CN115019254A - 一种输电区域异物入侵检测方法、装置、终端及存储介质 - Google Patents
一种输电区域异物入侵检测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115019254A CN115019254A CN202210652921.0A CN202210652921A CN115019254A CN 115019254 A CN115019254 A CN 115019254A CN 202210652921 A CN202210652921 A CN 202210652921A CN 115019254 A CN115019254 A CN 115019254A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- transmission area
- image
- foreign
- hidden layer
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009545 invasion Effects 0.000 title claims description 13
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000012502 risk assessment Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 206010070245 Foreign body Diseases 0.000 description 23
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种输电网入侵检测技术领域的一种输电区域异物入侵检测方法、装置、终端及存储介质,方法包括采集输电区域图像及对应的拍摄角度;计算各子图与预存储的所有异物图像模板的最大相关性,根据最大相关性计算结果判别子图中是否存在异物;计算存在异物的子图在输电区域图像中的偏移量,根据所述偏移量调整输电区域图像的拍摄角度后,重新拍摄输电区域图像;将多组数据集输入至预构建并训练好的神经网络模型中,以获取异物入侵输电区域的风险评估值从而进行输电区域异物入侵检测,本发明可快速检测目标图像中是否包含异物,并与专用神经网络模型配合,提高了大型工程机械设备入侵检测的准确性,降低了误报率。
Description
技术领域
本发明涉及一种输电区域异物入侵检测方法、装置、终端及存储介质,属于输电网入侵检测技术领域。
背景技术
随着我国城镇化建设进程的加快,各地政府大规模基导致输电线路通道被压缩,输电保护区内的违章建房、施工作业突发性和季节外侵等给线路的安全稳定运行构成较大威胁,外侵原因引发设备故障已经为线路原因的主要之一。由于输电线路外侵具有很大随机性,运行单位防不胜防,因此需要研究外侵的智能识别技术。施工作业的吊车等大型过程机械设备是对输电线路造成威胁的主要原因,需要设计一种方法检测这些设备对输电线路的威胁性,做到风险的预防和预警。
现有技术的检测方法通常在大型机械等异物靠近时才进行拍照检测,当大型机械等异物运动速度较快时,难以及时对其进行检测,容易出现检测准确性较差的问题。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种输电区域异物入侵检测方法、装置、终端及存储介质,解决输电区域对于周边进行异物入侵检测工作的准确性较差的问题。
为解决上述技术问题,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种输电区域异物入侵检测方法,包括:
步骤A:采集输电区域图像及对应的拍摄角度;
步骤B:将输电区域图像划分为若干子图,并计算各子图与预存储的所有异物图像模板的最大相关性,根据最大相关性计算结果判别子图中是否存在异物;
步骤C:计算存在异物的子图在输电区域图像中的偏移量,根据所述偏移量调整输电区域图像的拍摄角度后,重新拍摄输电区域图像;
步骤D:重复步骤B和C,直至获取n组偏移量及对应的输电区域图像的拍摄角度,构成n组数据集;其中n为设定的不小于30的正整数;
步骤E:将n组数据集输入至预构建并训练好的神经网络模型中,以获取异物入侵输电区域的风险评估值;
步骤F:根据所述风险评估值进行输电区域异物入侵检测。
所述拍摄角度包括:拍摄输电区域图像的摄像机的偏航角度和俯仰角度;
所述偏航角度指在水平旋转范围内,摄像机的光轴与预设定的水平旋转范围内的零轴的夹角;
所述俯仰角度指在垂直旋转范围内,摄像机的光轴与预设定的垂直旋转范围内的零轴的夹角。
所述水平旋转范围为180°,所述垂直旋转范围为90°。
计算各子图与预存储的所有异物图像模板的最大相关性的方法包括:
采用如下公式计算子图Ps与各异物图像模板Ti的相关性:
