CN117830032A - 一种输电线网监控抓拍及风险评估方法及*** - Google Patents
一种输电线网监控抓拍及风险评估方法及*** Download PDFInfo
- Publication number
- CN117830032A CN117830032A CN202410251604.7A CN202410251604A CN117830032A CN 117830032 A CN117830032 A CN 117830032A CN 202410251604 A CN202410251604 A CN 202410251604A CN 117830032 A CN117830032 A CN 117830032A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- monitoring
- image
- real
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 510
- 230000005540 biological transmission Effects 0.000 title claims abstract description 152
- 238000012502 risk assessment Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 124
- 238000004458 analytical method Methods 0.000 claims abstract description 63
- 238000012937 correction Methods 0.000 claims abstract description 50
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims description 103
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 35
- 230000009466 transformation Effects 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000005065 mining Methods 0.000 claims description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013450 outlier detection Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000000547 structure data Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000012098 association analyses Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 230000004297 night vision Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Emergency Management (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
Abstract
本发明涉及输电线网监控技术领域,尤其涉及一种输电线网监控抓拍及风险评估方法及***。该方法应用于智能监拍装置,配备多个摄像头,分布于输电线路的前、后和下方,实现了全天候、多方位对输电线路通道和塔基的监测。该方法包括以下步骤:利用智能监控网络进行多方位智能监拍;对监拍图像优化数据进行透视变形校正处理;将校正监拍图像数据传输至智能AI分析芯片进行通道安全影响评估;对实时风险区域数据进行风险事件跟踪监拍;对动态风险事件监拍数据进行风险事件预警处理。本发明能够实现对输电线网的实时监控和动态风险评估。
Description
技术领域
本发明涉及输电线网监控技术领域,尤其涉及一种输电线网监控抓拍及风险评估方法。
背景技术
电力***是现代社会运转的基础,而输电线路是电力***的关键组成部分,输电线路可能受到自然灾害、人为破坏、设备故障等多种因素的影响,导致电力***中断或损坏。因此,确保输电线路的正常运行和及时发现并处理这些异常情况对于减少停电时间、提高电力***可靠性至关重要。然而,传统的输电线网监控抓拍及风险评估方法通常依赖固定的检测设备,其覆盖范围和监测频率有限,这导致在某些区域或时间段内可能错过潜在的风险因素。同时传统监控方法中的分析主要基于规则和静态阈值,缺乏对复杂情况的智能适应能力,不能灵活地适应不同环境下的变化和异常情况。
发明内容
基于此,本发明提供一种输电线网监控抓拍及风险评估方法,以解决至少一个上述技术问题。
为实现上述目的,一种输电线网监控抓拍及风险评估方法,包括以下步骤:
步骤S1:获取输电线网拓扑数据;根据输电线网拓扑数据进行智能监拍点标记,生成线路监拍点数据;基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络;
步骤S2:利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;基于实时光照水平数据利用智能监控网络进行多方位智能监拍,并进行图像色彩优化处理,从而得到监拍图像优化数据;
步骤S3:对监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;根据初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据;
步骤S4:基于卷积神经网络模型构建图像风险识别模型;将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据;根据实时图像风险数据进行通道安全影响评估,并进行风险等级区域划分,生成实时风险区域数据;
步骤S5:对实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;基于实时风险事件数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;利用智能AI分析芯片对动态风险事件监拍数据进行风险物落点预测,生成风险物落点坐标数据;根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
本发明通过获取输电线网的拓扑数据,可以建立一张详细的网络图,包括输电线路、塔基等信息。通过在输电线路上智能标记监拍点,能够更精准地监测关键区域,从而提高监控***的有效性,减少监控死角,进而提高监测的全面性和实时性。利用输电线塔基数据进行边缘计算,有助于减轻中心服务器的负担,提高监控***的响应速度。边缘计算能够在输电线路附近实时处理数据,降低了传输时延,增强了监测***的实时性和稳定性。通过环境光传感器获取周围环境的光照水平数据,确保监控***能够根据环境光照情况进行智能调整,提高监拍图像的清晰度和可视性。基于实时光照水平数据,智能监控网络能够根据环境光照情况智能调整监拍模式和参数,以保证监拍图像的质量,确保监拍图像在各种光照条件下都能够提供高质量的信息。通过仿射变换处理监拍图像优化数据,有助于调整图像中不同区域的几何形状和角度,从而校正由于摄像头安装角度或监拍点位不正导致的图像畸变,使得图像更符合实际场景的几何结构,提高监拍图像的准确性和真实性。对初步校正的监拍图像数据进行更精细的校正,纠正透视变形引起的图像形状失真,确保监拍图像中的目标物体的形状和位置能够准确反映实际情况,提高监控***的测量精度和数据可信度。利用卷积神经网络(CNN)构建图像风险识别模型,可以***学习和识别监拍图像中的潜在风险因素,例如设备故障、异常物体等。将构建好的图像风险识别模型嵌入智能AI分析芯片,并进行边缘计算引擎配置,实现在边缘设备上实现高效的图像识别,减少对中心服务器的依赖,提高***的实时性和响应速度。利用实时图像风险数据,可以进行通道安全影响评估,分析监拍图像中的风险对输电通道的影响程度,从而更全面地理解潜在风险对输电线路的威胁程度,同时更具体地标记出潜在风险的位置和等级。通过对实时风险区域数据进行挖掘和分析,可以发现潜在的风险事件,并生成实时风险事件数据。利用实时风险事件数据,智能监控网络可以实时控制智能抓拍装置进行针对性的监拍,跟踪潜在风险事件。通过智能AI分析芯片对动态监拍数据进行分析,能够预测风险物体的落点,生成相应的坐标数据,提前发现潜在风险物体的落点位置。利用风险物落点坐标数据,可以进行风险事件的预警处理,包括及时通知相关人员、启动安全措施等,有利于提前预警潜在的风险事件,减缓事故发生可能带来的影响。因此,本发明的一种输电线网监控抓拍及风险评估方法通过历史线路故障数据进行智能监拍点标记,并全覆盖部署智能抓拍装置,从而构建智能监控网络。通过智能监控网络对输电线网进行全覆盖多方位监拍,考虑监拍时光照因素以及时调节监拍模式,将监拍的图像进行变形校正处理,使得图像更符合实际场景的几何结构。利用智能Al分析芯片对图像进行风险物识别,并考虑风险物的动态影响坐标,实现对输电线网的动态风险评估。
优选地,步骤S1包括以下步骤:
步骤S11:获取输电线网拓扑数据,其中输电线网拓扑数据包括输电线路通道数据以及输电线塔基数据;
步骤S12:对输电线路通道数据进行历史故障数据挖掘,生成历史线路故障数据;
步骤S13:对历史线路故障数据进行特征工程处理,生成历史线路故障特征数据;
步骤S14:通过历史线路故障特征数据对输电线路通道数据进行智能监拍点标记,生成线路监拍点数据;
步骤S15:基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络。
本发明通过获取输电线网的拓扑数据,***可以建立一张详细的网络图,包括输电线路的布局、连接关系以及输电线塔基的位置等信息,从而全面了解输电线路的结构和地理分布。通过对输电线路通道数据进行历史故障数据挖掘,***可以提取线路在过去的故障记录。这有益于识别线路的故障模式、了解故障发生的频率和位置。通过特征工程处理历史线路故障数据,***可以提取有关故障的关键特征,例如故障发生的时间、地点、频率、持续时间等。将复杂的历史故障数据转化为具有可分析性和预测性的特征。利用历史线路故障特征数据,***可以分析过去故障发生的位置、频率以及对应的线路特征。通过智能算法,在可能发生故障的区域标记监拍点,生成线路监拍点数据。提高监测***对潜在故障区域的覆盖率,从而更有效地预防和监测线路故障。利用线路监拍点数据,***可以有针对性地部署智能抓拍装置,提高监测***的精度。通过根据输电线塔基数据进行边缘计算处理,***在设备附近即时处理监测数据,提高***的实时性、灵敏度和对故障的及时响应能力。
优选地,步骤S14包括以下步骤:
步骤S141:根据历史线路故障特征数据进行时间序列处理,生成时序故障特征数据;
步骤S142:通过预设的时间窗口对时序故障特征数据进行移动平均值计算,生成移动平均值数据;通过时间窗口对时序故障特征数据进行窗口标准差计算,生成窗口标准差数据;
步骤S143:基于移动平均值数据以及窗口标准差数据进行控制限设定,生成异常控制限数据;
步骤S144:根据异常控制限数据以及移动平均值数据进行移动平均控制图绘制,从而得到移动平均控制图数据;
步骤S145:利用异常检测阈值数据对移动平均控制图数据进行异常点检测,得到历史异常点数据;通过历史异常点数据对输电线路通道数据进行关键监拍点标记,生成关键监拍点数据;
