CN117830941A - 电力风险识别方法、装置、计算机设备和存储介质 - Google Patents
电力风险识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117830941A CN117830941A CN202311847453.3A CN202311847453A CN117830941A CN 117830941 A CN117830941 A CN 117830941A CN 202311847453 A CN202311847453 A CN 202311847453A CN 117830941 A CN117830941 A CN 117830941A
- Authority
- CN
- China
- Prior art keywords
- image
- monitoring image
- electric power
- power risk
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 184
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 21
- 238000000926 separation method Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000012806 monitoring device Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种电力风险识别方法、装置、计算机设备和存储介质,涉及图像识别技术领域。方法包括:获取针对电力设施的监控图像;对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征;通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型;其中,电力风险识别模型是根据支持向量机构建的。采用本方法通过实时获取针对电力设施的监控图像,对监控图像进行图像识别,实现***可能的电力风险,并从多种类型的电力风险中准确确定对应类型,有效提升电力风险识别的效率和准确率,以便及时对电力风险进行排除。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种电力风险识别方法、装置、计算机设备和存储介质。
背景技术
随着经济的快速发展以及产业的不断升级,电力已经成为了最主要的能源供给方式之一,电力设施广泛应用于人们的生产生活中,相比于其他设施,电力设施更容易造成安全隐患,尤其是电力设施出现故障时,会给人们带来较大的电力风险。
目前,一般基于电力设施传递的信号来识别电力风险,这种方式往往在已经出现电力事故时才能识别到电力风险,难以在出现电力事故之前,就对电力设施可能的电力风险进行判断。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在出现电力事故之前,快速准确识别电力风险的电力风险识别方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种电力风险识别方法,该方法包括:
获取针对电力设施的监控图像;
对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征;
通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型;其中,电力风险识别模型是根据支持向量机构建的。
在其中一个实施例中,通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型,包括:
通过电力风险识别模型,确定监控图像对应的图像特征与分离超平面之间的距离;
通过电力风险识别模型,根据监控图像对应的图像特征与分离超平面之间的距离,确定监控图像对应的电力风险类型。
在其中一个实施例中,对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征,包括:
对监控图像进行灰度处理、图像变换处理和图像增强处理中的至少一种,得到预处理后的监控图像;
对预处理后的监控图像进行特征提取处理,得到图像特征。
在其中一个实施例中,对监控图像进行灰度处理,包括:
从颜色***RGB的三个颜色通道中,选取一个颜色通道作为目标颜色通道;
根据监控图像中每一像素点在目标颜色通道下对应的亮度值,确定监控图像中每一像素点的灰度值;
根据监控图像中每一像素点的灰度值,确定灰度处理后的监控图像。
在其中一个实施例中,对预处理后的监控图像进行特征提取处理,得到图像特征,包括:
根据预处理后的监控图像中每一像素点的灰度值,确定预处理后的监控图像的灰度值梯度;
根据预处理后的监控图像的灰度值梯度,提取预处理后的监控图像对应的图像特征。
在其中一个实施例中,方法还包括:
根据电力风险类型,确定对应的电力风险预警策略;
采用电力风险预警策略,对电力设施进行电力风险预警。
第二方面,本申请还提供了一种电力风险识别装置,该装置包括:
图像获取模块,用于获取针对电力设施的监控图像;
