CN115471796B - 一种基于机器视觉的电网工程监理***及方法 - Google Patents
一种基于机器视觉的电网工程监理***及方法 Download PDFInfo
- Publication number
- CN115471796B CN115471796B CN202211419618.2A CN202211419618A CN115471796B CN 115471796 B CN115471796 B CN 115471796B CN 202211419618 A CN202211419618 A CN 202211419618A CN 115471796 B CN115471796 B CN 115471796B
- Authority
- CN
- China
- Prior art keywords
- image
- abnormal
- supervision
- monitoring
- route
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 173
- 230000002159 abnormal effect Effects 0.000 claims abstract description 120
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000012512 characterization method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002265 prevention Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004904 shortening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 230000005540 biological transmission Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013481 data capture Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001846 repelling effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电网工程监理技术领域，具体为一种基于机器视觉的电网工程监理***及方法，包括监理路线数据获取模块、异常表征判断模块、预警方式分析模块、异常表征数量监测模块和偏差调整模块；监理路线数据获取模块获取电网工程的计划架设监理路线和对应路线上的历史监控数据和实时监控数据；异常表征判断模块判断监理路线上是否存在异常表征；预警方式分析模块基于异常表征结合历史监控数据分析对应异常表征的预警方式；异常表征数量监测模块实时监测异常表征的数量并进行第一反馈时长的反馈监理；偏差调整模块基于异常表征数量监测模块的结果进行偏差调整；本发明提高了电网工程建设过程中的安全规划性。
Description
技术领域
本发明涉及电网工程监理技术领域，具体为一种基于机器视觉的电网工程监理***及方法。
背景技术
在电网工程的监理过程中，对于输电路线的监理尤为重要，目前路线通道问题主要集中在路线下的树木与路线的安全距离不足，且对于这些路线通道的处理无形中加大了运行人员的工作量，同时，在路线下方树木需要处理的时候需要进一步与相关负责部门进行沟通，且根据实际情况得知，现在对于树木的砍伐情况沟通起来复杂多变，时间拖沓且不确定性强，无法有效的预估问题处理时段与线树安全距离增长时长的关系，对电网工程的运作造成很大的影响。
除此以外，由于树木的众多也为鸟类提供了适宜的生存环境，但是存在类似喜鹊的鸟类喜欢在电线塔上和电缆上驻足也给电网工程带来了很多隐患，如果有效评估电网工程过程中的鸟害情况以及采取对应的驱鸟措施是解决隐患的首要措施。
发明内容
本发明的目的在于提供一种基于机器视觉的电网工程监理***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于机器视觉的电网工程监理方法，包括以下步骤：
步骤S1：获取电网工程的计划架设监理路线和对应路线的历史监控数据和实时监控数据；
步骤S2：基于实时监控数据，判断监理路线上是否存在异常表征，异常表征是指实时监控数据中存在对电网工程的计划架设监理路线产生异常影响的特征数据，包括树木和鸟类；基于异常表征结合历史监控数据分析对应异常表征的预警方式，预警方式包括时间预警和设备选择预警；
