CN116665077A - 基于ai识别技术的输电线路检测拍摄方法及其*** - Google Patents
基于ai识别技术的输电线路检测拍摄方法及其*** Download PDFInfo
- Publication number
- CN116665077A CN116665077A CN202310661983.2A CN202310661983A CN116665077A CN 116665077 A CN116665077 A CN 116665077A CN 202310661983 A CN202310661983 A CN 202310661983A CN 116665077 A CN116665077 A CN 116665077A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- gray level
- target
- target object
- 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 59
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 125000006850 spacer group Chemical group 0.000 description 17
- 238000007689 inspection Methods 0.000 description 14
- 238000009499 grossing Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000004020 conductor Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/82—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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Nonlinear Science (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明提供一种基于AI识别技术的输电线路检测拍摄方法及其***,方法包括:实时获取采集设备所传递的图像数据,并对所述图像数据进行图像预处理,以得到预处理图像;对所述预处理图像进行图像边缘检测,以得到包含目标对象的轮廓信息的目标图像;基于深度神经网络架构建立输电线路的识别模型,并利用所述识别模型对所述目标图像进行目标识别,以得到所述目标对象的位置信息;基于所述位置信息调整所述采集设备的位置和姿态,以实现图像的精准采集。本发明基于所采集的影像图片结合识别技术,实现输电线路中目标对象的识别检测,自动调整采集设备的位置和姿态,使其能够自动对焦,快速准确的锁定目标。
Description
技术领域
本申请涉及无人机智能检测技术领域,特别是涉及基于AI识别技术的输电线路检测拍摄方法及其***。
背景技术
电线路间隔棒作为保持输电线路安全距离的重要部件,巡检过程中该设备元件同样需作为重点巡察点进行拍摄。但当前基于线路点云的三维航线规划自主巡检作业中,受限于点云密度及展现效果,无法判断线路间隔棒所在位置,设定对应航点信息,仅能对铁塔本体、绝缘子挂串及导线等较为明显的设备元件设置对应航拍点,无人机固定执行航线航点,完成线路巡检作业。而通过人工操控无人机沿线飞行,进行线路导线、间隔棒等设备构件进行拍摄采集,飞巡过程中,导线受风偏等因素影响,无法确保间隔棒处于视图中心位置,人工需不断调整无人机姿态及云台角度,对人工飞控水平要求较高,且极易因人为因素导致炸机事故发生。因此,提出基于无人机机器视觉的输电线路导地线及间隔棒识别检测方案,实现巡检过程中间隔棒的精准对焦拍摄。
发明内容
本申请实施例提供了一种基于AI识别技术的输电线路检测拍摄方法及其***,以至少解决上述相关技术中的不足。
第一方面,本申请实施例提供了一种基于AI识别技术的输电线路检测拍摄方法,以下步骤:
步骤一:实时获取采集设备所传递的图像数据,并对所述图像数据进行图像预处理,以得到预处理图像;
步骤二:对所述预处理图像进行图像边缘检测,以得到包含目标对象的轮廓信息的目标图像;
步骤三:基于深度神经网络架构建立输电线路的识别模型,并利用所述识别模型对所述目标图像进行目标识别,以得到所述目标对象的位置信息;