步骤S146:根据关键监拍点数据进行全线路监拍覆盖分析,生成辅助监拍点数据;将辅助监拍点数据以及关键监拍点数据进行数据整合,得到线路监拍点数据。
本发明通过对历史线路故障特征数据进行时间序列处理,***能够在时间维度上构建故障特征的时序信息,从而识别故障发生的趋势和模式。通过计算移动平均值和窗口标准差,***可以平滑时序数据,减少噪音的影响,同时检测数据的变化趋势和波动性,更精确地捕捉故障特征的重要变化。通过设定控制限,***能够界定正常范围,并识别超出正常范围的异常情况,根据历史故障数据的统计特征建立异常控制限,为后续的异常检测提供合理的基准。移动平均控制图以图形方式展示移动平均值和异常控制限的关系,使得***能够更直观地观察历史故障数据的异常情况,在时间序列中检测到的潜在异常模式的可视化和理解。通过设定异常检测阈值,***可以自动识别移动平均控制图中的异常点,标记出历史数据中的关键监拍点,即与故障相关的重要时间点。通过全线路监拍覆盖分析,***可以确定全线路的监拍点布局,包括关键监拍点和辅助监拍点。这有益于确保整个输电线路得到全面监测,提高***对潜在风险的感知能力。整合关键监拍点和辅助监拍点数据后,***能够更全面地建立线路监拍点数据,进一步增强监测***的有效性和稳定性。
优选地,步骤S2包括以下步骤:
步骤S21:利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;
步骤S22:根据实时光照水平数据进行光照条件评估,从而得到图像光照条件数据;
步骤S23:通过预设的监拍光照阈值数据对图像光照条件数据进行监拍模式判断,生成实时监拍模式数据,其中实时监拍模式数据包括白天监拍模式数据以及夜晚监拍模式数据;
步骤S24:当实时监拍模式数据为白天监拍模式数据时,利用智能监控网络进行多方位彩色监拍,生成白天监拍图像数据;
步骤S25:当实时监拍模式数据为夜晚监拍模式数据时,利用智能监控网络进行多方位夜间监拍,并通过图像光照条件数据进行色彩优化处理,生成夜间优化图像数据。
本发明通过环境光传感器实时采集光照水平数据,***可以获取当前环境中的光照强度信息,以确保监拍设备在合适的光照条件下工作。利用实时光照水平数据进行光照条件评估,***可以对当前环境的光照情况进行定量分析,了解监拍图像的拍摄环境,为后续的监拍模式判断和图像处理提供依据。根据预设的监拍光照阈值,***可以判断当前环境是白天还是夜晚,从而确定相应的监拍模式。这有益于优化监拍策略,确保在不同光照条件下获得最佳的监拍效果。在白天监拍模式下,可以利用智能监控网络进行多方位的彩色监拍,以获取高质量的白天监拍图像,在白天光照条件下获取清晰、真实的监拍数据。在夜晚监拍模式下,***利用智能监控网络进行多方位夜间监拍,并通过图像光照条件数据进行色彩优化处理。这有益于提高夜间监拍图像的清晰度和色彩还原度,使***在低光照条件下也能获取具有较高质量的监拍数据。
优选地,步骤S25包括以下步骤:
步骤S251:当实时监拍模式数据为夜晚监拍模式数据时,利用智能监控网络进行多方位夜间监拍,得到原始夜间监拍图像数据;
步骤S252:对原始夜间监拍图像数据进行图像特征提取,生成夜间图像特征数据;
步骤S253:通过图像光照条件数据对夜间图像特征数据进行低光条件特征分析,生成低光条件特征数据;
步骤S254:根据低光条件特征数据进行直方图均衡化处理,并进行图像色调映射处理,生成夜间补偿图像数据;
步骤S255:基于反向传播算法构建初始超分辨率重构模型;将夜间补偿图像数据进行训练数据预处理,并进行随机划分,分别得到训练集以及验证集;
步骤S256:通过训练集对初始超分辨率重构模型进行模型训练,并通过验证集进行模型验证以及超参数调优,生成超分辨率重构模型;
步骤S257:将夜间补偿图像数据传输至超分辨率重构模型进行超分辨重构处理,生成夜间超分辨率图像数据;
步骤S258:对夜间超分辨率图像数据进行局部对比度增强处理,生成夜间优化图像数据。
本发明在夜晚监拍模式下,***通过智能监控网络进行多方位夜间监拍,获取原始夜间监拍图像数据,从而捕捉夜晚环境中的实时场景,涵盖更广泛的监控范围,提供高质量的初始监拍数据。利用图像处理技术,***从原始夜间监拍图像数据中提取关键特征,如纹理、边缘和颜色信息,提炼高层次的结构性和语义性特征。利用实时光照水平数据和图像光照条件数据,***对夜间图像特征进行低光条件分析,了解图像在低光条件下的表现,以更好地适应不同光照环境。基于低光条件特征数据,***采用直方图均衡化和色调映射处理来调整夜间监拍图像的亮度和色彩平衡,提高夜间监拍图像的视觉品质,增强图像的清晰度和真实感,使***在低光条件下呈现更为清晰和准确的监控画面。通过应用反向传播算法,***构建了初始的超分辨率重构模型。通过学习图像的高级表示来提高图像的分辨率,以便更清晰地还原夜间监拍图像的细节和清晰度。对夜间补偿图像数据进行训练数据预处理,包括数据标准化、裁剪等操作,然后进行随机划分,分为训练集和验证集,建立训练集用于模型训练,验证集用于模型验证和超参数调优,以确保模型在训练过程中具有较好的泛化性能。利用训练集对初始超分辨率重构模型进行训练,通过验证集进行模型验证和超参数调优,最终生成经过训练的超分辨率重构模型,提高模型对夜间图像的分辨率恢复能力,并通过验证集的评估确保模型的鲁棒性和泛化性。将夜间补偿图像数据输入经过训练的超分辨率重构模型,进行超分辨率重构处理,生成夜间超分辨率图像数据,通过深度学习方法提高夜间监拍图像的分辨率,使得图像更富有细节和清晰度。
优选地,步骤S3包括以下步骤:
步骤S31:利用智能抓拍装置进行标准监拍样本图像采集,分别得到监拍样本图像数据以及拍摄参数数据;
步骤S32:对监拍样本图像数据进行透视变形分析,生成透视变形样本数据;
步骤S33:根据透视变形样本数据进行多维标定点设计,生成多维标定点数据;通过多维标定点数据对透视变形样本数据进行非线性标定点分布处理,得到标定点图像序列数据;
步骤S34:通过标定点图像序列数据对拍摄参数数据进行图像透视矩阵估计处理,得到图像透视矩阵数据;
步骤S35:将图像透视矩阵数据进行透视矩阵分解处理,分别得到内参矩阵数据、外参矩阵数据以及图像畸变参数;
步骤S36:根据监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;
步骤S37:基于内参矩阵数据、外参矩阵数据以及图像畸变参数利用预设的多项式透视变换模型对初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据。
本发明通过智能抓拍装置,***能够采集标准监拍样本图像,同时记录拍摄参数数据,包括拍摄角度、焦距、曝光时间等。通过透视变形分析,***可以识别监拍样本图像中的透视效应,即由于摄像头和目标物体之间的角度不同而导致的图像形变,模拟真实监拍场景中的透视变形,提供更真实的训练数据。通过设计多维标定点,***可以捕捉透视变形样本数据中的关键特征点。通过非线性标定点分布处理,可以更准确地定位标定点,形成标定点图像序列数据,确保透视变形的精确建模。利用标定点图像序列数据,***可以通过计算图像透视矩阵对拍摄参数进行估计,建立图像透视矩阵,使***能够更精确地还原真实场景中的透视关系,从而更准确地分析监拍图像中的透视变形。通过透视矩阵分解处理,***可以将图像透视矩阵分解为内参矩阵、外参矩阵和图像畸变参数。内参矩阵包括焦距、光心等相机内部参数,外参矩阵包括摄像头的旋转和平移等外部参数,而图像畸变参数描述了图像由于透视引起的畸变效应,准确描述相机的内外参数。利用监拍图像优化数据,***进行仿射变换处理,这有助于调整图像的旋转、平移和缩放,生成初步校正图像数据,在校正之前对图像进行初步处理,以便更好地适应透视变形的校正。利用内参矩阵、外参矩阵和图像畸变参数,使用预设的多项式透视变换模型对初步校正图像进行透视变形校正处理,更准确地纠正透视变形效应,生成校正后的监拍图像。
优选地,步骤S4包括以下步骤:
步骤S41:基于卷积神经网络模型构建图像识别以及风险标签的映射关系,从而得到初始识别模型;
步骤S42:获取图像识别样本数据;通过初始识别模型对图像识别样本数据进行迁移学习处理,得到图像风险识别模型;
步骤S43:将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;
步骤S44:将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据,其中实时图像风险数据包括多风险标签数据以及实时风险坐标数据;
步骤S45:利用风险评估算法对多风险标签数据进行风险评分指标计算,生成实时风险评分数据;
步骤S46:根据实时风险评分数据进行通道安全影响评估,从而得到实时风险评估数据;
步骤S47:通过实时风险坐标数据对实时风险评估数据进行风险等级区域划分,生成实时风险区域数据。
本发明通过构建卷积神经网络(CNN)模型,***学习图像特征与风险标签之间的映射关系,实现自动化的图像风险标签分类,使***能够识别监拍图像中的各种风险情况。通过获取大量的图像识别样本数据,***可以进行迁移学习,即利用预训练的初始识别模型,在新的数据集上进行训练,得到更具特定性和泛化能力的图像风险识别模型,适应不同监拍场景和风险类型,提高识别模型的性能。将训练得到的图像风险识别模型嵌入智能AI分析芯片中,同时进行边缘计算引擎配置,在智能AI分析芯片上实现高效的图像识别处理,减少对中央服务器的依赖,提高实时性和响应速度。将经过校正处理的监拍图像数据传输至嵌入在智能AI分析芯片中的图像风险识别模型进行实时风险识别。***能够生成实时图像风险数据,包括多风险标签数据以及实时风险坐标数据,即时监测监拍图像中的各类风险,并提供详细的标签和坐标信息,帮助***实时应对潜在威胁。通过使用专门设计的风险评估算法,从图像风险识别模型获得的多风险标签数据进行评分指标计算,量化每种风险的严重程度。基于实时风险评分数据,***进行通道安全影响评估,考虑不同风险在特定环境下的综合影响。综合考虑多种风险因素,为***提供更全面的实时风险评估数据。利用实时风险坐标数据,***将实时风险评估数据进行空间区域划分,生成实时风险区域数据,将不同区域的风险状况细化,使决策者能够更准确地定位潜在的安全问题,采取有针对性的措施。
优选地,步骤S5包括以下步骤:
步骤S51:根据实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;
步骤S52:通过预设的动态监测策略对实时风险事件数据进行动态监测匹配,分别得到风险事件监测周期数据以及风险事件监测频率数据;
步骤S53:基于风险事件监测周期数据以及风险事件监测频率数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;
步骤S54:将动态风险事件监拍数据传输至智能图像识别模型进行动态事件识别,生成风险事件识别数据;
步骤S55:利用智能AI分析芯片对风险事件识别数据进行风险物落点预测,生成风险物落点坐标数据;
步骤S56:根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
本发明利用实时风险区域数据,***进行风险事件挖掘,即识别和分析与特定区域相关的潜在风险事件,及时发现潜在威胁,生成实时风险事件数据,为后续的监测和跟踪提供基础。利用预设的动态监测策略,***对实时风险事件数据进行匹配,得到每个风险事件的监测周期和监测频率数据,根据事件的特性确定合适的监测策略,提高监测效率和准确性。根据监测周期和频率数据,***利用智能监控网络控制抓拍装置进行风险事件跟踪监拍,在事件发生期间定时采集监拍数据,生成动态风险事件监拍数据,有助于更全面地了解事件的演变过程。将通过跟踪监拍得到的动态风险事件数据传输至智能图像识别模型,进行动态事件的识别,实时判断风险事件的性质。利用智能AI分析芯片,***对风险事件识别数据进行深度学习模型的运算,以实现对风险物的落点进行预测,准确定位风险源的具***置,生成精确的风险物落点坐标数据。根据风险物落点坐标数据,***进行风险事件预警处理,以识别潜在的危险情况。通过实时监测和预警,及时通知相关人员,采取必要的措施来应对潜在风险。生成的风险事件预警数据能够提供详细的信息,包括风险物落点坐标、风险类型等,有助于决策者迅速做出反应。
