一种基于图像识别的输电工程质量检测方法及系统与流程

1.本发明涉及输电工程质量及进度分析技术领域，尤其是一种基于图像识别的输电工程质量检测方法及系统。


背景技术：

2.输电工程建设过程中质量及进度准确监测对于保障工程建设的安全、高效完成至关重要，现阶段使用手段多为人工现场验证，此方法易受环境、人员主观等因素影响，难以反馈真实有效的信息，严重影响相关预测性决策提出。
3.近些年来，ai技术越来越多出现在人们的日常生活中，自动驾驶、智慧物流等前研科技的应用，在潜移默化改善着人们的生活、工作方式。无人机作为一种高机动性的移动平台，相关应用技术正日益完善。结合边缘计算技术的自动分析功能与无人机的高机动性能，无需人员到达施工现场，即可实现对输电工程进行质量及进度的智慧分析判定，达到远程勘察施工现场的目的。


技术实现要素：

4.本发明提供了一种基于图像识别的输电工程质量检测方法及系统，用于解决现有输电工程建设过程中，对工程质量的验证结果不客观的问题。
5.为实现上述目的，本发明采用下述技术方案：
6.本发明第一方面提供了一种基于图像识别的输电工程质量检测方法，所述检测方法包括以下步骤：
7.无人机起飞后自主飞行，通过扫描输电线路工程获取点云；
8.基于所述点云数据比对训练过的第一识别模型，得到当前点云数据对应的施工进度，调用当前施工进度下对应的预设航线，并获取目标点的图像；
9.根据所述图像中关键点的第二识别模型比对，得到当前输电工程的质量情况。
10.进一步地，所述第一目标识别模型的训练过程具体为：
11.明确输电线路的塔型和建设过程中的各里程碑节点，并对不同里程碑节点下的线路杆塔进行点云数据采集，构建点云样本库；
12.对所述点云数据根据施工进度进行分类和标注，得到工程进度数据集；
13.对所述工程进度数据集进行卷积神经网络训练，得到基于工程进度识别的第一识别模型。
14.进一步地，所述分类包括基于工期时间阶段的分类，所述标注包括对不同工期塔型的标注。
15.进一步地，所述预设航线通过不同里程碑节点下的线路杆塔点云数据和目标点位置数据进行规划，得到航线文件。
16.进一步地，所述航线文件、第一识别模型和第二识别模型均部署在无人机上。
17.进一步地，所述第二目标识别模型的训练过程具体为：
18.明确输电线路的塔型和建设过程中的各里程碑节点，并对不同里程碑节点下的目标点进行图像采集，构建图像样本库；
19.对图像数据中的关键点进行标注，得到质量判别数据集；
20.对所述质量判别数据集进行卷积神经网络训练，得到基于工程质量识别的第二识别模型。
21.进一步地，所述对图像数据中的关键点进行标注包括对杆塔基础、塔牌、绝缘子两端挂点、地线挂点的标注。
22.本发明第二方面提供了一种基于图像识别的输电工程质量检测系统，所述系统包括无人机、比对处理单元和质量判别单元，
23.所述无人机起飞后自主飞行，通过扫描输电线路工程获取点云；
24.所述比对处理单元，基于所述点云数据比对训练过的第一识别模型，得到当前点云数据对应的施工进度，调用当前施工进度下对应的预设航线，并获取目标点的图像；
25.所述质量判断单元根据所述图像中关键点的第二识别模型比对，得到当前输电工程的质量情况。
26.进一步地，所述系统还包括第一模型训练单元，所述第一模型训练单元基于卷积神经网络训练，得到第一识别模型；
27.所述第一模型训练单元包括：
28.第一信息采集子单元，明确输电线路的塔型和建设过程中的各里程碑节点，并对不同里程碑节点下的线路杆塔进行点云数据采集，构建点云样本库；
29.第一数据处理子单元，对所述点云数据根据施工进度进行分类和标注，得到工程进度数据集；
30.第一训练子单元，对所述工程进度数据集进行卷积神经网络训练，得到基于工程进度识别的第一识别模型。
31.进一步地，所述系统还包括第二模型训练单元，所述第二模型训练单元基于卷积神经网络训练，得到第二识别模型；
32.所述第二模型训练单元包括：
33.第二信息采集子单元，明确输电线路的塔型和建设过程中的各里程碑节点，并对不同里程碑节点下的目标点进行图像采集，构建图像样本库；
