法,获取杆塔图像,根据杆塔图像以及杆塔异常模型,确定杆塔的异常状态信息,将异常状态信息发送至终端设备,通过采用边缘计算的方式,无需与远程服务器进行数据交互,提高了检测效率。
请参考图3,其示出了本申请实施例提供的一种异常状态信息的确定方法,如图3所示,该异常状态信息的确定方法可以包括步骤S302至步骤S306。
S302,根据杆塔图像以及第一杆塔异常模型,确定杆塔的异常位置。
应说明的是,第一杆塔异常模型可以用于根据杆塔图像,确定杆塔的异常位置。在一个实施例中,将获取的杆塔图像输入到第一杆塔异常模型,第一杆塔异常模型输出杆塔的异常位置。在一个实施例中,第一杆塔异常模型可以输出杆塔异常状态信息,根据杆塔异常状态信息确定杆塔异常位置。
在一个实施例中,若根据杆塔图像以及第一杆塔异常模型,确定杆塔无异常位置,则控制飞行装置按照预设巡检路线飞向下一检测点。
S304,根据杆塔的异常位置,控制采集装置获取杆塔的异常位置的细节图像。
其中,采集装置用于采集杆塔的图像。可选的,采集装置可以为摄像头。细节图像相对于杆塔图像包含杆塔的异常位置的更多图像信息。可选的,细节图像为杆塔的异常位置的放大图像。细节图像与杆塔图像的异常位置对应的局部图像。
S306,根据细节图像以及第二杆塔异常模型,确定杆塔的异常状态信息。
应说明的是,第二杆塔异常模型可以用于根据细节图像,确定杆塔的异常状态信息。在一个实施例中,将获取的细节图像输入到第二杆塔异常模型,第二杆塔异常模型输出杆塔的异常状态信息。
由于飞行装置搭载的采集装置采集的杆塔图像使得杆塔在杆塔图像中所占的部分很小,通过二次检测可以让第二杆塔异常模型更加关注到小区域的异常状态,从而提高巡检的准确率。
在一个实施例中,第一杆塔异常模型为YOLOv4模型,和/或第二杆塔异常模型为YOLOv4模型。在一个实施例中,第一杆塔异常模型可以为YOLOv4模型。在一个实施例中,第二杆塔异常模型可以为YOLOv4模型。YOLOv4模型实现了速度和精度的平衡,第一杆塔异常模型和/或第二杆塔异常模型为YOLOv4模型可以提高巡检的效率和准确性。
请参考图4,其示出了一种YOLOv4模型的建立方法,如图4所示,该YOLOv4模型的建立方法可以包括步骤S402至步骤S412。
S402:制作杆塔数据集,按照比例将杆塔数据集划分为杆塔训练集和杆塔测试集。
可以理解的是,可以根据需要选择合适的比例,可选的,杆塔训练集和杆塔测试集的比例为8:2。在一个实施例中,采集杆塔沿线数据图像,并标注图像中杆塔的位置信息与类别信息,将这些信息存储于xml文件中,筛选并保存有杆塔的图片作为杆塔数据集,将该数据集按照8:2的比例划分为杆塔训练集和杆塔测试集。
S404:根据划分的杆塔训练集和杆塔测试集,生成对应的索引文件。
根据划分的数据集构建模型训练所需的索引文件。在一个实施例中,索引文件可以包括train.txt训练集图像的索引文件和test.txt测试集图像的索引文件,模型会根据索引文件里的图片进行训练和测试。
S406:对杆塔训练集进行聚类,生成至少一种不同尺寸的描点框。
在一个实施例中,使用k-means对杆塔训练集中目标的尺寸进行聚类,获取9种不同尺寸的锚点框。
S408:构建YOLOv4模型。
YOLOv4模型可以分为四部分构建:输入端、BackBone基准网络、Neck中间层、Head输出层。
模型的输入端对输入数据进行预处理与数据增强。预处理包括对输入图像进行缩放以满足网络所需的尺寸,对图像进行标准化处理,以提高训练的速度和网络的精度。数据增强包括对输入图像进行随机擦除、平移、旋转、镜像、随机增加噪声、使用Mix-up、Mosaic、SAT对数据进行扩充,增加训练样本多样性提升训练效果。
BackBone基准网络部分采用CSPDarknet53提取数据特征,它包含29个卷积层,有足够的深度与感受野,CSPDarknet53在Darknet53的基础上添加了5个CSP模块,CSP通过将基础层的特征映射划分为两部分处理,使梯度流通过不同的网络路径传播,降低梯度的重复计算,然后通过跨层拼接结构将它们合并,在保证模型精度的同时降低了计算量。使用平滑的Mish激活函数,避免了ReLU的硬零边界,允许更多信息深入神经网络从而提升模型的准确性和泛化能力。在模型中穿插使用Dropblock,对相邻区域的特征进行丢弃,克服Dropout对卷积层作用不明显的缺点,有利于防止过拟合,提高模型的泛化能力。