本发明还提供一种输电线网监控抓拍及风险评估***,执行如上所述的输电线网监控抓拍及风险评估方法,该输电线网监控抓拍及风险评估***包括:
监控网络部署模块,用于获取输电线网拓扑数据;根据输电线网拓扑数据进行智能监拍点标记,生成线路监拍点数据;基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络;
智能图像监拍模块,用于利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;基于实时光照水平数据利用智能监控网络进行多方位智能监拍,并进行图像色彩优化处理,从而得到监拍图像优化数据;
图像透视校正模块,用于对监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;根据初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据;
智能风险识别模块,用于基于卷积神经网络模型构建图像风险识别模型;将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据;根据实时图像风险数据进行通道安全影响评估,并进行风险等级区域划分,生成实时风险区域数据;
动态监控预警模块,用于对实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;基于实时风险事件数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;利用智能AI分析芯片对动态风险事件监拍数据进行风险物落点预测,生成风险物落点坐标数据;根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
附图说明
图1为本发明一种输电线网监控抓拍及风险评估方法的步骤流程示意图。
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S5的详细实施步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
智能监拍装置是一款为输电电路设计的抓拍装置,配备多个摄像头,分布于输电线路的前、后和下方,实现了全天候、多方位对输电线路通道和塔基的监测。这一装置采用了大靶面和高性能的图像传感器,结合超分重构图像优化技术,即使在夜晚也能拍摄出如同白天一样清晰的彩色图像,确保24小时不间断的监测。通过前置的智能AI分析芯片,装置能够有效地识别线路通道上的施工车辆、飘挂物、烟火等潜在风险隐患,从而提高了输电线路的运行安全性,为输电行业带来了更先进、智能化的监测手段,使得在各种复杂环境条件下都能及时发现并应对潜在问题。值得注意的是,该监拍装置不仅性能卓越,而且具有成本低、重量轻、安装简单等特点,适用于大规模的覆盖需求。
为实现上述目的,请参阅图1至图3,本发明提供一种输电线网监控抓拍及风险评估方法,包括以下步骤:
步骤S1:获取输电线网拓扑数据;根据输电线网拓扑数据进行智能监拍点标记,生成线路监拍点数据;基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络;
步骤S2:利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;基于实时光照水平数据利用智能监控网络进行多方位智能监拍,并进行图像色彩优化处理,从而得到监拍图像优化数据;
步骤S3:对监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;根据初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据;
步骤S4:基于卷积神经网络模型构建图像风险识别模型;将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据;根据实时图像风险数据进行通道安全影响评估,并进行风险等级区域划分,生成实时风险区域数据;
步骤S5:对实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;基于实时风险事件数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;利用智能AI分析芯片对动态风险事件监拍数据进行风险物落点预测,生成风险物落点坐标数据;根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
本发明通过获取输电线网的拓扑数据,可以建立一张详细的网络图,包括输电线路、塔基等信息。通过在输电线路上智能标记监拍点,能够更精准地监测关键区域,从而提高监控***的有效性,减少监控死角,进而提高监测的全面性和实时性。利用输电线塔基数据进行边缘计算,有助于减轻中心服务器的负担,提高监控***的响应速度。边缘计算能够在输电线路附近实时处理数据,降低了传输时延,增强了监测***的实时性和稳定性。通过环境光传感器获取周围环境的光照水平数据,确保监控***能够根据环境光照情况进行智能调整,提高监拍图像的清晰度和可视性。基于实时光照水平数据,智能监控网络能够根据环境光照情况智能调整监拍模式和参数,以保证监拍图像的质量,确保监拍图像在各种光照条件下都能够提供高质量的信息。通过仿射变换处理监拍图像优化数据,有助于调整图像中不同区域的几何形状和角度,从而校正由于摄像头安装角度或监拍点位不正导致的图像畸变,使得图像更符合实际场景的几何结构,提高监拍图像的准确性和真实性。对初步校正的监拍图像数据进行更精细的校正,纠正透视变形引起的图像形状失真,确保监拍图像中的目标物体的形状和位置能够准确反映实际情况,提高监控***的测量精度和数据可信度。利用卷积神经网络(CNN)构建图像风险识别模型,可以***学习和识别监拍图像中的潜在风险因素,例如设备故障、异常物体等。将构建好的图像风险识别模型嵌入智能AI分析芯片,并进行边缘计算引擎配置,实现在边缘设备上实现高效的图像识别,减少对中心服务器的依赖,提高***的实时性和响应速度。利用实时图像风险数据,可以进行通道安全影响评估,分析监拍图像中的风险对输电通道的影响程度,从而更全面地理解潜在风险对输电线路的威胁程度,同时更具体地标记出潜在风险的位置和等级。通过对实时风险区域数据进行挖掘和分析,可以发现潜在的风险事件,并生成实时风险事件数据。利用实时风险事件数据,智能监控网络可以实时控制智能抓拍装置进行针对性的监拍,跟踪潜在风险事件。通过智能AI分析芯片对动态监拍数据进行分析,能够预测风险物体的落点,生成相应的坐标数据,提前发现潜在风险物体的落点位置。利用风险物落点坐标数据,可以进行风险事件的预警处理,包括及时通知相关人员、启动安全措施等,有利于提前预警潜在的风险事件,减缓事故发生可能带来的影响。因此,本发明的一种输电线网监控抓拍及风险评估方法通过历史线路故障数据进行智能监拍点标记,并全覆盖部署智能抓拍装置,从而构建智能监控网络。通过智能监控网络对输电线网进行全覆盖多方位监拍,考虑监拍时光照因素以及时调节监拍模式,将监拍的图像进行变形校正处理,使得图像更符合实际场景的几何结构。利用智能Al分析芯片对图像进行风险物识别,并考虑风险物的动态影响坐标,实现对输电线网的动态风险评估。
本发明实施例中,参考图1所述,为本发明一种输电线网监控抓拍及风险评估方法的步骤流程示意图,在本实施例中,所述的一种输电线网监控抓拍及风险评估方法包括以下步骤:
步骤S1:获取输电线网拓扑数据;根据输电线网拓扑数据进行智能监拍点标记,生成线路监拍点数据;基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络;
本发明实施例中,获取输电线网的拓扑结构数据,包括输电线路的位置、线路的连接关系、输电塔的位置等。根据输电线网拓扑数据,设计监测点标记规则。可能的标记规则包括在拓扑节点、线路拐角或重要设备位置标记监测点,以及通过历史风险故障数据将高频故障点进行关键监测点标记。按照标记规则,在输电线路上生成智能监拍点,并记录每个监拍点的位置、所属线路、监拍方向等信息,形成线路监拍点数据。根据生成的线路监拍点数据,在每个监拍点位置安装智能抓拍装置,这些装置负责实时监测线路状况。在智能抓拍装置上实施边缘计算,即在数据产生的地方进行初步处理,减轻对中心服务器的数据传输压力,处理可以包括图像实时分析、异常检测等。将部署的智能抓拍装置连接至中心服务器,形成智能监控网络。通过网络,实时传输监测数据至中心服务器。
步骤S2:利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;基于实时光照水平数据利用智能监控网络进行多方位智能监拍,并进行图像色彩优化处理,从而得到监拍图像优化数据;
本发明实施例中,***根据实时光照水平数据进行光照条件的评估。这涉及将光照水平数据与预定义的光照条件范围进行比较,例如夜晚、阴影、阴天、晴天等条件。根据评估结果,***生成图像光照条件数据,包括光照强度、天空亮度等信息,并带有时间戳。预设监拍光照阈值数据,用于判断当前光照条件是否适合监拍。图像光照条件数据与预设的监拍光照阈值数据进行比较,判断当前光照条件属于白天监拍模式还是夜晚监拍模式。例如,在白天监拍模式下,***启动智能监控网络中的彩色监拍任务,利用多方位监控设备进行监拍。摄像头覆盖监测区域各个角落,捕捉输电线路塔位的状态和周边环境,保证图像的清晰度和全面性。在夜晚监拍模式下,***启动智能监控网络中的夜间监拍任务。利用夜视设备,在低光照条件下进行监拍,确保获取清晰的图像。例如,捕捉输电线路的各个塔位,以应对夜间监测需求。针对夜间图像,***进行超分重构优化处理,提高图像的可视性和识别能力。这可以包括图像的色彩增强、对比度调整等操作,以适应不同的监拍场景。
步骤S3:对监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;根据初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据;
本发明实施例中,利用监拍图像优化数据,通过仿射变换,对图像进行初步校正。仿射变换包括平移、旋转、缩放等线性变换,用于消除图像的刚性畸变。利用初步校正图像数据,根据内参矩阵、外参矩阵和畸变参数,使用相机模型和透视变换模型进行透视变形校正处理。这一步骤确保更准确的图像校正,消除透视畸变。在监测区域设置标定物体,通过智能抓拍装置采集一系列包含标定物体的监拍样本图像,包括不同角度和光照条件。利用计算机视觉技术对监拍样本图像进行透视变形分析,获取透视变换矩阵。使用多维标定点设计确保各区域均有标定点。通过标定算法估计透视矩阵,分解得到内参矩阵、外参矩阵和畸变参数。使用监拍图像优化数据进行仿射变换,然后进行透视变形校正,生成最终的校正监拍图像数据。
步骤S4:基于卷积神经网络模型构建图像风险识别模型;将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据;根据实时图像风险数据进行通道安全影响评估,并进行风险等级区域划分,生成实时风险区域数据;