式中:表示两个图像的相关性,Ti(a,b)是图像模板Ti中坐标为(a,b)的像素,Ps(a,b)表示目标图像的子图Ps中坐标为(a,b)的像素,E(Ti)表示Ti的数学期望,E(Ps)表示Ps的数学期望;
其中,所述子图的尺寸与异物图像模板尺寸相同;
根据最大相关性计算结果判别子图中是否存在异物的方法包括:
所述神经网络模型包括输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层,
第一隐藏层与输入层之间按下式定义:
式中,Δxu+j表示时序上第u+j组数据中的X方向的偏移量Δx,Δyu+j表示时序上第u+j组数据中的Y方向的偏移量Δy,αu+j表示时序上第u+j组数据中的偏航角度α,βu+j表示时序上第u+j组数据中的俯仰角度β; 表示权值,b0为线性偏置参数;j表示池化操作的范围,j取值范围为0、1、2、3、4;u表示第一隐藏层中的坐标,分别表示与输入层的Δxu+j、Δyu+j、αu+j、βu+j相对应的第一隐藏层中的节点;
σ(x)为一非线性函数:
式中:ex表示自然指数函数;参数μ为控制参数,用于控制输出值随输入值的变化速度;函数σ(x)的作用是使神经网络能够模拟非线性映射关系;
第二隐藏层与第一隐藏层之间按下式定义:
第三隐藏层与第二隐藏层之间按下式定义:
式中,表示第二隐藏层中坐标为(u+j,v)的节点,为与节点对应的权重,j的取值范围为0、1、2、3、4,对应于 五个节点,相应权重为当v相同时,每一组的五个节点共享相同的五个权重;b2为线性偏置参数;
输出层与第三隐藏层之间按下式定义:
对神经网络模型进行训练的方法包括:
采集多组训练数据集输入至所述神经网络模型中;
将神经网络模型所输出的风险评估值与训练数据集中人工标注的风险评估值输入至公式(10):
第二方面,本发明提供了一种输电区域异物入侵检测装置,所述装置包括:
采集模块:用于采集输电区域图像及对应的拍摄角度;
第一计算模块:用于将输电区域图像划分为若干子图,并计算各子图与预存储的所有异物图像模板的最大相关性,根据最大相关性计算结果判别子图中是否存在异物;
第二计算模块:用于计算存在异物的子图在输电区域图像中的偏移量,根据所述偏移量调整输电区域图像的拍摄角度后,重新拍摄输电区域图像;
第三计算模块:用于重复第一计算模块和第二计算模块,直至获取n组偏移量及对应的输电区域图像的拍摄角度,构成n组数据集;其中n为设定的不小于30的正整数;
第四计算模块:用于将n组数据集输入至预构建并训练好的神经网络模型中,以获取异物入侵输电区域的风险评估值;
检测模块:用于根据所述风险评估值进行输电区域异物入侵检测。
第三方面,本发明提供一种终端,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
第四方面,计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
1、该输电区域异物入侵检测方法,通过计算输电区域图像子图和预存储的所有异物图像模板的最大相关性,快速检测目标图像中是否包含异物,并与专用神经网络模型配合,提高了大型工程机械设备入侵检测的准确性,降低了误报率;
2、本发明通过拍摄多组输电区域图像,采集多组训练数据集输入至所述神经网络模型中,通过获取的风险评估值来进行入侵检测,这一过程不需要传输图片,无需大量上传入侵设备的图像,即降低了对通信带宽的要求,又提高了检测准确度。
附图说明
图1是根据本发明实施例提供的一种输电区域异物入侵检测方法的摄像机部署示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符"/",一般表示前后关联对象是一种“或”的关系。
实施例一:
本实施例提供的一种输电区域异物入侵检测方法可应用于终端,可以由输电区域异物入侵检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在终端中,例如:任一具备通信功能的智能手机,平板电脑或计算机设备。
本发明实施例提供的一种输电区域异物入侵检测方法,可以由实体端执行,所述方法包括:
步骤A:采集输电区域图像及对应的拍摄角度;
步骤B:将输电区域图像划分为若干子图,并计算各子图与预存储的所有异物图像模板的最大相关性,根据最大相关性计算结果判别子图中是否存在异物;
步骤C:计算存在异物的子图在输电区域图像中的偏移量,根据所述偏移量调整输电区域图像的拍摄角度后,重新拍摄输电区域图像;
步骤D:重复步骤B和C,直至获取n组偏移量及对应的输电区域图像的拍摄角度,构成n组数据集;其中n为设定的不小于30的正整数;
步骤E:将n组数据集输入至预构建并训练好的神经网络模型中,以获取异物入侵输电区域的风险评估值;
步骤F:根据所述风险评估值进行输电区域异物入侵检测。
需要说明的是,在本发明实施例中,步骤A、B、C、D可以由实体端执行,步骤E、F可以由服务端执行,当在输电区域内部或周围发现异物入侵现象时,通过在实体端将采集的数据集发送至服务端,从而实现检测判断,这一过程不需要传输图片,从而降低了对通信带宽的要求,即使在偏远的野外环境中也可以实时、准确地判断入侵风险。