步骤S3：当实时监测的异常表征的数量为一时，对异常表征进行第一反馈时长的反馈监理并获取第一监理结果，并基于第一监理结果与异常表征的偏差，进行实时调整；实时调整包括时间调整和设备选择调整，反馈监理是指异常表征对应预警方式实施后的监理；
步骤S4：当实时监测的异常表征的数量不为一时，分析异常表征的预警方式以制定动态优先级；并根据动态优先级实施步骤S3的反馈监理和实时调整。
进一步的，步骤S2包括以下步骤：
获取实时监控数据，标记监控数据中存在异常表征的路线为第一区域路线，获取第一区域路线中的第i个初始监控图像面积为ai，初始监控图像为计划架设监理路线中第一区域路线的实际架设日期获取的图像数据；图像数据均为图像保持第一时间阈值稳定下获取的数据；
当初始监控图像中的异常表征存在树木时，获取任一初始监控图像的原始比例大小记为标准图像比例，且后续获取的所有监控图像均保持标准图像比例；标记第i个初始监控图像中的树木图像面积为第一目标对象面积bi，提取第一目标对象面积bi与第i个初始监控图像面积ai的图像占比率为s1i，s1i=bi/ai，计算第一区域路线初始监控图像的平均图像占比率为s0，s0=(1/k)*(∑s1i)，k为第一区域路线中初始监控图像的总个数，i≦k；
获取历史监控数据中与第i个初始监控图像来源一致的历史监控图像，获取历史监控图像预设监测周期内的起始图像占比率di1和终止图像占比率di2，起始图像占比率为预设监测周期开始监测的第一天图像数据得到的占比率，终止图像占比率为预设监测周期最后一天的图像数据得到的占比率；利用公式：
计算第i个初始监控图像平均每天图像占比率的增长率Ii，T表示预设监测周期的总天数，提取k个初始监控图像中的最大值max[Ii]为目标增长率；分析同一个区域内多个初始监控图像，增加了对同一目标分析的精确性和有效性，且提取最大值作为目标值是为了后续分析预警的方式更加有效，减少预警误差；
设置预设线树安全距离对应存在监控图像的平均安全图像占比率g0，平均安全图像占比率表示在预设的线树安全距离反应到对应监控图像中的第一目标对象面积与监控图像面积的占比的平均值；
计算线树距离的预估危险周期T1=(g0-s0)/max[Ii]；并根据预估危险周期对计划架设监理路线做出时间预警。
进一步的，步骤S2还包括以下步骤：
当初始监控图像中的异常表征不存在树木时，提取第i个初始监控图像在预设监测时段内捕捉鸟类的出现频率ui、出现时间vi以及初始监控图像所在环境的环境参数p，环境参数包括树木密度和树木高度，计算k个初始监控图像中鸟类的平均出现频率u0和平均出现时间v0，构建初始匹配集合Y，Y={u0,v0,p}；
获取历史电网工程路线上的历史匹配集合X，历史匹配集合X中的元素与初始匹配集合中元素类型相同；
将初始匹配集合Y与历史匹配集合X进行匹配分析，提取相似度大于等于相似度阈值的第一区域路线在历史电网工程路线上的鸟害防治干扰设备，并输出对应的设备选择预警。
进一步的，步骤S3包括以下步骤：
当异常表征为树木时，获取第一反馈时长后监控图像的图像占比率为待分析图像占比率，将待分析图像占比率与初始监控图像的图像占比率进行偏差分析，得到第一监理结果，第一监理结果为待分析图像占比率与初始监控图像的图像占比率的差值，若第一监理结果为正值或为零时，缩短第一反馈时长；若第一监理结果为负值时，继续监测；第一反馈时长小于预估危险周期；
当异常表征为鸟类时，获取第一反馈时长后匹配集合中的鸟类出现频率为待分析鸟类出现频率，将待分析鸟类出现频率与初始匹配集合中的鸟类出现频率进行比较，得到第一监理结果，当第一监理结果为待分析鸟类出现频率小于初始匹配集合中的鸟类出现频率时，继续监测，当第一监理结果为待分析鸟类出现频率大于等于初始匹配集合中的鸟类出现频率时，输出更换设备选择信号。在进行干扰设备的安装后对鸟类的数据捕捉仍没有成效时就需要对干扰设备类型进行更换以达到更好的效果。
进一步的，步骤S4包括以下具体步骤：
获取电网工程中历史记录从发现线树安全距离问题到解决问题的处理时长最大值，当预估危险周期大于处理时长最大值时，设置优先级为：异常表征为鸟类的预警方式先于异常表征为树木的预警方式；
当预估危险周期小于等于处理时长最大值时，设置优先级为：异常表征为树木的预警方式先于异常表征为鸟类的预警方式。设置动态优先级是为了考虑在电网工程监理过程中异常表征对工程影响的重要程度，选择优先解决的合适方案。
一种基于机器视觉的电网工程监理***，包括监理路线数据获取模块、异常表征判断模块、预警方式分析模块、异常表征数量监测模块和偏差调整模块；
监理路线数据获取模块用于获取电网工程的计划架设监理路线和对应路线上的历史监控数据和实时监控数据；
