电力设备的缺陷识别方法、装置、计算机设备和存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及电力设备的缺陷识别方法、装置、计算机设备和存储介质。


背景技术：

2.多旋翼无人机技术在电力行业输电线路巡视业务方面的应用已经趋于成熟。目前的多旋翼无人机巡检模式主要为由移动端飞控应用app控制无人机根据提前规划好的三维航线对电力线路进行自动巡视。由于多旋翼无人机电池电量所支持的飞行时间不多，导致不能一次完成整条线路的巡视，解决该问题的最新技术是采用“机巢
‑
无人机”的方式进行线路巡检，即按线路区段安装无人机的机巢，每个机巢固定配置一架无人机，无人机可在机巢充电、机巢对无人机下发巡视指令并接收无人机巡视数据，多个“机巢
‑
无人机”对多个线路区段的巡视组成对整条线路的巡视。
3.目前，服务器采用缺陷识别方法对电力设备图像进行缺陷识别，现有的缺陷识别方法，通常需要将电力设备的参考图像和拍摄的图像进行比较，例如，通过深度学习实现缺陷识别。但是，通常巡视线路上有大量待缺陷识别的图像，现有的缺陷识别方法过程复杂，对服务器的运算能力、内存等要求高，进行一次缺陷识别所需时长较长，导致对电力设备的图像进行缺陷识别的效率较低，无法实现电力设备缺陷的实时识别。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种效率高，可以进行实时缺陷识别的电力设备的缺陷识别方法、装置、计算机设备和存储介质。
5.一种电力设备的缺陷识别方法，应用于边缘服务器，所述方法包括：
6.接收机巢发送的待识别图像，其中，所述待识别图像是通过所述机巢配置的无人机对电力设备拍摄得到的；
7.获取所述待识别图像对应的参考特征向量库，并基于所述待识别图像确定待识别特征向量集，其中，所述参考特征向量库包括多张参考图像的参考特征向量集，所述参考图像是所述电力设备缺失零件时的图像；
8.基于所述参考特征向量库和所述待识别特征向量集确定识别结果，并将所述识别结果发送到所述云服务器。
9.在其中一个实施例中，所述待识别图像配置有第一图像标识；所述获取所述待识别图像对应的参考特征向量库，包括：
10.在所述边缘服务器的内存中，基于所述第一图像标识获取所述待识别图像对应的参考特征向量库，其中，所述参考特征向量库是所述云服务器预先基于所述电力设备的多张参考图像确定，并发送至所述边缘服务器的。
11.在其中一个实施例中，所述基于所述待识别图像确定待识别特征向量集，包括：
12.采用fast检测算法确定所述待识别图像中的若干特征点；
13.采用orb算法确定每个特征点的待识别特征向量，并基于每个特征点的待识别特征向量确定待识别特征向量集。
14.在其中一个实施例中，所述基于所述参考特征向量库和所述待识别特征向量集确定识别结果，包括：
15.基于任一参考特征向量集和所述待识别特征向量集，确定所述任一参考特征向量集对应的相似度，其中，所述相似度用于反映所述任一参考特征向量集和所述待识别特征集中，相同特征向量的数量；
16.所述任一参考特征向量集对应的相似度和预设阈值确定识别结果。
17.在其中一个实施例中，所述参考特征向量集包括若干参考特征向量，所述待识别特征向量集包括若干待识别特征向量，所述若干参考特征向量和所述若干待识别特征向量一一对应；所述基于任一参考特征向量集和所述待识别特征向量集，确定所述任一参考特征向量集对应的相似度，包括：
18.确定所述任一参考特征向量和所述任一参考特征向量对应的待识别特征向量之间的汉明距离；
19.确定小于预设距离的汉明距离的数量，将确定的数量作为所述任一参考特征向量集对应的相似度。
20.在其中一个实施例中，所述识别结果包括无缺陷信息或缺陷信息，所述任一参考特征向量集对应的相似度和预设阈值确定识别结果，包括：
21.若所述任一参考特征向量对应的相似度均小于所述预设阈值，则确定所述识别结果为无缺陷信息；
22.若所述任一参考特征向量对应的相似度大于或等于所述预设阈值，则将大于或等于所述预设阈值的相似度对应的参考特征向量集作为目标特征向量集，并根据所述目标特征向量集确定缺陷信息。
23.在其中一个实施例中，所述缺陷信息包括缺陷标识和缺陷像素点坐标，每个参考向量集均配置有第二图像标识；所述根据所述目标特征向量集确定缺陷信息，包括：