其中,如果按照步骤B没有检测出包含异物的子图,则继续采集图像直至检测出存在异物的子图。
本实施例中,在对于输电区域图像进行采集时,可以将摄像机安装在一台可旋转云台上,通过控制云台的转动来控制摄像机的拍摄范围,通过以指定频率控制摄像机快门在指定时间拍摄图像;在摄像机拍摄的同时,记录对应的拍摄角度,需要说明的是,云台可以安装在输电线塔台上,也可以在输电线周边高风险区域设置立杆来承载云台,通过设置云台并使摄像机随云台转动,能够扩大摄像机的拍摄范围,从而完整覆盖输电区域的内部与周围,实现检测视野的扩大,并配合神经网络模型完成入侵检测,提高了大型工程机械设备入侵检测的准确性,降低了误报率。
在本发明实施例中,所述拍摄角度包括:拍摄输电区域图像的摄像机的偏航角度和俯仰角度;偏航角度指在水平旋转范围内,摄像机的光轴与预设定的水平旋转范围内的零轴的夹角;俯仰角度指在垂直旋转范围内,摄像机的光轴与预设定的垂直旋转范围内的零轴的夹角;水平旋转范围为180°,垂直旋转范围为90°。
其中,可选的,摄像机水平范围的零轴选取在摄像机完整拍摄输电区域、且输电区域位于拍摄中心的朝向;摄像机安装高度距离地面约3米,并选取在水平面上的光轴作为垂直旋转范围的零轴,对应垂直旋转范围为-45°到45°。
计算各子图与预存储的所有异物图像模板的最大相关性的方法包括:
采用如下公式计算子图Ps与各异物图像模板Ti的相关性:
式中:表示两个图像的相关性,Ti(a,b)是图像模板Ti中坐标为(a,b)的像素,Ps(a,b)表示目标图像的子图Ps中坐标为(a,b)的像素,E(Ti)表示Ti的数学期望,E(Ps)表示Ps的数学期望;
其中,所述子图的尺寸与异物图像模板尺寸相同;
其中,异物图像模板是指包含某类异物的图像,可以包含完整的异物、或异物的某个具备特点的部分。
根据最大相关性计算结果判别子图中是否存在异物的方法包括:
神经网络模型包括输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层,
第一隐藏层与输入层之间按下式定义:
式中,Δxu+j表示时序上第u+j组数据中的X方向的偏移量Δx,Δyu+j表示时序上第u+j组数据中的Y方向的偏移量Δy,αu+j表示时序上第u+j组数据中的偏航角度α,βu+j表示时序上第u+j组数据中的俯仰角度β; 表示权值,b0为线性偏置参数;j表示池化操作的范围,j取值范围为0、1、2、3、4;u表示第一隐藏层中的坐标,分别表示与输入层的Δxu+j、Δyu+j、αu+j、βu+j相对应的第一隐藏层中的节点;
其中,第一个隐藏层的每个节点与输入层的五个节点存在连接;池化操作为将神经网络上一层一定范围内的节点映射到下一层某个节点的操作;
σ(x)为一非线性函数:
式中:ex表示自然指数函数;参数μ为控制参数,用于控制输出值随输入值的变化速度;函数σ(x)的作用是使神经网络能够模拟非线性映射关系;
其中,本发明所述非线性函数与经典的函数相比,能够更好抵抗数据噪声干扰,有助于改善风险识别效果。
第二隐藏层与第一隐藏层之间按下式定义:
第三隐藏层与第二隐藏层之间按下式定义:
式中,表示第二隐藏层中坐标为(u+j,v)的节点,为与节点对应的权重,j的取值范围为0、1、2、3、4,对应于 五个节点,相应权重为当v相同时,每一组的五个节点共享相同的五个权重;b2为线性偏置参数;
输出层与第三隐藏层之间按下式定义:
其中,通过计算输电区域图像子图和预存储的所有异物图像模板的最大相关性,快速检测目标图像中是否包含异物,并与神经网络模型配合,提高了大型工程机械设备入侵检测的准确性,降低了误报率。
对神经网络模型进行训练的方法包括:
采集多组训练数据集输入至所述神经网络模型中;
将神经网络模型所输出的风险评估值与训练数据集中人工标注的风险评估值输入至公式(10):
其中,本发明通过拍摄多组输电区域图像,采集多组训练数据集输入至所述神经网络模型中,通过获取的风险评估值来进行入侵检测,而无需大量上传入侵设备的图像,即降低了对通信带宽的要求,又提高了检测准确度,不仅能在输电实现异物入侵监测,而且能够在距离输电区域较远处提前检测到异物入侵的风险,并且能够达到较高的检测精度,提高了防范输电区域大型工程机械设备入侵风险的能力。
实施例二:
本发明实施例还提供了一种输电区域异物入侵检测装置,所述装置包括:
采集模块:用于采集输电区域图像及对应的拍摄角度;
第一计算模块:用于将输电区域图像划分为若干子图,并计算各子图与预存储的所有异物图像模板的最大相关性,根据最大相关性计算结果判别子图中是否存在异物;
第二计算模块:用于计算存在异物的子图在输电区域图像中的偏移量,根据所述偏移量调整输电区域图像的拍摄角度后,重新拍摄输电区域图像;
第三计算模块:用于重复第一计算模块和第二计算模块,直至获取n组偏移量及对应的输电区域图像的拍摄角度,构成n组数据集;其中n为设定的不小于30的正整数;
第四计算模块:用于将n组数据集输入至预构建并训练好的神经网络模型中,以获取异物入侵输电区域的风险评估值;