步骤四:基于所述位置信息调整所述采集设备的位置和姿态,以实现图像的精准采集。
进一步的,所述步骤一包括:
对所述图像数据进行图像去噪,并确定图像去噪后的图像数据中高斯滤波器卷积核大小和标准差;
根据所述高斯滤波器卷积核大小和所述标准差计算出所述高斯滤波器卷积核中各个元素的值,并将所述高斯滤波器卷积核应用于所述图像去噪后的图像数据中每个像素点,以得到对应的输出图像;
对所述输出图像进行图像增强,以得到所述预处理图像。
进一步的,对所述输出图像进行图像增强,以得到所述预处理图像的步骤包括:
将所述输出图像转换成灰度图像,并统计所述灰度图像中每个灰度级别的像素数量,以生成灰度直方图;
根据所述灰度直方图计算出每个灰度级别所对应的累积分布函数,并利用所述累积分布函数计算出直方图均衡化函数;
利用所述直方图均衡化函数将所述灰度图像中每个灰度级别映射到新的灰度级别上,以得到所述预处理图像。
进一步的,所述步骤二包括:
利用边缘检测算法提取所述预处理图像中关键特征与背景特征之间的分隔信息,以得到所述包含有目标对象的轮廓信息的目标图像。
进一步的,所述步骤四包括:
利用激光传感器对所述目标对象进行测距,以得到所述目标对象的测距数据;
将所述位置信息结合所述测距数据和PID控制算法对所述采集设备进行位置和姿态调整,以实现图像的精准采集。
第二方面,本申请实施例提供了一种基于AI识别技术的输电线路检测拍摄***,包括:
预处理模块,用于实时获取采集设备所传递的图像数据,并对所述图像数据进行图像预处理,以得到预处理图像;
边缘检测模块,用于对所述预处理图像进行图像边缘检测,以得到包含目标对象的轮廓信息的目标图像;
目标识别模块,用于基于深度神经网络架构建立输电线路的识别模型,并利用所述识别模型对所述目标图像进行目标识别,以得到所述目标对象的位置信息;
姿态调整模块,用于基于所述位置信息调整所述采集设备的位置和姿态,以实现图像的精准采集。
进一步的,所述预处理模块包括:
图像去噪单元,用于对所述图像数据进行图像去噪,并确定图像去噪后的图像数据中高斯滤波器卷积核大小和标准差;
图像处理单元,用于根据所述高斯滤波器卷积核大小和所述标准差计算出所述高斯滤波器卷积核中各个元素的值,并将所述高斯滤波器卷积核应用于所述图像去噪后的图像数据中每个像素点,以得到对应的输出图像;
图像增强单元,用于对所述输出图像进行图像增强,以得到所述预处理图像。
进一步的,所述图像增强单元具体用于:
将所述输出图像转换成灰度图像,并统计所述灰度图像中每个灰度级别的像素数量,以生成灰度直方图;
根据所述灰度直方图计算出每个灰度级别所对应的累积分布函数,并利用所述累积分布函数计算出直方图均衡化函数;
利用所述直方图均衡化函数将所述灰度图像中每个灰度级别映射到新的灰度级别上,以得到所述预处理图像。
进一步的,所述边缘检测模块包括:
边缘检测单元,用于利用边缘检测算法提取所述预处理图像中关键特征与背景特征之间的分隔信息,以得到所述包含有目标对象的轮廓信息的目标图像。
进一步的,所述姿态调整模块包括:
激光测距单元,用于利用激光传感器对所述目标对象进行测距,以得到所述目标对象的测距数据;
姿态调整单元,用于将所述位置信息结合所述测距数据和PID控制算法对所述采集设备进行位置和姿态调整,以实现图像的精准采集。
相比于相关技术,本申请实施例提供的基于AI识别技术的输电线路检测拍摄方法及其***,基于采集设备所采集的影像图片,结合识别技术,实现输电线路中目标对象的识别检测,结合目标对象与采集设备的空间位置关系,自动调整采集设备的位置和姿态,使其能够自动对焦,快速准确的锁定目标,对目标对象进行拍摄,使得图像更加清晰、准确,提高图像采集质量,提升输电线路采集设备的巡检质量和缺陷研判效率,全面提升输电线路运维工作质效。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明第一实施例中的基于AI识别技术的输电线路检测拍摄方法的流程图;
图2为图1中步骤S101的详细流程图;
图3为图1中步骤S104的详细流程图;
图4为本发明第二实施例中的基于AI识别技术的输电线路检测拍摄***的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
实施例一
请参阅图1,所示为本发明第一实施例中的基于AI识别技术的输电线路检测拍摄方法,所述方法具体包括步骤S101至S104:
S101,实时获取采集设备所传递的图像数据,并对所述图像数据进行图像预处理,以得到预处理图像;
进一步的,请参阅图2,所述步骤S101具体包括步骤S1011~S1013:
S1011,对所述图像数据进行图像去噪,并确定图像去噪后的图像数据中高斯滤波器卷积核大小和标准差;
S1012,根据所述高斯滤波器卷积核大小和所述标准差计算出所述高斯滤波器卷积核中各个元素的值,并将所述高斯滤波器卷积核应用于所述图像去噪后的图像数据中每个像素点,以得到对应的输出图像;
S1013,对所述输出图像进行图像增强,以得到所述预处理图像。
现阶段输电线路导地线巡检过程受人为因素及气候因素影响,需人工频繁操作飞机和载荷的遥控器,使得电力线路、间隔棒处于视角范围内,该方式工作效率较低。本实施例通过无人机搭载可见光及负载设备,通过AI识别技术,对无人机实时图传影像进行数据预处理及特征提取,最终实现间隔棒的识别检测,并可结合目标所在位置,自动调整无人机云台姿态,确保拍摄对象处于图像中心,获取清晰的影像;
在具体实施时,图像预处理是进行输电线提取的关键环节,是将每一部分数字图像分检出来传递给相应的处理模块进行分析处理,主要是为了消除画面中不相关的数据,恢复、突出能够帮助解决实际问题的有效信息,增强此信息的可操作性、可侦察性,极大限度得降低数据冗杂度,达到改善特征识别、图像匹配的效果,主要是指对原始采集图像进行除噪、平滑、图像增强等操作。
具体的,无人机电力巡检航拍时,输电线背景多变,多受各种自然景观的影响,其在复杂的自然背景下,特征容易受到干扰而变得模糊不清,无法进行有效的识别,故在提取目标特征之前要对图像进行一定的去噪处理,滤去图像中由于强光干扰导致的尖锐噪声,增强图像边缘,间接突出目标对象特征。
1)图像去噪
基于输电线路间隔棒有着棒形状清晰、轮廓明显、颜色对比度大等识别特征,采用中值滤波器进行去噪处理,有效去除椒盐噪声和其他离群值,同时不会损失图像边缘信息,也能够保持原有的线路间隔棒轮廓。
2)平滑处理
对于平滑操作,由于需要保留线路间隔棒的轮廓信息,所以不适合使用过于强烈的平滑滤波器,因此选用较为温和的高斯滤波器来进行平滑处理,它能够消除图像中的高斯噪声和随机噪声,并使图像平滑但不至于过于模糊,同时还可以保持图像的边缘信息。
读取要进行平滑处理的输电线路巡检图片,确定高斯滤波器卷积核大小和标准差,根据确定的滤波器大小和标准差,计算出高斯卷积核中各个元素的值。将卷积核应用于输入图像上的每个像素点,通过加权平均的方式生成输出图像中对应的像素值。最后得到的输出图像就是经过高斯滤波器平滑处理后的结果。
进一步的,针对去噪、平滑处理后的直方图均衡化算法对输电线路巡检图片进行增强操作,加图像的视觉对比度和清晰度。
将输入图像转换为灰度图像,并统计每个灰度级别的像素数量,生成灰度直方图,根据灰度直方图,计算出每个灰度级别对应的累积分布函数。累积分布函数反映了图像中具有某个灰度值或更小灰度值的像素所占的比例。根据累积分布函数,计算出直方图均衡化函数。直方图均衡化函数将原始的灰度级别映射到新的灰度级别上,使得输出图像的灰度级别更加平均分布,从而增加图像的对比度和清晰度。将计算好的直方图均衡化函数应用于输入图像上的每个像素点,得到输出图像。具体地,对于每个像素点的灰度值,通过查找均衡化函数得到其对应的新的灰度值,替换原来的灰度值。最后得到的输出图像就是经过直方图均衡化算法增强处理后的结果,用于后续的特征检测提取。
S102,对所述预处理图像进行图像边缘检测,以得到包含目标对象的轮廓信息的目标图像;
在具体实施时,在数字图像中,高频区域亮度变化幅度巨大,其中图像局部变化最显著的部分就是边缘。边缘主要是关键特征之间、特征与背景之间的分隔,表征了图像的不连续性,例如亮度突变、纹理结构标志、彩色图标等。使用Canny等边缘检测算法,提取出输电线路中间隔棒的轮廓信息。
S103,基于深度神经网络架构建立输电线路的识别模型,并利用所述识别模型对所述目标图像进行目标识别,以得到所述目标对象的位置信息;
在具体实施时,本实施例利用YOLOv3进行模型构建,YOLOv3是一种实时目标检测算法,具有快速的处理速度和较高的准确率,在处理大规模图片数据时具有明显的优势。同时该技术算法具有简单的训练流程,只需少量的样本数据即可快速进行模型训练,适用于数据量较少的输电线路巡检场景目标检测。因此,基于YOLOv3采用深度神经网络架构,建立构建面向输电线路间隔棒的识别模型,针对无人机输电线路巡检图片,通过计算图像中间隔棒的形状、大小、颜色等特征,对提取的特征进行分类和识别,进而实现对间隔棒的检测和定位。
S104,基于所述位置信息调整所述采集设备的位置和姿态,以实现图像的精准采集。
进一步的,请参阅图3,所述步骤S104具体包括步骤S1041~S1042:
S1041,利用激光传感器对所述目标对象进行测距,以得到所述目标对象的测距数据;
S1042,将所述位置信息结合所述测距数据和PID控制算法对所述采集设备进行位置和姿态调整,以实现图像的精准采集。
在具体实施时,针对无人机导线跟随巡检过程提供的影像数据,采用边缘检测算法识别间隔棒及导地线,反馈导地线间隔棒所在图传界面的所在位置,无人机先悬停,而后结合激光雷达测距数值,利用PID控制算法,调用大疆SDK虚拟摇杆,自动调整无人机位置及云台姿态,确保导地线居于图传界面中心,精准采集导地线的高清影像。
综上,本发明上述实施例当中的基于AI识别技术的输电线路检测拍摄方法,基于采集设备所采集的影像图片,结合识别技术,实现输电线路中目标对象的识别检测,结合目标对象与采集设备的空间位置关系,自动调整采集设备的位置和姿态,使其能够自动对焦,快速准确的锁定目标,对目标对象进行拍摄,使得图像更加清晰、准确,提高图像采集质量,提升输电线路采集设备的巡检质量和缺陷研判效率,全面提升输电线路运维工作质效。
实施例二
本发明另一方面还提出一种基于AI识别技术的输电线路检测拍摄***,请参阅图4,所示为本发明第二实施例中的基于AI识别技术的输电线路检测拍摄***,包括:
预处理模块11,用于实时获取采集设备所传递的图像数据,并对所述图像数据进行图像预处理,以得到预处理图像;
进一步的,所述预处理模块11包括:
图像去噪单元,用于对所述图像数据进行图像去噪,并确定图像去噪后的图像数据中高斯滤波器卷积核大小和标准差;
图像处理单元,用于根据所述高斯滤波器卷积核大小和所述标准差计算出所述高斯滤波器卷积核中各个元素的值,并将所述高斯滤波器卷积核应用于所述图像去噪后的图像数据中每个像素点,以得到对应的输出图像;
图像增强单元,用于对所述输出图像进行图像增强,以得到所述预处理图像。
进一步的,所述图像增强单元具体用于:
将所述输出图像转换成灰度图像,并统计所述灰度图像中每个灰度级别的像素数量,以生成灰度直方图;
根据所述灰度直方图计算出每个灰度级别所对应的累积分布函数,并利用所述累积分布函数计算出直方图均衡化函数;
利用所述直方图均衡化函数将所述灰度图像中每个灰度级别映射到新的灰度级别上,以得到所述预处理图像。
边缘检测模块12,用于对所述预处理图像进行图像边缘检测,以得到包含目标对象的轮廓信息的目标图像;
进一步的,所述边缘检测模块12包括:
边缘检测单元,用于利用边缘检测算法提取所述预处理图像中关键特征与背景特征之间的分隔信息,以得到所述包含有目标对象的轮廓信息的目标图像。
目标识别模块13,用于基于深度神经网络架构建立输电线路的识别模型,并利用所述识别模型对所述目标图像进行目标识别,以得到所述目标对象的位置信息;
姿态调整模块14,用于基于所述位置信息调整所述采集设备的位置和姿态,以实现图像的精准采集。
进一步的,所述姿态调整模块14包括:
激光测距单元,用于利用激光传感器对所述目标对象进行测距,以得到所述目标对象的测距数据;
姿态调整单元,用于将所述位置信息结合所述测距数据和PID控制算法对所述采集设备进行位置和姿态调整,以实现图像的精准采集。
上述各模块被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
本发明实施例所提供的基于AI识别技术的输电线路检测拍摄***,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,***实施例部分未提及之处,可参考前述方法实施例中相应内容。
以上所述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)
1.一种基于AI识别技术的输电线路检测拍摄方法,其特征在于,包括以下步骤:
步骤一:实时获取采集设备所传递的图像数据,并对所述图像数据进行图像预处理,以得到预处理图像;
步骤二:对所述预处理图像进行图像边缘检测,以得到包含目标对象的轮廓信息的目标图像;
步骤三:基于深度神经网络架构建立输电线路的识别模型,并利用所述识别模型对所述目标图像进行目标识别,以得到所述目标对象的位置信息;
步骤四:基于所述位置信息调整所述采集设备的位置和姿态,以实现图像的精准采集。
2.根据权利要求1所述的基于AI识别技术的输电线路检测拍摄方法,其特征在于,所述步骤一包括:
对所述图像数据进行图像去噪,并确定图像去噪后的图像数据中高斯滤波器卷积核大小和标准差;