24.根据所述目标特征向量集确定缺陷像素点坐标，其中，所述缺陷像素点坐标是所述目标特征向量集中相同特征向量对应的像素点的坐标，所述相同特征向量是所述目标特征向量集中与所述待识别特征向量集相同的特征向量；
25.将所述目标特征向量集的第二图像标识作为缺陷标识，其中，所述缺陷标识用于所述云服务器确定所述待识别图像的缺陷等级和缺陷描述信息。
26.一种电力设备的缺陷识别装置，包括：
27.图像接收模块，用于接收机巢发送的待识别图像，其中，所述待识别图像是通过所述机巢配置的无人机对电力设备拍摄得到的；
28.特征向量集确定模块，用于获取所述待识别图像对应的参考特征向量库，并基于所述待识别图像确定待识别特征向量集，其中，所述参考特征向量库包括多张参考图像的参考特征向量集，所述参考图像是所述电力设备缺失零件时的图像；
29.识别结果确定模块，用于基于所述参考特征向量库和所述待识别特征向量集确定识别结果，并将所述识别结果发送到所述云服务器。
30.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理
器执行所述计算机程序时实现以下步骤：
31.接收机巢发送的待识别图像，其中，所述待识别图像是通过所述机巢配置的无人机对电力设备拍摄得到的；
32.获取所述待识别图像对应的参考特征向量库，并基于所述待识别图像确定待识别特征向量集，其中，所述参考特征向量库包括多张参考图像的参考特征向量集，所述参考图像是所述电力设备缺失零件时的图像；
33.基于所述参考特征向量库和所述待识别特征向量集确定识别结果，并将所述识别结果发送到所述云服务器。
34.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
35.接收机巢发送的待识别图像，其中，所述待识别图像是通过所述机巢配置的无人机对电力设备拍摄得到的；
36.获取所述待识别图像对应的参考特征向量库，并基于所述待识别图像确定待识别特征向量集，其中，所述参考特征向量库包括多张参考图像的参考特征向量集，所述参考图像是所述电力设备缺失零件时的图像；
37.基于所述参考特征向量库和所述待识别特征向量集确定识别结果，并将所述识别结果发送到所述云服务器。
38.上述电力设备的缺陷识别方法、装置、计算机设备和存储介质，本实施例提供的电力设备的缺陷识别方法，边缘服务器不保存参考图像，不提取参考图像的参考特征向量集，直接获取待识别图像对应的参考特征向量库，只需要提取待识别图像的待识别特征向量集，并根据参考特征向量库和所述待识别特征向量集确定识别结果，提升了边缘服务器的缺陷识别效率，可以实时得到识别结果；因此，基于所述电力设备的缺陷识别方法提高了缺陷识别效率，可以实现电力设备缺陷的实时识别。
附图说明
39.图1为一个实施例中电力设备的缺陷识别方法的应用场景的示意图；
40.图2为一个实施例中电力设备的缺陷识别方法的流程示意图；
41.图3为一个实施例中安装机巢的示意图；
42.图4为一个实施例中为机巢配置边缘服务器的示意图；
43.图5为一个实施例中的角点判据示意图；
44.图6为一个实施例中电力设备的缺陷识别装置的结构示意图；
45.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
47.本技术提供的电力设备的缺陷识别方法，可以应用于如图1所示的应用场景中，其中，机巢102将无人机拍摄的待识别图像发送到边缘服务器104，边缘服务器104获取云服务
器106下发的参考特征向量库，边缘服务器104根据参考特征向量库和待识别图像确定识别结果，将识别结果发送到云服务器106。
48.在一个实施例中，如图2所示，提供了一种电力设备的缺陷识别方法，以该方法应用于图1中的边缘服务器为例进行说明，包括以下步骤：
49.步骤201，接收机巢发送的待识别图像。
50.其中，所述待识别图像是通过所述机巢配置的无人机对电力设备拍摄得到的。所述机巢安装于变电站上，无人机和机巢一一对应，无人机和所述机巢通过遥控通信连接，机巢为无人机提供充电，充电可以是有线充电，或者无线充电。机巢通过遥控发送巡视工单至无人机，无人机根据巡视工单巡视架空输电线路的电力设备，具体是根据巡视工单在巡视范围的预设位置(通过经纬度和距离地面高度描述)拍摄电力设备的图像，得到待识别图像，并将待识别图像通过遥控发送至机巢。
