一种输电通道AI可视化监控方法及装置

技术领域

本发明涉及输电通道监测技术领域，具体为一种输电通道AI可视化监控方法及装置。

背景技术

输电线路主要分为架空线路和埋地线路两种。架空线路所受到的外力破坏主要是由流动作业的升高机械(如吊车、泵车、船吊等)造成的，而埋地线路所受到的外力破坏则主要是由流动作业的土工机械(如挖掘机、顶管机、钻孔机)等造成的。建设好的输电线路周边一定范围的立体区域称之为输电通道。因此，实时监控是否有可能造成外破的工程机械进入到输电通道中，方便巡视人员能够及时赶到现场进行管控。

目前对输电线路的监控主要是在输电通道的附近设置图像采集设备采集输电通道附近的影像并上传至监控系统，监控系统对图像进行显示，以供巡视人员查看，但是该种监控方式需要巡视人员实时的盯着监控系统的显示界面，限制了巡视人员的活动范围，因为如果巡视人员的视线离开监控系统监视的显示的界面，而此段时间正好有外破的工程机械进入到输电通道中，则不能使巡视人员及时的发现并做出反应，使得输电通道造成破坏，造成损失。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有输电通道监控中存在的问题，提出了本发明。

因此，本发明的目的是提供一种输电通道AI可视化监控方法及装置，通过对外破的工程机械自动识别、判断并自动发出警报，及时的提醒巡视人员，不再需要巡视人员每时每刻的观察监控系统的显示画面。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种输电通道AI可视化监控方法，其包括：

获取输电线路一定范围的立体区域的影像；

接收影像、并将影像输入到模型中确定是否有隐患物体，其中，所述模型为使用多组数据通过机器学习训练得出，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：隐患物体的图像和标识该图像包括隐患物体的标签；第二类数据中的每组数据均包括：未含有隐患物体的图像和标识该图像未含有隐患物体的标签；

在所述影像中有隐患物体的情况下，发出警报并播放含有隐患物体的影像。

作为本发明所述的一种输电通道AI可视化监控方法的一种优选方案，其中，所述获取影像、并将影像输入到模型中确定是否有隐患物体的具体步骤如下：

接收影像；

将接收的影像按时间轴分割为多个连贯的短影像；

将多个连贯的短影像输入到模型中确定是否有隐患物体。

作为本发明所述的一种输电通道AI可视化监控方法的一种优选方案，其中，在所述影像中有隐患物体的情况下，发出警报并播放含有隐患物体的影像的具体步骤如下：在短影像中有隐患物体的情况下，发出警报，并播放含有隐患物体的短影像。

作为本发明所述的一种输电通道AI可视化监控方法的一种优选方案，其中，所述将影像输入到模型中确定是否有隐患物体的具体步骤如下：

将短影像输入到输入层，对接第一卷卷积层；

第一卷积层对输入的短影像内的图像进行卷积操作，得到三个特征图，其中，每个特征图对应一个卷积核，并且卷积操作产生的特征数量可自由设定；

第一下采样层对输入的三个特征图进行下采样操作，得到为原特征图一半的三个特征图；

第二卷积层对经过第一下采样层下采样操作得到的三个特征图进行卷积操作，得到五个特征图；

第二下卷积层对五个特征图进行下采样操作，得到为原五个特征图一个的五个特征图；

全连接层的每个神经元与上一层的五个特征图的每个神经元进行全连接后，输出层对全连接后的特征向量进行计算，得到分类预测结果。

一种输电通道AI可视化监控装置，其包括：

影像获取单元，用于获取输电线路一定范围的立体区域的影像；

影像处理单元，用于接收影像、并将影像输入到模型中确定是否有隐患物体，其中，所述模型为使用多组数据通过机器学习训练得出，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：隐患物体的图像和标识该图像包括隐患物体的标签；第二类数据中的每组数据均包括：未含有隐患物体的图像和标识该图像未含有隐患物体的标签；