Neck中间层进一步提取来自BackBone的特征,并根据待识别物体的尺寸,输出三种不同尺度的张量,分别用于识别小目标、中等目标和大目标。添加了SPP模块与FPN+PAN结构进一步提取特征的多样性。其中SPP(Spatial Pyramid Pooling Networks)利用1*1、5*5、9*9、13*13尺寸的池化核进行最大池化,再将结果拼接在一起,对特征进行多尺度融合,相较于只用一个尺度的最大池化操作,SPP操作更有效的增加了主干特征的接收范围,显著的分离了上下文特征。FPN(Feature Pyramid Networks)特征金字塔网络,通过反卷积自顶向下将原有特征图层层放大构建特征金字塔,有利于网络提取到的不同尺寸物体的语义特征,使得模型能够识别不同大小和尺度的同一个物体。PAN(Path Aggregation Network)借鉴了图像分割领域PANet算法,自底向上提取特征,并且通过拼接的方法对来自FPN的不同层参数进行聚合,进而增强网络的定位能力。
Head输出层针对三种不同的尺寸,输出识别到物体的边界框与相应的类别,YOLOv4使用了效果更好的CIOU损失函数来度量预测框与真实框之间的差异,CIOU损失函数同时考虑了预测框与真实框的覆盖面积、中心点距离和每个框的长宽比。在设置类别标签时使用Label smooth对标签进行平滑处理,以防止模型过拟合。
在一个实施例中,设置输入图像尺寸为608*608,批大小为8,初始学习率为0.001,使用指数衰减策略,训练轮次为50。利用coco预训练权重训练杆塔训练集数据,并得到训练后的网络模型。
S410:利用YOLOv4模型,对杆塔测试集进行测试,并获取对应的测试结果。
在一个实施例中,将杆塔测试集送入训练后的YOLOv4网络,进行目标识别,每张图像都会产生22743个预选框,每个预选框包含5+n个值,分别是预选框的中心点坐标x,y和宽高w,h以及置信度c和n个类别的概率。首先根据置信度c的值,先过滤掉一些低置信度的预选框,在本模型中置信度阈值为0.5,对保留下来的预选框进行DIOU-NMS筛选,以筛除过多重复的预选框,剩余的预选框作为最终的检测结果。
S412:将杆塔测试集的检测结果与真实值进行比较,计算相应的指标,根据检测结果调整模型。
将杆塔测试集的检测结果与真实值进行比较,得到相应的指标,分析测试误差原因,调整模型参数或数据,使模型达到更好的效果。在一个实施例中,指标可以包括漏检率与误检率。
请参考图5,其示出了本申请实施例提供的一种细节图像的获取方法,如图5所示,该细节图像的获取方法可以包括步骤S502至步骤S506。
S502,计算杆塔的异常位置与杆塔图像的像素偏差。
应说明的是,计算杆塔的异常位置与杆塔图像的像素偏差,即计算杆塔的异常位置与杆塔图像的参考位置的距离。在一个实施例中,计算杆塔的异常位置与杆塔图像中心的像素偏差。
S504,根据像素偏差计算采集装置所需调整的目标角度。
在一个实施例中,当采集装置角度调整了目标角度后,采集装置采集的图像中心与杆塔的异常位置重合。
S506,根据目标角度控制采集装置,并控制采集装置对焦杆塔的异常位置,采集杆塔的异常位置的细节图像。
在一个实施例中,通过控制三维增稳平台以调整摄像头的角度,使得摄像头采集的细节图像的中心为杆塔的异常位置,并且控制采集装置对焦杆塔的异常位置,从而获取清晰的杆塔的异常位置的细节图像。
通过上述实施例的细节图像的获取方法可以获得杆塔的异常位置的细节图像,第二杆塔异常模型根据该清晰的细节图像可以输出更为准确的杆塔异常状态信息,从而提高巡检的准确性。
可以理解的是,目前基于无人机在线检测的方法将采集的杆塔图像实时传输至远程服务器,再根据杆塔图像等数据调整摄像头角度,从而对准待检测物体,但是网络时延这会使得无人机悬停时间过长降低了检测效率,若悬停期间无人机位置、角度出现变化,则远程服务器传回的调整数据将会失效,会使得检测效果不稳定。
上述实施例提供的杆塔检测方法,通过边缘计算的方式确定杆塔的异常位置与图像中心的像素偏差,根据像素偏差计算采集装置所需调整的目标角度,根据目标角度控制采集装置,并控制采集装置对焦杆塔的异常位置,采集杆塔的异常位置的细节图像,可以快速调整采集装置的角度,提高检测效率以及检测结果的稳定性。
请参考图6,其示出了本申请第二实施例提供的一种杆塔巡检方法,该杆塔巡检方法可以包括步骤S602至步骤S612。
S602,控制飞行装置按照预设的巡检路线飞行。
应说明的是,巡检路线可以用于确定飞行装置的飞行路线、多个检测点以及多个检测点的顺序,飞行装置按照飞行路线飞行,以使采集装置采集检测点的杆塔图像以及细节图像。可选的,飞行装置上设置有GPS定位***。在一个实施例中,控制飞行装置根据预设的巡检路线,结合GPS信号进行自动巡视,在飞行装置到达检测点的情况下,控制采集装置根据预设的拍摄角度采集杆塔图像。在一个实施例中,若采集的杆塔图像不满足要求,则根据杆塔图像中的杆塔位置调整调整装置,以使采集装置获取满足要求的杆塔图像。可选的,采集的杆塔图像应包括完整的杆塔结构,及采集的杆塔图像的要求为包括完整的杆塔结构。
S604,在飞行装置飞行到检测点的情况下,控制采集装置采集杆塔图像。