51.机巢将待识别图像发送到边缘服务器，边缘服务器接收所述机巢发送的待识别图像。边缘服务器和机巢存在对应关系，可以根据边缘服务器的算力，以及机巢巡视范围的大小进行设定。例如，机巢巡视范围较小，边缘服务器的算力较小，可有设定一个边缘服务器对应一个机巢；机巢巡视范围较小，边缘服务器的算力较大，可以设定一个边缘服务器对应两个机巢。边缘服务器与其对应的机巢建立通信连接。边缘服务器接收机巢发送的待识别图像，指的是，边缘服务器接收其对应的唯一机巢发送的待识别图像，或者边缘服务器对应两个机巢时，边缘服务器接收所述两个机巢中任一机巢发送的待识别图像。
52.步骤202，获取所述待识别图像对应的参考特征向量库，并基于所述待识别图像确定待识别特征向量集。
53.其中，所述参考特征向量库包括多张参考图像的参考特征向量集，所述参考图像是所述电力设备缺失零件时的图像。所述电力设备指的是所述待识别图像中拍摄的电力设备。
54.所述参考图像是所述待识别图像拍摄的电力设备缺失零件时的图像，所述参考图像是在参考位置(通过经纬度和距离地面高度描述)拍摄，待识别图像对应的预设位置和参考图像对应的参考位置相同，使得所述参考图像对电力设备的取景大小和取景内容，均与待识别图像对电力设备的取景大小和取景内容相同。
55.所述待识别图像拍摄的电力设备包括多个零件，参考图像是缺失一个零件，或者两个零件或者多个零件的图像，因此电力设备对应的参考图像有多张，每张参考图像缺失的零件互不相同。
56.为了减小边缘服务器的计算压力，边缘服务器不保存参考图像，也不执行提取参考图像的参考特征向量集的过程，而是直接从云服务器获取待识别图像对应的参考特征向量库。
57.具体地，可以通过传统的特征提取方法提取所述待识别图像的待识别特征向量集，例如通过harris、sift、surf等方法提取待识别图像的待识别特征向量集，或者可以通过深度学习的方法，将待识别图像输入已训练的特征分类器，得到待识别图像的特征向量。
58.步骤203，基于所述参考特征向量库和所述待识别特征向量集确定识别结果，并将所述识别结果发送到所述云服务器。
59.具体地，通过确定参考图像和待识别图像之间的差异得到缺陷识别结果，本技术
通过所述参考特征向量库中每个参考特征向量集和待识别特征向量集，确定参考图像和待识别图像之间的差异，进而得到识别结果。所述识别结果包括无缺陷信息或缺陷信息，无缺陷信息用于反映待识别图像没有缺失零件，所述缺陷信息用于反映所述待识别图像有缺失零件。所述边缘服务器和所述云服务器之间有较大带宽，并且传输识别结果所需的带宽较小，在传输过程中，不会造成网络拥堵，进而可以实时将识别结果传输至云服务器。
60.本实施例提供的电力设备的缺陷识别方法，边缘服务器不保存参考图像，不提取参考图像的参考特征向量集，直接获取待识别图像对应的参考特征向量库，只需要提取待识别图像的待识别特征向量集，并根据参考特征向量库和所述待识别特征向量集确定识别结果，提升了边缘服务器的缺陷识别效率，可以实时得到识别结果；因此，基于所述电力设备的缺陷识别方法提高了缺陷识别效率，可以实现电力设备缺陷的实时识别。
61.在一个实施例中，步骤201之前，预先安装机巢，并为安装的每个机巢配置边缘服务器。
62.具体地，参考图3，所述机巢安装于变电站上，确定一个变电站安装第一个机巢1，经过经现场测试得出机巢1的巡视范围，确定机巢1的可巡视范围半径，根据机巢1的可巡视范围半径确定下一个变电站，并在下一个变电站安装第二个机巢2，再确定机巢2的可巡视范围半径，根据机巢2的可巡视范围半径安装第三个机巢3，重复上述安装机巢的过程，直至所有机巢的巡视范围覆盖整体识别区域。
63.考虑到实际作业中机巢巡视范围可能存在微小变化，设定任意相邻的两个机巢的巡视范围存在重叠区域，所述重叠区域包括预设数量的杆塔；所述预设数量可以设定为2，也就是说，任意相邻的两个机巢的巡视范围的重叠区域包括2个杆塔。例如，根据机巢1的可巡视范围半径确定下一个变电站安装第二个机巢2时，机巢1和机巢2之间的距离小于机巢1的可巡视范围半径。