本发明实施例中,选择CNN模型的架构,包括卷积层、池化层、全连接层等。通过训练数据对CNN模型进行训练,使用反向传播算法优化模型参数。在训练集上验证模型性能,并调整模型以达到更好的泛化性能。收集大量带有图像类别标签和风险标签的样本数据,确保数据的多样性和充分性。通过迁移学习,将初始识别模型应用于新的图像识别任务和风险标签。将得到的图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,以适应边缘计算环境。确保模型能够在嵌入式设备上高效运行,可能需要对模型进行轻量化和量化处理。将校正监拍图像数据传输至搭载智能图像识别模型的智能AI分析芯片。通过智能图像识别模型对图像进行实时风险识别,输出多风险标签数据和实时风险坐标数据。利用预先设计的风险评估算法,对实时图像风险数据中的多风险标签进行评分指标计算。根据评分指标将多风险标签数据转化为实时风险评分数据。根据实时风险评估数据和风险坐标数据,将监拍图像划分为不同的风险等级区域。这有助于在监控图像中直观地标识出存在风险的具***置,提高实时风险识别的可视化效果。
步骤S5:对实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;基于实时风险事件数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;利用智能AI分析芯片对动态风险事件监拍数据进行风险物落点预测,生成风险物落点坐标数据;根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
本发明实施例中,对监拍图像进行分割处理,根据实时风险区域数据将图像分割成不同的区域,形成风险等级划分的聚类群,以直观展示风险分布。在时空维度上进行关联分析,找出相邻时间段内出现的风险区域及其时空关联关系,通过关联规则挖掘和时空序列模式挖掘形成实时风险事件数据。配置动态监测策略,将实时风险事件数据与策略匹配,统计每个监测周期内的出现频率,得到风险事件监测频率数据。触发智能监控网络对指定监测区域进行风险事件跟踪监拍,生成动态风险事件监拍数据,包括监拍图像、时间、风险事件类型等。传输动态风险事件监拍数据至智能图像识别模型,模型进行预处理和动态事件识别,生成多风险标签和实时风险坐标数据。加载预训练风险物落点预测模型至智能AI分析芯片,对风险事件识别数据进行风险物落点预测,生成坐标数据。将风险物落点坐标传输至风险事件预警***,根据配置模型判定潜在危险。潜在危险触发预警,生成风险事件预警数据,包括级别、描述、触发时间、坐标等信息。
优选地,步骤S1包括以下步骤:
步骤S11:获取输电线网拓扑数据,其中输电线网拓扑数据包括输电线路通道数据以及输电线塔基数据;
步骤S12:对输电线路通道数据进行历史故障数据挖掘,生成历史线路故障数据;
步骤S13:对历史线路故障数据进行特征工程处理,生成历史线路故障特征数据;
步骤S14:通过历史线路故障特征数据对输电线路通道数据进行智能监拍点标记,生成线路监拍点数据;
步骤S15:基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:获取输电线网拓扑数据,其中输电线网拓扑数据包括输电线路通道数据以及输电线塔基数据;
本发明实施例中,确定需要获取的输电线网拓扑数据的具体要素,包括输电线路通道数据和输电线塔基数据。明确数据获取的范围,可能涉及特定区域或整个输电线网。与相关电力公司、输电***运营商、地理信息部门等联系,获取许可并协商数据获取事宜。签署必要的合同和协议,确保数据的合法获取和使用。利用获得的输电线路通道数据和输电线塔基数据,建立输电线网的拓扑关系,例如确定输电线路的连接关系、线路段之间的拓扑关系等。
步骤S12:对输电线路通道数据进行历史故障数据挖掘,生成历史线路故障数据;
本发明实施例中,从电力公司或相关维护机构获取历史故障数据,包括故障发生时间、地点、故障类型等信息。将历史故障数据与输电线路通道数据关联,使用线路的唯一标识符或地理位置信息进行匹配。对历史故障数据进行故障类型的分类,例如分为线路短路、设备损坏、自然灾害等。利用数据挖掘技术,如聚类分析、时间序列分析等,识别历史故障数据中的模式。例如,通过时间序列分析发现在某个季节或天气条件下,特定线路更容易发生故障。利用地理信息数据,分析故障在空间上的分布,确定是否存在某个地区或线路段故障频繁的趋势,例如制作故障热点图,确定输电线路通道中的故障热点区域,即经常发生故障的地点。结合挖掘到的故障模式和热点信息,生成历史线路故障数据。
步骤S13:对历史线路故障数据进行特征工程处理,生成历史线路故障特征数据;
本发明实施例中,从故障发生时间中提取时间相关的特征,例如年份、季节、月份、星期几等。利用故障地点的地理信息,提取空间相关的特征,例如线路所在的城市、区域等。将故障类型进行编码,以便机器学***均故障次数。对所有特征进行归一化,确保特征具有相同的尺度,避免某些特征对模型的影响过大。使用特征选择方法,如相关性分析、方差阈值等,筛选出对故障预测有重要影响的特征。例如,通过相关性分析排除与故障发生无关的特征。将经过特征工程处理的特征组合成新的数据集,作为历史线路故障特征数据。
步骤S14:通过历史线路故障特征数据对输电线路通道数据进行智能监拍点标记,生成线路监拍点数据;
本发明实施例中,基于历史线路故障特征数据,制定监拍点标记的规则。规则可以包括设定历史故障频率的阈值,关联特定的时间和空间特征等。例如,设定历史故障频率高于平均频率的线路为监拍点,或者标记发生过故障类型编码为特定值的线路。根据制定的规则,对输电线路通道数据进行监拍点标记。例如,根据规则,标记了线路ID为123的区段,因为该区段历史故障频率超过了阈值。例如,通过GIS软件将标记的监拍点叠加在输电线路通道地图上,确保标记点与实际地理位置相符。根据标记的结果,生成线路监拍点数据集。该数据集包括监拍点的位置信息、线路ID、标记时间等字段。
步骤S15:基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络。
本发明实施例中,根据线路监拍点数据,确定部署智能抓拍装置的位置。安装在监拍点上以实现全面覆盖。例如,根据监拍点数据,在线路的特定区段部署智能抓拍相机,确保涵盖历史故障频率高的区域。配置智能抓拍装置并与监控中心建立连接,以便实时传输监测数据。例如,配置摄像头参数,设置数据传输协议,并通过网络将监测数据传送至监控中心。例如,基于输电线塔基数据确定每个监测点的边缘计算设备,进行实时故障检测或特征提取。例如,安装边缘计算设备(如嵌入式计算机)在输电线塔基附近,以便在现场进行实时计算。
优选地,步骤S14包括以下步骤:
步骤S141:根据历史线路故障特征数据进行时间序列处理,生成时序故障特征数据;
步骤S142:通过预设的时间窗口对时序故障特征数据进行移动平均值计算,生成移动平均值数据;通过时间窗口对时序故障特征数据进行窗口标准差计算,生成窗口标准差数据;
步骤S143:基于移动平均值数据以及窗口标准差数据进行控制限设定,生成异常控制限数据;
步骤S144:根据异常控制限数据以及移动平均值数据进行移动平均控制图绘制,从而得到移动平均控制图数据;
步骤S145:利用异常检测阈值数据对移动平均控制图数据进行异常点检测,得到历史异常点数据;通过历史异常点数据对输电线路通道数据进行关键监拍点标记,生成关键监拍点数据;
步骤S146:根据关键监拍点数据进行全线路监拍覆盖分析,生成辅助监拍点数据;将辅助监拍点数据以及关键监拍点数据进行数据整合,得到线路监拍点数据。
本发明实施例中,将历史线路故障特征数据按照时间特征进行排序,形成时间序列数据。例如,按照时间特征“年份”和“月份”对历史线路故障特征数据进行排序。将排序后的时间序列数据转换为时序故障特征数据,确保每个时间点都包含相应的故障特征信息。根据需求设定时间窗口的大小,例如选择一个月为时间窗口。例如,设定时间窗口为30天。对时序故障特征数据进行移动平均值的计算,利用设定的时间窗口内的数据进行平均值计算。例如,在30天的时间窗口内计算历史故障频率的移动平均值。对时序故障特征数据进行窗口标准差的计算,利用设定的时间窗口内的数据进行标准差计算,得到窗口标准差数据。利用移动平均值和窗口标准差数据,计算异常控制限,通常是在移动平均值上下各加上若干倍的窗口标准差。例如,设定异常控制限为移动平均值加减3倍窗口标准差。利用异常控制限数据和移动平均值数据,绘制移动平均控制图。通常,控制图包括时间在横轴,移动平均值在纵轴,同时标记异常控制限。根据绘制的图表,提取控制图中的数据,包括时间、移动平均值、异常控制上限、异常控制下限等信息。利用异常检测阈值数据,对移动平均控制图数据进行异常点检测,标识超出异常控制限的点。根据异常点检测的结果,生成历史异常点数据,包括时间、移动平均值、异常控制上限、异常控制下限等信息。例如,生成包含时间、移动平均值、异常控制上限、异常控制下限的历史异常点数据。利用历史异常点数据,对输电线路通道数据进行关键监拍点的标记。通常,标记那些与异常点对应的监拍点。例如,将在特定时间点出现异常的监拍点标记为关键监拍点。利用关键监拍点数据进行全线路监拍覆盖分析,确定是否存在监拍点覆盖不足的区域。例如,通过空间分析确定哪些区域的监拍点密度较低。根据监拍覆盖不足的区域,生成辅助监拍点数据,用于提高监测覆盖率。
优选地,步骤S2包括以下步骤:
步骤S21:利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;
步骤S22:根据实时光照水平数据进行光照条件评估,从而得到图像光照条件数据;
步骤S23:通过预设的监拍光照阈值数据对图像光照条件数据进行监拍模式判断,生成实时监拍模式数据,其中实时监拍模式数据包括白天监拍模式数据以及夜晚监拍模式数据;
步骤S24:当实时监拍模式数据为白天监拍模式数据时,利用智能监控网络进行多方位彩色监拍,生成白天监拍图像数据;
步骤S25:当实时监拍模式数据为夜晚监拍模式数据时,利用智能监控网络进行多方位夜间监拍,并通过图像光照条件数据进行色彩优化处理,生成夜间优化图像数据。
本发明实施例中,在监测区域内合适的位置安装环境光传感器,确保其暴露在自然光照下,不受遮挡。环境光传感器实时采集光照水平数据。传感器可以周期性地采集数据,例如每秒钟进行一次采集。根据实时光照水平数据进行光照条件的评估。这可能涉及将光照水平数据与预定义的光照条件范围进行比较。例如,判断光照水平是否在夜晚、阴影、阴天、晴天等条件下。根据光照条件的评估结果,生成图像光照条件数据。这可以包括光照强度、天空亮度等信息。例如,生成包含时间戳、光照强度、天空亮度的图像光照条件数据。预设监拍光照阈值数据,这些阈值可以用于判断当前光照条件是否适合监拍。将图像光照条件数据与预设的监拍光照阈值数据进行比较,判断当前光照条件是否符合白天监拍模式或夜晚监拍模式。例如,若光照强度高于某个阈值,则判定为白天监拍模式;否则,判定为夜晚监拍模式。根据白天监拍模式数据的触发,启动智能监控网络中的彩色监拍任务。利用摄像头等监控设备,在白天监拍模式下进行多方位彩色监拍。确保覆盖监测区域的各个角落。例如,监拍输电线路的各个塔位,捕捉线路状态和周边环境。根据夜晚监拍模式数据的触发,启动智能监控网络中的夜间监拍任务。利用具有低光照性能的夜视摄像头等监控设备,在夜晚监拍模式下进行多方位夜间监拍。确保能够在低光照条件下获取清晰的图像。例如,在夜间监拍模式下捕捉输电线路的各个塔位。根据图像光照条件数据,对夜间图像进行超分重构优化处理,以提高图像的可视性和识别能力。
优选地,步骤S25包括以下步骤:
步骤S251:当实时监拍模式数据为夜晚监拍模式数据时,利用智能监控网络进行多方位夜间监拍,得到原始夜间监拍图像数据;
步骤S252:对原始夜间监拍图像数据进行图像特征提取,生成夜间图像特征数据;
步骤S253:通过图像光照条件数据对夜间图像特征数据进行低光条件特征分析,生成低光条件特征数据;
