CN116778357A - 利用可见光缺陷识别的电力线路无人机巡检方法和*** - Google Patents
利用可见光缺陷识别的电力线路无人机巡检方法和*** Download PDFInfo
- Publication number
- CN116778357A CN116778357A CN202310614549.9A CN202310614549A CN116778357A CN 116778357 A CN116778357 A CN 116778357A CN 202310614549 A CN202310614549 A CN 202310614549A CN 116778357 A CN116778357 A CN 116778357A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- defect
- image
- inspection
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 89
- 238000007689 inspection Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000007 visual effect Effects 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims description 10
- 239000012212 insulator Substances 0.000 claims description 10
- 229910052573 porcelain Inorganic materials 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004020 luminiscence type Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 235000005765 wild carrot Nutrition 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及电力巡检技术领域,公开一种利用可见光缺陷识别的电力线路无人机巡检方法;利用无人机航线校准,根据天气、时间和环境的变化对无人机航线进行优化,尽可能的减少环境光对无人机拍摄影像图片的影响;通过建立缺陷数据库,提高视觉差异检测模型的检测精准度和识别效率;通过视觉差异检测模型,利用计算机的算力,对无人机拍摄的巡检图片进行检测对比,从而极大的减少了人工阅片的工作量。本申请还公开一种利用可见光缺陷识别的电力线路无人机巡检***,用于实现上述利用可见光缺陷识别的电力线路无人机巡检方法。
Description
技术领域
本申请涉及电力巡检技术领域,涉及一种利用可见光缺陷识别的电力线路无人机巡检方法和***。
背景技术
目前,公告号为CN102589524B的中国发明专利,公布了一种电力线路巡检方法,该方法具体包括:利用携带拍照装置及导航***的无人机,按照预置的航线自动对电力线路的实时状况进行影像数据记录,并实时反馈航点位置数据信息;根据所述影像数据分析结果以及相应的航点位置数据确定所述电力线路中出现的疑似故障点。
随着电力巡检技术的不断升级,无人机以其受地形限制小、塔头巡检效果好、成本低、操作简单、巡检效率高等优势,在巡检范围、内容和频次上可对人工和直升机巡检进行有效补充等特点已在电力巡检领域得到了广泛的认可和全面的推广。
在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:
1、产生海量的无人机巡检影像数据,往往采用的是人工阅片的方式,但使用传统人工阅片已不能满足要求;
2、由于拍摄视角、光照、季节变化、天气等对图像的干扰,使得无人机拍摄的影像质量难以满足要求。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种利用可见光缺陷识别的电力线路无人机巡检方法和***,以解决无人机巡检电力线路的影像资料难以满足要求和海量影像资料难以筛选的技术问题。
在一些实施例中,所述一种利用可见光缺陷识别的电力线路无人机巡检方法,具体步骤包括:
根据需要巡检的线路所在区域的天气、季节和环境规划无人机的初步航线;
利用卫星与差分站对无人机自身位置进行定位;
无人机航线校准,无人机拍摄一易识别物作为参照物,将该参照物的图片上传至***,***根据图片中参照物的角度、亮度和完整度调整无人机的航线;
当参照物的图片满足***预设时,无人机按调整后的航线运行,并拍摄巡检图;
无人机将坐标信息与巡检图绑定后上传至***,***将巡检图处理为中间图像;
根据零部件图像数据库和孪生神经网络算法,对中间图像和巡检图的图像数据进行分类;