异常表征判断模块用于判断监理路线上是否存在异常表征；
预警方式分析模块用于基于异常表征结合历史监控数据分析对应异常表征的预警方式；
异常表征数量监测模块用于实时监测异常表征的数量并进行第一反馈时长的反馈监理；
偏差调整模块用于基于异常表征数量监测模块的结果进行偏差调整。
进一步的，预警方式分析模块包括第一区域路线标记单元、初始监控图像获取单元、平均图像占比率分析单元、增长率计算单元和预估危险周期计算单元；
第一区域路线标记单元用于标记监控数据中存在异常表征的路线；
初始监控图像获取单元用于获取第一区域路线中的初始监控图像；
平均图像占比率分析单元用于分析异常表征为树木时所有第一目标对象面积与初始监控图像面积的平均图像占比率；
增长率计算单元用于分析历史监控图像中的图像占比率变化来计算增长率；
预估危险周期计算单元基于平均图像占比率分析单元和增长率计算单元的计算预估危险周期并对计划架设监理路线做出时间预警。
进一步的，预警方式分析模块还包括参数提取单元、初始匹配集合构建单元、历史匹配集合提取单和匹配分析单元；
参数提取单元用于分析异常表征为鸟类时对应初始监控图像中的参数；
初始匹配集合构建单元用于构建参数提取单元的参数集合；
历史匹配集合提取单元用于提取历史电网工程路线上与初始匹配集合类型相同的参数集合；
匹配分析单元用于提取相似度大于等于相似度阈值的第一区域路线在历史电网工程路线上的鸟害防治干扰设备，并输出对应的设备选择预警。
进一步的，异常表征数量监测模块包括唯一表征分析单元和多元表征分析单元；
唯一表征分析单元用于分析异常表征数量为一时，分别对异常表征为树木和异常表征为鸟类情况下的第一反馈时长的监理分析，并得到对应的监理结果传输到偏差调整模块；
多元表征分析单元用于分析异常表征数量不为一时，分析对应预警方式并反馈传输到偏差调整模块。
进一步的，多元表征分析单元包括处理时长最大值获取单元和优先级设定单元；
处理时长最大值获取单元用于获取电网工程中历史记录从发现线树安全距离问题到解决问题的处理时长最大值；
优先级设定单元用于比较预估危险周期与处理时长最大值的大小，并设定对应的动态优先级。
与现有技术相比，本发明所达到的有益效果是：本发明通过对监控图像数据进行分析，判断电网工程的架设监理路线上的异常表征，结合历史监控数据通过机器视觉分析出路线所属区域下树木的生长速率来预估在小于安全线树距离所需的时间周期，以此来提醒监理人员对路线下的树木作出及时清理，给出电网工程相关人员可度量的时间去处理相关事宜，避免危险发生时处理异常的措手不及；同时分析环境参数适配鸟害对电网造成环境影响时有效的解决方式，提高对电网工程建设过程中的安全规划性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于机器视觉的电网工程监理***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
请参阅图1，本发明提供技术方案：一种基于机器视觉的电网工程监理方法，包括以下步骤：
步骤S1：获取电网工程的计划架设监理路线和对应路线的历史监控数据和实时监控数据；对应路线上的监控数据是指在计划架设监理路线上施工范围内的数据，且施工范围内的数据是指包含施工本身的数据和施工环境的数据；
步骤S2：基于实时监控数据，判断监理路线上是否存在异常表征，异常表征是指实时监控数据中存在对电网工程的计划架设监理路线产生异常影响的特征数据，包括树木和鸟类；如在电网工程架设输电路线的施工过程中，会对输电路线所属的通道进行处理，那么对于通道上树木的生长高度以及存在树木区域内鸟类的活动均属于监控数据中可以捕捉分析到的异常表征；因为树木的生长高度与路线之间的安全距离反应出是否会影响输电路线能否正常运作，而鸟类的活动多为鸟兽在电缆上筑巢以及在电线上驻足均会对输电路线的运作产生影响；基于异常表征结合历史监控数据分析对应异常表征的预警方式，预警方式包括时间预警和设备选择预警；
步骤S3：当实时监测的异常表征的数量为一时，对异常表征进行第一反馈时长的反馈监理并获取第一监理结果，并基于第一监理结果与异常表征的偏差，进行实时调整；实时调整包括时间调整和设备选择调整，反馈监理是指异常表征对应预警方式实施后的监理；第一反馈时长的初始设定根据实际需求进行设定；
步骤S4：当实时监测的异常表征的数量不为一时，分析异常表征的预警方式以制定动态优先级；并根据动态优先级实施步骤S3的反馈监理和实时调整。
步骤S2包括以下步骤：
获取实时监控数据，标记监控数据中存在异常表征的路线为第一区域路线，获取第一区域路线中的第i个初始监控图像面积为ai，初始监控图像为计划架设监理路线中第一区域路线的实际架设日期获取的图像数据；图像数据均为图像保持第一时间阈值稳定下获取的数据；