步骤S254:根据低光条件特征数据进行直方图均衡化处理,并进行图像色调映射处理,生成夜间补偿图像数据;
步骤S255:基于反向传播算法构建初始超分辨率重构模型;将夜间补偿图像数据进行训练数据预处理,并进行随机划分,分别得到训练集以及验证集;
步骤S256:通过训练集对初始超分辨率重构模型进行模型训练,并通过验证集进行模型验证以及超参数调优,生成超分辨率重构模型;
步骤S257:将夜间补偿图像数据传输至超分辨率重构模型进行超分辨重构处理,生成夜间超分辨率图像数据;
步骤S258:对夜间超分辨率图像数据进行局部对比度增强处理,生成夜间优化图像数据。
本发明实施例中,根据夜晚监拍模式数据的触发,启动智能监控网络中的夜间监拍任务。利用具有低光照性能的夜视摄像头等监控设备,在夜晚监拍模式下进行多方位夜间监拍。确保能够在低光照条件下获取原始夜间监拍图像数据。利用图像处理技术,对原始夜间监拍图像进行特征提取。这可以包括颜色直方图、纹理特征、形状特征等。将提取得到的夜间图像特征整理成数据集,包含图像特征、时间戳、摄像头位置等信息。例如,生成包含时间戳、摄像头位置、颜色直方图、纹理特征、形状特征等字段的夜间图像特征数据。将夜间图像特征数据与图像光照条件数据结合,进行低光条件特征分析。这可能包括调整图像亮度、对比度,或者提取适应于低光条件的特征。对夜间监拍图像进行直方图均衡化处理,增强图像的对比度,使图像中的各个区域更具细节。例如,通过调整图像亮度和对比度,增强夜间监拍图像的可视性。进行图像色调映射处理,通过调整图像的颜色分布,改善夜间监拍图像的色彩表现。例如,通过映射图像的颜色空间,使夜间监拍图像更自然且易于识别。利用反向传播算法构建初始的超分辨率重构模型。可以选择常见的神经网络结构,如卷积神经网络 (CNN)。使用夜间补偿图像数据进行训练数据的预处理。这可能包括调整图像大小、归一化等操作,以满足超分辨率重构模型的输入要求。将预处理后的夜间补偿图像数据随机划分为训练集和验证集,通常按照一定比例分配。这样可以用验证集评估模型的性能。使用训练集对初始的超分辨率重构模型进行训练。这包括输入夜间补偿图像数据,通过模型计算输出,然后通过比较输出与实际高分辨率图像进行反向传播调整模型参数。例如,使用均方误差作为损失函数进行模型训练。使用验证集评估训练好的超分辨率重构模型的性能。这有助于检查模型是否过拟合或欠拟合,以及是否需要进一步调整模型结构或超参数。经过训练和验证,最终生成超分辨率重构模型,该模型能够将低分辨率的夜间补偿图像数据重构为更高分辨率的图像。将夜间补偿图像数据传输至经过训练的超分辨率重构模型。这可以通过调用模型的推理接口实现。在超分辨率重构模型中,图像经过处理得到更高分辨率的版本。模型利用学到的映射关系,将夜间补偿图像从低分辨率映射到高分辨率。对夜间超分辨率图像数据进行局部对比度增强处理。这可以通过应用一些图像增强技术来提高图像的局部细节对比度。例如,使用CLAHE算法进行局部对比度增强。
优选地,步骤S3包括以下步骤:
步骤S31:利用智能抓拍装置进行标准监拍样本图像采集,分别得到监拍样本图像数据以及拍摄参数数据;
步骤S32:对监拍样本图像数据进行透视变形分析,生成透视变形样本数据;
步骤S33:根据透视变形样本数据进行多维标定点设计,生成多维标定点数据;通过多维标定点数据对透视变形样本数据进行非线性标定点分布处理,得到标定点图像序列数据;
步骤S34:通过标定点图像序列数据对拍摄参数数据进行图像透视矩阵估计处理,得到图像透视矩阵数据;
步骤S35:将图像透视矩阵数据进行透视矩阵分解处理,分别得到内参矩阵数据、外参矩阵数据以及图像畸变参数;
步骤S36:根据监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;
步骤S37:基于内参矩阵数据、外参矩阵数据以及图像畸变参数利用预设的多项式透视变换模型对初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据。
本发明实施例中,创建一个标准监拍样本场景,包括摆放标定物体或标志,确保场景中有足够的特征点用于后续透视变形分析。使用智能抓拍装置进行监拍样本图像的采集。保证拍摄得到不同角度、不同光照条件下的监拍样本图像。例如,拍摄一系列包含标定物体的图像,每张图像都包括时间戳和拍摄参数信息。利用计算机视觉技术对监拍样本图像进行透视变形分析。这可能涉及检测图像中的标定点、计算透视变换矩阵等。例如,使用特征点匹配算法(如SIFT、SURF)检测图像中的标定点,然后计算透视变换矩阵。利用计算得到的透视变换矩阵对监拍样本图像进行透视变形处理。这一步骤旨在消除透视畸变,使得图像中的标定点在透视变形后仍然对齐。设计多维标定点,这些标定点应涵盖图像中的各个区域,以确保对透视变形的准确标定。可以设计在不同深度、不同角度的标定点。例如,在图像中选择标志物体的角点和中心点作为多维标定点。利用透视变形样本数据,提取每张图像中多维标定点的坐标。对透视变形样本数据进行非线性标定点分布处理,确保标定点在图像序列中分布均匀。例如,通过在图像序列中***一些额外的标定点,使得标定点在整个图像序列中均匀分布。利用标定点坐标和拍摄参数数据,使用计算机视觉中的标定算法(如Zhang-Suen算法),估计图像透视矩阵。对每个图像透视矩阵进行分解,得到内参矩阵、外参矩阵以及图像畸变参数。利用监拍图像优化数据,通过仿射变换对图像进行初步校正。仿射变换是一种线性变换,可以用于平移、旋转、缩放等操作。根据内参矩阵、外参矩阵和图像畸变参数,使用相机模型和透视变换模型对初步校正图像进行透视变形校正处理。例如,通过OpenCV中的cv2.undistort函数进行透视变形校正处理。
优选地,步骤S4包括以下步骤:
步骤S41:基于卷积神经网络模型构建图像识别以及风险标签的映射关系,从而得到初始识别模型;
步骤S42:获取图像识别样本数据;通过初始识别模型对图像识别样本数据进行迁移学习处理,得到图像风险识别模型;
步骤S43:将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;
步骤S44:将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据,其中实时图像风险数据包括多风险标签数据以及实时风险坐标数据;
步骤S45:利用风险评估算法对多风险标签数据进行风险评分指标计算,生成实时风险评分数据;
步骤S46:根据实时风险评分数据进行通道安全影响评估,从而得到实时风险评估数据;
步骤S47:通过实时风险坐标数据对实时风险评估数据进行风险等级区域划分,生成实时风险区域数据。
本发明实施例中,选择CNN模型的架构,包括卷积层、池化层、全连接层等。制定图像识别任务的类别标签,以及与每个类别相关联的风险标签。建立图像类别到风险标签的映射关系,确保模型能够识别图像并关联相应的风险标签。使用带有图像识别和风险标签的训练数据集,对CNN模型进行训练。通过反向传播算法优化模型参数,使其能够准确地预测图像类别和相应的风险标签。在训练集上验证模型性能,并根据验证结果进行调整,直至获得良好的泛化性能。最终,得到一个能够将图像与风险标签关联的初始识别模型。收集大量包含各类图像的样本数据,确保数据覆盖了图像识别任务的各个方面。每个样本应该带有相应的图像类别标签和风险标签。利用初始识别模型进行迁移学习。冻结初始模型的前几层,只训练新添加的全连接层或其他自定义层,以适应新的图像识别任务和风险标签。将得到的图像风险识别模型嵌入至智能AI分析芯片中,确保模型能够在嵌入式环境中高效运行。这可能涉及模型的轻量化、量化以及与硬件的兼容性。配置边缘计算引擎,确保智能AI分析芯片能够充分利用边缘计算的优势,即在设备端实现实时、低延迟的图像识别和风险识别。将校正监拍图像数据从监控设备传输至搭载智能图像识别模型的智能AI分析芯片。利用智能图像识别模型对传入的校正监拍图像数据进行实时风险识别。模型输出多风险标签数据和实时风险坐标数据。例如,监拍图像中存在电线距离地面高度异常的风险,智能图像识别模型输出标签“电线高度异常”和相应的坐标信息。利用预先设计的风险评估算法,对实时图像风险数据中的多风险标签数据进行评分指标计算。根据风险评估算法,将多风险标签数据转化为相应的风险评分指标,得到实时风险评分数据,风险评估算法可以精准的计算出各风险标签对通道的风险评分,但也可以通过常规技术进行风险评分,其效果不如本算法。根据实时风险评分数据,进行通道安全影响评估。此步骤考虑各个风险标签对通道的综合影响。例如,“电线高度异常”标签的评分指标较高,通道安全影响评估会认定电线高度异常对通道的安全影响较大,反映在实时风险评估数据中。根据实时风险评估数据和风险坐标数据,将监拍图像划分为不同的风险等级区域,以标识风险分布的位置。例如,根据“电线高度异常”的实时风险坐标数据,在监拍图像中标识出电线高度异常的具***置,并将该区域划分为相应的风险等级,反映在实时风险区域数据中。
优选地,步骤S45中风险评估算法公式如下所示:
;
式中,表示为实时风险评分数据,/>表示为多风险标签数据的数量,/>表示为当前通道中存在的风险种类的序号,/>表示为第/>个风险标签数据的权重向量,/>表示为第个风险标签数据的权重向量/>的转置,/>表示为第/>个风险标签数据的特征向量,/>表示为第/>个风险标签数据的偏置项,/>表示为第/>个风险标签数据的角度值,/>表示为正则化参数因子,/>表示为数学偏导数符号,/>表示为实时风险坐标数据的向量,/>表示为实时风险坐标数据的维度,/>表示为实时风险坐标数据的向量/>的第/>个分量。
本发明利用一种风险评估算法,该算法公式充分考虑了多风险标签数据的数量、当前通道中存在的风险种类的序号/>、第/>个风险标签数据的权重向量/>、第/>个风险标签数据的权重向量/>的转置/>、第/>个风险标签数据的特征向量/>、第/>个风险标签数据的偏置项/>、第/>个风险标签数据的角度值/>、正则化参数因子/>、数学偏导数符号/>、实时风险坐标数据的向量/>、实时风险坐标数据的维度/>、实时风险坐标数据的向量/>的第/>个分量/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过考虑多风险标签数据的数量/>,/>决定了函数/>的求和项的个数,也决定了函数/>的极限项的分母。/>越大,表示风险种类越多,风险评分数据也会相应地增加。/>越小,表示风险种类越少,风险评分数据也会相应地减少。/>表示为第/>个风险标签数据的权重向量,用于表示该风险种类的重要性和影响程度。/>与第/>个风险标签数据的特征向量/>进行内积运算,得到一个标量值,然后经过指数和对数函数的变换,得到该风险种类的风险概率。/>越大,表示该风险种类越重要,风险概率也会相应地增加。/>越小,表示该风险种类越不重要,风险概率也会相应地减少。/>表示为第/>个风险标签数据的权重向量/>的转置,用于与第/>个风险标签数据的特征向量/>进行内积运算。/>是一个行向量,/>是一个列向量,内积运算的结果是一个标量值。/>不直接影响风险评分数据的大小,但是影响风险评分数据的计算方式和效率。/>表示为第/>个风险标签数据的偏置项,用于表示该风险种类的基准水平。/>与第/>个风险标签数据的权重向量/>和特征向量/>的内积运算的结果相加,得到一个标量值,然后经过指数和对数函数的变换,得到该风险种类的风险概率。/>越大,表示该风险种类的基准水平越高,风险概率也会相应地增加。/>越小,表示该风险种类的基准水平越低,风险概率也会相应地减少。/>表示为第/>个风险标签数据的角度值,用于表示该风险种类的方向和位置。/>经过一个正弦函数的平方,得到一个标量值,然后作为一个分母,用于调整该风险种类的风险敏感度。/>越大,表示该风险种类的方向和位置越不利,风险敏感度也会相应地增加。/>越小,表示该风险种类的方向和位置越有利,风险敏感度也会相应地减少。/>表示为正则化参数因子,用于表示对风险评分数据的平滑和稳定性的控制。式子项/>的值是风险概率除以风险敏感度,越大表示风险评分越高,越需要处理。/>与实时风险坐标数据的向量/>的导数的二范数相乘,得到一个标量值,然后作为一个加法项,用于调整风险评分数据的稳定性。/>越大,表示对风险评分数据的平滑和稳定性的要求越高,风险评分数据也会相应地增加。/>越小,表示对风险评分数据的平滑和稳定性的要求越低,风险评分数据也会相应地减少。/>表示为实时风险坐标数据的向量,用于表示当前通道中各个风险种类的空间分布。/>经过一个余弦函数的求和,得到一个标量值,然后经过一个导数的计算,得到一个向量值,然后经过一个二范数的计算,得到一个标量值,用于衡量风险分布的变化率。/>越大,表示风险分布越不均匀,风险分布的变化率也会相应地增加。/>越小,表示风险分布越均匀,风险分布的变化率也会相应地减少。/>表示为实时风险坐标数据的向量/>的第/>个分量,用于表示当前通道中第/>个风险种类的空间位置,反映了该风险种类的分布范围和密度。/>经过一个余弦函数的计算,得到一个标量值,然后作为一个求和项,用于计算风险分布的均匀度。/>越大,表示该风险种类的空间位置越远离通道的中心,风险分布的均匀度也会相应地增加。/>越小,表示该风险种类的空间位置越靠近通道的中心,风险分布的均匀度也会相应地减少,最终对多风险标签数据进行风险评分的平均值以及对实时风险坐标数据进行风险波动的正则化项,实现实时风险评分计算。