检测模块:用于根据所述风险评估值进行输电区域异物入侵检测。
实施例三:
本发明实施例还提供了一种终端,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
其中,处理器可以包括实体端和/或服务端。
在执行实施例一所述方法的步骤时,通过在输电区域的指定位置设置摄像机,采集输电区域图像的工作可以由实体端进行,从而对于输电区域图像的内容进行检测和监控;当输电区域内部或者周围出现异物入侵等现象时,实体端产生告警并传输给服务端,供值班人员查看并采取相应措施,采用基于视觉方法实现入侵检测,能够在非接触的情况下完成检测任务,效率高、成本低、潜在风险低,因此具有广泛的应用前景。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述方法的步骤。
由于本发明实施例所提供的存储介质可执行本发明实施例一所提供的方法,因此,其具备执行方法相应的功能模块和有益效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种输电区域异物入侵检测方法,其特征在于,包括,
步骤A:采集输电区域图像及对应的拍摄角度;
步骤B:将输电区域图像划分为若干子图,并计算各子图与预存储的所有异物图像模板的最大相关性,根据最大相关性计算结果判别子图中是否存在异物;
步骤C:计算存在异物的子图在输电区域图像中的偏移量,根据所述偏移量调整输电区域图像的拍摄角度后,重新拍摄输电区域图像;
步骤D:重复步骤B和C,直至获取n组偏移量及对应的输电区域图像的拍摄角度,构成n组数据集;其中n为设定的不小于30的正整数;
步骤E:将n组数据集输入至预构建并训练好的神经网络模型中,以获取异物入侵输电区域的风险评估值;
步骤F:根据所述风险评估值进行输电区域异物入侵检测。
2.根据权利要求1所述的一种输电区域异物入侵检测方法,其特征在于,所述拍摄角度包括:拍摄输电区域图像的摄像机的偏航角度和俯仰角度;
所述偏航角度指在水平旋转范围内,摄像机的光轴与预设定的水平旋转范围内的零轴的夹角;
所述俯仰角度指在垂直旋转范围内,摄像机的光轴与预设定的垂直旋转范围内的零轴的夹角。
3.根据权利要求2所述的一种输电区域异物入侵检测方法,其特征在于,所述水平旋转范围为180°,所述垂直旋转范围为90°。
6.根据权利要求1所述的一种输电区域异物入侵检测方法,其特征在于,所述神经网络模型包括输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层,
第一隐藏层与输入层之间按下式定义:
式中,Δxu+j表示时序上第u+j组数据中的X方向的偏移量Δx,Δyu+j表示时序上第u+j组数据中的Y方向的偏移量Δy,αu+j表示时序上第u+j组数据中的偏航角度α,βu+j表示时序上第u+j组数据中的俯仰角度β; 表示权值,b0为线性偏置参数;j表示池化操作的范围,j取值范围为0、1、2、3、4;u表示第一隐藏层中的坐标,分别表示与输入层的Δxu+j、Δyu+j、αu+j、βu+j相对应的第一隐藏层中的节点;
σ(x)为一非线性函数:
式中:ex表示自然指数函数;参数μ为控制参数,用于控制输出值随输入值的变化速度;函数σ(x)的作用是使神经网络能够模拟非线性映射关系;
第二隐藏层与第一隐藏层之间按下式定义:
第三隐藏层与第二隐藏层之间按下式定义:
式中,表示第二隐藏层中坐标为(u+j,v)的节点,为与节点对应的权重,j的取值范围为0、1、2、3、4,对应于 五个节点,相应权重为当v相同时,每一组的五个节点共享相同的五个权重;b2为线性偏置参数;
输出层与第三隐藏层之间按下式定义:
8.一种输电区域异物入侵检测装置,其特征在于,所述装置包括:
采集模块:用于采集输电区域图像及对应的拍摄角度;
第一计算模块:用于将输电区域图像划分为若干子图,并计算各子图与预存储的所有异物图像模板的最大相关性,根据最大相关性计算结果判别子图中是否存在异物;
第二计算模块:用于计算存在异物的子图在输电区域图像中的偏移量,根据所述偏移量调整输电区域图像的拍摄角度后,重新拍摄输电区域图像;
第三计算模块:用于重复第一计算模块和第二计算模块,直至获取n组偏移量及对应的输电区域图像的拍摄角度,构成n组数据集;其中n为设定的不小于30的正整数;
第四计算模块:用于将n组数据集输入至预构建并训练好的神经网络模型中,以获取异物入侵输电区域的风险评估值;
检测模块:用于根据所述风险评估值进行输电区域异物入侵检测。
9.一种终端,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652921.0A CN115019254A (zh) | 2022-06-10 | 2022-06-10 | 一种输电区域异物入侵检测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652921.0A CN115019254A (zh) | 2022-06-10 | 2022-06-10 | 一种输电区域异物入侵检测方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115019254A true CN115019254A (zh) | 2022-09-06 |