当初始监控图像中的异常表征存在树木时，获取任一初始监控图像的原始比例大小记为标准图像比例，且后续获取的所有监控图像均保持标准图像比例；标记第i个初始监控图像中的树木图像面积为第一目标对象面积bi，提取第一目标对象面积bi与第i个初始监控图像面积ai的图像占比率为s1i，s1i=bi/ai，计算第一区域路线初始监控图像的平均图像占比率为s0，s0=(1/k)*(∑s1i)，k为第一区域路线中初始监控图像的总个数，i≦k；
获取历史监控数据中与第i个初始监控图像来源一致的历史监控图像，获取历史监控图像预设监测周期内的起始图像占比率di1和终止图像占比率di2，起始图像占比率为预设监测周期开始监测的第一天图像数据得到的占比率，终止图像占比率为预设监测周期最后一天的图像数据得到的占比率，起始图像占比率和终止图像占比率均与上述图像占比率的计算方式相同；利用公式：
计算第i个初始监控图像平均每天图像占比率的增长率Ii，T表示预设监测周期的总天数，提取k个初始监控图像中的最大值max[Ii]为目标增长率；分析同一个区域内多个初始监控图像，增加了对同一目标分析的精确性和有效性，且提取最大值作为目标值是为了后续分析预警的方式更加有效，减少预警误差；
设置预设线树安全距离对应存在监控图像的平均安全图像占比率g0，平均安全图像占比率表示在预设的线树安全距离反应到对应监控图像中的第一目标对象面积与监控图像面积的占比的平均值；
计算线树距离的预估危险周期T1=(g0-s0)/max[Ii]；并根据预估危险周期对计划架设监理路线做出时间预警。因为在电网工程中包括电缆的架设，电缆架设需要注意要电缆下方树木与电线的安全距离，如果线树间的距离小于安全距离会带来极大的电力隐患，所以在电网监理过程中对可能造成线树安全距离的区域进行危险周期的估测，这个危险周期就是提取工程监理人员在这个时间周期内去解决树木对电缆造成的干扰问题，因为在现实生活中面对树木的砍伐问题需要漫长的时间交涉，如果在已经危险周期的前提下做好充足的准备去交涉那么就会尽可能避免因为不能确定的处理时长造成的电力危险情况的产生。
树木图像的提取可通过色度分析，因为在图像经过如灰度值处理后的树木与图像中其他像素值是存在差异的，除此之外，树木的提取也可通过现有技术“《机器视觉的树木图像实时采集与识别》；
利用机器视觉去分析树木的增长速率是因为不同第一区域路线可能对应存在的树木种类并不相同，自然生长的速率也不相同，且同时存在周围人为因素和环境因素的影响，且常规对树木生长速率的测定需要对树木进行体重或重量的测定，增加了电网施工人员的劳动力，且具体的测定工作也不属于电网监理的工作职责耗费精力物力和人力。
步骤S2还包括以下步骤：
当初始监控图像中的异常表征不存在树木时，提取第i个初始监控图像在预设监测时段内捕捉鸟类的出现频率ui、出现时间vi以及初始监控图像所在环境的环境参数p，因为初始监控图像是对同一区域的监控，故不同监控出的环境参数基本是一致的不用考虑监控的差异，环境参数包括树木密度和树木高度，树木密度可以通过图像数据中色度的不同反应出来，树木高度可以通过上述图像占比率得知，计算k个初始监控图像中鸟类的平均出现频率u0和平均出现时间v0，构建初始匹配集合Y，Y={u0,v0,p}；
获取历史电网工程路线上的历史匹配集合X，历史匹配集合X中的元素与初始匹配集合中元素类型相同；
将初始匹配集合Y与历史匹配集合X进行匹配分析，提取相似度大于等于相似度阈值的第一区域路线在历史电网工程路线上的鸟害防治干扰设备，并输出对应的设备选择预警。
以树木为标准进行分类是因为初始监控图像的前提就是存在异常表征，且树木又是具有固定属性的物质，当工程监理开始的第一天存在时就会在分析区域不会异动，而对于鸟类，是具有移动属性的生物，所以当图像中的异常表征存在树木时，也可能存在鸟类，不存在树木时，一定会存在鸟类。
步骤S3包括以下步骤：
当异常表征为树木时，获取第一反馈时长后监控图像的图像占比率为待分析图像占比率，将待分析图像占比率与初始监控图像的图像占比率进行偏差分析，得到第一监理结果，第一监理结果为待分析图像占比率与初始监控图像的图像占比率的差值，若第一监理结果为正值或为零时，缩短第一反馈时长；若第一监理结果为负值时，继续监测；第一反馈时长小于预估危险周期；如设置第一反馈时长为一个月，若一个月后获取的待分析图像占比率为80%，而初始监控图像的图像占比率为75%，说明在进行时间预警后的一个月内并没有成功对电缆下的树木进行安全距离的处理，此时树木仍属于自然生长阶段；