优选地,步骤S5包括以下步骤:
步骤S51:根据实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;
步骤S52:通过预设的动态监测策略对实时风险事件数据进行动态监测匹配,分别得到风险事件监测周期数据以及风险事件监测频率数据;
步骤S53:基于风险事件监测周期数据以及风险事件监测频率数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;
步骤S54:将动态风险事件监拍数据传输至智能图像识别模型进行动态事件识别,生成风险事件识别数据;
步骤S55:利用智能AI分析芯片对风险事件识别数据进行风险物落点预测,生成风险物落点坐标数据;
步骤S56:根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
作为本发明的一个实例,参考图3所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:根据实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;
本发明实施例中,对监拍图像进行分割处理,根据实时风险区域数据将图像分割成不同的区域,每个区域对应一个特定的风险等级。将同一风险等级的区域进行聚类,形成风险区域的聚类群。这有助于挖掘潜在的风险事件模式。在时空维度上对聚类得到的风险区域进行关联分析,找出在相同时间段或相邻时间段内出现的风险区域,以及它们之间的时空关联关系。利用数据挖掘算法(如关联规则挖掘、时空序列模式挖掘等),对聚类得到的风险区域进行挖掘,找出频繁出现的、具有关联关系的风险区域组合,形成实时风险事件数据。
步骤S52:通过预设的动态监测策略对实时风险事件数据进行动态监测匹配,分别得到风险事件监测周期数据以及风险事件监测频率数据;
本发明实施例中,配置预设的动态监测策略,包括监测周期、监测频率等参数。这些参数根据具体场景和风险事件的特性进行设定。将实时风险事件数据与配置的动态监测策略进行匹配。对每个检测周期内的风险事件数据进行筛选。根据匹配的实时风险事件数据,统计每个风险事件的监测周期。监测周期是指两次相邻监测时间点之间的时间间隔。统计实时风险事件数据在每个监测周期内的出现频率,得到风险事件监测频率数据。
步骤S53:基于风险事件监测周期数据以及风险事件监测频率数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;
本发明实施例中,根据导入的风险事件监测周期数据和频率数据,触发智能监控网络对指定监测区域进行风险事件的跟踪监拍。在监测周期内,智能监控网络控制智能抓拍装置对风险事件进行实时监拍,生成动态风险事件监拍数据。数据包括监拍图像、监拍时间、风险事件类型等信息。假设某风险事件的监测周期为每30分钟一次,频率为每次监测连续拍摄3张图像。在监控网络配置中,***会按照这个周期和频率对特定监测区域进行监控。当监控周期到达时,智能抓拍装置会启动,连续拍摄3张图像,形成动态风险事件监拍数据。
步骤S54:将动态风险事件监拍数据传输至智能图像识别模型进行动态事件识别,生成风险事件识别数据;
本发明实施例中,将生成的动态风险事件监拍数据传输至智能图像识别模型的输入端。数据包括监拍图像、监拍时间等信息。智能图像识别模型接收监拍数据,通过预处理将图像数据转换为模型可识别的格式。然后,模型对监拍图像进行动态事件识别,识别出图像中的风险事件类型。智能图像识别模型生成风险事件识别数据,包括识别出的多风险标签数据以及实时风险坐标数据,这些数据可以反映了监拍图像中存在的风险事件。
步骤S55:利用智能AI分析芯片对风险事件识别数据进行风险物落点预测,生成风险物落点坐标数据;
本发明实施例中,将风险事件识别数据传输至智能AI分析芯片,作为输入数据。在智能AI分析芯片中加载预先训练好的风险物落点预测模型。这个模型可以通过机器学习技术训练得到,能够根据风险事件的类型和其他特征预测风险物落点。智能AI分析芯片对风险事件识别数据进行风险物落点预测。模型通过分析风险事件的类型、监拍图像等信息,预测风险物可能落下的位置。预测模型生成风险物落点坐标数据,包括横纵坐标等信息。这些坐标数据表示了根据识别的风险事件类型和其他特征预测出的风险物可能落下的位置。
步骤S56:根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
本发明实施例中,将生成的风险物落点坐标数据传输至风险事件预警处理***,作为输入数据。在预警处理***中配置风险事件预警模型,该模型可以根据风险物落点坐标数据和其他相关信息进行分析,判断是否需要触发预警。对风险物落点坐标数据进行分析,考虑监测区域、风险物种类、坐标位置等因素,判定是否存在潜在的危险情况。如果判定为潜在危险,则触发风险事件预警。在预警判定为潜在危险的情况下,***生成风险事件预警数据。该数据包括预警级别、预警描述、触发时间、风险物落点坐标等信息。假设风险物落点坐标数据中显示电线可能落在交叉路口,预警模型通过分析判定该位置存在潜在危险。***生成风险事件预警数据,包括高级别的预警级别、描述了电线可能威胁行人安全的信息、触发时间等。
本发明还提供一种输电线网监控抓拍及风险评估***,执行如上所述的输电线网监控抓拍及风险评估方法,该输电线网监控抓拍及风险评估***包括:
监控网络部署模块,用于获取输电线网拓扑数据;根据输电线网拓扑数据进行智能监拍点标记,生成线路监拍点数据;基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络;
智能图像监拍模块,用于利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;基于实时光照水平数据利用智能监控网络进行多方位智能监拍,并进行图像色彩优化处理,从而得到监拍图像优化数据;
图像透视校正模块,用于对监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;根据初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据;
智能风险识别模块,用于基于卷积神经网络模型构建图像风险识别模型;将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据;根据实时图像风险数据进行通道安全影响评估,并进行风险等级区域划分,生成实时风险区域数据;
动态监控预警模块,用于对实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;基于实时风险事件数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;利用智能AI分析芯片对动态风险事件监拍数据进行风险物落点预测,生成风险物落点坐标数据;根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
本申请有益效果在于,首先获取输电线网的拓扑结构数据,包括线路位置、连接关系、输电塔位置等。制定监测点标记规则,如通过历史故障数据标记高频故障点。按规则生成线路监拍点数据,记录位置、所属线路、监拍方向,为***提供关键监测位置信息。在生成监拍点数据后,在每个监拍点位置安装智能抓拍装置,实现实时线路监测。这些装置进行边缘计算,在产生数据的地方进行初步处理,如图像实时分析、异常检测。通过智能监控网络传输实时监测数据。***根据实时光照水平数据评估光照条件,生成图像光照条件数据,包括光照强度、天空亮度,并带有时间戳。设定监拍光照阈值,判断当前光照条件是否适合监拍,实现白天和夜晚监拍模式的切换。在白天监拍模式下,启动彩色监拍任务,利用多方位监控设备覆盖监测区域各角落,捕捉输电线路塔位状态。夜晚监拍模式下,启动夜间监拍任务,利用夜视设备在低光照条件下监拍,应对夜间监测需求。对夜间图像进行超分重构优化,提高图像可视性。通过仿射变换、透视变形校正处理监拍图像,确保图像准确校正。选择CNN模型架构,包括卷积层、池化层、全连接层等,通过训练数据进行训练和优化。迁移学习应用初始识别模型于新的图像识别任务和风险标签。嵌入模型至智能AI分析芯片,进行边缘计算引擎配置,以适应边缘计算环境。将校正监拍图像数据传输至搭载智能图像识别模型的智能AI分析芯片,进行实时风险识别,输出多风险标签和实时风险坐标数据。利用预设的风险评估算法,将多标签数据转化为实时风险评分数据,划分风险等级区域。对监拍图像进行分割处理,根据实时风险区域数据形成风险等级划分的聚类群。在时空维度上进行关联分析,通过关联规则挖掘和时空序列模式挖掘形成实时风险事件数据。配置动态监测策略,将实时风险事件数据与策略匹配,触发风险事件跟踪监拍,生成动态风险事件监拍数据。传输动态风险事件监拍数据至智能图像识别模型,进行动态事件识别,生成多风险标签和实时风险坐标数据。预设监测周期和频率参数,统计监测周期内风险事件的出现频率,生成风险事件监测频率数据。利用预先设计的风险物落点预测模型,对风险事件识别数据进行风险物落点预测,生成坐标数据。传输至风险事件预警***,根据配置模型判定潜在危险,生成风险事件预警数据,包括级别、描述、触发时间、坐标等信息,实现对输电线路网络的实时监控和动态风险评估。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种输电线网监控抓拍及风险评估方法,其特征在于,应用于智能抓拍装置,智能抓拍装置集成有多个摄像头、环境光传感器以及智能AI分析芯片,该输电线网监控抓拍及风险评估方法包括以下步骤:
步骤S1:获取输电线网拓扑数据;根据输电线网拓扑数据进行智能监拍点标记,生成线路监拍点数据;基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络;
步骤S2:利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;基于实时光照水平数据利用智能监控网络进行多方位智能监拍,并进行图像色彩优化处理,从而得到监拍图像优化数据;
