CN117974658A - 基于图像处理的线缆异常识别方法及*** - Google Patents
基于图像处理的线缆异常识别方法及*** Download PDFInfo
- Publication number
- CN117974658A CN117974658A CN202410373444.3A CN202410373444A CN117974658A CN 117974658 A CN117974658 A CN 117974658A CN 202410373444 A CN202410373444 A CN 202410373444A CN 117974658 A CN117974658 A CN 117974658A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- cable
- time sequence
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 title claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 230000010287 polarization Effects 0.000 claims description 47
- 238000012423 maintenance Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 18
- 230000036541 health Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 22
- 230000006378 damage Effects 0.000 description 17
- 239000002131 composite material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及图像识别技术领域,公开了一种基于图像处理的线缆异常识别方法及***。所述方法包括:将预处理图像集输入预置的自编码器‑卷积神经网络混合模型进行图像特征提取,得到特征向量集;将图像时间标签数据以及特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据;通过支持向量数据描述算法对预测时序数据进行最小超球体构建,得到最小超球体,并通过最小超球体对目标线缆进行状态分析,得到线缆状态数据;对线缆状态数据进行数据优化,得到目标状态数据,并根据目标状态数据生成线缆维修策略,本申请用于提高基于图像处理的线缆异常识别的准确率。
Description
技术领域
本申请涉及图像识别领域,尤其涉及一种基于图像处理的线缆异常识别方法及***。
背景技术
在当前的工业维护和监控实践中,线缆的健康状况对于保障电力、通信和数据传输的可靠性至关重要。随着技术的进步,图像处理技术已被广泛应用于线缆异常检测中,以期实现对线缆异常状态的早期识别和及时维修,从而减少潜在的服务中断风险和经济损失。然而,传统的图像处理方法在处理复杂环境下的线缆图像时面临着一系列挑战,特别是在光照变化大、背景复杂和线缆细微异常难以识别的情况下,这些方法的准确性和可靠性往往难以满足实际应用的需求。
此外,尽管现有的一些方法采用了先进的图像分析技术,例如深度学习,以提高识别精度,但这些技术在处理大规模的图像数据时往往需要大量的计算资源,且对于数据的预处理和特征提取步骤高度依赖于专业知识,增加了实施的复杂性。大多数现有方法缺乏有效的时序数据分析能力,难以捕捉和分析线缆状态随时间变化的动态特性,这限制了它们在预测即将发生的异常事件方面的效果。
发明内容
本申请提供了一种基于图像处理的线缆异常识别方法及***,用于用于提高基于图像处理的线缆异常识别的准确率。
第一方面,本申请提供了一种基于图像处理的线缆异常识别方法,所述基于图像处理的线缆异常识别方法包括:通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多个偏振图像集;对所述偏振图像集进行小波变换预处理,得到预处理图像集,并提取所述预处理图像集的图像时间标签数据;将所述预处理图像集输入预置的自编码器-卷积神经网络混合模型进行图像特征提取,得到特征向量集;将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据;通过支持向量数据描述算法对所述预测时序数据进行最小超球体构建,得到最小超球体,并通过所述最小超球体对所述目标线缆进行状态分析,得到线缆状态数据;对所述线缆状态数据进行数据优化,得到目标状态数据,并根据所述目标状态数据生成线缆维修策略。
结合第一方面,在本申请第一方面的第一种实现方式中,所述通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多个偏振图像集,包括:通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多维度图像数据集;对所述多维度图像数据集进行像素质量评价,得到像素评价结果;根据所述像素评价结果对所述多维度图像数据集进行图像筛选,得到合格图像集;对所述合格图像集进行边缘检测,得到所述合格图像集对应的线缆边缘数据;对所述合格图像集进行时间戳提取,得到初始时间戳数据,并根据所述初始时间戳数据对所述合格图像集进行时序排列,得到时序图像集;对所述时序图像集进行偏振信息提取,得到偏振信息集合;根据所述偏振信息集合以及所述线缆边缘数据,对所述时序图像集进行图像增强,得到增强图像集;基于所述线缆边缘数据,对所述增强图像集进行图像划分,得到多个偏振图像集。
结合第一方面,在本申请第一方面的第二种实现方式中,所述对所述偏振图像集进行小波变换预处理,得到预处理图像集,并提取所述预处理图像集的图像时间标签数据,包括:通过离散小波变换算法对所述偏振图像集中每个偏振图像进行图像分解,得到每个所述偏振图像的高频图像区域以及低频图像区域;分别对每个所述偏振图像的高频图像区域进行软阈值处理,得到每个所述偏振图像的处理高频图像区域;分别对每个所述偏振图像的处理高频图像区域以及每个所述偏振图像的低频图像区域进行合成,得到多个合成图像;分别对每个所述合成图像进行亮度分布分析,得到每个所述合成图像的亮度分布数据;基于每个所述合成图像的亮度分布数据,分别对每个所述合成图像进行亮度动态调整,得到多个预处理图像,并将多个所述预处理图像合并为所述预处理图像集;对所述预处理图像集进行时间标签提取,得到所述预处理图像集的图像时间标签数据。
结合第一方面,在本申请第一方面的第三种实现方式中,所述将所述预处理图像集输入预置的自编码器-卷积神经网络混合模型进行图像特征提取,得到特征向量集,包括:将所述预处理图像集输入所述自编码器-卷积神经网络混合模型进行图像解码重构,得到多个解码重构图像;分别对每个所述解码重构图像进行特征编码分析,得到每个所述解码重构图像的特征编码数据;将每个所述解码重构图像的特征编码数据输入所述自编码器-卷积神经网络混合模型进行深度特征提取,得到线缆特征数据;对所述线缆特征数据进行尺度标准化处理,得到标准尺度特征数据;对所述标准尺度特征数据进行特征筛选及特征向量转换,得到特征向量集。
结合第一方面,在本申请第一方面的第四种实现方式中,所述将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据,包括:将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序关键节点提取,得到多个时序关键节点;通过注意力算法对多个所述时序关键节点进行关键时间段分割,得到多个关键时间段数据;分别对每个所述关键时间段数据进行时序变化趋势识别,得到每个所述关键时间段数据的时序变化趋势;通过每个所述关键时间段数据的时序变化趋势进行时序预测,得到所述预测时序数据。