当异常表征为鸟类时，获取第一反馈时长后匹配集合中的鸟类出现频率为待分析鸟类出现频率，将待分析鸟类出现频率与初始匹配集合中的鸟类出现频率进行比较，得到第一监理结果，当第一监理结果为待分析鸟类出现频率小于初始匹配集合中的鸟类出现频率时，继续监测，当第一监理结果为待分析鸟类出现频率大于等于初始匹配集合中的鸟类出现频率时，输出更换设备选择信号。在进行干扰设备的安装后对鸟类的数据捕捉仍没有成效时就需要对干扰设备类型进行更换以达到更好的效果。
步骤S4包括以下具体步骤：
获取电网工程中历史记录从发现线树安全距离问题到解决问题的处理时长最大值，当预估危险周期大于处理时长最大值时，设置优先级为：异常表征为鸟类的预警方式先于异常表征为树木的预警方式；因为预估危险周期大于处理时长最大值时，说明电网工程对于监理线树安全问题的处理有着充足的时间；
当预估危险周期小于等于处理时长最大值时，设置优先级为：异常表征为树木的预警方式先于异常表征为鸟类的预警方式。设置动态优先级是为了考虑在电网工程监理过程中异常表征对工程影响的重要程度，选择优先解决的合适方案。
一种基于机器视觉的电网工程监理***，包括监理路线数据获取模块、异常表征判断模块、预警方式分析模块、异常表征数量监测模块和偏差调整模块；
监理路线数据获取模块用于获取电网工程的计划架设监理路线和对应路线上的历史监控数据和实时监控数据；
异常表征判断模块用于判断监理路线上是否存在异常表征；
预警方式分析模块用于基于异常表征结合历史监控数据分析对应异常表征的预警方式；
异常表征数量监测模块用于实时监测异常表征的数量并进行第一反馈时长的反馈监理；
偏差调整模块用于基于异常表征数量监测模块的结果进行偏差调整。
预警方式分析模块包括第一区域路线标记单元、初始监控图像获取单元、平均图像占比率分析单元、增长率计算单元和预估危险周期计算单元；
第一区域路线标记单元用于标记监控数据中存在异常表征的路线；
初始监控图像获取单元用于获取第一区域路线中的初始监控图像；
平均图像占比率分析单元用于分析异常表征为树木时所有第一目标对象面积与初始监控图像面积的平均图像占比率；
增长率计算单元用于分析历史监控图像中的图像占比率变化来计算增长率；
预估危险周期计算单元基于平均图像占比率分析单元和增长率计算单元的计算预估危险周期并对计划架设监理路线做出时间预警。
预警方式分析模块还包括参数提取单元、初始匹配集合构建单元、历史匹配集合提取单和匹配分析单元；
参数提取单元用于分析异常表征为鸟类时对应初始监控图像中的参数；
初始匹配集合构建单元用于构建参数提取单元的参数集合；
历史匹配集合提取单元用于提取历史电网工程路线上与初始匹配集合类型相同的参数集合；
匹配分析单元用于提取相似度大于等于相似度阈值的第一区域路线在历史电网工程路线上的鸟害防治干扰设备，并输出对应的设备选择预警。
异常表征数量监测模块包括唯一表征分析单元和多元表征分析单元；
唯一表征分析单元用于分析异常表征数量为一时，分别对异常表征为树木和异常表征为鸟类情况下的第一反馈时长的监理分析，并得到对应的监理结果传输到偏差调整模块；
多元表征分析单元用于分析异常表征数量不为一时，分析对应预警方式并反馈传输到偏差调整模块。
多元表征分析单元包括处理时长最大值获取单元和优先级设定单元；
处理时长最大值获取单元用于获取电网工程中历史记录从发现线树安全距离问题到解决问题的处理时长最大值；
优先级设定单元用于比较预估危险周期与处理时长最大值的大小，并设定对应的动态优先级。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于机器视觉的电网工程监理方法，其特征在于，包括以下步骤：
步骤S1：获取电网工程的计划架设监理路线和对应路线的历史监控和实时监控数据；
步骤S2：基于实时监控数据，判断监理路线上是否存在异常表征，所述异常表征包括树木和鸟类；基于异常表征结合历史监控数据分析对应异常表征的预警方式；
所述步骤S2包括以下步骤：
获取实时监控数据，标记监控数据中存在异常表征的路线为第一区域路线，获取第一区域路线中的第i个初始监控图像面积为ai，所述初始监控图像为计划架设监理路线中第一区域路线的实际架设日期获取的图像数据；
当初始监控图像中的异常表征存在树木时，获取任一初始监控图像的原始比例大小记为标准图像比例，且后续获取的所有监控图像均保持标准图像比例；标记第i个初始监控图像中的树木图像面积为第一目标对象面积bi，提取第一目标对象面积bi与第i个初始监控图像面积ai的图像占比率为s1i，s1i=bi/ai，计算第一区域路线初始监控图像的平均图像占比率为s0，s0=(1/k)*(∑s1i)，k为第一区域路线中初始监控图像的总个数，i≦k；