特征提取模块,用于对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征;
风险识别模块,用于通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型;其中,电力风险识别模型是根据支持向量机构建的。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述第一方面的方法的步骤。
上述电力风险识别方法、装置、计算机设备和存储介质,获取针对电力设施的监控图像;对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征;通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型;其中,电力风险识别模型是根据支持向量机构建的。本申请通过实时获取针对电力设施的监控图像,对监控图像进行图像识别,实现***可能的电力风险,并从多种类型的电力风险中准确确定对应类型,有效提升电力风险识别的效率和准确率,以便及时对电力风险进行排除。
附图说明
图1为一个实施例中电力风险识别方法的应用场景图;
图2为一个实施例中电力风险识别方法的流程示意图;
图3为一个实施例中确定电力风险类型的流程示意图;
图4为一个实施例中提取图像特征的流程示意图;
图5为一个实施例中灰度处理的流程示意图;
图6为另一个实施例中提取图像特征的流程示意图;
图7为一个实施例中电力风险预警的流程示意图;
图8为另一个实施例中电力风险识别方法的流程示意图;
图9为一个实施例中电力风险识别装置的结构框图;
图10为另一个实施例中电力风险识别装置的结构框图;
图11为又一个实施例中电力风险识别装置的结构框图;
图12为再一个实施例中电力风险识别装置的结构框图;
图13为一个实施例中实施电力风险识别方法的计算机设备的结构框图。
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,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的电力风险识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据,如监控图像。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取针对电力设施的监控图像;对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征;通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型;其中,电力风险识别模型是根据支持向量机构建的。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电力风险识别方法,包括以下步骤:
S201,获取针对电力设施的监控图像。
其中,电力设施是电力领域中的设备或线路等设施,如发电机、变压器和输电线路等设施。在电力设施上,或电力设施附近安装监控设备,以通过监控设备实时采集针对电力设施的监控图像。电力设施可以是一个或多个,相应的,监控图像可以是一张图像,或多张连续图像,本实施例对此不做限制。
可选的,服务器获取监控设备直接上传的针对电力设施的监控图像,或者服务器从对应数据库中获取电力设施上传的针对电力设施的监控图像。例如,服务器从电力领域的图像信息收集平台所对应的数据库中,获取针对电力设施的监控图像。
S202,对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征。
不同监控设备采集到的监控图像质量不一,为了提升电力风险识别的准确性,需要对监控图像进行预处理。例如,对监控图像进行图像清洗,消除无关信息,恢复有用信息,以及对监控图像进行统一的标准化处理,得到符合图像识别标准的监控图像。可选的,针对电力设施的监控图像是多张连续图像时,从多张连续图像中抽取关键图像,以实现对监控图像进行图像清洗。
进一步的,对监控图像进行特征提取处理,即,提取监控图像中的几何特征、形状特征和颜色特征等。其中,几何特征如位置、方向、周长和面积等特征,形状特征如圆度和矩形度等特征。
可选的,采用哈尔Haar级联特征提取算法、盖伯Gabor滤波器特征提取算法或LBP(Local Binary Pattern,局部二值模式)算子特征提取算法等特征提取算法,提取监控图像对应的图像特征。
S203,通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型。
其中,电力风险识别模型是根据支持向量机构建的。支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器,在常规支持向量机的基础上适应性配置模型参数,训练后得到电力领域的电力风险识别模型,该电力风险识别模型是多分类模型,可以从多种电力风险类型中确定监控图像对应的电力风险类型。
通过电力风险识别模型,根据图像特征从多种电力风险类型中分析得到监控图像对应的电力风险类型。可选的,电力风险类型可以包括电缆沟盖板异常,大型机械异常,围档异常,电力设施人员攀爬,以及电力设施周边人员跌倒等类型。