结合第一方面,在本申请第一方面的第五种实现方式中,所述通过支持向量数据描述算法对所述预测时序数据进行最小超球体构建,得到最小超球体,并通过所述最小超球体对所述目标线缆进行状态分析,得到线缆状态数据,包括:对所述预测时序数据进行高维空间映射,得到映射时序数据;将所述映射时序数据输入支持向量数据描述算法进行初始特征提取,得到线缆特征集;采集历史标准线缆的状态分布数据,并对所述状态分布数据进行软间隔参数分析,得到目标软间隔参数;基于所述目标软间隔参数,通过支持向量数据描述算法进行最小超球体构建,得到最小超球体,其中,所述最小超球体包括线缆健康状态数据点;对所述线缆特征集进行基于最小超球体的数据点映射,得到线缆待分析状态数据点集;通过所述最小超球体以及线缆待分析状态数据点集对所述目标线缆进行状态分析,得到线缆状态数据。
结合第一方面,在本申请第一方面的第六种实现方式中,所述通过所述最小超球体以及线缆待分析状态数据点集对所述目标线缆进行状态分析,得到线缆状态数据,包括:对所述线缆待分析状态数据点集进行基于最小超球体的空间坐标提取,得到线缆待分析状态数据点集的空间坐标集;根据所述空间坐标集计算所述线缆待分析状态数据点集到所述最小超球体的中心坐标的欧式距离,得到欧式距离数据;根据所述欧式距离数据确定所述线缆待分析状态数据点集的多个异常数据点;分别对每个所述异常数据点进行特征矩阵转换,得到每个所述异常数据点的特征矩阵;基于每个所述异常数据点的特征矩阵,对每个所述异常数据点进行状态识别,得到每个异常数据点的状态数据,并根据每个异常数据点的状态数据生成线缆状态数据。
第二方面,本申请提供了一种基于图像处理的线缆异常识别***,所述基于图像处理的线缆异常识别***包括:
采集模块,用于通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多个偏振图像集;
处理模块,用于对所述偏振图像集进行小波变换预处理,得到预处理图像集,并提取所述预处理图像集的图像时间标签数据;
提取模块,用于将所述预处理图像集输入预置的自编码器-卷积神经网络混合模型进行图像特征提取,得到特征向量集;
预测模块,用于将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据;
构建模块,用于通过支持向量数据描述算法对所述预测时序数据进行最小超球体构建,得到最小超球体,并通过所述最小超球体对所述目标线缆进行状态分析,得到线缆状态数据;
优化模块,用于对所述线缆状态数据进行数据优化,得到目标状态数据,并根据所述目标状态数据生成线缆维修策略。
本申请第三方面提供了一种基于图像处理的线缆异常识别设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于图像处理的线缆异常识别设备执行上述的基于图像处理的线缆异常识别方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于图像处理的线缆异常识别方法。
本申请提供的技术方案中,通过融合偏振相机采集的多维度图像数据集、小波变换的高效预处理、自编码器-卷积神经网络(CNN)混合模型的深度特征提取以及基于时间序列模型的精准时序预测,这一系列技术特征的结合,为线缆异常状态的精确识别和及时响应提供了强大的技术支撑。偏振相机采集的图像能够捕获到线缆表面的微小变化和不同偏振状态下的特征,这使得即使在复杂的光照和背景条件下,也能有效地区分线缆与其周围环境,提高了图像采集的质量和异常识别的准确性。其次,小波变换的预处理不仅优化了图像质量,通过去噪和亮度调整等手段增强了图像的可用性,而且提高了后续处理步骤的效率和效果,特别是在提取图像特征时,为深度学习模型提供了更为清晰和准确的输入数据。再者,自编码器与CNN的结合使用不仅大幅度提升了特征提取的深度和广度,通过自编码器学习到的数据表示为CNN提取关键特征提供了有力的补充,使得模型能够更全面地理解图像中的线缆状态信息,极大地增强了异常状态识别的精确度。采用预置的线缆状态时间序列模型进行时序预测,结合了注意力机制和时间序列分析的优势,能够精确捕捉线缆状态随时间变化的动态过程,***潜在的异常发展趋势,为采取预防性维修措施提供了时间窗口。此外,支持向量数据描述算法进一步优化了基于时间序列预测的分析结果,通过构建最小超球体精确区分正常与异常状态,为线缆维护策略的制定提供了准确依据,整体上极大地提升了线缆异常监测和维护的效率与可靠性,为保障电力、通信等关键基础设施的稳定运行提供了强有力的技术支持。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于图像处理的线缆异常识别方法的一个实施例示意图;
图2为本申请实施例中基于图像处理的线缆异常识别***的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于图像处理的线缆异常识别方法及***。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中基于图像处理的线缆异常识别方法的一个实施例包括:
步骤S101、通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多个偏振图像集;
可以理解的是,本申请的执行主体可以为基于图像处理的线缆异常识别***,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到目标线缆的多维度图像数据集。偏振相机能够从不同角度捕捉线缆的图像,确保获得的图像数据具有高度的维度性和信息量。对多维度图像数据集进行像素质量评价,通过分析每个像素的亮度、对比度和清晰度等参数得到像素评价结果。根据像素评价结果,对多维度图像数据集进行筛选,仅保留那些满足质量标准的图像,得到合格的图像集。筛选过程排除了因拍摄条件不佳或设备问题而产生的低质量图像,保证数据处理的准确性和效率。对合格的图像集进行边缘检测,识别出线缆的边缘数据,边缘数据能够准确反映线缆的几何形状和物理状态。对合格图像集进行时间戳提取,得到初始时间戳数据。通过对图像集按时间顺序进行排列,形成时序图像集,这有助于分析线缆状态的变化趋势。对时序图像集进行偏振信息提取,获得偏振信息集合。偏振信息是理解和分析线缆状态变化的重要维度,能够提供线缆表面以及材料性质变化的重要信息。根据偏振信息集合以及线缆边缘数据,对时序图像集进行图像增强处理。增强过程通过调整图像对比度、亮度和清晰度等参数,使得线缆的细节特征更加明显,便于后续的分析和识别。在增强后的图像集基础上,根据线缆边缘数据进行图像划分,最终得到多个偏振图像集。
步骤S102、对偏振图像集进行小波变换预处理,得到预处理图像集,并提取预处理图像集的图像时间标签数据;
具体的,通过离散小波变换算法对偏振图像集中的每个偏振图像进行图像分解。离散小波变换算法通过分离图像的高频和低频信息,使得图像的细节和整体特征得以区分。分解过程生成每个偏振图像的高频图像区域和低频图像区域,其中高频区域包含了图像的边缘和细节信息,而低频区域则保留了图像的基本结构。对每个偏振图像的高频图像区域进行软阈值处理,减少或消除图像中的噪声,同时保留重要的边缘和细节信息。软阈值处理通过对高频区域的像素值进行调整,滤除那些低于某一阈值的信号,使图像在去噪的尽可能保留其特征信息。将处理后的高频图像区域与各自的低频图像区域进行合成,得到多个合成图像,通过重新构建图像,使其既拥有清晰的细节,又保持整体的视觉效果。分别对每个合成图像进行亮度分布分析,得到每个合成图像的亮度分布数据。亮度分布分析帮助理解图像的光照条件和可能存在的亮度不均问题。基于得到的亮度分布数据,对每个合成图像进行亮度动态调整,优化图像的视觉效果,确保图像中的关键信息更加突出且容易识别。亮度动态调整能够提升图像的整体质量,并增强图像的分析能力。将所有经过预处理的图像合并为预处理图像集,并对该图像集进行时间标签提取,得到图像时间标签数据。