报警播放单元，用于在所述影像中有隐患物体的情况下，发出警报并播放含有隐患物体的影像。

作为本发明所述的一种输电通道AI可视化监控装置的一种优选方案，其中，所述影像处理单元包括：

接收模块，用于接收接收影像；

影像分割模块，用于将接收的影像按时间轴分割为多个连贯的短影像；

影像检测模块，用于将多个连贯的短影像输入到模型中确定是否有隐患物体。

作为本发明所述的一种输电通道AI可视化监控装置的一种优选方案，其中，所述报警播放单元包括：

警报模块，在短影像中有隐患物体的情况下，发出警报；

播放模块，在短影像中有隐患物体的情况下，播放含有隐患物体的短影像。

作为本发明所述的一种输电通道AI可视化监控装置的一种优选方案，其中，所述影像检测模块内置卷积神经网络算法。

与现有技术相比，本发明具有的有益效果是：通过将外破的工程机械的图像预先进行机器学习训练得到对应的模型存储，在该装置对输电通道附近进行影像监控时，该装置将影像采集的终端采集的影像输入到机器学习训练得到的模型中对比，可以自主的识别影像中是否有存在隐患的工程机械，并自主发出警报，相较于传统的输电通道采集设备，能够对外破的工程机械自动识别、判断并自动发出警报，及时的提醒巡视人员，不再需要巡视人员每时每刻的观察监控系统的显示画面。为巡视人员带来了极大的方便。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的输电通道AI可视化监控方法流程图；

图2为本发明提供的输电通道AI可视化监控装置的系统框图；

图3为本为本发明提供的深度卷积网络结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明提供提供一种输电通道AI可视化监控方法及装置，通过对外破的工程机械自动识别、判断并自动发出警报，及时的提醒巡视人员，不再需要巡视人员每时每刻的观察监控系统的显示画面，为巡视人员带来了极大的方便。

实施方式1

请参阅图1，该种输电通道AI可视化监控方法的步骤如下：

S10：获取输电线路一定范围的立体区域的影像，在本实施方式中，可以在输电线路的附近依次等距设置多个CCD图像传感器，采集输电线路一定范围的立体区域的影像；

S20接收影像、并将影像输入到模型中确定是否有隐患物体，其中，所述模型为使用多组数据通过机器学习训练得出，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：隐患物体的图像和标识该图像包括隐患物体的标签；第二类数据中的每组数据均包括：未含有隐患物体的图像和标识该图像未含有隐患物体的标签。具体的，接收影像；将接收的影像按时间轴分割为多个连贯的短影像；将多个连贯的短影像输入到模型中确定是否有隐患物体。结合图3，将影像输入到模型中确定是否有隐患物体的具体步骤如下：

将短影像输入到输入层，对接第一卷卷积层；

第一卷积层对输入的短影像内的图像进行卷积操作，得到三个特征图，其中，每个特征图对应一个卷积核，并且卷积操作产生的特征数量可自由设定；

第一下采样层对输入的三个特征图进行下采样操作，得到为原特征图一半的三个特征图；

第二卷积层对经过第一下采样层下采样操作得到的三个特征图进行卷积操作，得到五个特征图；

第二下卷积层对五个特征图进行下采样操作，得到为原五个特征图一个的五个特征图；

全连接层的每个神经元与上一层的五个特征图的每个神经元进行全连接后，输出层对全连接后的特征向量进行计算，得到分类预测结果。

S30：在所述影像中有隐患物体的情况下，发出警报并播放含有隐患物体的影像。具体的，在短影像中有隐患物体的情况下，发出警报，并播放含有隐患物体的短影像。

在本实施方式中，隐患物体指的是可能对输电通道造成外破的工程机械，例如：吊车、塔吊等施工机械。

实施方式2

请参阅图2，该输电通道AI可视化监控装置，包括：

影像获取单元，用于获取输电线路一定范围的立体区域的影像；

影像处理单元，用于接收影像、并将影像输入到模型中确定是否有隐患物体，其中，所述模型为使用多组数据通过机器学习训练得出，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：隐患物体的图像和标识该图像包括隐患物体的标签；第二类数据中的每组数据均包括：未含有隐患物体的图像和标识该图像未含有隐患物体的标签；

报警播放单元，用于在所述影像中有隐患物体的情况下，发出警报并播放含有隐患物体的影像。

其中，所述影像处理单元包括接收模块、影像分割模块和影像检测模块。

接收模块，用于接收接收影像，影像分割模块，用于将接收的影像按时间轴分割为多个连贯的短影像，影像检测模块，用于将多个连贯的短影像输入到模型中确定是否有隐患物体。

所述报警播放单元包括警报模块和播放模块，警报模块用于在短影像中有隐患物体的情况下，发出警报；播放模块用于短影像中有隐患物体的情况下，播放含有隐患物体的短影像。所述影像检测模块内置卷积神经网络算法。

本发明通过将外破的工程机械的图像预先进行机器学习训练得到对应的模型存储，在该装置对输电通道附近进行影像监控时，该装置将影像采集的终端采集的影像输入到机器学习训练得到的模型中对比，可以自主的识别影像中是否有存在隐患的工程机械，并自主发出警报，相较于传统的输电通道采集设备，能够对外破的工程机械自动识别、判断并自动发出警报，及时的提醒巡视人员，不再需要巡视人员每时每刻的观察监控系统的显示画面。为巡视人员带来了极大的方便。

虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。