S606,根据杆塔图像以及第一杆塔异常模型,确定杆塔的异常位置。
在一个实施例中,若根据杆塔图像以及第一杆塔异常模型,确定杆塔无异常位置,则控制飞行装置按照预设巡检路线飞向下一检测点。
S608,根据杆塔的异常位置,控制采集装置获取杆塔的异常位置的细节图像。
其中,采集装置设置于飞行装置上,用于采集杆塔图像。
S610,根据细节图像以及第二杆塔异常模型,确定杆塔的异常状态信息。
S612,将异常状态信息发送至终端设备。
请参考图7,其示出了本申请第三实施例提供的一种杆塔巡检方法,该杆塔巡检方法可以包括步骤S702至步骤S710。
S702,控制飞行装置根据预设的巡检路线,结合GPS信号进行自动巡视,到达检测点时控制采集装置根据预设的拍摄角度采集杆塔图像,并根据杆塔图像中杆塔的位置对云台角度进行调整,以使采集装置最终对准杆塔。
S704,将采集的杆塔图像存储至开发板上,并利用开发板上部署的第一杆塔异常模型检测杆塔图像中有无异常位置,若无则执行步骤S702,若有则执行步骤S706。
其中,第一杆塔异常模型为YOLOv4模型。
S706,计算异常位置在杆塔图像的位置与杆塔图像中心的像素偏差,根据像素偏差计算摄像头需要调整的角度,然后控制三维增稳平台调整摄像头角度,并对控制摄像头对杆塔的异常位置进行对焦,获得杆塔异常位置的清晰的细节图像。
S708,利用开发板上的第二杆塔异常模型,检测细节图像中异常位置的异常状态信息。
其中,第二杆塔异常模型为YOLOv4模型。
S710,将细节图像以及异常位置的目前异常状态信息记录在开发板上,并传输一份给平板。
其中,平板由工作人员使用,方便工作人员对巡检进行监控。
上述实施例提供的杆塔巡检***,信息传输不影响无人机的巡检流程,若因网络原因无法传输也不影响检测效果,工作人员可以等无人机巡检结束拷贝检测结果,从而提高了杆塔巡检方法的适用性。
应该理解的是,虽然图2-图7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种杆塔巡检装置800,包括:获取模块802、确定模块804和发送模块806。其中,获取模块802用于获取杆塔图像。确定模块804用于根据杆塔图像以及杆塔异常模型,确定杆塔的异常状态信息。发送模块806用于将异常状态信息发送至终端设备。
在一个实施例中,确定模块还可以用于根据杆塔图像以及第一杆塔异常模型,确定杆塔的异常位置;确定模块还可以用于根据杆塔的异常位置,控制采集装置获取杆塔的异常位置的细节图像。其中,采集装置用于采集杆塔的图像;确定模块还可以用于根据细节图像以及第二杆塔异常模型,确定杆塔的异常状态信息。
在一个实施例中,确定模块还可以用于计算杆塔的异常位置与杆塔图像的像素偏差。确定模块还可以用于根据像素偏差计算采集装置所需调整的目标角度。确定模块还可以用于根据目标角度控制采集装置,并控制采集装置对焦杆塔的异常位置,采集杆塔的异常位置的细节图像。
在一个实施例中,杆塔巡检装置还可以包括第一控制模块以及第二控制模块。其中,第一控制模块可以用于控制飞行装置按照预设的巡检路线飞行。其中,飞行装置设置有采集装置。第二控制模块可以用于在飞行装置飞行到检测点的情况下,控制采集装置采集杆塔图像。
在一个实施例中,杆塔巡检装置还可以包括第三控制模块。第三控制模块可以用于控制飞行装置按照预设的巡检路线飞向下一检测点。
关于杆塔巡检装置的具体限定可以参见上文中对于杆塔巡检方法的限定,在此不再赘述。上述杆塔巡检装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在一个实施例中,上述实施例中所述的杆塔巡检***还可以包括存储装置,存储装置中存储有计算机程序,控制装置执行计算机程序时实现上述各杆塔巡检方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各杆塔巡检方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
在本说明书的描述中,参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性描述不一定指的是相同的实施例或示例。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种杆塔巡检***,其特征在于,包括:
飞行装置;
采集装置,所述采集装置设置于所述飞行装置上,用于采集所述杆塔图像;
控制装置,设置于所述飞行装置上,与所述采集装置连接,用于获取杆塔图像,还用于根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息,还用于发送所述异常状态信息;
终端设备,与所述控制装置连接,用于接收所述控制装置发送的异常状态信息。