64.参考图4，为了机巢配置边缘服务器应综合考虑缺陷识别效率和成本。若每个机巢的巡视范围较大，表示机巢对应的边缘服务器处理的待识别图像较多，考虑到缺陷识别效率，可以为每个机巢单独配置一个边缘服务器。或者，若每个机巢的巡视范围较小，表示机巢对应的边缘服务器处理的待识别图像较少，在不影响缺陷识别效率的前提下，考虑到成本，可以为巡视范围相邻的两个机巢配置一台边缘服务器。
65.机巢通过遥控发送巡视工单至无人机，无人机根据巡视工单巡视架空输电线路的电力设备，每个无人机的巡视线路固定，机巢接收到的待识别图像是固定的若干电力设备的图像；由于机巢固定设置在变电站，确定机巢和边缘服务器也建立对应关系后，边缘服务器接收到的待识别图像也是固定的若干电力设备的图像。这样，边缘服务器只需要在固定电力设备的图像所对应的参考特征向量库中查询待识别图像对应的参考特征向量库，减少了边缘服务器获取待识别图像对应的参考特征向量库所需的时长，提高了缺陷识别效率。
66.设置所述边缘服务器处于所述机巢的预设范围内，所述预设范围可以是半径为1m至5m的范围，也就是说，所述边缘服务器和所述机巢之间的传输距离较近，机巢将待识别图像传输到边缘服务器所需的时长较短，提高了缺陷识别效率。
67.在一个实施例中，步骤202包括：
68.步骤301，在所述边缘服务器的内存中，基于第一图像标识获取所述待识别图像对应的参考特征向量库。
69.其中，所述参考特征向量库是所述云服务器预先基于所述电力设备的多张参考图像确定，并发送至所述边缘服务器的。所述第一图像标识是所述待识别图像配置的图像标识，所述第一图像标识用于表示所述待识别图像的拍摄位置。
70.具体地，所述云服务器预先提取所有参考图像各自对应的参考特征向量集，将同一拍摄位置下对应的多个参考特征向量集汇成该拍摄位置对应的参考特征向量库，并未每个参考特征向量库配置位置标识，将边缘服务器处理的多个拍摄位置各自对应的参考特征向量库(配置有位置标识)下发至边缘处理器。
71.边缘处理器将接收到云服务器下发的多个参考特征向量库存在内存中，当边缘服务器接收到机巢发送的待识别图像时，根据待识别图像的第一图像标识在多个参考特征向量库中查找所述待识别图像对应的参考特征向量库，其中，所述待识别图像对应的参考特征向量库的位置标识与所述待识别图像的第一图像标识一致。
72.在另一种实现方式中，步骤202包括：
73.步骤310，发送获取请求至所述云服务器，其中，所述获取请求包括所述第一图像标识。
74.步骤311，接收所述云服务器基于所述第一图像标识获取的参考特征向量库。
75.具体地，边缘服务器响应于接收到的待识别图像，发送获取请求至云服务器，云服务器根据所述获取请求中的第一图像标识获取参考特征向量库，并将参考特征向量库发送至边缘服务器。
76.在此实现方式中，边缘服务器不保存参考图像，也不保存参考特征向量库，对边缘服务器的硬件要求较低，但是与步骤301相比，边缘服务器向云服务器请求参考特征向量库需要花费更长时间，在一定程度上，缺陷识别效率不如步骤301，但是由于在此实现方式对边缘服务器的硬件要求较低。综合考虑成本和缺陷识别效率，可以根据实际需求选择步骤301的处理方式，或者步骤310至步骤311的处理方式。
77.在一个实施例中，步骤202还包括：
78.步骤302，采用fast检测算法确定所述待识别图像中的若干特征点。
79.其中，所述边缘服务器的计算能力较低，为了提高缺陷识别的速度，可以通过特征检测和特征描述确定待识别特征向量集。
80.具体地，采用fast角点检测算法确定待识别图像的若干特征点，包括：
81.步骤3021，排除非角点。
82.参见图5，图5为角点判据示意图。具体地，步骤3021包括：
83.步骤30211，记i
p
为任意像素点p的灰度值，以p为圆心，以3个像素为半径画圆，圆周上的像素点以顺时针的顺序进行编号，得到编号为1至16的像素点。
84.步骤30212，考察圆周上编号为1和9的像素点，若编号为1和9的像素点的灰度值均在i
p
ε
d
和i
p
‑
ε
d
之间，则可以排除p为角点的可能性，其中，ε
d
是设定的阈值；
85.步骤30213，若按照步骤30212不能排除p为角点的可能性，则再考察圆周上编号为5和13的像素点，若编号为1、9、5和13的像素点中，不满足至少有3个像素点的灰度值不小于i
p
ε
d
，或者不大于i
p
‑
ε
d
，则排除p为角点的可能性。