步骤S103、将预处理图像集输入预置的自编码器-卷积神经网络混合模型进行图像特征提取,得到特征向量集;
具体的,将预处理图像集输入预置的自编码器-卷积神经网络(CNN)混合模型中进行图像解码重构。自编码器部分通过学习输入图像的压缩表示,进行图像的解码重构,得到多个解码重构图像。通过自编码器模型的编码-码机制来捉图像的内在特征,同时尽可能地减少信息的丢失。对每个解码重构后图像进行特征编码分析,通过提取解码图像的关键特征,得到每个解码重构图像的特征编码数据。基于卷积神经网络,通过其多层结构能够有效地识别出图像中的各种模式和特征,如边缘、纹理等。这些特征编码数据反映了图像中的主要信息和关键特征。将特征编码数据重新输入到自编码器-卷积神经网络混合模型中,进行深度特征提取。混合模型通过深度学习的方法深入分析和提取线缆的关键特征,得到更加精细和深入的线缆特征数据。这些线缆特征数据包含了对线缆状态判定至关重要的信息,如损伤、磨损程度以及其他可能的异常状态指示。对线缆特征数据进行尺度标准化处理,得到标准尺度特征数据。尺度标准化是指将数据按比例缩放,使之落入一个特定区间,如0到1之间,从而消除不同特征数据量纲和数值范围的差异,有助于提高后续模型训练的效率和准确性。对标准尺度特征数据进行特征筛选及特征向量转换,筛选出最有代表性和判别能力的特征,并将这些特征转换为特征向量集。特征筛选的目的在于减少数据的维度,避免过拟合,同时保留最有利于线缆状态识别的关键信息。
步骤S104、将图像时间标签数据以及特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据;
具体的,将图像时间标签数据和特征向量集输入预置的线缆状态时间序列模型中。该模型能够捕获和理解线缆状态随时间变化的动态模式,从而进行有效的时序关键节点提取,识别出时间序列数据中的重要转折点或状态变化点,这些时序关键节点标志着可能的线缆状态变化,为分析提供关键的时间参考点。通过注意力算法对时序关键节点进行分析和处理,识别出其中的关键时间段。注意力算法通过评估各个时序节点的重要性,能够高效地对时序数据进行分割,得到多个含有重要状态变化信息的关键时间段数据。这使得模型能够聚焦于最可能反映线缆异常或重要状态变化的时间区间,优化后续分析的针对性和效率。对每个关键时间段数据进行时序变化趋势识别。通过分析每个关键时间段内的数据变化模式,识别出线缆状态随时间的变化趋势,如是否存在持续的恶化趋势、稳定状态或是改善趋势。识别过程基于对时间序列数据的统计分析,包括模式识别和机器学习技术,以准确判定线缆状态的发展方向。基于每个关键时间段数据的时序变化趋势进行时序预测。利用变化趋势,结合时间序列预测模型,预测线缆状态在未来一段时间内的可能发展。
步骤S105、通过支持向量数据描述算法对预测时序数据进行最小超球体构建,得到最小超球体,并通过最小超球体对目标线缆进行状态分析,得到线缆状态数据;
具体的,对预测时序数据进行高维空间映射,将时序数据从其原始空间转换到一个高维特征空间中。映射基于核技巧,允许算法在高维空间中有效地处理数据,使得非线性可分的数据变得线性可分,从而得到映射时序数据。将映射时序数据输入支持向量数据描述算法中进行初始特征提取,从高维映射的数据中识别出反映线缆状态的关键特征集。支持向量数据描述算法通过定义并优化一个将大部分数据点包含在内的最小超球体,来提取这些特征集,帮助确定数据的核心分布特性。为了构建最适合描述线缆健康状态的最小超球体,算法需要采集历史标准线缆的状态分布数据,并对这些数据进行软间隔参数分析。软间隔参数分析涉及到调整超球体的边界以允许一定量的数据点位于超球体之外,这是为了增强模型的泛化能力和容错性,同时也考虑到实际应用中可能存在的数据噪声。通过这种分析,得到最适合描述健康线缆状态的目标软间隔参数。基于目标软间隔参数,通过支持向量数据描述算法进行最小超球体构建,得到最小超球体。算法利用软间隔参数定义一个最小的超球体,该超球体包含所有代表线缆健康状态的数据点,同时排除异常或损坏状态的点。构建完成的最小超球体包含了线缆健康状态的核心数据点,为状态分析提供了一个明确的参考标准。将线缆特征集基于最小超球体进行数据点映射,得到线缆待分析状态的数据点集。映射过程将新的或未知状态的线缆特征数据与最小超球体中的健康状态数据进行比较,判定这些新数据点是位于超球体内部(表示健康状态)还是外部(可能表示异常或损坏)。通过最小超球体以及线缆待分析的状态数据点集,对目标线缆进行综合状态分析。通过比较数据点是否位于最小超球体内外,算法能够明确地判断线缆的当前状态是否偏离正常的健康状态,得到线缆状态数据。
其中,对线缆待分析状态数据点集进行基于最小超球体的空间坐标提取,通过将数据点集映射到一个高维空间中,并以此空间中的坐标形式表示每个数据点的位置,得到了一组空间坐标集。根据空间坐标集,算法计算每个数据点到最小超球体中心的欧式距离,这些距离数据是衡量每个数据点与线缆健康状态中心距离远近的关键指标。通过这种方式,量化每个数据点相对于被认为是健康状态的中心位置的偏离程度,得到的欧式距离数据成为后续识别异常数据点的基础。利用欧式距离数据,确定那些与最小超球体中心有较大距离的数据点,这些被识别为异常数据点的集合,代表了可能存在的线缆异常或损伤情况。每个异常数据点都反映了线缆在某个特定位置或特性上可能的偏离正常状态的情况。对每个异常数据点进行特征矩阵转换。将每个数据点的特征转换为一个矩阵形式,以便更好地进行模式识别和状态判断。基于每个异常数据点的特征矩阵,进行状态识别。通过使用分类算法或机器学习模型,识别每个异常数据点的状态数据。这些状态数据揭示了每个异常点可能的问题类型和严重程度,为线缆的维护和修复提供了关键信息。通过汇总这些异常数据点的状态信息,最终生成关于整个线缆状态的综合数据。
步骤S106、对线缆状态数据进行数据优化,得到目标状态数据,并根据目标状态数据生成线缆维修策略。
具体的,对线缆状态数据进行清洗和标准化,通过去除噪声和不相关的信息,将数据转换为一致的格式和尺度,确保数据分析的准确性和一致性。通过统计分析和数据挖掘技术,如聚类分析、主成分分析(PCA)等,从优化后的数据中提取关键的信息和趋势,这些关键信息包括线缆的主要损伤类型、损伤严重程度以及损伤分布等特征。这些信息被聚合和总结为目标状态数据,目标状态数据反映了线缆的整体健康状况和具体维修需要。基于得到的目标状态数据制定线缆维修策略。将目标状态数据与线缆维修和维护的标准做匹配,考虑线缆的具体情况、损伤类型和严重程度,制定出具体的维修计划和预防措施。例如,对于检测到有局部损伤但整体结构仍然稳定的线缆,可能只需要进行局部修复;而对于发现有广泛损伤或损伤严重威胁到线缆安全性的情况,则可能需要更换线缆或进行大规模修复。利用决策分析模型和优化算法,综合考虑维修成本、维修时间、资源调配等因素,制定出最优的维修策略。
