基于双目测距和图像分割对输电线舞动的检测方法技术

本发明专利技术提供了一种基于双目测距和图像分割对输电线舞动的检测方法，涉及图像识别技术领域，所述检测方法能通过深度学习图像分割算法模型进行推理识别，再将识别结果传送给双目测距系统，双目测距系统通过识别结果判断是否需要计算距离，最后将识别结果和计算的障碍物距离信息发送到手机APP端和设备终端，在手机APP端查看图片，导线和障碍物的轮廓和距离信息会以不同颜色标出，并和原图做了对比，根据在同一场景不同时刻的固定障碍物距离的异同，便可判断导线是否舞动以及舞动的剧烈程度。便可判断导线是否舞动以及舞动的剧烈程度。便可判断导线是否舞动以及舞动的剧烈程度。

【技术实现步骤摘要】
基于双目测距和图像分割对输电线舞动的检测方法


[0001]本专利技术涉及图像识别
，尤其涉及基于双目测距和图像分割对输电线舞动的检测方法。

技术介绍

[0002]我国输电网建设大规模迅速扩大，输电线舞动引发的事故逐渐凸显，轻则造成闪络、跳闸，重则造成金属夹具损坏，导线断股、断线，杆塔螺栓松动、脱落，甚至倒杆等严重事故，容易造成电网大面积的停电，进而直接或者间接对社会生活生产造成巨大的经济损失。然而对输电线路舞动的监控，传统的采用现场检查的巡视方式必然会消耗大量的人力和物力，而更为重要的是不能及时发现故障或隐患，造成工作的延误，甚至扩大故障范围。
[0003]随着计算机技术和光电技术的发展，机器视觉技术应运而生。双目测距技术运用两个摄像头对同一场景进行拍摄，从而产生图像视差，然后通过该视差建立物体距离测量模型，从而实现景物距离的实时计算。
[0004]图像分割技术是计算机视觉领域的一个重要的研究方向，图像分割是指将图像分成若干具有相似性质的区域的过程。该技术相关的场景物体分割、人体前背景分割、三维重建等技术已经在无人驾驶、增强现实、安防监控等行业都得到了广泛的应用。基于深度学习的图像分割算法研究对象是像素级别的，在输电线路防外破监控系统应用中，分割的精准度非常高，适用于户外输电线路场景的多目标检测分割。
[0005]现有的舞动检测技术可以采用传感器检测、卫星定位检测等。传感器的测量精度易受温度的影响，观测抖动误差较大，而且抗干扰能力弱，运用传感器检测高压架空输电线路舞动，存在较大误差、预测高压架空输电线事故风险的能力差的问题。现有的卫星定位检测导线舞动状态的方法也存在诸多问题，包括定位模块定位高度误差较大、定位精度不高、计算误差较大以及算法反馈时间长等。综上，现有的高压架空输电线舞动检测技术存在各种问题。