获取历史监控数据中与第i个初始监控图像来源一致的历史监控图像，获取历史监控图像预设监测周期内的起始图像占比率di1和终止图像占比率di2，所述起始图像占比率为预设监测周期开始监测的第一天图像数据得到的占比率，所述终止图像占比率为预设监测周期最后一天的图像数据得到的占比率，利用公式：
计算第i个初始监控图像平均每天图像占比率的增长率Ii，T表示预设监测周期的总天数，提取k个初始监控图像中的最大值max[Ii]为目标增长率；
设置预设线树安全距离对应存在监控图像的平均安全图像占比率g0，所述平均安全图像占比率表示在预设的线树安全距离反应到对应监控图像中的第一目标对象面积与监控图像面积的占比的平均值；
计算线树距离的预估危险周期T1=(g0-s0)/max[Ii]；并根据预估危险周期对计划架设监理路线做出时间预警；
步骤S3：当实时监测的异常表征的数量为一时，对所述异常表征进行第一反馈时长的反馈监理并获取第一监理结果，并基于第一监理结果与异常表征的偏差，进行实时调整；所述实时调整包括时间调整和设备选择调整，所述反馈监理是指异常表征对应预警方式实施后的监理；
步骤S4：当实时监测的异常表征的数量不为一时，分析异常表征的预警方式以制定动态优先级；并根据动态优先级实施步骤S3的反馈监理和实时调整。
2.根据权利要求1所述的一种基于机器视觉的电网工程监理方法，其特征在于：所述步骤S2还包括以下步骤：
当初始监控图像中的异常表征不存在树木时，提取第i个初始监控图像在预设监测时段内捕捉鸟类的出现频率ui、出现时间vi以及初始监控图像所在环境的环境参数p，所述环境参数包括树木密度和树木高度，计算k个初始监控图像中鸟类的平均出现频率u0和平均出现时间v0，构建初始匹配集合Y，Y={u0,v0,p}；
获取历史电网工程路线上的历史匹配集合X，所述历史匹配集合X中的元素与所述初始匹配集合中元素类型相同；
将初始匹配集合Y与历史匹配集合X进行匹配分析，提取相似度大于等于相似度阈值的第一区域路线在历史电网工程路线上的鸟害防治干扰设备，并输出对应的设备选择预警。
3.根据权利要求2所述的一种基于机器视觉的电网工程监理方法，其特征在于：所述步骤S3包括以下步骤：
当异常表征为树木时，获取第一反馈时长后监控图像的图像占比率为待分析图像占比率，将待分析图像占比率与初始监控图像的图像占比率进行偏差分析，得到第一监理结果，所述第一监理结果为待分析图像占比率与初始监控图像的图像占比率的差值，若所述第一监理结果为正值或为零时，缩短第一反馈时长；若所述第一监理结果为负值时，继续监测；所述第一反馈时长小于预估危险周期；
当异常表征为鸟类时，获取第一反馈时长后匹配集合中的鸟类出现频率为待分析鸟类出现频率，将待分析鸟类出现频率与初始匹配集合中的鸟类出现频率进行比较，得到第一监理结果，当第一监理结果为待分析鸟类出现频率小于初始匹配集合中的鸟类出现频率时，继续监测，当第一监理结果为待分析鸟类出现频率大于等于初始匹配集合中的鸟类出现频率时，输出更换设备选择信号。
4.根据权利要求3所述的一种基于机器视觉的电网工程监理方法，其特征在于：所述步骤S4包括以下具体步骤：
获取电网工程中历史记录从发现线树安全距离问题到解决问题的处理时长最大值，当预估危险周期大于处理时长最大值时，设置优先级为：异常表征为鸟类的预警方式先于异常表征为树木的预警方式；
当预估危险周期小于等于处理时长最大值时，设置优先级为：异常表征为树木的预警方式先于异常表征为鸟类的预警方式。
5.应用权利要求1-4中任一项所述的一种基于机器视觉的电网工程监理方法的一种基于机器视觉的电网工程监理***，其特征在于，包括监理路线数据获取模块、异常表征判断模块、预警方式分析模块、异常表征数量监测模块和偏差调整模块；
所述监理路线数据获取模块用于获取电网工程的计划架设监理路线和对应路线上的历史监控数据和实时监控数据；
所述异常表征判断模块用于判断监理路线上是否存在异常表征；所述预警方式分析模块用于基于异常表征结合历史监控数据分析对应异常表征的预警方式；所述异常表征数量监测模块用于实时监测异常表征的数量并进行第一反馈时长的反馈监理；
所述预警方式分析模块包括第一区域路线标记单元、初始监控图像获取单元、平均图像占比率分析单元、增长率计算单元和预估危险周期计算单元；
所述第一区域路线标记单元用于标记监控数据中存在异常表征的路线；
所述初始监控图像获取单元用于获取第一区域路线中的初始监控图像；
所述平均图像占比率分析单元用于分析异常表征为树木时所有第一目标对象面积与初始监控图像面积的平均图像占比率；
所述增长率计算单元用于分析历史监控图像中的图像占比率变化来计算增长率；