利用视觉差异检测模型,将分类后的图像进行视觉差异检测,获得检测结果;
筛选出具有缺陷的图像,并提取该图像所绑定的坐标信息。
进一步的,当参照物的图片没有满足预设时,重复无人机航线校准;
并设置无人机航线校准的次数阈值,校准次数超过阈值依然无法获得清晰的图像,则由人工介入。
进一步的,无人机按调整后的航线运行预设的一个单位时间后,再次进行无人机航线校准。
应理解,该一个单位时间,可以根据线路变化,时间变化引起的光照变化和/或天气变化来动态设定,而非一个固定不变的时间。
进一步的,***将巡检图处理为中间图像的具体步骤包括:
对巡检图进行降噪处理,并调节对比度;
根据发光模型法消除亮度变化、阴影和发射光的影响;
利用自然景物数据库和零部件模型数据库对巡检图中的各部分元素进行分割。
进一步的,所述视觉差异检测模型,构建步骤包括:
输入正常的零部件图像作为规范,建立规范图像库;
输入不同天气、不同时间段光照影响下的零部件图像,作为附加图像库;
输入具有缺陷的图像,利用卷积神经网络将具有缺陷的图像与规范图像库和附加图像库进行对比,输出视觉差异结果;
人工对视觉差异结果进行审核、修正,并标注缺陷类型;
将多种已知的缺陷图像输入进视觉差异检测模型中,对该视觉差异监测模型进行训练;
获得最终的视觉差异检测模型。
进一步的,筛选出具有缺陷的图像,同时,判断出具体的缺陷类型和缺陷面积:
具体的缺陷类型包括异物附着、缺损、裂纹和锈蚀。
进一步的,所述零部件图像库包括:
白色瓷质绝缘子、红棕色瓷质绝缘子、重锤和连接金具的零部件图像库;
对中间图像和巡检图的图像数据根据上述四种零部件图像库进行分类;
视觉差异检测模型设置有四个,并与上述四种零部件图像一一对应。
进一步的,设置缺陷管理***,具体步骤包括:
在筛选出具有缺陷的图像后,输出包括零部件类型、缺陷类型和缺陷面积的报表;
建立缺陷数据库,将上述报表和图像录入进缺陷数据库中;
将缺陷数据库可视化展现。
在一些实施例中,所述一种利用可见光缺陷识别的电力线路无人机巡检***包括:
无人机,配置有高清摄像设备和卫星导航***,并设置有RTK模块、螺旋天线和5G通讯模块;
差分站,设置在地面上与导航卫星和无人机通讯,无人机进行高精度定位;
存储模块,用于存储权利要求1中所述无人机拍摄的参照物图片、巡检图、中间图像和坐标信息,以及图像数据分类和视觉差异检测的程序;
服务器,用于规划权利要求1中所述的无人机航线,并执行图像数据分类和视觉差异检测的程序;
基站通讯模块,连接服务器,与无人机通讯。
进一步的,所述无人机为电力驱动的无人旋翼飞机。
本公开实施例提供的一种利用可见光缺陷识别的电力线路无人机巡检方法和***,可以实现以下技术效果:
1、通过视觉差异检测模型,能够利用计算机的算力,对无人机拍摄的巡检图片进行检测对比,从而极大的减少了人工阅片的工作量;
2、通过建立缺陷数据库,能够提高视觉差异检测模型的检测精准度和识别效率;
3、利用无人机航线校准,能够较好的根据天气、时间和环境的变化对无人机航线进行优化,尽可能的减少环境光对无人机拍摄影像图片的影响。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个利用可见光缺陷识别的电力线路无人机巡检方法的示意图;
图2是本公开实施例提供的一个用于视觉差异检测模型构建方法的示意图;
图3是本公开实施例提供的另一个利用可见光缺陷识别的电力线路无人机巡检方法的示意图;
图4是本公开实施例提供的一种利用可见光缺陷识别的电力线路无人机巡检***装置的示意图;
图5是本公开实施例提供的一种利用可见光缺陷识别的电力线路无人巡检***的服务器与存储模块和基站通讯模块的示意图。
附图标记:1、无人机;2、RTK模块;3、螺旋天线;5、差分站;6、存储模块;7、服务器;8、基站通讯模块。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
结合图1、图2和图3所示,本公开实施例提供一种利用可见光缺陷识别的电力线路无人机巡检方法,包括:
S01根据需要巡检的线路所在区域的天气、季节和环境规划无人机的初步航线;对天气、季节和环境的分析主要是为了获得巡检地的光照情况,以便通过优化无人机的航线,尽可能的减少外部光照环境对电力线路拍摄的影响;风力、风向和云层厚度等实时变化的参数,往往难以事先精准的获得,由无人机自身的协调能力调节;
S02利用卫星与差分站对无人机自身位置进行定位;
S03无人机航线校准,无人机拍摄一易识别物作为参照物,将该参照物的图片上传至***,***根据图片中参照物的角度、亮度和完整度调整无人机的航线;
S04当参照物的图片满足***预设时,无人机按调整后的航线运行,并拍摄巡检图;
S05无人机将坐标信息与巡检图绑定后上传至***,***将巡检图处理为中间图像;
S06根据零部件图像数据库和孪生神经网络算法,对中间图像和巡检图的图像数据进行分类;