技术实现思路

[0006]为解决上述
技术介绍
中存在的问题，本专利技术提供了一种基于双目测距和图像分割技术的输电线舞动的检测方法，本专利技术提供的检测方法能通过深度学习图像分割算法模型进行推理识别，再将识别结果传送给双目测距系统，双目测距系统通过识别结果判断是否需要计算距离，最后将识别结果和计算的障碍物距离信息发送到手机APP端和设备终端，在手机APP端查看图片，导线和障碍物的轮廓和距离信息会以不同颜色标出，并和原图做了对比，根据在同一场景不同时刻的固定障碍物距离的异同，便可判断导线是否舞动以及舞动的剧烈程度。本专利技术的技术方案是这样的：一种基于双目测距和图像分割对输电线舞动的检测方法，基于安装在输电线上的在线监测装置实时采集导线舞动、震动和风偏等工况图像信息，构建输电线三维运行姿态信息，检测过程中应用有包括硬件设备端、AI图像识别、双目测距系统、后端服务、APP端五
大功能模块在内的检测系统，所述检测方法的步骤包括：S1: 在输电线上安装好图像采集终端设备，标定准确双目相机；S2:终端设备获取双目图片并转发给AI服务器，AI服务器获取图片后，通过图像分割技术推理出图片中是否存在危险目标以及危险目标位置及类别信息；S3: 双目测距系统获取到AI服务器提供的危险目标在图片中的位置信息，根据公式计算出危险目标和导线的距离以及危险目标和设备的距离，同时可构建出危险目标、导线和设备的三维姿态信息；S4:预警系统利用图像分割技术提供的目标类别和双目测距技术提供的危险等级；同时根据一段时间内的变化情况，计算出导线的舞动剧烈程度。
[0007]进一步的，所述S2中的图像分割技术中利用的是DeepLab V3+的语义分割模型，由Encoder和Decoder两部分组成，将 DeepLab 的 DCNN及ASPP 部分看做 Encoder，将 ASPP输出的高层语义特征与DCNN中低层高分辨率信息融合后上采样成原图大小的部分看做 Decoder，其中使用的上采样方式是双线性插值。
[0008]进一步的，所述S2中对采集图像进行卷积上采样的方式是通过空洞卷积进行计算：对于卷积输出的特征y上的每个位置i以及对应的卷积核w，对于输入x，空洞卷积的计算如下所示：上式中r为空洞率，表示卷积核在卷积操作的输入x上的取样步长；k表示卷积核参数的位置，例如卷积核尺寸为3，则k=0,1,2；kernel_size表示卷积核尺寸。
[0009]进一步的，所述S3中的双目测距系统中被测点与相机之间的距离计算方式为：z为被测点P到相机的距离，与分别为左右相机的光学中心，b为两光学中心的距离，和分别是被测点P在左右图像上的成像点，f为相机的焦距，和为成像点相对于图像中点的距离；根据三角形相似定理，可以得到公式（1）：简化公式（1），并将用d来替换后，得到公式2，即双目测距的原理公式：其中d被称为视差，所以在已知基线长度、相机焦距以及像点视差时，就可以通过公式（2）计算出被测点距离相机的实际距离。
[0010]进一步的，所述S1中标定的相机数据包括自身的内在参数和摄像机相对位置外在参数。
[0011]本专利技术的有益效果是：本专利技术的一种基于双目测距和图像分割技术对输电线舞动的检测方法通过图像分割技术计算危险目标的位置和类别；通过双目测距技术计算危险目标到导线和设备之间的实际距离；计算出导线舞动状态和剧烈程度，对输电线路的安全性进行监控；同时使得巡检人员能够实时获得报警提醒信息掌握现场情况，极大的提升监控效率。
附图说明
[0012]图1是本专利技术的基于双目测距和图像分割对输电线舞动的检测方法的工作原理流程图。
[0013]图2是本专利技术实施例中DeepLab V3+的网络结构示意图。
[0014]图3是本专利技术实施例中空洞卷积的原理图。
[0015]图4是本专利技术实施例中深度卷积的原理图。
[0016]图5是本专利技术实施例中图像语义分割Xception整体结构图。
[0017]图6是本专利技术实施例中在PASCAL VOC 2012数据集上测试结果图。
[0018]图7是本专利技术实施例中的双目左右相机与被测点p的空间关系模型图。
[0019]图8是本专利技术实施例中的双目测距系统原理图。
[0020]图9是本专利技术实施例中的对现场树障检测的结果展示图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通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，都属于本专利技术保护的范围。
实施例
[0022]目前，对处于大风工况、覆冰工况和超高树木威胁的输电线路，大多依赖人工现场确认隐患点，并通过例行巡检和组织特巡，进行日常监测，增加了劳动强度和管理难度。事故发生后的原因排查和事故评估，缺乏支撑数据，还原难度大，周期长，成本高。为解决输电线舞动的检测问题，本专利技术提出了一种基于双目测距和图像分割技术的输电线舞动的检测方法，本专利技术提供的检测方法能通过深度学习图像分割算法模型进行推理识别，再本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双目测距和图像分割对输电线舞动的检测方法，其特征在于所述检测方法基于安装在输电线上的在线监测装置实时采集导线舞动、震动和风偏等工况图像信息，构建输电线三维运行姿态信息，检测过程中应用有包括硬件设备端、AI图像识别、双目测距系统、后端服务、APP端五大功能模块在内的检测系统，所述检测方法的步骤包括：S1: 在输电线上安装好图像采集终端设备，标定准确双目相机；S2:终端设备获取双目图片并转发给AI服务器，AI服务器获取图片后，通过图像分割技术推理出图片中是否存在危险目标以及危险目标位置及类别信息；S3: 双目测距系统获取到AI服务器提供的危险目标在图片中的位置信息，根据公式计算出危险目标和导线的距离以及危险目标和设备的距离，同时可构建出危险目标、导线和设备的三维姿态信息；S4:预警系统利用图像分割技术提供的目标类别和双目测距技术提供的[A1] 危险等级；同时根据[A2] 一段时间内的变化情况，计算出导线的舞动剧烈程度。2. 根据权利要求1所述的基于双目测距和图像分割对输电线舞动的检测方法，其特征在于所述S2中的图像分割技术中利用的是DeepLab V3+的语义分割模型，由Encoder和Decoder两部分组成，将 DeepLab 的 DCNN及ASPP 部分看做 Encoder，将 ASPP输出的高层语义特征与DCNN中低层高分辨率信息...

【专利技术属性】
技术研发人员：刘东波，李正波，张永，吴纯泉，
申请(专利权)人：上海倍肯智能科技有限公司，
类型：发明
国别省市：