所述预估危险周期计算单元基于所述平均图像占比率分析单元和所述增长率计算单元的计算预估危险周期并对计划架设监理路线做出时间预警；
所述偏差调整模块用于基于所述异常表征数量监测模块的结果进行偏差调整。
6.根据权利要求5所述的一种基于机器视觉的电网工程监理***，其特征在于：所述预警方式分析模块还包括参数提取单元、初始匹配集合构建单元、历史匹配集合提取单和匹配分析单元；
所述参数提取单元用于分析异常表征为鸟类时对应初始监控图像中的参数；
所述初始匹配集合构建单元用于构建所述参数提取单元的参数集合；
所述历史匹配集合提取单元用于提取历史电网工程路线上与初始匹配集合类型相同的参数集合；
所述匹配分析单元用于提取相似度大于等于相似度阈值的第一区域路线在历史电网工程路线上的鸟害防治干扰设备，并输出对应的设备选择预警。
7.根据权利要求6所述的一种基于机器视觉的电网工程监理***，其特征在于：所述异常表征数量监测模块包括唯一表征分析单元和多元表征分析单元；
所述唯一表征分析单元用于分析异常表征数量为一时，分别对异常表征为树木和异常表征为鸟类情况下的第一反馈时长的监理分析，并得到对应的监理结果传输到偏差调整模块；
所述多元表征分析单元用于分析异常表征数量不为一时，分析对应预警方式并反馈传输到偏差调整模块。
8.根据权利要求7所述的一种基于机器视觉的电网工程监理***，其特征在于：所述多元表征分析单元包括处理时长最大值获取单元和优先级设定单元；
所述处理时长最大值获取单元用于获取电网工程中历史记录从发现线树安全距离问题到解决问题的处理时长最大值；
所述优先级设定单元用于比较预估危险周期与处理时长最大值的大小，并设定对应的动态优先级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211419618.2A CN115471796B (zh) | 2022-11-14 | 2022-11-14 | 一种基于机器视觉的电网工程监理***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211419618.2A CN115471796B (zh) | 2022-11-14 | 2022-11-14 | 一种基于机器视觉的电网工程监理***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115471796A CN115471796A (zh) | 2022-12-13 |
| CN115471796B true CN115471796B (zh) | 2023-03-24 |
Family
ID=84338080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211419618.2A Active CN115471796B (zh) | 2022-11-14 | 2022-11-14 | 一种基于机器视觉的电网工程监理***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115471796B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628470B (zh) * | 2023-04-11 | 2023-11-10 | 常州满旺半导体科技有限公司 | 一种基于人工智能的电压源数据实时监管***及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111173565A (zh) * | 2020-01-07 | 2020-05-19 | 北京龙软科技股份有限公司 | 一种矿井监测数据异常波动预警方法和装置 |
| CN112491141A (zh) * | 2020-11-19 | 2021-03-12 | 广西电网有限责任公司 | 一种智能电网实时安全预警方法和装置 |
| CN114168941A (zh) * | 2021-11-25 | 2022-03-11 | 广东电网有限责任公司广州供电局 | 基于电力运维大数据监控方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101348949B1 (ko) * | 2012-05-04 | 2014-01-10 | 목원대학교 산학협력단 | 건축물에서의 화재 발생 위치에 기반한 동적 우선순위 시나리오 화재 알림 경보 제공 방법 및 시스템 |
| CN109034521B (zh) * | 2018-06-07 | 2021-11-16 | 国电南瑞科技股份有限公司 | 一种电网调度控制***的智能运维架构设计方法 |