本申请实施例中,通过融合偏振相机采集的多维度图像数据集、小波变换的高效预处理、自编码器-卷积神经网络(CNN)混合模型的深度特征提取以及基于时间序列模型的精准时序预测,这一系列技术特征的结合,为线缆异常状态的精确识别和及时响应提供了强大的技术支撑。偏振相机采集的图像能够捕获到线缆表面的微小变化和不同偏振状态下的特征,这使得即使在复杂的光照和背景条件下,也能有效地区分线缆与其周围环境,提高了图像采集的质量和异常识别的准确性。其次,小波变换的预处理不仅优化了图像质量,通过去噪和亮度调整等手段增强了图像的可用性,而且提高了后续处理步骤的效率和效果,特别是在提取图像特征时,为深度学习模型提供了更为清晰和准确的输入数据。再者,自编码器与CNN的结合使用不仅大幅度提升了特征提取的深度和广度,通过自编码器学习到的数据表示为CNN提取关键特征提供了有力的补充,使得模型能够更全面地理解图像中的线缆状态信息,极大地增强了异常状态识别的精确度。采用预置的线缆状态时间序列模型进行时序预测,结合了注意力机制和时间序列分析的优势,能够精确捕捉线缆状态随时间变化的动态过程,***潜在的异常发展趋势,为采取预防性维修措施提供了时间窗口。此外,支持向量数据描述算法进一步优化了基于时间序列预测的分析结果,通过构建最小超球体精确区分正常与异常状态,为线缆维护策略的制定提供了准确依据,整体上极大地提升了线缆异常监测和维护的效率与可靠性,为保障电力、通信等关键基础设施的稳定运行提供了强有力的技术支持。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多维度图像数据集;
(2)对多维度图像数据集进行像素质量评价,得到像素评价结果;
(3)根据像素评价结果对多维度图像数据集进行图像筛选,得到合格图像集;
(4)对合格图像集进行边缘检测,得到合格图像集对应的线缆边缘数据;
(5)对合格图像集进行时间戳提取,得到初始时间戳数据,并根据初始时间戳数据对合格图像集进行时序排列,得到时序图像集;
(6)对时序图像集进行偏振信息提取,得到偏振信息集合;
(7)根据偏振信息集合以及线缆边缘数据,对时序图像集进行图像增强,得到增强图像集;
(8)基于线缆边缘数据,对增强图像集进行图像划分,得到多个偏振图像集。
具体的,部署多个偏振相机沿线缆路径捕获线缆的多维度图像数据集。从不同角度和偏振方向获取线缆的图像,捕捉到线缆表面和结构的详细信息。得到的多维度图像数据集包含线缆的外观信息,并反映了线缆表面的光学特性。对多维度图像数据集进行像素质量评价。通过分析每个像素的亮度、对比度、清晰度等指标,识别和排除那些因曝光不足、过度曝光或模糊而不适合分析的图像,像素评价结果提供了一种量化的方法来衡量图像的质量。根据像素评价结果,从多维度图像数据集中筛选出质量合格的图像集。筛选过程基于预设的质量标准,只有满足标准的图像才会被选中用于进一步的分析。对筛选出的合格图像集进行边缘检测,识别线缆几何形态和损伤情况。边缘检测算法能够识别图像中线缆的轮廓线,得到线缆边缘数据。边缘数据有助于理解线缆的物理状态及其在空间中的布局。对合格图像集进行时间戳提取。每张图像的时间戳记录拍摄的具体时间,使得可以根据时间顺序对图像进行排列,形成时序图像集。对时序图像集进行偏振信息提取,丰富图像数据的维度。偏振信息揭示线缆表面材料的光学特性,这些信息有助于识别线缆表面的特定条件,如湿度、光滑度或损伤情况。基于偏振信息集合和线缆边缘数据对时序图像集进行图像增强。图像增强技术通过改善图像的对比度、亮度和色彩饱和度等,使得线缆的细节特征更加明显。基于线缆边缘数据对增强图像集进行图像划分,得到多个偏振图像集。通过将增强后的图像根据线缆的不同部位或不同状态进行分类,每一类图像集中反映了线缆的特定状态或属性。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)通过离散小波变换算法对偏振图像集中每个偏振图像进行图像分解,得到每个偏振图像的高频图像区域以及低频图像区域;
(2)分别对每个偏振图像的高频图像区域进行软阈值处理,得到每个偏振图像的处理高频图像区域;
(3)分别对每个偏振图像的处理高频图像区域以及每个偏振图像的低频图像区域进行合成,得到多个合成图像;
(4)分别对每个合成图像进行亮度分布分析,得到每个合成图像的亮度分布数据;
(5)基于每个合成图像的亮度分布数据,分别对每个合成图像进行亮度动态调整,得到多个预处理图像,并将多个预处理图像合并为预处理图像集;
(6)对预处理图像集进行时间标签提取,得到预处理图像集的图像时间标签数据。
具体的,通过离散小波变换算法对偏振图像集中的每个偏振图像进行分解。离散小波变换通过将图像信号分解为不同频率的组成部分,能够有效地区分图像的高频区域和低频区域。高频区域通常包含图像的边缘和细节信息,而低频区域则反映了图像的整体趋势和背景。例如,对电力线路的偏振图像进行离散小波变换,可以分离出电线的细微磨损或损伤的高频信号,以及电线和背景的低频信号。对每个偏振图像的高频图像区域进行软阈值处理,降低或消除图像噪声,同时保留重要的边缘和细节信息。软阈值处理通过设置一个阈值,低于该阈值的信号会被减弱或去除,而高于阈值的信号则保留。这可以去除因偏振相机拍摄时的随机噪声而引入的不必要信息,确保高频区域中仅包含对分析有用的细节。将处理后的高频图像区域与原图的低频图像区域进行合成,形成优化后的合成图像。通过融合经过噪声过滤的高频细节和未经过多处理的低频背景,恢复图像的完整性的同时增强其可读性。例如,在电力线路的偏振图像处理中,合成图像能更清晰地显示电线上的微小裂纹或磨损,而不会被背景噪声干扰。对每个合成图像进行亮度分布分析,评估图像的整体亮度情况,包括亮度的均匀性和可能的亮度异常。亮度分布数据提供了关于图像光照条件和可能需要调整的区域的重要信息。基于合成图像的亮度分布数据,分别对每个合成图像进行亮度动态调整,优化图像的视觉效果,使图像的细节更加清晰。亮度动态调整可能涉及到调整图像的对比度、曝光度和亮度等参数,以确保图像中的重要特征能够被有效地识别和分析。将经过预处理和优化的图像合并为预处理图像集,并对图像集进行时间标签提取。从图像的元数据中获取图像拍摄时间的过程,将图像按照时间顺序进行排列,使得可以观察到线缆状态随时间的变化。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)将预处理图像集输入自编码器-卷积神经网络混合模型进行图像解码重构,得到多个解码重构图像;
(2)分别对每个解码重构图像进行特征编码分析,得到每个解码重构图像的特征编码数据;
(3)将每个解码重构图像的特征编码数据输入自编码器-卷积神经网络混合模型进行深度特征提取,得到线缆特征数据;
(4)对线缆特征数据进行尺度标准化处理,得到标准尺度特征数据;
(5)对标准尺度特征数据进行特征筛选及特征向量转换,得到特征向量集。
具体的,将预处理图像集输入自编码器-卷积神经网络(CNN)混合模型中进行图像解码和重构。混合模型结合自编码器在图像重建方面的能力和卷积神经网络在特征提取方面的高效性。自编码器部分通过学习输入图像的低维特征表示进行图像的编码,然后重构原始图像,在压缩和重构过程中捕捉图像的关键特征。例如,模型学习电缆图像的核心特征,如形状、纹理和可能的损伤标记。对每个由混合模型解码重构后的图像进行特征编码分析,通过分析重构图像提取关键的特征编码数据。特征编码数据代表图像的高级特征,如边缘、角点或特定的纹理模式,这有助于识别和分类图像中的线缆状态。例如,特征编码分析能够从重构的电缆图像中识别出细微的裂纹或腐蚀痕迹。将每个解码重构图像的特征编码数据输入自编码器-CNN混合模型进行深度特征提取,利用卷积神经网络的特征学习能力,分析和提取线缆的详细特征数据。深度特征提取旨在从特征编码数据中识别出更加抽象和复杂的模式,这有助于理解线缆的具体状态和健康状况。对线缆特征数据进行尺度标准化处理。通过调整不同特征的尺度使其落在同一范围内,以消除不同量纲和尺度对模型训练和分析的影响。尺度标准化处理确保所有特征都在一个统一的标准下比较,增强模型对特征的理解和使用效率。进行特征筛选及特征向量转换,将标准尺度特征数据转换为最终的特征向量集,通过选取最有信息量的特征并将它们转换为适合机器学习模型处理的格式。特征筛选有助于减少模型复杂度和避免过拟合,通过仅保留最重要的特征来提高模型的预测性能。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)将图像时间标签数据以及特征向量集输入预置的线缆状态时间序列模型进行时序关键节点提取,得到多个时序关键节点;