Family
ID=83073462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210652921.0A Pending CN115019254A (zh) | 2022-06-10 | 2022-06-10 | 一种输电区域异物入侵检测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019254A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311355A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
CN115311354A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
-
2022
- 2022-06-10 CN CN202210652921.0A patent/CN115019254A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311355A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
CN115311354A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN115311354B (zh) * | 2022-09-20 | 2024-01-23 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766274B (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及*** | |
CN106593534B (zh) | 一种智能隧道施工安全监控*** | |
CN115019254A (zh) | 一种输电区域异物入侵检测方法、装置、终端及存储介质 | |
CN108734117A (zh) | 基于yolo的电缆设备外部腐蚀破损识别方法 | |
CN108665541B (zh) | 一种基于激光传感器的地图生成方法及装置和机器人 | |
CN107742093A (zh) | 一种红外图像电力设备部件实时检测方法、服务器及*** | |
CN109448326B (zh) | 一种基于快速图像识别的地质灾害智能群防监测*** | |
CN113345019A (zh) | 一种输电线路通道隐患目标测距方法、设备及介质 | |
CN110400315A (zh) | 一种缺陷检测方法、装置及*** | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN110969604B (zh) | 一种基于深度学习的智能安防实时开窗检测报警***及方法 | |
CN112102395A (zh) | 一种基于机器视觉的自主巡检的方法 | |
CN115393538A (zh) | 基于深度学习的室内动态场景的视觉slam方法及*** | |
CN112036336B (zh) | 一种基于ai智能图像分析的工程监测方法及*** | |
CN108805890A (zh) | 一种基于输电线图像特征点的弧锤测量方法 | |
CN117173791A (zh) | 一种基于动作识别的配网施工人员违规检测方法及*** | |
CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
CN114998425B (zh) | 一种基于人工智能的目标物体地理坐标定位方法和装置 | |
CN114445726B (zh) | 一种基于深度学习的样本库建立方法和装置 | |
KR20240040530A (ko) | 딥러닝 기반 감염병 예방 시스템 | |
CN105043275A (zh) | 基于图像处理的输电导线覆冰厚度测量方法 | |
CN114549613A (zh) | 基于深度超分辨率网络的结构位移测量方法及装置 | |
CN112070740A (zh) | 一种基于bim的港口堆场积水成像方法、***及控制设备 | |
CN116973939B (zh) | 安全监测方法及装置 | |
Ma et al. | Assisting Wind Turbine Hoisting with Yolov7 and Object Tracking Technology |
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 |