2.根据权利要求1所述的杆塔巡检***,其特征在于,还包括调节装置,用于调节所述采集装置的采集角度。
3.一种杆塔巡检方法,其特征在于,包括:
获取杆塔图像;
根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息;
将所述异常状态信息发送至终端设备。
4.根据权利要求3所述的杆塔巡检方法,其特征在于,所述根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息的步骤包括:
根据所述杆塔图像以及第一杆塔异常模型,确定所述杆塔的异常位置;
根据所述杆塔的异常位置,控制采集装置获取杆塔的异常位置的细节图像;其中,所述采集装置用于采集所述杆塔的图像;
根据所述细节图像以及第二杆塔异常模型,确定所述杆塔的异常状态信息。
5.根据权利要求4所述的杆塔巡检方法,其特征在于,所述根据所述杆塔的异常位置,控制采集装置获取杆塔的异常位置的细节图像的步骤包括:
计算所述杆塔的异常位置与所述杆塔图像的像素偏差;
根据所述像素偏差计算所述采集装置所需调整的目标角度;
根据所述目标角度控制所述采集装置,并控制所述采集装置对焦所述杆塔的异常位置,采集杆塔的异常位置的细节图像。
6.根据权利要求4所述的杆塔巡检方法,其特征在于,所述方法还包括:
控制飞行装置按照预设的巡检路线飞行;其中,所述飞行装置设置有所述采集装置;
在飞行装置飞行到检测点的情况下,控制所述采集装置采集所述杆塔图像。
7.根据权利要求6所述的杆塔巡检方法,其特征在于,所述方法还包括:
若根据所述杆塔图像以及第一杆塔异常模型,确定所述杆塔无异常位置,则控制所述飞行装置按照所述预设的巡检路线飞向下一检测点。
8.根据权利要求4至7任一项所述的杆塔巡检方法,其特征在于,所述第一杆塔异常模型为YOLOv4模型,和/或所述第二杆塔异常模型为YOLOv4模型。
9.一种杆塔巡检装置,其特征在于,包括:
获取模块,用于获取杆塔图像;
确定模块,用于根据所述杆塔图像以及杆塔异常模型,确定所述杆塔的异常状态信息;
发送模块,用于将所述异常状态信息发送至终端设备。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求3至8中任一项所述的杆塔巡检方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111308904.7A CN114035606A (zh) | 2021-11-05 | 2021-11-05 | 杆塔巡检***、杆塔巡检方法、控制装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111308904.7A CN114035606A (zh) | 2021-11-05 | 2021-11-05 | 杆塔巡检***、杆塔巡检方法、控制装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114035606A true CN114035606A (zh) | 2022-02-11 |
Family
ID=80143123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111308904.7A Pending CN114035606A (zh) | 2021-11-05 | 2021-11-05 | 杆塔巡检***、杆塔巡检方法、控制装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035606A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510077A (zh) * | 2022-02-14 | 2022-05-17 | 广东省电信规划设计院有限公司 | 无人机杆路巡检的路线规划方法及装置、计算机存储介质 |
CN115249339A (zh) * | 2022-06-10 | 2022-10-28 | 广州中科云图智能科技有限公司 | 河道漂浮物识别***、方法、设备及存储介质 |
CN117472069A (zh) * | 2023-12-28 | 2024-01-30 | 烟台宇控软件有限公司 | 一种用于输电线路检测的机器人控制方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105892485A (zh) * | 2016-04-13 | 2016-08-24 | 重庆雅智兰能源管理有限公司 | 架空线巡视*** |
WO2017024975A1 (zh) * | 2015-08-07 | 2017-02-16 | 清华大学深圳研究生院 | 一种无人机便携式地面站处理方法及*** |