(2)通过注意力算法对多个时序关键节点进行关键时间段分割,得到多个关键时间段数据;
(3)分别对每个关键时间段数据进行时序变化趋势识别,得到每个关键时间段数据的时序变化趋势;
(4)通过每个关键时间段数据的时序变化趋势进行时序预测,得到预测时序数据。
具体的,将图像时间标签数据以及特征向量集输入预置的线缆状态时间序列模型进行时序关键节点提取。时序关键节点是指那些在线缆状态时间序列中具有显著变化或转折点的时刻,它们可能标志着线缆状态的重要变化,比如从正常转向异常或损坏。通过分析图像时间标签和对应的特征向量,模型能够识别出这些关键节点。通过注意力算法对时序关键节点进行关键时间段分割,从整个时间序列中区分出包含重要信息的关键时间段。注意力算法通过评估不同时间节点的重要性,能够自动识别那些对线缆状态评估最为关键的时间段。这些被识别出的关键时间段数据集中反映了线缆状态在特定时间范围内的重要变化,为后续的时序变化趋势识别提供目标区域。通过分析关键时间段数据内特征向量的变化模式,对每个关键时间段数据进行时序变化趋势识别。理解线缆状态在这些关键时间段内的具体变化趋势,比如是逐渐恶化、保持稳定还是有所改善。每个关键时间段内的时序变化趋势提供关于线缆健康状态变化动态的直观理解,使得***能够对线缆的未来状态进行更准确的预测。基于每个关键时间段数据的时序变化趋势进行时序预测。利用时序变化趋势识别的结果,预测线缆在未来某个时间点或时间段内的状态。例如,如果在分析一条重要通信线缆的健康数据时,通过注意力算法识别出的关键时间段可能显示在过去几个月内线缆的某个特定区域出现了持续的微小变化。进一步的时序变化趋势识别可能揭示出这些变化正逐渐加剧,而时序预测则可能表明,如果不采取任何措施,该区域的线缆状态有可能在未来几周内达到一个临界点,需要立即采取维修措施。通过这样的分析和预测,可以在问题恶化前及时进行干预,大大降低了风险和维修成本。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)对预测时序数据进行高维空间映射,得到映射时序数据;
(2)将映射时序数据输入支持向量数据描述算法进行初始特征提取,得到线缆特征集;
(3)采集历史标准线缆的状态分布数据,并对状态分布数据进行软间隔参数分析,得到目标软间隔参数;
(4)基于目标软间隔参数,通过支持向量数据描述算法进行最小超球体构建,得到最小超球体,其中,最小超球体包括线缆健康状态数据点;
(5)对线缆特征集进行基于最小超球体的数据点映射,得到线缆待分析状态数据点集;
(6)通过最小超球体以及线缆待分析状态数据点集对目标线缆进行状态分析,得到线缆状态数据。
具体的,对预测时序数据进行高维空间映射。通过将时序数据从其原始空间转换到一个高维特征空间中,得到数据内在的复杂结构和模式。例如,通过高维映射,将电力线缆的温度、湿度和其他传感器数据转换为能够反映线缆综合状态的高维特征表示。将映射后的时序数据输入支持向量数据描述(SVDD)算法进行初始特征提取。SVDD算法通过在高维空间中定义一个最小超球体,覆盖所有的正常状态数据点,而将异常点排除在外。这有助于捕捉到代表线缆健康状态的关键特征,也为后续的异常检测和状态评估提供了基础。例如,通过特征提取,得到代表线缆不同健康状态(如正常、轻微磨损、严重损伤)的特征集合。通过采集历史标准线缆的状态分布数据,并对这些数据进行软间隔参数分析,在构建最小超球体时考虑数据的噪声和微小的异常。软间隔参数的设定允许算法在定义超球体边界时留出一定的容错空间,从而提高模型对未知数据的泛化能力。例如对于长期部署在户外环境的电力线缆,由于环境因素的影响,即使是健康的线缆也可能出现轻微的数据波动。通过软间隔参数分析,确保这些正常的波动不会被错误地识别为异常。基于目标软间隔参数,通过支持向量数据描述算法进行最小超球体构建,实现准确状态判定。构建的最小超球体旨在尽可能地覆盖所有代表线缆健康状态的数据点,而将潜在的异常状态数据点排除在外。对线缆特征集进行基于最小超球体的数据点映射,提高状态识别的准确性。通过将线缆的实时状态特征映射到构建的最小超球体中,判定这些特征是否位于超球体内部(代表正常状态)或外部(可能代表异常)。例如,通过分析电力线缆的特征集,识别出由于外部损伤或内部老化引起的状态变化。通过最小超球体以及线缆待分析状态数据点集对目标线缆进行状态分析,得到综合的线缆状态数据。综合考虑线缆的多维特征和历史状态数据,提供关于线缆当前状态的全面视图。
在一具体实施例中,执行通过最小超球体以及线缆待分析状态数据点集对目标线缆进行状态分析步骤的过程可以具体包括如下步骤:
(1)对线缆待分析状态数据点集进行基于最小超球体的空间坐标提取,得到线缆待分析状态数据点集的空间坐标集;
(2)根据空间坐标集计算线缆待分析状态数据点集到最小超球体的中心坐标的欧式距离,得到欧式距离数据;
(3)根据欧式距离数据确定线缆待分析状态数据点集的多个异常数据点;
(4)分别对每个异常数据点进行特征矩阵转换,得到每个异常数据点的特征矩阵;
(5)基于每个异常数据点的特征矩阵,对每个所述异常数据点进行状态识别,得到每个异常数据点的状态数据,并根据每个异常数据点的状态数据生成线缆状态数据。
具体的,对线缆待分析状态数据点集进行基于最小超球体的空间坐标提取。利用支持向量数据描述(SVDD)算法将线缆的状态数据映射到一个高维空间中,每个数据点在这个空间中的位置就是其空间坐标。空间坐标集反映了线缆状态数据在高维特征空间中的分布。根据空间坐标集计算每个线缆待分析状态数据点到最小超球体中心的欧式距离。欧式距离是一种衡量点之间距离的直观方式,用来评估每个数据点与被认为代表线缆正常状态的超球体中心的距离。通过计算,得到一个欧式距离数据集,这些数据揭示了每个待分析状态数据点相对于正常状态的偏离程度。根据得到的欧式距离数据确定线缆待分析状态数据点集中的异常数据点。那些与最小超球体中心有较大欧式距离的数据点被认为是异常的,因为它们可能代表着线缆的非正常状态,如磨损、损伤或其他潜在的健康问题。识别过程通过设定一个距离阈值,超过这个阈值的数据点被标记为异常。对每个被标记的异常数据点进行特征矩阵转换。将每个点的特征数据转换成矩阵形式,以便于进行数据分析和模式识别。特征矩阵能够更全面地表达数据点的特征,包括其在各个维度上的值,这些维度可能包括线缆的温度、压力、振动频率等多个传感器数据。基于每个异常数据点的特征矩阵进行状态识别。通过使用机器学习模型或模式识别算法从异常数据点的特征矩阵中识别出特定的状态模式,比如某种特定类型的损伤或磨损模式。每个异常数据点的状态数据揭示了其代表的具体线缆问题类型,从而为整个线缆的状态评估提供了关键信息。
上面对本申请实施例中基于图像处理的线缆异常识别方法进行了描述,下面对本申请实施例中基于图像处理的线缆异常识别***进行描述,请参阅图2,本申请实施例中基于图像处理的线缆异常识别***一个实施例包括:
采集模块201,用于通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多个偏振图像集;
处理模块202,用于对所述偏振图像集进行小波变换预处理,得到预处理图像集,并提取所述预处理图像集的图像时间标签数据;