86.对待识别图像的每个像素点均执行步骤30212和步骤30213，以排除待识别图像中的非角点，以确定若干待处理像素点，其中，待处理像素点均不是角点。
87.步骤3022，在若干待处理像素点中确定角点。
88.对于任一待处理像素点，以任一待处理像素点为圆心，确定任一待处理像素点的若干圆周像素点，若所述若干圆周像素点中有n个像素点满足公式(1)，则确定所述任一待处理像素点为角点。
89.|i(i)
‑
i
p
|>ε
d
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
90.其中，i(i)表示任一待处理像素点p的第i个圆周像素点的灰度值，i
p
是像素点p的灰度值，n可以设为9。
91.对每个待处理像素点均执行步骤3021和步骤3022，以确定待识别图像的若干角点，将若干角点作为待识别图像的若干特征点。
92.步骤303，采用orb算法确定每个特征点的待识别特征向量，并基于每个特征点的待识别特征向量确定待识别特征向量集。
93.其中，orb算法具有旋转不变性，且用二值描述子对特征点进行描述，符合边缘服务器的计算能力。确定待识别图像的若干特征点之后，采用orb算法中的特征描述算法确定待识别图像的待识别特征向量集。
94.具体地，步骤303包括：
95.步骤3031，以任一特征点q为圆心，d为半径确定圆形区域，在圆形区域选取t组点对，每组点对分别标记为：q1(u1,v1)，q2(u2,v2)，
……
，q
t
(u
t
,v
t
)；t可以设为512。
96.步骤3032，根据公式(2)确定每组点对的参考值t，并根据每组点对的参考值t确定描述子。
[0097][0098]
其中，是点u
i
的灰度值，是点v
i
的灰度值。
[0099]
例如，t(q1(u1,v1))＝0,t(q2(u2,v2))＝1,t(q3(u3,v3))＝1,
……
,t(q
t
(u
t
,v
t
))＝0，则描述子为：011,
……
,0。
[0100]
步骤3033，在特征点q的邻域s内计算质心位置。
[0101]
根据公式(3)定义领域s的矩。
[0102][0103]
其中，i(x,y)是像素点(x,y)的灰度表达式，(x,y)∈s。
[0104]
通过公式(4)确定矩的质心位置。
[0105][0106]
步骤3034，确定待识别特征向量的方向角度。
[0107]
通过公式(5)确定待识别特征向量的方向角度。
[0108][0109]
通过上述过程确定每个特征点的待识别特征向量。
[0110]
本技术采用fast角点检测算法确定待识别图像的若干特征点，采用orb算法中的特征描述算法确定每个特征点的待识别特征向量，根据每个特征点的待识别特征向量确定待识别特征向量集。
[0111]
在一个实施例中，步骤103包括：
[0112]
步骤401，基于任一参考特征向量集和所述待识别特征向量集，确定所述任一参考特征向量集对应的相似度。
[0113]
其中，所述相似度用于反映所述任一参考特征向量集和所述待识别特征集中，相同特征向量的数量。
[0114]
具体地，所述参考特征向量集包括多个参考特征向量，所述待识别特征向量集包括多个待识别特征向量；待识别特征向量是特征点的特征向量。所述若干参考特征向量和所述若干待识别特征向量一一对应。在一个实施例汇总，步骤401包括：
[0115]
步骤4011，确定所述任一参考特征向量和所述任一参考特征向量对应的待识别特征向量之间的汉明距离。
[0116]
具体地，任一参考特征向量对应的参考特征点的坐标，与任一参考特征向量对应的待识别特征向量的特征点的坐标相同。待识别特征向量通过0和1的二值串表示，同样的，参考特征向量也通过0和1的二值串表示，进而可以确定待识别特征向量和参考特征向量之间的汉明距离。
[0117]
步骤4012，确定小于预设距离的汉明距离的数量，将确定的数量作为所述任一参考特征向量集对应的相似度。
[0118]
具体地，所述预设距离可以设为25，若任一参考特征向量和所述任一参考特征向量对应的待识别特征向量之间的汉明距离小于预设距离，则判定参考特征向量和待识别特征向量相同，确定相同的参考特征向量和待识别特征向量的数量，得到相似度。
[0119]
步骤402，所述任一参考特征向量集对应的相似度和预设阈值确定识别结果。