| CN110377442B (zh) * | 2019-06-19 | 2023-08-22 | 平安银行股份有限公司 | 异常预警方法、装置、计算机设备及存储介质 |
| CN112926749A (zh) * | 2020-12-30 | 2021-06-08 | 国网宁夏电力有限公司信息通信公司 | 一种智能电网信息设备监控***及方法 |
| CN113267710B (zh) * | 2021-06-29 | 2022-09-30 | 广东电网有限责任公司 | 输电线路鸟害监测方法、装置、设备及存储介质 |
-
2022
- 2022-11-14 CN CN202211419618.2A patent/CN115471796B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111173565A (zh) * | 2020-01-07 | 2020-05-19 | 北京龙软科技股份有限公司 | 一种矿井监测数据异常波动预警方法和装置 |
| CN112491141A (zh) * | 2020-11-19 | 2021-03-12 | 广西电网有限责任公司 | 一种智能电网实时安全预警方法和装置 |
| CN114168941A (zh) * | 2021-11-25 | 2022-03-11 | 广东电网有限责任公司广州供电局 | 基于电力运维大数据监控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115471796A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115471796B (zh) | 一种基于机器视觉的电网工程监理***及方法 | |
| CN103812577A (zh) | 非正常无线电信号的自动识别***及其方法 | |
| CN106936517A (zh) | 一种异常无线电信号的自动识别***及其方法 | |
| CN111127806A (zh) | 基于多传感器的综合森林防火监控***及方法 | |
| CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控*** | |
| CN116054417B (zh) | 一种变电站用的监控***及方法 | |
| CN115765159B (zh) | 一种基于数据分析的输电线路安全预警*** | |
| CN115102287A (zh) | 一种新能源电站集中区域智能管控*** | |
| CN116579615A (zh) | 一种基于无人机遥感的植被覆盖监测*** | |
| CN111855653B (zh) | 一种植物干旱监测方法、监测模块和监测装置 | |
| CN115311585A (zh) | 用于电网架空线路异物的识别检测*** | |
| CN106614071B (zh) | 一种母猪产前行为监测***以及方法 | |
| CN114973628A (zh) | 基于人工智能和大数据分析的智能监控终端 | |
| CN113919704A (zh) | 一种基于大数据的人员风险防控方法及装置 | |
| CN116886869A (zh) | 一种基于ai的视频监控***及视频追溯方法 | |
| CN112381288A (zh) | 一种高寒地区草地生态管理*** | |
| CN116545111A (zh) | 一种基于变电站内外网的信息交互*** | |
| CN116722641A (zh) | 一种物联网节点设备低功耗运行*** | |
| CN115664006A (zh) | 一种增量配电网智能管控一体化平台 | |
| CN116894664B (zh) | 一种基于电力大数据的数据监视方法 | |
| CN116822888B (zh) | 一种基于大数据技术实现的智能调度指挥平台 | |
| CN111105395A (zh) | 一种用于输电运行监测的ai智能云台 | |
| CN118015737B (zh) | 基于物联网的智能门锁联合控制*** | |
| CN108802571A (zh) | 一种基于扩频采集和切线线性方差的故障预警方法及其实现*** | |
| CN117932278B (zh) | 一种智慧城市环保监控***及方法 |
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 |