步骤S3:对监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;根据初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据;
步骤S4:基于卷积神经网络模型构建图像风险识别模型;将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据;根据实时图像风险数据进行通道安全影响评估,并进行风险等级区域划分,生成实时风险区域数据;
步骤S5:对实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;基于实时风险事件数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;利用智能AI分析芯片对动态风险事件监拍数据进行风险物落点预测,生成风险物落点坐标数据;根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
2.根据权利要求1所述的输电线网监控抓拍及风险评估方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取输电线网拓扑数据,其中输电线网拓扑数据包括输电线路通道数据以及输电线塔基数据;
步骤S12:对输电线路通道数据进行历史故障数据挖掘,生成历史线路故障数据;
步骤S13:对历史线路故障数据进行特征工程处理,生成历史线路故障特征数据;
步骤S14:通过历史线路故障特征数据对输电线路通道数据进行智能监拍点标记,生成线路监拍点数据;
步骤S15:基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络。
3.根据权利要求2所述的输电线网监控抓拍及风险评估方法,其特征在于,步骤S14包括以下步骤:
步骤S141:根据历史线路故障特征数据进行时间序列处理,生成时序故障特征数据;
步骤S142:通过预设的时间窗口对时序故障特征数据进行移动平均值计算,生成移动平均值数据;通过时间窗口对时序故障特征数据进行窗口标准差计算,生成窗口标准差数据;
步骤S143:基于移动平均值数据以及窗口标准差数据进行控制限设定,生成异常控制限数据;
步骤S144:根据异常控制限数据以及移动平均值数据进行移动平均控制图绘制,从而得到移动平均控制图数据;
步骤S145:利用异常检测阈值数据对移动平均控制图数据进行异常点检测,得到历史异常点数据;通过历史异常点数据对输电线路通道数据进行关键监拍点标记,生成关键监拍点数据;
步骤S146:根据关键监拍点数据进行全线路监拍覆盖分析,生成辅助监拍点数据;将辅助监拍点数据以及关键监拍点数据进行数据整合,得到线路监拍点数据。
4.根据权利要求2所述的输电线网监控抓拍及风险评估方法,其特征在于,监拍图像优化数据包括白天监拍图像数据以及夜间优化图像数据,步骤S2包括以下步骤:
步骤S21:利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;
步骤S22:根据实时光照水平数据进行光照条件评估,从而得到图像光照条件数据;
步骤S23:通过预设的监拍光照阈值数据对图像光照条件数据进行监拍模式判断,生成实时监拍模式数据,其中实时监拍模式数据包括白天监拍模式数据以及夜晚监拍模式数据;
步骤S24:当实时监拍模式数据为白天监拍模式数据时,利用智能监控网络进行多方位彩色监拍,生成白天监拍图像数据;
步骤S25:当实时监拍模式数据为夜晚监拍模式数据时,利用智能监控网络进行多方位夜间监拍,并通过图像光照条件数据进行色彩优化处理,生成夜间优化图像数据。
5.根据权利要求4所述的输电线网监控抓拍及风险评估方法,其特征在于,步骤S25包括以下步骤:
步骤S251:当实时监拍模式数据为夜晚监拍模式数据时,利用智能监控网络进行多方位夜间监拍,得到原始夜间监拍图像数据;
步骤S252:对原始夜间监拍图像数据进行图像特征提取,生成夜间图像特征数据;
步骤S253:通过图像光照条件数据对夜间图像特征数据进行低光条件特征分析,生成低光条件特征数据;
步骤S254:根据低光条件特征数据进行直方图均衡化处理,并进行图像色调映射处理,生成夜间补偿图像数据;
步骤S255:基于反向传播算法构建初始超分辨率重构模型;将夜间补偿图像数据进行训练数据预处理,并进行随机划分,分别得到训练集以及验证集;
步骤S256:通过训练集对初始超分辨率重构模型进行模型训练,并通过验证集进行模型验证以及超参数调优,生成超分辨率重构模型;
步骤S257:将夜间补偿图像数据传输至超分辨率重构模型进行超分辨重构处理,生成夜间超分辨率图像数据;
步骤S258:对夜间超分辨率图像数据进行局部对比度增强处理,生成夜间优化图像数据。
6.根据权利要求4所述的输电线网监控抓拍及风险评估方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用智能抓拍装置进行标准监拍样本图像采集,分别得到监拍样本图像数据以及拍摄参数数据;
步骤S32:对监拍样本图像数据进行透视变形分析,生成透视变形样本数据;
步骤S33:根据透视变形样本数据进行多维标定点设计,生成多维标定点数据;通过多维标定点数据对透视变形样本数据进行非线性标定点分布处理,得到标定点图像序列数据;
步骤S34:通过标定点图像序列数据对拍摄参数数据进行图像透视矩阵估计处理,得到图像透视矩阵数据;
步骤S35:将图像透视矩阵数据进行透视矩阵分解处理,分别得到内参矩阵数据、外参矩阵数据以及图像畸变参数;
步骤S36:根据监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;
步骤S37:基于内参矩阵数据、外参矩阵数据以及图像畸变参数利用预设的多项式透视变换模型对初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据。
7.根据权利要求6所述的输电线网监控抓拍及风险评估方法,其特征在于,步骤S4包括以下步骤:
步骤S41:基于卷积神经网络模型构建图像识别以及风险标签的映射关系,从而得到初始识别模型;
步骤S42:获取图像识别样本数据;通过初始识别模型对图像识别样本数据进行迁移学习处理,得到图像风险识别模型;
步骤S43:将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;
步骤S44:将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据,其中实时图像风险数据包括多风险标签数据以及实时风险坐标数据;
步骤S45:利用风险评估算法对多风险标签数据进行风险评分指标计算,生成实时风险评分数据;
步骤S46:根据实时风险评分数据进行通道安全影响评估,从而得到实时风险评估数据;
步骤S47:通过实时风险坐标数据对实时风险评估数据进行风险等级区域划分,生成实时风险区域数据。
8.根据权利要求7所述的输电线网监控抓拍及风险评估方法,其特征在于,步骤S45中出风险评估算法公式如下所示:
;
式中,表示为实时风险评分数据,/>表示为多风险标签数据的数量,/>表示为当前通道中存在的风险种类的序号,/>表示为第/>个风险标签数据的权重向量,/>表示为第/>个风险标签数据的权重向量/>的转置,/>表示为第/>个风险标签数据的特征向量,/>表示为第个风险标签数据的偏置项,/>表示为第/>个风险标签数据的角度值,/>表示为正则化参数因子,/>表示为数学偏导数符号,/>表示为实时风险坐标数据的向量,/>表示为实时风险坐标数据的维度,/>表示为实时风险坐标数据的向量/>的第/>个分量。
9.根据权利要求7所述的输电线网监控抓拍及风险评估方法,其特征在于,步骤S5包括以下步骤:
步骤S51:根据实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;
步骤S52:通过预设的动态监测策略对实时风险事件数据进行动态监测匹配,分别得到风险事件监测周期数据以及风险事件监测频率数据;
步骤S53:基于风险事件监测周期数据以及风险事件监测频率数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;
步骤S54:将动态风险事件监拍数据传输至智能图像识别模型进行动态事件识别,生成风险事件识别数据;
步骤S55:利用智能AI分析芯片对风险事件识别数据进行风险物落点预测,生成风险物落点坐标数据;
步骤S56:根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
10.一种输电线网监控抓拍及风险评估***,其特征在于,用于执行如权利要求1所述的输电线网监控抓拍及风险评估方法,该输电线网监控抓拍及风险评估***包括:
监控网络部署模块,用于获取输电线网拓扑数据;根据输电线网拓扑数据进行智能监拍点标记,生成线路监拍点数据;基于线路监拍点数据将智能抓拍装置进行输电线监控装置部署,并根据输电线塔基数据进行边缘计算处理,生成智能监控网络;
智能图像监拍模块,用于利用环境光传感器进行实时光照水平采集,生成实时光照水平数据;基于实时光照水平数据利用智能监控网络进行多方位智能监拍,并进行图像色彩优化处理,从而得到监拍图像优化数据;
图像透视校正模块,用于对监拍图像优化数据进行仿射变换处理,生成初步校正图像数据;根据初步校正图像数据进行透视变形校正处理,生成校正监拍图像数据;
智能风险识别模块,用于基于卷积神经网络模型构建图像风险识别模型;将图像风险识别模型嵌入至智能AI分析芯片中,并进行边缘计算引擎配置,生成智能图像识别模型;将校正监拍图像数据传输至智能图像识别模型进行实时风险识别,生成实时图像风险数据;根据实时图像风险数据进行通道安全影响评估,并进行风险等级区域划分,生成实时风险区域数据;
动态监控预警模块,用于对实时风险区域数据进行风险事件挖掘,生成实时风险事件数据;基于实时风险事件数据利用智能监控网络控制智能抓拍装置进行风险事件跟踪监拍,生成动态风险事件监拍数据;利用智能AI分析芯片对动态风险事件监拍数据进行风险物落点预测,生成风险物落点坐标数据;根据风险物落点坐标数据进行风险事件预警处理,生成风险事件预警数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410251604.7A CN117830032B (zh) | 2024-03-06 | 2024-03-06 | 一种输电线网监控抓拍及风险评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410251604.7A CN117830032B (zh) | 2024-03-06 | 2024-03-06 | 一种输电线网监控抓拍及风险评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117830032A true CN117830032A (zh) | 2024-04-05 |
CN117830032B CN117830032B (zh) | 2024-05-31 |
Family
ID=90524312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410251604.7A Active CN117830032B (zh) | 2024-03-06 | 2024-03-06 | 一种输电线网监控抓拍及风险评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830032B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651855A (zh) * | 2016-12-30 | 2017-05-10 | 国网山东省电力公司济宁供电公司 | 输电线路通道隐患自动识别与告警的图像监拍方法 |