提取模块203,用于将所述预处理图像集输入预置的自编码器-卷积神经网络混合模型进行图像特征提取,得到特征向量集;
预测模块204,用于将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据;
构建模块206,用于通过支持向量数据描述算法对所述预测时序数据进行最小超球体构建,得到最小超球体,并通过所述最小超球体对所述目标线缆进行状态分析,得到线缆状态数据;
优化模块207,用于对所述线缆状态数据进行数据优化,得到目标状态数据,并根据所述目标状态数据生成线缆维修策略。
通过上述各个组成部分的协同合作,该基于图像处理的线缆异常识别方法从技术特征角度带来的有益效果显著,尤其是通过融合偏振相机采集的多维度图像数据集、小波变换的高效预处理、自编码器-卷积神经网络(CNN)混合模型的深度特征提取以及基于时间序列模型的精准时序预测,这一系列技术特征的结合,为线缆异常状态的精确识别和及时响应提供了强大的技术支撑。偏振相机采集的图像能够捕获到线缆表面的微小变化和不同偏振状态下的特征,这使得即使在复杂的光照和背景条件下,也能有效地区分线缆与其周围环境,提高了图像采集的质量和异常识别的准确性。其次,小波变换的预处理不仅优化了图像质量,通过去噪和亮度调整等手段增强了图像的可用性,而且提高了后续处理步骤的效率和效果,特别是在提取图像特征时,为深度学习模型提供了更为清晰和准确的输入数据。再者,自编码器与CNN的结合使用不仅大幅度提升了特征提取的深度和广度,通过自编码器学习到的数据表示为CNN提取关键特征提供了有力的补充,使得模型能够更全面地理解图像中的线缆状态信息,极大地增强了异常状态识别的精确度。采用预置的线缆状态时间序列模型进行时序预测,结合了注意力机制和时间序列分析的优势,能够精确捕捉线缆状态随时间变化的动态过程,***潜在的异常发展趋势,为采取预防性维修措施提供了时间窗口。此外,支持向量数据描述算法进一步优化了基于时间序列预测的分析结果,通过构建最小超球体精确区分正常与异常状态,为线缆维护策略的制定提供了准确依据,整体上极大地提升了线缆异常监测和维护的效率与可靠性,为保障电力、通信等关键基础设施的稳定运行提供了强有力的技术支持。
本申请还提供一种基于图像处理的线缆异常识别设备,所述基于图像处理的线缆异常识别设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于图像处理的线缆异常识别方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于图像处理的线缆异常识别方法的步骤。
所属领域的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***,***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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分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,包括若干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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于图像处理的线缆异常识别方法,其特征在于,所述基于图像处理的线缆异常识别方法包括:
通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多个偏振图像集;
对所述偏振图像集进行小波变换预处理,得到预处理图像集,并提取所述预处理图像集的图像时间标签数据;
将所述预处理图像集输入预置的自编码器-卷积神经网络混合模型进行图像特征提取,得到特征向量集;
将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据;
通过支持向量数据描述算法对所述预测时序数据进行最小超球体构建,得到最小超球体,并通过所述最小超球体对所述目标线缆进行状态分析,得到线缆状态数据;
对所述线缆状态数据进行数据优化,得到目标状态数据,并根据所述目标状态数据生成线缆维修策略。
2.根据权利要求1所述的基于图像处理的线缆异常识别方法,其特征在于,所述通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多个偏振图像集,包括:
通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多维度图像数据集;
对所述多维度图像数据集进行像素质量评价,得到像素评价结果;
根据所述像素评价结果对所述多维度图像数据集进行图像筛选,得到合格图像集;
对所述合格图像集进行边缘检测,得到所述合格图像集对应的线缆边缘数据;
对所述合格图像集进行时间戳提取,得到初始时间戳数据,并根据所述初始时间戳数据对所述合格图像集进行时序排列,得到时序图像集;
对所述时序图像集进行偏振信息提取,得到偏振信息集合;
根据所述偏振信息集合以及所述线缆边缘数据,对所述时序图像集进行图像增强,得到增强图像集;
基于所述线缆边缘数据,对所述增强图像集进行图像划分,得到多个偏振图像集。
3.根据权利要求1所述的基于图像处理的线缆异常识别方法,其特征在于,所述对所述偏振图像集进行小波变换预处理,得到预处理图像集,并提取所述预处理图像集的图像时间标签数据,包括:
通过离散小波变换算法对所述偏振图像集中每个偏振图像进行图像分解,得到每个所述偏振图像的高频图像区域以及低频图像区域;
分别对每个所述偏振图像的高频图像区域进行软阈值处理,得到每个所述偏振图像的处理高频图像区域;
分别对每个所述偏振图像的处理高频图像区域以及每个所述偏振图像的低频图像区域进行合成,得到多个合成图像;
分别对每个所述合成图像进行亮度分布分析,得到每个所述合成图像的亮度分布数据;
基于每个所述合成图像的亮度分布数据,分别对每个所述合成图像进行亮度动态调整,得到多个预处理图像,并将多个所述预处理图像合并为所述预处理图像集;
对所述预处理图像集进行时间标签提取,得到所述预处理图像集的图像时间标签数据。
4.根据权利要求1所述的基于图像处理的线缆异常识别方法,其特征在于,所述将所述预处理图像集输入预置的自编码器-卷积神经网络混合模型进行图像特征提取,得到特征向量集,包括:
将所述预处理图像集输入所述自编码器-卷积神经网络混合模型进行图像解码重构,得到多个解码重构图像;
分别对每个所述解码重构图像进行特征编码分析,得到每个所述解码重构图像的特征编码数据;
将每个所述解码重构图像的特征编码数据输入所述自编码器-卷积神经网络混合模型进行深度特征提取,得到线缆特征数据;
对所述线缆特征数据进行尺度标准化处理,得到标准尺度特征数据;
对所述标准尺度特征数据进行特征筛选及特征向量转换,得到特征向量集。
5.根据权利要求1所述的基于图像处理的线缆异常识别方法,其特征在于,所述将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据,包括:
将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序关键节点提取,得到多个时序关键节点;
通过注意力算法对多个所述时序关键节点进行关键时间段分割,得到多个关键时间段数据;
分别对每个所述关键时间段数据进行时序变化趋势识别,得到每个所述关键时间段数据的时序变化趋势;
通过每个所述关键时间段数据的时序变化趋势进行时序预测,得到所述预测时序数据。