S07利用视觉差异检测模型,将分类后的图像进行视觉差异检测,获得检测结果;
S08筛选出具有缺陷的图像,并提取该图像所绑定的坐标信息。
采用本公开实施例提供的利用可见光缺陷识别的电力线路无人机巡检方法,能通过卫星的导航***和差分站的配合,实现无人机的厘米级定位,以便较好的控制无人机精准的对电力线路进行拍摄;利用视觉差异检测模型,能够较好的对巡检图中的内容进行分析,较好的减少了人工阅片的投入,提高了阅片效率。
可选地,在无人机航线校准时,当参照物的图片没有满足预设时,重复无人机航线校准;
并设置无人机航线校准的次数阈值,校准次数超过阈值依然无法获得清晰的图像,则由人工介入。
这样,能够避免无人机长时间的进行航线校准,以提高无人机航线校准的效率。
可选地,无人机按调整后的航线运行预设的一个单位时间后,再次进行无人机航线校准。
由于风力和风向在时刻变化,云层的厚度也在不断的变化,通过航线的不断校准和反馈,能够进一步的减少环境光对送无人机拍摄的影响。
可选地,***将巡检图处理为中间图像的具体步骤包括:
对巡检图进行降噪处理,并调节对比度;
根据发光模型法消除亮度变化、阴影和发射光的影响;
利用自然景物数据库和零部件模型数据库对巡检图中的各部分元素进行分割。
降噪处理后的巡检图,能够去除较多的细微杂色,减少后续视觉差异检测模块的工作量,提高检测效率;
通过调节对比度,以及消除亮度变化、阴影和发射光的影响,均是用来尽可能的消除外部光环境对巡检图的影响,进一步的提高后续的检测效率;
通常电力线缆所处的位置为较为偏僻的位置,其所处环境中的自然景物较为统一,例如成片的树林、草地、水面等等,将上述自然景物的图像数据录入进***,对图像视觉识别模型进行训练;
同时将电力线路的零部件图像,例如白色瓷质绝缘子、红棕色瓷质绝缘子、重锤和连接金具的零部件图像录入进***,对图像视觉识别模型进行训练,以便利用图像视觉识别模型将自然景物和零部件进行分割;以进一步提高后续的检测效率。
可选地,S07中的视觉差异检测模型,构建步骤包括:
S071输入正常的零部件图像作为规范,建立规范图像库;
S072输入不同天气、不同时间段光照影响下的零部件图像,作为附加图像库;
S073输入具有缺陷的图像,利用卷积神经网络将具有缺陷的图像与规范图像库和附加图像库进行对比,输出视觉差异结果;
S074人工对视觉差异结果进行审核、修正,并标注缺陷类型;
S075将多种已知的缺陷图像输入进视觉差异检测模型中,对该视觉差异监测模型进行训练;
S076获得最终的视觉差异检测模型。
通过采用正常的零部件图像和具有缺陷的零部件图像,对视觉差异检测模型进行反复的训练,能够提高模型对缺陷的识别效率和准确度。
可选地,S08筛选出具有缺陷的图像,并提取该图像所绑定的坐标信息;之后增加步骤:
S09判断出具体的缺陷类型和缺陷面积:
S10具体的缺陷类型包括异物附着、缺损、裂纹和锈蚀;
可选地,在S10具体的缺陷类型包括异物附着、缺损、裂纹和锈蚀;之后设置缺陷管理***,步骤包括:
S11在筛选出具有缺陷的图像后,输出包括零部件类型、缺陷类型和缺陷面积的报表;
S12建立缺陷数据库,将上述报表和图像录入进缺陷数据库中;
S13将缺陷数据库可视化展现,按零部件种类的不同和零部件缺陷的不同,将缺陷数据制作成饼状图或柱状图,便于快速的分析出哪种零部件缺陷占比较高,哪种缺陷类型占比较高,从而便于对缺陷进行预防和管控。
可选地,S06根据零部件图像数据库和孪生神经网络算法,对中间图像和巡检图的图像数据进行分类;该步骤中的零部件图像库包括:
白色瓷质绝缘子、红棕色瓷质绝缘子、重锤和连接金具的零部件图像库;
对中间图像和巡检图的图像数据根据上述四种零部件图像库进行分类;
视觉差异检测模型设置有四个,并与上述四种零部件图像一一对应。
不同的零部件所可能会产生的缺陷是不同的,例如,连接金具会锈蚀或悬挂异物(通常为鸟巢)、白色瓷质绝缘子和红棕色瓷质绝缘子会发生破损、重锤可能发生破裂或缺失等等;
针对不同的零部件建立不同的视觉差异检测模型,能够进一步的提高检测的效率和精准度。
结合图4和图5所示,本公开实施例提供一种利用可见光缺陷识别的电力线路无人机巡检***装置,包括:
无人机1,配置有高清摄像设备和卫星导航***,并设置有RTK模块2、螺旋天线3和5G通讯模块;无人机1为电力驱动的无人旋翼飞机;
差分站5,设置在地面上与导航卫星和无人机1通讯,无人机1进行高精度定位;
存储模块6,用于存储权利要求1中所述无人机1拍摄的参照物图片、巡检图、中间图像和坐标信息,以及图像数据分类和视觉差异检测的程序;
服务器7,用于规划权利要求1中所述的无人机1航线,并执行图像数据分类和视觉差异检测的程序;
基站通讯模块8,连接服务器7,与无人机1通讯。
无人机1通过差分站5和导航卫星的配合,极大程度的提高了无人机1飞行是的精确性,有利于更准确清晰的获得巡检图像。