作为本实施例中一种可选的实施方式,对监控图像进行预处理后,直接将预处理后的监控图像输入至电力风险识别模型,以通过电力风险识别模型提取监控图像对应的图像特征,并根据图像特征分析得到监控图像对应的电力风险类型,进行输出。
上述方案,获取针对电力设施的监控图像;对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征;通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型;其中,电力风险识别模型是根据支持向量机构建的。本实施例通过实时获取针对电力设施的监控图像,对监控图像进行图像识别,实现***可能的电力风险,并从多种类型的电力风险中准确确定对应类型,有效提升电力风险识别的效率和准确率,以便及时对电力风险进行排除。
为了准确识别监控图像对应的电力风险类型,在上述实施例的基础上,在一个实施例中,如图3所示,上述S203包括:
S301,通过电力风险识别模型,确定监控图像对应的图像特征与分离超平面之间的距离。
其中,分离超平面是对初始的电力风险识别模型进行训练时所确定的,分离超平面可以将数据,即图像特征,划分为不同类型。具体的,对初始的电力风险识别模型进行训练时,将与各样本图像的图像特征几何间隔最大的超平面作为分离超平面,得到训练后的电力风险识别模型。
可以理解的是,对监控图像进行预处理和特征提取处理得到的图像特征,统一为同一维度的特征。通过电力风险识别模型,计算图像特征与分离超平面之间的距离。
S302,通过电力风险识别模型,根据监控图像对应的图像特征与分离超平面之间的距离,确定监控图像对应的电力风险类型。
通过电力风险识别模型,对图像特征与分离超平面之间的距离进行分类,将其划分至对应类型,确定图像特征所属的标签编码,进而将所属的标签编码对应的电力风险类型作为监控图像对应的电力风险类型。
其中,不同电力风险类型对应于不同标签编码。例如,不存在电力风险对应于0,电缆沟盖板异常对应于1,大型机械异常对应于2,围档异常对应于3,电力设施人员攀爬对应于4,以及电力设施周边人员跌倒对应于5。
本实施例中,通过电力风险识别模型,根据监控图像对应的图像特征,确定监控图像对应的电力风险类型,贴合电力领域的针对电力设施的监控图像的图像特征,从多种电力风险类型中识别电力设施更可能符合的电力风险类型,提升电力风险识别的准确性,相比于基于电力设施传递的信号来识别电力风险,这种电力风险识别方式可以在出现电力事故之前,就提前对可能的电力风险进行预测,提升对电力设施的掌控力度,降低电力事故发生概率。
为了降低电力风险识别难度,在上述实施例的基础上,在一个实施例中,可以对监控图像进行灰度处理、图像变换处理和图像增强处理中的至少一种,如图4所示,上述S202包括:
S401,对监控图像进行灰度处理、图像变换处理和图像增强处理中的至少一种,得到预处理后的监控图像。
其中,对监控图像进行灰度处理,是指将监控图像转换为只包含亮度信息,不包含彩色信息的灰度图像。灰度图像具有更少的像素点,便于提取纹理特征,同时可以避免颜色信息对图像识别的干扰。换言之,对监控图像进行灰度处理,可以降低图像识别的复杂度,提升图像识别的速度和准确性。
可选的,灰度处理可以通过最大值法、平均值法和加权平均法等方法实现。
对监控图像进行图像变换处理,是指对监控图像进行旋转、裁剪、平移和镜像等处理,以修正采集监控图像所产生的误差,将监控图像转换为较为统一的图像规格。
可选的,对监控图像进行旋转、裁剪、平移和镜像等处理后,采用灰度插值法优化监控图像。
对监控图像进行图像增强处理,是指增强图像中的有效信息,改善图像的视觉效果,以加强图像的判读和识别效果,满足图像识别的需要。
可选的,图像增强处理可以通过频率域发和空间域法等方法实现。
S402,对预处理后的监控图像进行特征提取处理,得到图像特征。
采用HOG(Histogram of Oriented Gradient,方向梯度直方图)算法提取预处理后的监控图像对应的图像特征,其中,HOG算法通过表征图像局部梯度方向和梯度强度分布特性来提取图像特征。
具体的,将监控图像划分为多个连通的局部区域,计算每一局部区域对应的梯度幅值和方向,根据每一局部区域对应的梯度幅值和方向形成基于梯度特性的直方图,进而根据直方图合成监控图像对应的图像特征,以完成对监控图像的特征提取处理。
本实施例中,预处理包括灰度处理、图像变换处理和图像增强处理中的至少一种,通过预处理和特征提取处理,从监控图像中提取出对应的图像特征,针对不同监控设备采集到的监控图像,均可实现有效图像特征提取,降低了对监控图像质量的要求,有利于提升后续图像识别的准确率。
为了对不同的监控图像进行合适的灰度处理,在上述实施例的基础上,在一个实施例中,可以通过分量法实现统一灰度处理,如图5所示,上述S401可以包括:
S501,从颜色***RGB的三个颜色通道中,选取一个颜色通道作为目标颜色通道。
其中,颜色***RGB的三个颜色通道,是指红色Red、绿色Green和蓝色Blue三个颜色通道。从上述三个颜色通道中任选一种,作为目标颜色通道,本实施例对目标颜色通道不做限制。