根据所述高斯滤波器卷积核大小和所述标准差计算出所述高斯滤波器卷积核中各个元素的值,并将所述高斯滤波器卷积核应用于所述图像去噪后的图像数据中每个像素点,以得到对应的输出图像;
对所述输出图像进行图像增强,以得到所述预处理图像。
3.根据权利要求2所述的基于AI识别技术的输电线路检测拍摄方法,其特征在于,对所述输出图像进行图像增强,以得到所述预处理图像的步骤包括:
将所述输出图像转换成灰度图像,并统计所述灰度图像中每个灰度级别的像素数量,以生成灰度直方图;
根据所述灰度直方图计算出每个灰度级别所对应的累积分布函数,并利用所述累积分布函数计算出直方图均衡化函数;
利用所述直方图均衡化函数将所述灰度图像中每个灰度级别映射到新的灰度级别上,以得到所述预处理图像。
4.根据权利要求1所述的基于AI识别技术的输电线路检测拍摄方法,其特征在于,所述步骤二包括:
利用边缘检测算法提取所述预处理图像中关键特征与背景特征之间的分隔信息,以得到所述包含有目标对象的轮廓信息的目标图像。
5.根据权利要求1所述的基于AI识别技术的输电线路检测拍摄方法,其特征在于,所述步骤四包括:
利用激光传感器对所述目标对象进行测距,以得到所述目标对象的测距数据;
将所述位置信息结合所述测距数据和PID控制算法对所述采集设备进行位置和姿态调整,以实现图像的精准采集。
6.一种基于AI识别技术的输电线路检测拍摄***,其特征在于,包括:
预处理模块,用于实时获取采集设备所传递的图像数据,并对所述图像数据进行图像预处理,以得到预处理图像;
边缘检测模块,用于对所述预处理图像进行图像边缘检测,以得到包含目标对象的轮廓信息的目标图像;
目标识别模块,用于基于深度神经网络架构建立输电线路的识别模型,并利用所述识别模型对所述目标图像进行目标识别,以得到所述目标对象的位置信息;
姿态调整模块,用于基于所述位置信息调整所述采集设备的位置和姿态,以实现图像的精准采集。
7.根据权利要求6所述的基于AI识别技术的输电线路检测拍摄***,其特征在于,所述预处理模块包括:
图像去噪单元,用于对所述图像数据进行图像去噪,并确定图像去噪后的图像数据中高斯滤波器卷积核大小和标准差;
图像处理单元,用于根据所述高斯滤波器卷积核大小和所述标准差计算出所述高斯滤波器卷积核中各个元素的值,并将所述高斯滤波器卷积核应用于所述图像去噪后的图像数据中每个像素点,以得到对应的输出图像;
图像增强单元,用于对所述输出图像进行图像增强,以得到所述预处理图像。
8.根据权利要求7所述的基于AI识别技术的输电线路检测拍摄***,其特征在于,所述图像增强单元具体用于:
将所述输出图像转换成灰度图像,并统计所述灰度图像中每个灰度级别的像素数量,以生成灰度直方图;
根据所述灰度直方图计算出每个灰度级别所对应的累积分布函数,并利用所述累积分布函数计算出直方图均衡化函数;
利用所述直方图均衡化函数将所述灰度图像中每个灰度级别映射到新的灰度级别上,以得到所述预处理图像。
9.根据权利要求6所述的基于AI识别技术的输电线路检测拍摄***,其特征在于,所述边缘检测模块包括:
边缘检测单元,用于利用边缘检测算法提取所述预处理图像中关键特征与背景特征之间的分隔信息,以得到所述包含有目标对象的轮廓信息的目标图像。
10.根据权利要求6所述的基于AI识别技术的输电线路检测拍摄***,其特征在于,所述姿态调整模块包括:
激光测距单元,用于利用激光传感器对所述目标对象进行测距,以得到所述目标对象的测距数据;
姿态调整单元,用于将所述位置信息结合所述测距数据和PID控制算法对所述采集设备进行位置和姿态调整,以实现图像的精准采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310661983.2A CN116665077A (zh) | 2023-06-06 | 2023-06-06 | 基于ai识别技术的输电线路检测拍摄方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310661983.2A CN116665077A (zh) | 2023-06-06 | 2023-06-06 | 基于ai识别技术的输电线路检测拍摄方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665077A true CN116665077A (zh) | 2023-08-29 |
Family