本公开实施例的技术方案可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种利用可见光缺陷识别的电力线路无人机巡检方法,其特征在于,具体步骤包括:
根据需要巡检的线路所在区域的天气、季节和环境规划无人机的初步航线;
利用卫星与差分站对无人机自身位置进行定位;
无人机航线校准,无人机拍摄一易识别物作为参照物,将该参照物的图片上传至***,***根据图片中参照物的角度、亮度和完整度调整无人机的航线;
当参照物的图片满足***预设时,无人机按调整后的航线运行,并拍摄巡检图;
无人机将坐标信息与巡检图绑定后上传至***,***将巡检图处理为中间图像;
根据零部件图像数据库和孪生神经网络算法,对中间图像和巡检图的图像数据进行分类;
利用视觉差异检测模型,将分类后的图像进行视觉差异检测,获得检测结果;
筛选出具有缺陷的图像,并提取该图像所绑定的坐标信息。
2.根据权利要求1所述的利用可见光缺陷识别的电力线路无人机巡检方法,其特征在于,当参照物的图片没有满足预设时,重复无人机航线校准;
并设置无人机航线校准的次数阈值,校准次数超过阈值依然无法获得清晰的图像,则由人工介入。
3.根据权利要求1所述的利用可见光缺陷识别的电力线路无人机巡检方法,其特征在于,无人机按调整后的航线运行预设的一个单位时间后,再次进行无人机航线校准。
4.根据权利要求1所述的利用可见光缺陷识别的电力线路无人机巡检方法,其特征在于,***将巡检图处理为中间图像的具体步骤包括:
对巡检图进行降噪处理,并调节对比度;
根据发光模型法消除亮度变化、阴影和发射光的影响;
利用自然景物数据库和零部件模型数据库对巡检图中的各部分元素进行分割。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述视觉差异检测模型,构建步骤包括:
输入正常的零部件图像作为规范,建立规范图像库;
输入不同天气、不同时间段光照影响下的零部件图像,作为附加图像库;
输入具有缺陷的图像,利用卷积神经网络将具有缺陷的图像与规范图像库和附加图像库进行对比,输出视觉差异结果;
人工对视觉差异结果进行审核、修正,并标注缺陷类型;
将多种已知的缺陷图像输入进视觉差异检测模型中,对该视觉差异监测模型进行训练;
获得最终的视觉差异检测模型。
6.根据权利要求1-4任一所述的利用可见光缺陷识别的电力线路无人机巡检方法,其特征在于,筛选出具有缺陷的图像,同时,判断出具体的缺陷类型和缺陷面积:
具体的缺陷类型包括异物附着、缺损、裂纹和锈蚀。
7.根据权利要求1-4任一所述的利用可见光缺陷识别的电力线路无人机巡检方法,其特征在于,
所述零部件图像库包括:
白色瓷质绝缘子、红棕色瓷质绝缘子、重锤和连接金具的零部件图像库;
对中间图像和巡检图的图像数据根据上述四种零部件图像库进行分类;
视觉差异检测模型设置有四个,并与上述四种零部件图像一一对应。
8.根据权利要求6所述的利用可见光缺陷识别的电力线路无人机巡检方法,其特征在于,设置缺陷管理***,具体步骤包括:
在筛选出具有缺陷的图像后,输出包括零部件类型、缺陷类型和缺陷面积的报表;
建立缺陷数据库,将上述报表和图像录入进缺陷数据库中;
将缺陷数据库可视化展现。
9.一种利用可见光缺陷识别的电力线路无人机巡检***,其特征在于,包括:
无人机,配置有高清摄像设备和卫星导航***,并设置有RTK模块、螺旋天线和5G通讯模块;
差分站,设置在地面上与导航卫星和无人机通讯,无人机进行高精度定位;
存储模块,用于存储权利要求1中所述无人机拍摄的参照物图片、巡检图、中间图像和坐标信息,以及图像数据分类和视觉差异检测的程序;
服务器,用于规划权利要求1中所述的无人机航线,并执行图像数据分类和视觉差异检测的程序;
基站通讯模块,连接服务器,与无人机通讯。
10.根据权利要求9所述的利用可见光缺陷识别的电力线路无人机巡检***,其特征在于,所述无人机为电力驱动的无人旋翼飞机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310614549.9A CN116778357A (zh) | 2023-05-29 | 2023-05-29 | 利用可见光缺陷识别的电力线路无人机巡检方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310614549.9A CN116778357A (zh) | 2023-05-29 | 2023-05-29 | 利用可见光缺陷识别的电力线路无人机巡检方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116778357A true CN116778357A (zh) | 2023-09-19 |
Family