S502,根据监控图像中每一像素点在目标颜色通道下对应的亮度值,确定监控图像中每一像素点的灰度值。
获取监控图像中,每一像素点在目标颜色通道下的亮度值,进而将每一像素点在目标颜色通道下的亮度值,作为每一像素点的灰度值。其中,亮度值和灰度值的取值范围是(0,255)。
S503,根据监控图像中每一像素点的灰度值,确定灰度处理后的监控图像。
生成灰度处理后的监控图像,具体的,在确定监控图像中每一像素点的灰度值的情况下,所得到的灰度图像即为灰度处理后的监控图像。
本实施例中,通过分量法将监控图像转换为灰度图像,以进一步降低后续图像识别的复杂度,提升图像识别的速度和准确性。
为了准确提取出灰度处理后的监控图像对应的图像特征,在上述实施例的基础上,在一个实施例中,可以通过HOG算法实现,如图6所示,上述S402可以包括:
S601,根据预处理后的监控图像中每一像素点的灰度值,确定预处理后的监控图像的灰度值梯度。
将监控图像划分为多个连通的局部区域,根据每一局部区域中每一像素点的灰度值,计算该局部区域对应的灰度值梯度,以及确定该局部区域对应的灰度值方向。按照每一局部区域对应的灰度值方向,将各局部区域的灰度值梯度合成监控图像对应的灰度值梯度。
S602,根据预处理后的监控图像的灰度值梯度,提取预处理后的监控图像对应的图像特征。
根据预监控图像的灰度值梯度,采用标准化函数计算对应的图像特征。
可选的,通过滑窗的方法提取每一局部区域对应的图像特征,进而根据各局部区域对应的图像特征,合成监控图像对应的图像特征。
本实施例中,通过HOG算法计算灰度值梯度,从而提取监控图像对应的图像特征,有效提升了图像特征提取的效果,有利于提升图像识别的速度和准确性。
在上述实施例的基础上,在一个实施例中,可以在识别出针对电力设施的电力风险类型后,采取相应的电力风险预警策略,进行及时的电力风险预警,如图7所示,上述电力风险识别方法还可以包括:
S701,根据电力风险类型,确定对应的电力风险预警策略。
其中,电力风险预警策略用于指示进行电力风险预警的具体方式,不同的电力风险类型可以对应于不同的电力风险预警策略。
例如,针对电力设施的电力风险类型是电缆沟盖板异常,大型机械异常或围档异常,那么对应的电力风险预警策略可以用于指示相关维修工作人员对电力设施进行及时维修。
又如,针对电力设施的电力风险类型是电力设施人员攀爬或电力设施周边人员跌倒,那么对应的电力风险预警策略可以用于指示相关管理工作人员对风险情况进行及时排查。
S702,采用电力风险预警策略,对电力设施进行电力风险预警。
针对不同的电力风险类型,采用不同的电力风险预警策略进行电力风险预警。可选的,向相关维修工作人员或管理工作人员发送短信,以及时对电力设施进行电力风险预警。
本实施例中,针对不同的电力风险类型,对电力设施进行相应的电力风险预警,以加强对电力设施的保护措施,加强电力风险排除效率,避免出现电力事故。
在一个实施例中,提供了一种电力风险识别方法的可选实例,如图8所示,电力风险识别方法包括如下步骤:
S801,获取针对电力设施的监控图像。
S802,对监控图像进行灰度处理、图像变换处理和图像增强处理中的至少一种,得到预处理后的监控图像。
可选的,对监控图像进行灰度处理包括:从颜色***RGB的三个颜色通道中,选取一个颜色通道作为目标颜色通道;根据监控图像中每一像素点在目标颜色通道下对应的亮度值,确定监控图像中每一像素点的灰度值;根据监控图像中每一像素点的灰度值,确定灰度处理后的监控图像。
S803,根据预处理后的监控图像中每一像素点的灰度值,确定预处理后的监控图像的灰度值梯度。
S804,根据预处理后的监控图像的灰度值梯度,提取预处理后的监控图像对应的图像特征。
S805,通过电力风险识别模型,确定监控图像对应的图像特征与分离超平面之间的距离。
其中,电力风险识别模型是根据支持向量机构建的。
S806,通过电力风险识别模型,根据监控图像对应的图像特征与分离超平面之间的距离,确定监控图像对应的电力风险类型。
S807,根据电力风险类型,确定对应的电力风险预警策略。
S808,采用电力风险预警策略,对电力设施进行电力风险预警。
上述步骤的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力风险识别方法的电力风险识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力风险识别装置实施例中的具体限定可以参见上文中对于电力风险识别方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种电力风险识别装置1,包括图像获取模块10、特征提取模块20和风险识别模块30,其中:
图像获取模块10,用于获取针对电力设施的监控图像。
特征提取模块20,用于对监控图像进行预处理和特征提取处理,得到监控图像对应的图像特征。
风险识别模块30,用于通过电力风险识别模型,对监控图像对应的图像特征进行图像识别处理,得到监控图像对应的电力风险类型。
其中,电力风险识别模型是根据支持向量机构建的。
在一个实施例中,在图9的基础上,如图10所示,上述风险识别模块30可以包括:
距离确定单元31,用于通过电力风险识别模型,确定监控图像对应的图像特征与分离超平面之间的距离。