CN108388341A (zh) * | 2018-02-11 | 2018-08-10 | 苏州笛卡测试技术有限公司 | 一种基于红外摄像机-可见光投影仪的人机交互***及装置 |
CN108401116A (zh) * | 2018-04-28 | 2018-08-14 | 深圳市共进电子股份有限公司 | 摄像模式切换优化方法、装置、计算机设备和存储介质 |
US20190305589A1 (en) * | 2016-11-10 | 2019-10-03 | China Electric Power Research Institute Company Limited | Distribution network risk identification system and method and computer storage medium |
CN112199805A (zh) * | 2020-09-11 | 2021-01-08 | 山东信通电子股份有限公司 | 一种输电线路隐患识别模型评估方法及装置 |
CN112287721A (zh) * | 2019-07-23 | 2021-01-29 | 长沙智能驾驶研究院有限公司 | 坠落物追踪的方法、装置、计算机设备和存储介质 |
CN113850128A (zh) * | 2021-08-20 | 2021-12-28 | 中国电力科学研究院有限公司 | 一种星地协同的输电通道异物监测预警方法及装置 |
CN114119378A (zh) * | 2020-08-31 | 2022-03-01 | 华为技术有限公司 | 图像融合方法、图像融合模型的训练方法和装置 |
CN215987583U (zh) * | 2021-07-07 | 2022-03-08 | 浙江高速信息工程技术有限公司 | 一种全天候全方位感知的雷达视频融合一体机 |
CN114202738A (zh) * | 2021-12-02 | 2022-03-18 | 广西电网有限责任公司钦州供电局 | 基于边缘计算和人工智能的电网监拍方法、装置及设备 |
CN114463661A (zh) * | 2021-12-15 | 2022-05-10 | 江苏电力信息技术有限公司 | 一种基于YOLO v5网络的输电线路安全风险监测方法 |
CN115063442A (zh) * | 2022-06-30 | 2022-09-16 | 山东信通电子股份有限公司 | 一种输电线路隐患目标跟踪方法、设备及介质 |
CN115293584A (zh) * | 2022-08-05 | 2022-11-04 | 国网山东省电力公司寿光市供电公司 | 一种架空输电线路风险预测方法、***及终端 |
CN115760602A (zh) * | 2022-11-04 | 2023-03-07 | 深圳快造科技有限公司 | 图像校正方法、激光切割设备及存储介质 |
CN116524691A (zh) * | 2023-07-05 | 2023-08-01 | 广东电网有限责任公司广州供电局 | 输电线路隐患告警方法、装置、存储介质及计算机设备 |
CN116629465A (zh) * | 2023-07-26 | 2023-08-22 | 成都源轮讯恒科技有限公司 | 智能电网视频监控与风险预测响应*** |
CN116757971A (zh) * | 2023-08-21 | 2023-09-15 | 深圳高迪数码有限公司 | 一种基于周围光的图像自动调整方法 |
CN117630912A (zh) * | 2023-11-27 | 2024-03-01 | 山东鲁软数字科技有限公司智慧能源分公司 | 一种输电线路通道隐患目标发现识别***和方法 |
-
2024
- 2024-03-06 CN CN202410251604.7A patent/CN117830032B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190305589A1 (en) * | 2016-11-10 | 2019-10-03 | China Electric Power Research Institute Company Limited | Distribution network risk identification system and method and computer storage medium |
CN106651855A (zh) * | 2016-12-30 | 2017-05-10 | 国网山东省电力公司济宁供电公司 | 输电线路通道隐患自动识别与告警的图像监拍方法 |
CN108388341A (zh) * | 2018-02-11 | 2018-08-10 | 苏州笛卡测试技术有限公司 | 一种基于红外摄像机-可见光投影仪的人机交互***及装置 |
CN108401116A (zh) * | 2018-04-28 | 2018-08-14 | 深圳市共进电子股份有限公司 | 摄像模式切换优化方法、装置、计算机设备和存储介质 |
CN112287721A (zh) * | 2019-07-23 | 2021-01-29 | 长沙智能驾驶研究院有限公司 | 坠落物追踪的方法、装置、计算机设备和存储介质 |
CN114119378A (zh) * | 2020-08-31 | 2022-03-01 | 华为技术有限公司 | 图像融合方法、图像融合模型的训练方法和装置 |
CN112199805A (zh) * | 2020-09-11 | 2021-01-08 | 山东信通电子股份有限公司 | 一种输电线路隐患识别模型评估方法及装置 |
CN215987583U (zh) * | 2021-07-07 | 2022-03-08 | 浙江高速信息工程技术有限公司 | 一种全天候全方位感知的雷达视频融合一体机 |
CN113850128A (zh) * | 2021-08-20 | 2021-12-28 | 中国电力科学研究院有限公司 | 一种星地协同的输电通道异物监测预警方法及装置 |
CN114202738A (zh) * | 2021-12-02 | 2022-03-18 | 广西电网有限责任公司钦州供电局 | 基于边缘计算和人工智能的电网监拍方法、装置及设备 |
CN114463661A (zh) * | 2021-12-15 | 2022-05-10 | 江苏电力信息技术有限公司 | 一种基于YOLO v5网络的输电线路安全风险监测方法 |
CN115063442A (zh) * | 2022-06-30 | 2022-09-16 | 山东信通电子股份有限公司 | 一种输电线路隐患目标跟踪方法、设备及介质 |
CN115293584A (zh) * | 2022-08-05 | 2022-11-04 | 国网山东省电力公司寿光市供电公司 | 一种架空输电线路风险预测方法、***及终端 |
CN115760602A (zh) * | 2022-11-04 | 2023-03-07 | 深圳快造科技有限公司 | 图像校正方法、激光切割设备及存储介质 |
CN116524691A (zh) * | 2023-07-05 | 2023-08-01 | 广东电网有限责任公司广州供电局 | 输电线路隐患告警方法、装置、存储介质及计算机设备 |
CN116629465A (zh) * | 2023-07-26 | 2023-08-22 | 成都源轮讯恒科技有限公司 | 智能电网视频监控与风险预测响应*** |
CN116757971A (zh) * | 2023-08-21 | 2023-09-15 | 深圳高迪数码有限公司 | 一种基于周围光的图像自动调整方法 |
CN117630912A (zh) * | 2023-11-27 | 2024-03-01 | 山东鲁软数字科技有限公司智慧能源分公司 | 一种输电线路通道隐患目标发现识别***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117830032B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106766B (zh) | 林火识别方法与*** | |
Cheng et al. | Vision-based monitoring of site safety compliance based on worker re-identification and personal protective equipment classification | |
US20030053659A1 (en) | Moving object assessment system and method | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
US11580659B2 (en) | Method for size estimation by image recognition of specific target using given scale | |
Tao et al. | Smoky vehicle detection based on multi-scale block Tamura features | |
CN105976398A (zh) | 一种白天火灾视频检测方法 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN113095114A (zh) | 液压***漏油检测方法、装置和设备 | |
US20200184273A1 (en) | Continuous learning image stream processing system | |
CN117272215B (zh) | 一种基于数据挖掘的智慧小区安全管理方法及*** | |
CN117830032B (zh) | 一种输电线网监控抓拍及风险评估方法及*** | |
CN117152617A (zh) | 一种城市洪涝识别方法及*** | |
CN117593499A (zh) | 一种基于分布式巡检策略的水电站机电设备故障识别方法 | |
CN116910491A (zh) | 一种雷电监测预警***、方法、电子设备及存储介质 | |
CN116824488A (zh) | 一种基于迁移学习的目标检测方法 | |
CN116546287A (zh) | 一种多联动野生动物在线监测方法及*** | |
KR102281100B1 (ko) | 지하 매설관 이상 탐지 시스템 및 방법 | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别***及方法 | |
CN117853986B (zh) | 一种基于油井设备的视频监控***及方法 | |
CN117765434B (zh) | 用于建筑工程的现场视频图像处理方法及*** | |
CN115496931B (zh) | 一种工业机器人健康监测方法及*** | |
CN117079221B (zh) | 抽蓄电站地下工程的施工安全监测方法及装置 | |
CN113158725B (zh) | 一种综合性工程车辆施工动作判断方法 | |
CN118196069A (zh) | 一种基于螺栓松动检测***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 |