CN108039680A (zh) * | 2017-11-13 | 2018-05-15 | 国网山东省电力公司荣成市供电公司 | 一种自动巡航电力线路检测无人机及其检测方法 |
CN108377328A (zh) * | 2018-01-03 | 2018-08-07 | 广东电网有限责任公司机巡作业中心 | 一种直升机巡视作业的目标拍摄方法及装置 |
CN110633629A (zh) * | 2019-08-02 | 2019-12-31 | 广东电网有限责任公司清远供电局 | 基于人工智能的电网巡检方法、装置、设备及存储介质 |
CN111080832A (zh) * | 2019-12-27 | 2020-04-28 | 上海复亚智能科技有限公司 | 输电线路杆塔的巡检方法及*** |
CN111966133A (zh) * | 2020-08-29 | 2020-11-20 | 山东翔迈智能科技有限公司 | 一种云台视觉伺服控制*** |
CN112560586A (zh) * | 2020-11-27 | 2021-03-26 | 国家电网有限公司大数据中心 | 一种杆塔标识牌结构化数据获得方法、装置及电子设备 |
CN112799422A (zh) * | 2021-04-06 | 2021-05-14 | 众芯汉创(北京)科技有限公司 | 一种用于电力巡检的无人机飞行控制方法及装置 |
CN112990335A (zh) * | 2021-03-31 | 2021-06-18 | 江苏方天电力技术有限公司 | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、*** |
CN113297915A (zh) * | 2021-04-28 | 2021-08-24 | 江苏师范大学 | 一种基于无人机巡检的绝缘子识别目标检测方法 |
CN113419564A (zh) * | 2021-08-24 | 2021-09-21 | 天津市普迅电力信息技术有限公司 | 一种基于模糊路径的电力通道巡检方法 |
CN113485433A (zh) * | 2021-07-27 | 2021-10-08 | 国网青海省电力公司海西供电公司 | 输电线路的巡检方法与装置 |
CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
-
2021
- 2021-11-05 CN CN202111308904.7A patent/CN114035606A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017024975A1 (zh) * | 2015-08-07 | 2017-02-16 | 清华大学深圳研究生院 | 一种无人机便携式地面站处理方法及*** |
CN105892485A (zh) * | 2016-04-13 | 2016-08-24 | 重庆雅智兰能源管理有限公司 | 架空线巡视*** |
CN108039680A (zh) * | 2017-11-13 | 2018-05-15 | 国网山东省电力公司荣成市供电公司 | 一种自动巡航电力线路检测无人机及其检测方法 |
CN108377328A (zh) * | 2018-01-03 | 2018-08-07 | 广东电网有限责任公司机巡作业中心 | 一种直升机巡视作业的目标拍摄方法及装置 |
CN110633629A (zh) * | 2019-08-02 | 2019-12-31 | 广东电网有限责任公司清远供电局 | 基于人工智能的电网巡检方法、装置、设备及存储介质 |
CN111080832A (zh) * | 2019-12-27 | 2020-04-28 | 上海复亚智能科技有限公司 | 输电线路杆塔的巡检方法及*** |
CN111966133A (zh) * | 2020-08-29 | 2020-11-20 | 山东翔迈智能科技有限公司 | 一种云台视觉伺服控制*** |
CN112560586A (zh) * | 2020-11-27 | 2021-03-26 | 国家电网有限公司大数据中心 | 一种杆塔标识牌结构化数据获得方法、装置及电子设备 |
CN112990335A (zh) * | 2021-03-31 | 2021-06-18 | 江苏方天电力技术有限公司 | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、*** |
CN112799422A (zh) * | 2021-04-06 | 2021-05-14 | 众芯汉创(北京)科技有限公司 | 一种用于电力巡检的无人机飞行控制方法及装置 |