[0120]
其中，所述识别结果包括无缺陷信息或缺陷信息，所述无缺陷信息表示所述电力设备没有缺失零件。所述无缺陷信息包括无缺陷标识和压缩后的待识别图像。所述缺陷信息包括缺陷标识和缺陷像素点坐标，所述缺陷信息还可以包括压缩后的待识别图像。
[0121]
具体地，步骤402包括：
[0122]
步骤4021，若所述任一参考特征向量对应的相似度均小于所述预设阈值，则确定所述识别结果为无缺陷信息。
[0123]
其中，所述预设阈值等于所述待识别图像所有像素点的数量的90％。
[0124]
具体地，若所述任一参考特征向量对应的相似度均小于所述预设阈值，表示待识别图像和参考图像不相似，由于参考图像是电力设备在缺失零件时的图像，因此可以确定待识别图像没有缺陷(待识别图像对应的电力设备没有零件缺失)。
[0125]
步骤4022，若所述任一参考特征向量对应的相似度大于或等于所述预设阈值，则将大于或等于所述预设阈值的相似度对应的参考特征向量集作为目标特征向量集，并根据所述目标特征向量集确定缺陷信息。
[0126]
具体地，若所述任一参考特征向量对应的相似度大于或等于所述预设阈值，表示待识别图像和参考图像相似，因此，可以确定待识别图像存在缺陷(待识别图像对应的电力设备存在零件缺失)。
[0127]
所述根据所述目标特征向量集确定缺陷信息，包括：
[0128]
根据所述目标特征向量集确定缺陷像素点坐标，其中，所述缺陷像素点坐标是所述目标特征向量集中相同特征向量对应的像素点的坐标，所述相同特征向量是所述目标特征向量集中与所述待识别特征向量集相同的特征向量；将所述目标特征向量集的第二图像标识作为缺陷标识。所述缺陷标识用于所述云服务器确定所述待识别图像的缺陷等级和缺陷描述信息。
[0129]
具体地，若参考特征向量s1对应的相似度大于或等于所述预设阈值，将s1作为目标特征向量，s1中的参考特征向量a1、a2、
……
、a20与待识别特征向量中的b1、b2、
……
、b20相同，将a1、a2、
……
、a20对应的像素点作为缺陷像素点，缺陷像素点也是b1、b2、
……
、b20对应的像素点，a1、a2、
……
、a20对应的像素点的坐标为缺陷像素点坐标。
[0130]
每个参考向量集均配置有第二图像标识，所述第二图像标识用于反映该特征向量集对应的参考图像的缺陷等级和缺陷描述信息。例如，参考图像p是电力设备的销钉缺失时的图像，销钉缺失对应的缺陷等级为2级，缺陷描述信息为“销钉缺失”，根据缺陷等级和缺陷描述信息确定参考图像p的第二图像标识为t1，也就是说根据t1可以确定缺陷等级和缺陷描述信息。
[0131]
若参考特征向量s1对应的相似度大于或等于所述预设阈值，将s1对应的第二图像标识t1作为缺陷标识，将缺陷标识t1和缺陷像素点坐标(a1、a2、
……
、a20对应的像素点的坐标)作为缺陷信息。
[0132]
边缘服务器将缺陷信息发送至云服务器，云服务器根据缺陷信息中的缺陷标识t1可以确定缺陷类别和缺陷描述信息，根据缺陷像素点坐标可以标记出缺陷位置。
[0133]
本技术提出的电力设备的缺陷识别方法，边缘服务器不保存参考图像，不提取参考图像的参考特征向量集，直接获取待识别图像对应的参考特征向量库，只需要提取待识别图像的待识别特征向量集，对边缘服务器的存储能力要求不高；
[0134]
边缘服务器采用fast算法以及orb算法提取待识别图像的待识别特征向量集，算法不复杂，所需的时长较短，对边缘服务器的计算能力要求不高，提高了缺陷识别的速度；
[0135]
综合考虑缺陷识别效率和成本，可以设定边缘服务器和机巢一对一，或者一个边缘服务器承担两个机巢对应的缺陷识别任务，边缘服务器进行缺陷识别的任务不繁重，不会造成网络拥堵，可以实时得到缺陷检测的识别结果；
[0136]
机巢固定设置在变电站，边缘服务器对应一个或者两个机巢，边缘服务器只需要在固定电力设备的图像所对应的参考特征向量库中查询待识别图像对应的参考特征向量库，减少了边缘服务器获取待识别图像对应的参考特征向量库所需的时长，提高了缺陷识别效率；
[0137]
边缘服务器和所述机巢之间的传输距离较近，机巢将待识别图像传输到边缘服务器所需的时长较短，提高了缺陷识别效率；
[0138]