风险识别单元32,用于通过电力风险识别模型,根据监控图像对应的图像特征与分离超平面之间的距离,确定监控图像对应的电力风险类型。
在一个实施例中,在图9的基础上,如图11所示,上述特征提取模块20可以包括:
预处理单元21,用于对监控图像进行灰度处理、图像变换处理和图像增强处理中的至少一种,得到预处理后的监控图像。
特征提取单元22,用于对预处理后的监控图像进行特征提取处理,得到图像特征。
在一个实施例中,上述预处理单元21可以包括:
通道选取子单元,用于从颜色***RGB的三个颜色通道中,选取一个颜色通道作为目标颜色通道。
灰度值确定子单元,用于根据监控图像中每一像素点在目标颜色通道下对应的亮度值,确定监控图像中每一像素点的灰度值。
灰度处理子单元,用于根据监控图像中每一像素点的灰度值,确定灰度处理后的监控图像。
在一个实施例中,上述特征提取单元22可以包括:
梯度确定子单元,用于根据预处理后的监控图像中每一像素点的灰度值,确定预处理后的监控图像的灰度值梯度。
特征提取子单元,用于根据预处理后的监控图像的灰度值梯度,提取预处理后的监控图像对应的图像特征。
在一个实施例中,在图9的基础上,如图12所示,上述电力风险识别装置1还可以包括:
策略确定模块40,用于根据电力风险类型,确定对应的电力风险预警策略。
风险预警模块50,用于采用电力风险预警策略,对电力设施进行电力风险预警。
上述电力风险识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储监控图像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力风险识别方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述电力风险识别方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述电力风险识别方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述电力风险识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力风险识别方法,其特征在于,所述方法包括:
获取针对电力设施的监控图像;
对所述监控图像进行预处理和特征提取处理,得到所述监控图像对应的图像特征;
通过电力风险识别模型,对所述监控图像对应的图像特征进行图像识别处理,得到所述监控图像对应的电力风险类型;其中,所述电力风险识别模型是根据支持向量机构建的。
2.根据权利要求1所述的方法,其特征在于,所述通过电力风险识别模型,对所述监控图像对应的图像特征进行图像识别处理,得到所述监控图像对应的电力风险类型,包括:
通过电力风险识别模型,确定所述监控图像对应的图像特征与分离超平面之间的距离;
通过所述电力风险识别模型,根据所述监控图像对应的图像特征与分离超平面之间的距离,确定所述监控图像对应的电力风险类型。
3.根据权利要求1所述的方法,其特征在于,所述对所述监控图像进行预处理和特征提取处理,得到所述监控图像对应的图像特征,包括:
对所述监控图像进行灰度处理、图像变换处理和图像增强处理中的至少一种,得到预处理后的监控图像;
对所述预处理后的监控图像进行特征提取处理,得到图像特征。
4.根据权利要求3所述的方法,其特征在于,对所述监控图像进行灰度处理,包括:
从颜色***RGB的三个颜色通道中,选取一个颜色通道作为目标颜色通道;
根据所述监控图像中每一像素点在所述目标颜色通道下对应的亮度值,确定所述监控图像中每一像素点的灰度值;
根据所述监控图像中每一像素点的灰度值,确定灰度处理后的监控图像。
5.根据权利要求4所述的方法,其特征在于,所述对所述预处理后的监控图像进行特征提取处理,得到图像特征,包括:
根据所述预处理后的监控图像中每一像素点的灰度值,确定所述预处理后的监控图像的灰度值梯度;
根据所述预处理后的监控图像的灰度值梯度,提取所述预处理后的监控图像对应的图像特征。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述电力风险类型,确定对应的电力风险预警策略;
采用所述电力风险预警策略,对所述电力设施进行电力风险预警。
7.一种电力风险识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取针对电力设施的监控图像;
特征提取模块,用于对所述监控图像进行预处理和特征提取处理,得到所述监控图像对应的图像特征;
风险识别模块,用于通过电力风险识别模型,对所述监控图像对应的图像特征进行图像识别处理,得到所述监控图像对应的电力风险类型;其中,所述电力风险识别模型是根据支持向量机构建的。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847453.3A CN117830941A (zh) | 2023-12-29 | 2023-12-29 | 电力风险识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847453.3A CN117830941A (zh) | 2023-12-29 | 2023-12-29 | 电力风险识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117830941A true CN117830941A (zh) | 2024-04-05 |