CN113297915A (zh) * | 2021-04-28 | 2021-08-24 | 江苏师范大学 | 一种基于无人机巡检的绝缘子识别目标检测方法 |
CN113485433A (zh) * | 2021-07-27 | 2021-10-08 | 国网青海省电力公司海西供电公司 | 输电线路的巡检方法与装置 |
CN113419564A (zh) * | 2021-08-24 | 2021-09-21 | 天津市普迅电力信息技术有限公司 | 一种基于模糊路径的电力通道巡检方法 |
CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510077A (zh) * | 2022-02-14 | 2022-05-17 | 广东省电信规划设计院有限公司 | 无人机杆路巡检的路线规划方法及装置、计算机存储介质 |
CN115249339A (zh) * | 2022-06-10 | 2022-10-28 | 广州中科云图智能科技有限公司 | 河道漂浮物识别***、方法、设备及存储介质 |
CN115249339B (zh) * | 2022-06-10 | 2024-05-28 | 广州中科云图智能科技有限公司 | 河道漂浮物识别***、方法、设备及存储介质 |
CN117472069A (zh) * | 2023-12-28 | 2024-01-30 | 烟台宇控软件有限公司 | 一种用于输电线路检测的机器人控制方法及*** |
CN117472069B (zh) * | 2023-12-28 | 2024-03-26 | 烟台宇控软件有限公司 | 一种用于输电线路检测的机器人控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN114035606A (zh) | 杆塔巡检***、杆塔巡检方法、控制装置和存储介质 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及*** | |
JP2022514974A (ja) | 物体検出方法、装置、電子機器、及びコンピュータプログラム | |
CN110348304A (zh) | 一种可搭载于无人机的海事遇险人员搜索***以及目标识别方法 | |
CN110288586A (zh) | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 | |
CN111524132B (zh) | 识别待检测样本中异常细胞的方法、装置和存储介质 | |
CN113298035A (zh) | 基于图像识别的无人机电力杆塔检测及自主巡航方法 | |
CN108932273A (zh) | 图片筛选方法及装置 | |
CN113205116A (zh) | 输电线路无人机巡检拍摄目标点自动提取及航迹规划方法 | |
CN113486779A (zh) | 输电线路全景智能巡检*** | |
CN114020043A (zh) | 无人机建筑工程监理***、方法、电子设备及存储介质 | |
CN113313006A (zh) | 基于无人机的城市违建监管方法、***和存储介质 | |
CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测***和方法 | |
CN114037895A (zh) | 一种无人机杆塔巡检图像识别方法 | |
CN113971666A (zh) | 基于深度目标检测的输电线路机巡影像自适应识别方法 | |
CN112488022B (zh) | 一种环视全景监控方法、装置及*** | |
CN113706496A (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN113313110A (zh) | 一种车牌类型识别模型构建及车牌类型识别方法 | |
CN111738312B (zh) | 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质 | |
CN112631333A (zh) | 无人机的目标跟踪方法、装置及图像处理芯片 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN116843691A (zh) | 光伏板热斑检测方法及存储介质、电子设备 | |
CN114659499B (zh) | 一种基于无人机技术的智慧城市3d地图模型摄影建立方法 |
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 |