6.根据权利要求1所述的基于图像处理的线缆异常识别方法,其特征在于,所述通过支持向量数据描述算法对所述预测时序数据进行最小超球体构建,得到最小超球体,并通过所述最小超球体对所述目标线缆进行状态分析,得到线缆状态数据,包括:
对所述预测时序数据进行高维空间映射,得到映射时序数据;
将所述映射时序数据输入支持向量数据描述算法进行初始特征提取,得到线缆特征集;
采集历史标准线缆的状态分布数据,并对所述状态分布数据进行软间隔参数分析,得到目标软间隔参数;
基于所述目标软间隔参数,通过支持向量数据描述算法进行最小超球体构建,得到最小超球体,其中,所述最小超球体包括线缆健康状态数据点;
对所述线缆特征集进行基于最小超球体的数据点映射,得到线缆待分析状态数据点集;
通过所述最小超球体以及线缆待分析状态数据点集对所述目标线缆进行状态分析,得到线缆状态数据。
7.根据权利要求1所述的基于图像处理的线缆异常识别方法,其特征在于,所述通过所述最小超球体以及线缆待分析状态数据点集对所述目标线缆进行状态分析,得到线缆状态数据,包括:
对所述线缆待分析状态数据点集进行基于最小超球体的空间坐标提取,得到线缆待分析状态数据点集的空间坐标集;
根据所述空间坐标集计算所述线缆待分析状态数据点集到所述最小超球体的中心坐标的欧式距离,得到欧式距离数据;
根据所述欧式距离数据确定所述线缆待分析状态数据点集的多个异常数据点;
分别对每个所述异常数据点进行特征矩阵转换,得到每个所述异常数据点的特征矩阵;
基于每个所述异常数据点的特征矩阵,对每个所述异常数据点进行状态识别,得到每个异常数据点的状态数据,并根据每个异常数据点的状态数据生成线缆状态数据。
8.一种基于图像处理的线缆异常识别***,其特征在于,所述基于图像处理的线缆异常识别***包括:
采集模块,用于通过设置在线缆路径中的多个偏振相机对目标线缆进行图像采集,得到多个偏振图像集;
处理模块,用于对所述偏振图像集进行小波变换预处理,得到预处理图像集,并提取所述预处理图像集的图像时间标签数据;
提取模块,用于将所述预处理图像集输入预置的自编码器-卷积神经网络混合模型进行图像特征提取,得到特征向量集;
预测模块,用于将所述图像时间标签数据以及所述特征向量集输入预置的线缆状态时间序列模型进行时序预测,得到预测时序数据;
构建模块,用于通过支持向量数据描述算法对所述预测时序数据进行最小超球体构建,得到最小超球体,并通过所述最小超球体对所述目标线缆进行状态分析,得到线缆状态数据;
优化模块,用于对所述线缆状态数据进行数据优化,得到目标状态数据,并根据所述目标状态数据生成线缆维修策略。
9.一种基于图像处理的线缆异常识别设备,其特征在于,所述基于图像处理的线缆异常识别设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于图像处理的线缆异常识别设备执行如权利要求1-7中任一项所述的基于图像处理的线缆异常识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于图像处理的线缆异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410373444.3A CN117974658B (zh) | 2024-03-29 | 2024-03-29 | 基于图像处理的线缆异常识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410373444.3A CN117974658B (zh) | 2024-03-29 | 2024-03-29 | 基于图像处理的线缆异常识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974658A true CN117974658A (zh) | 2024-05-03 |
CN117974658B CN117974658B (zh) | 2024-06-11 |
Family
ID=90859858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410373444.3A Active CN117974658B (zh) | 2024-03-29 | 2024-03-29 | 基于图像处理的线缆异常识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974658B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6285992B1 (en) * | 1997-11-25 | 2001-09-04 | Stanley C. Kwasny | Neural network based methods and systems for analyzing complex data |
JP2005102236A (ja) * | 1996-06-11 | 2005-04-14 | Masanobu Kujirada | 現在位置近傍映像の略リアルタイム提供システム |
CN109978068A (zh) * | 2019-04-02 | 2019-07-05 | 广东电网有限责任公司 | 一种基于多元模糊支持向量数据描述的高压电缆缺陷识别方法 |
CN110335260A (zh) * | 2019-06-27 | 2019-10-15 | 华东送变电工程有限公司 | 一种基于轻卷积神经网络的电力电缆破损检测方法 |
CN110954312A (zh) * | 2020-02-19 | 2020-04-03 | 北京化工大学 | 一种基于无键相整周期信号的往复机械故障诊断方法 |
CN114037895A (zh) * | 2021-11-09 | 2022-02-11 | 国网四川省电力公司眉山供电公司 | 一种无人机杆塔巡检图像识别方法 |
CN115797708A (zh) * | 2023-02-06 | 2023-03-14 | 南京博纳威电子科技有限公司 | 一种输配电同步数据采集方法 |
CN117110775A (zh) * | 2023-03-27 | 2023-11-24 | 广西电网有限责任公司电力科学研究院 | 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 |
CN117253024A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种基于机器视觉的工业盐质检管控方法及*** |
CN117351271A (zh) * | 2023-09-26 | 2024-01-05 | 江西汇盛电力科技有限公司 | 高压配电线路监控设备故障监测方法、***及其存储介质 |
CN117541534A (zh) * | 2023-10-12 | 2024-02-09 | 国网河南省电力公司濮阳供电公司 | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 |
-
2024
- 2024-03-29 CN CN202410373444.3A patent/CN117974658B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005102236A (ja) * | 1996-06-11 | 2005-04-14 | Masanobu Kujirada | 現在位置近傍映像の略リアルタイム提供システム |