边缘服务器和云服务器之间的带宽较宽，边缘服务器将识别结果传输至云服务器不会发网络拥堵，云服务器可以实时得到识别结果；
[0139]
综上，本技术提出的电力设备的缺陷识别方法，提高了电力设备的缺陷识别的效率，实现了缺陷实时识别，总体上提高了缺陷发现及处理的及时率，降低了线路运行安全隐患。
[0140]
在一个实施例中，如图6所示，提供了一种电力设备的缺陷识别装置，包括：
[0141]
图像接收模块，用于接收机巢发送的待识别图像，其中，所述待识别图像是通过所述机巢配置的无人机对电力设备拍摄得到的；
[0142]
特征向量集确定模块，用于获取所述待识别图像对应的参考特征向量库，并基于所述待识别图像确定待识别特征向量集，其中，所述参考特征向量库包括多张参考图像的参考特征向量集，所述参考图像是所述电力设备缺失零件时的图像；
[0143]
识别结果确定模块，用于基于所述参考特征向量库和所述待识别特征向量集确定识别结果，并将所述识别结果发送到所述云服务器。
[0144]
关于电力设备的缺陷识别装置的具体限定可以参见上文中对于电力设备的缺陷识别方法的限定，在此不再赘述。上述电力设备的缺陷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。
[0145]
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终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力设备的缺陷识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0146]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0147]
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以下步骤：
[0148]
接收机巢发送的待识别图像，其中，所述待识别图像是通过所述机巢配置的无人机对电力设备拍摄得到的；
[0149]
获取所述待识别图像对应的参考特征向量库，并基于所述待识别图像确定待识别特征向量集，其中，所述参考特征向量库包括多张参考图像的参考特征向量集，所述参考图像是所述电力设备缺失零件时的图像；
[0150]
基于所述参考特征向量库和所述待识别特征向量集确定识别结果，并将所述识别结果发送到所述云服务器。
[0151]
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以下步骤：
[0152]
接收机巢发送的待识别图像，其中，所述待识别图像是通过所述机巢配置的无人机对电力设备拍摄得到的；
[0153]
获取所述待识别图像对应的参考特征向量库，并基于所述待识别图像确定待识别特征向量集，其中，所述参考特征向量库包括多张参考图像的参考特征向量集，所述参考图像是所述电力设备缺失零件时的图像；
[0154]
基于所述参考特征向量库和所述待识别特征向量集确定识别结果，并将所述识别结果发送到所述云服务器。
[0155]
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，所述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，本技术所提供的各实施例中所使用的对存储器、存储、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
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。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。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 random access memory，dram)等。
[0156]
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。
[0157]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。