ID=88009087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310614549.9A Pending CN116778357A (zh) | 2023-05-29 | 2023-05-29 | 利用可见光缺陷识别的电力线路无人机巡检方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778357A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117109598A (zh) * | 2023-10-23 | 2023-11-24 | 中冶建筑研究总院(深圳)有限公司 | 一种地空协同多旋翼无人机巡检路径规划方法和*** |
-
2023
- 2023-05-29 CN CN202310614549.9A patent/CN116778357A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117109598A (zh) * | 2023-10-23 | 2023-11-24 | 中冶建筑研究总院(深圳)有限公司 | 一种地空协同多旋翼无人机巡检路径规划方法和*** |
CN117109598B (zh) * | 2023-10-23 | 2024-01-23 | 中冶建筑研究总院(深圳)有限公司 | 一种地空协同多旋翼无人机巡检路径规划方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107014827B (zh) | 基于影像处理的输电线路缺陷分析方法、装置和*** | |
KR102094341B1 (ko) | 인공지능 기반의 도로 노면 불량 객체 정보 분석 시스템 및 방법 | |
Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
US11361423B2 (en) | Artificial intelligence-based process and system for visual inspection of infrastructure | |
CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN108648169B (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
US8503761B2 (en) | Geospatial modeling system for classifying building and vegetation in a DSM and related methods | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
JP2016223815A (ja) | 劣化診断装置及び劣化診断方法 | |
CN116778357A (zh) | 利用可见光缺陷识别的电力线路无人机巡检方法和*** | |
CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN117078624A (zh) | 一种基于多维注意力模块的轻量化混凝土裂缝检测方法及装置 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN112017057A (zh) | 一种保险理赔处理方法及装置 | |
CN116580026B (zh) | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 | |
CN111523392B (zh) | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 | |
CN112991425A (zh) | 一种水域水位提取方法、***及存储介质 | |
CN111325076B (zh) | 一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法 | |
CN112613437A (zh) | 一种准确率高的违章建筑识别方法 | |
CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
CN117036756A (zh) | 基于变分自动编码器的遥感图像匹配方法及*** | |
CN114708190A (zh) | 一种基于深度学习的道路裂缝检测评估算法 | |
CN114140707A (zh) | 一种电网故障巡检方法 | |
CN113902739A (zh) | Nut线夹缺陷识别方法、装置及设备、可读存储介质 |
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 |