US6285992B1 (en) * | 1997-11-25 | 2001-09-04 | Stanley C. Kwasny | Neural network based methods and systems for analyzing complex data |
CN109978068A (zh) * | 2019-04-02 | 2019-07-05 | 广东电网有限责任公司 | 一种基于多元模糊支持向量数据描述的高压电缆缺陷识别方法 |
CN110335260A (zh) * | 2019-06-27 | 2019-10-15 | 华东送变电工程有限公司 | 一种基于轻卷积神经网络的电力电缆破损检测方法 |
CN110954312A (zh) * | 2020-02-19 | 2020-04-03 | 北京化工大学 | 一种基于无键相整周期信号的往复机械故障诊断方法 |
CN114037895A (zh) * | 2021-11-09 | 2022-02-11 | 国网四川省电力公司眉山供电公司 | 一种无人机杆塔巡检图像识别方法 |
CN115797708A (zh) * | 2023-02-06 | 2023-03-14 | 南京博纳威电子科技有限公司 | 一种输配电同步数据采集方法 |
CN117110775A (zh) * | 2023-03-27 | 2023-11-24 | 广西电网有限责任公司电力科学研究院 | 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 |
CN117351271A (zh) * | 2023-09-26 | 2024-01-05 | 江西汇盛电力科技有限公司 | 高压配电线路监控设备故障监测方法、***及其存储介质 |
CN117541534A (zh) * | 2023-10-12 | 2024-02-09 | 国网河南省电力公司濮阳供电公司 | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 |
CN117253024A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种基于机器视觉的工业盐质检管控方法及*** |
Non-Patent Citations (1)
Title |
---|
刘敏;方义治;孙廷玺;何伟;罗思琴;兰雪珂;周念成;: "基于多元模糊支持向量数据描述的高压电缆缺陷识别", 电子科技大学学报, no. 02, 30 March 2020 (2020-03-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117974658B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555819B (zh) | 基于红外和可见光图像融合的设备监测方法、装置及设备 | |
JP2020187735A (ja) | 表面欠陥識別方法及び装置 | |
Bisheh et al. | A layer-by-layer quality monitoring framework for 3D printing | |
Koosha et al. | Statistical process monitoring via image data using wavelets | |
Cord et al. | Texture classification by statistical learning from morphological image processing: application to metallic surfaces | |
CN117314919B (zh) | 基于机器视觉的包装袋生产分析方法、***及存储介质 | |
Alaei et al. | Blind document image quality prediction based on modification of quality aware clustering method integrating a patch selection strategy | |
Magid et al. | Texture-based error analysis for image super-resolution | |
CN116740728A (zh) | 一种用于晶圆读码器动态获取方法和*** | |
Zhang et al. | A PV generation data reconstruction method based on improved super-resolution generative adversarial network | |
Tang et al. | Blind quality index for camera images with natural scene statistics and patch-based sharpness assessment | |
CN117974658B (zh) | 基于图像处理的线缆异常识别方法及*** | |
DE102020207974B4 (de) | Systeme und verfahren zum nachweis von bewegung während 3d-datenrekonstruktion | |
Abdulhussein et al. | Computer vision to improve security surveillance through the identification of digital patterns | |
Dai et al. | Evaluation of no-reference models to assess image sharpness | |
Shen et al. | Graph-Represented Distribution Similarity Index for Full-Reference Image Quality Assessment | |
CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、***及介质 | |
CN115272831B (zh) | 接触网悬挂状态监测图像的传输方法及*** | |
CN116708763B (zh) | 视频监控***故障诊断方法及*** | |
CN117169286B (zh) | 一种视觉辅助下的工业线束质量检测方法 | |
CN111652201B (zh) | 基于深度视频事件补全的视频数据异常识别方法和装置 | |
Paul et al. | Image statistic models characterize well log image quality | |
CN117972358A (zh) | 基于ai的配电柜状态识别方法、装置、设备及存储介质 | |
Mumtaz et al. | Non-Subsampled Contourlet Transform and Ground-truth Score Generation based Quality Assessment for DIBR-Synthesized Views | |
Liao et al. | Image Quality Assessment: Measuring Perceptual Degradation via Distribution Measures in Deep Feature Spaces |
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 |