ID=87727609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310661983.2A Pending CN116665077A (zh) | 2023-06-06 | 2023-06-06 | 基于ai识别技术的输电线路检测拍摄方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118170153A (zh) * | 2024-05-09 | 2024-06-11 | 鹰驾科技(深圳)有限公司 | 一种基于360环视摄像头辅助的无人机边缘计算处理方法 |
-
2023
- 2023-06-06 CN CN202310661983.2A patent/CN116665077A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118170153A (zh) * | 2024-05-09 | 2024-06-11 | 鹰驾科技(深圳)有限公司 | 一种基于360环视摄像头辅助的无人机边缘计算处理方法 |
CN118170153B (zh) * | 2024-05-09 | 2024-07-19 | 鹰驾科技(深圳)有限公司 | 一种基于360环视摄像头辅助的无人机边缘计算处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115439424B (zh) | 一种无人机航拍视频图像智能检测方法 | |
CN112164015A (zh) | 单目视觉自主巡检图像采集方法、装置及电力巡检无人机 | |
US20170261319A1 (en) | Building height calculation method, device, and storage medium | |
CN113689540B (zh) | 基于rgb视频的物体重建方法和装置 | |
CN106709901B (zh) | 基于深度先验的模拟雾图生成方法 | |
Mao et al. | Development of power transmission line defects diagnosis system for UAV inspection based on binocular depth imaging technology | |
KR20060013640A (ko) | 항공 화상의 자동 처리 | |
CN110110131B (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
CN114973028B (zh) | 一种航拍视频图像实时变化检测方法及*** | |
CN111027415B (zh) | 一种基于偏振图像的车辆检测方法 | |
CN109297978B (zh) | 基于双目成像的电力线路无人机巡检及缺陷智能诊断*** | |
CN111383204A (zh) | 视频图像融合方法、融合装置、全景监控***及存储介质 | |
CN116665077A (zh) | 基于ai识别技术的输电线路检测拍摄方法及其*** | |
CN110276831A (zh) | 三维模型的建构方法和装置、设备、计算机可读存储介质 | |
CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
CN108694708A (zh) | 基于图像边缘提取的小波变换图像融合方法 | |
CN113569981A (zh) | 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法 | |
CN113066050A (zh) | 一种基于视觉的空投货台航向姿态解算方法 | |
CN117876608B (zh) | 三维图像重建方法、装置、计算机设备及存储介质 | |
CN114972646A (zh) | 一种实景三维模型独立地物的提取与修饰方法及*** | |
CN106780558B (zh) | 基于计算机视觉的点生成无人机目标初始跟踪框的方法 | |
CN114445467A (zh) | 基于视觉的四旋翼无人机特定目标识别与追踪*** | |
CN114037895A (zh) | 一种无人机杆塔巡检图像识别方法 | |
CN113096016A (zh) | 一种低空航拍图像拼接方法和*** | |
CN117237553A (zh) | 一种基于点云图像融合的三维地图测绘*** |
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 |