Family
ID=90514853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311847453.3A Pending CN117830941A (zh) | 2023-12-29 | 2023-12-29 | 电力风险识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830941A (zh) |
-
2023
- 2023-12-29 CN CN202311847453.3A patent/CN117830941A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10860879B2 (en) | Deep convolutional neural networks for crack detection from image data | |
CN109657582B (zh) | 人脸情绪的识别方法、装置、计算机设备及存储介质 | |
CN110020582B (zh) | 基于深度学习的人脸情绪识别方法、装置、设备及介质 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及*** | |
CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
CN109635823A (zh) | 用于识别卷扬乱绳的方法和装置及工程机械 | |
Chen et al. | Multi-dimensional color image recognition and mining based on feature mining algorithm | |
CN113537180A (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
CN109784154B (zh) | 基于深度神经网络的情绪识别方法、装置、设备及介质 | |
Niu et al. | Electrical equipment identification method with synthetic data using edge-oriented generative adversarial network | |
CN116542956B (zh) | 一种织物组分自动检测方法、***及可读存储介质 | |
Samsami et al. | Classification of the air quality level based on analysis of the sky images | |
CN116543333A (zh) | 电力***的目标识别方法、训练方法、装置、设备和介质 | |
Mohamed et al. | Thermal Images Captured and Classifier-based Fault Detection System for Electric Motors Through ML Based Model | |
CN117830941A (zh) | 电力风险识别方法、装置、计算机设备和存储介质 | |
CN109558771B (zh) | 海上船舶的行为状态识别方法、装置、设备及存储介质 | |
CN115223181A (zh) | 基于文本检测的报告材料***文字识别方法和装置 | |
Sookpong et al. | Comparison of Corrosion Segmentation Techniques on Oil and Gas Offshore Critical Assets | |
Mousavi et al. | Crowd estimation using histogram model classificationbased on improved uniform local binary pattern | |
CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 | |
Hoang | Adaptive ternary pattern based on supervised learning approach for ground-based cloud type classification | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
CN113034420A (zh) | 一种频率空间域特征的工业产品表面缺陷分割方法及*** | |
Wang et al. | Salient region detection based on local and global saliency |
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 |