34.第二数据处理子单元，对图像数据中的关键点进行标注，得到质量判别数据集；
35.第二训练子单元，对所述质量判别数据集进行卷积神经网络训练，得到基于工程质量识别的第二识别模型。
36.本发明第二方面的所述输电工程质量检测系统能够实现第一方面及第一方面的各实现方式中的方法，并取得相同的效果。
37.发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
38.本发明采用无人机作为移动平台，自动采集可见光图像及点云数据，实现施工现场的信息高效获取；通过前端计算单元集成ai技术自动判断工程实体与识别模型的差异性，从而实现输电工程全过程的智慧管理；另外基于现有数据的分析归纳，智能预测后续施工进度，相比于现有技术中人工检测的方式结果更加客观、准确，并对施工过程中的违规行
为及缺陷问题识别报警，为输电线路工程质检人员带来便利。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1是本发明所述方法实施例的流程示意图；
41.图2是本发明所述方式实施例的其一具体实现方式的流程示意图；
42.图3是本发明所述方法实施例中神经网络模型的训练流程示意图；
43.图4是本发明所述系统实施例的结构示意图。
具体实施方式
44.为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
45.如图1所示，本发明实施例提供了一种基于图像识别的输电工程质量检测方法，所述检测方法包括以下步骤：
46.s1,无人机起飞后自主飞行，通过扫描输电线路工程获取点云；
47.s2,基于所述点云数据比对训练过的第一识别模型，得到当前点云数据对应的施工进度，调用当前施工进度下对应的预设航线，并获取目标点的图像；
48.s3,根据所述图像中关键点的第二识别模型比对，得到当前输电工程的质量情况。
49.如图2所示，无人机起飞并自主飞至在建线路上方，无人机通过机载lidar扫描当前杆塔点云，机载ai计算模块基于第一识别模型对施工进度进行分析判断，得到对应的施工进度，记载ai计算模块调取适合当前施工进度的航线进行巡检拍摄，机载ai计算模块基于第二识别模型对施工质量进行分析判断，将施工进度和质量报告输出，完成任务后无人机返航。
50.如图3所示，第一识别模型和第二识别模型的训练思路相近，具体为明确输电线路塔型和建设过程中里程碑节点，获取该里程碑节点下的线路杆塔点云和关键点图像数据，基于图像数据根据各里程碑节点下的点云进行航线规划并获取航线文件，且基于图像数据对点云和图像进行标注及训练并获取模型，将模型和航线部署于记载ai模块上。
51.具体来说，所述第一目标识别模型的训练过程具体为：
52.明确输电线路的塔型和建设过程中的各里程碑节点，并对不同里程碑节点下的线路杆塔进行lidar点云数据采集，构建点云样本库，要求点云数据精度良好；
53.对所述点云数据根据施工进度进行分类和标注，得到工程进度数据集，所述分类包括基于工期时间阶段的分类，所述标注包括对不同工期塔型的标注；
54.对所述工程进度数据集进行卷积神经网络训练，得到基于工程进度识别的第一识
别模型。模型的训练采用yolo v5算法进行训练。
55.预设航线通过不同里程碑节点下的线路杆塔点云数据和目标点位置数据进行规划，得到航线文件。
56.所述航线文件、第一识别模型和第二识别模型均部署在无人机的ai模块上。
57.航线文件中的航线规划基于施工进度设置，例如在杆塔刚开始建设地基时，只需要拍摄塔脚处是否合规，飞机可以在线路通道上方进行变焦拍摄，不需要降低高度，从而保证安全。例如杆塔竣工后，需要对金具挂点进行拍摄，此时航线策略变为精细化巡检，需要在线路两侧对挂点进行拍摄，此时也可采用变焦拍摄方式，实现单机位多角度拍摄，避免飞机飞入塔床引发事故。
58.ai模块依赖于ai计算模块硬件，例如大疆的妙算、图为科技的图为智盒等，但应用于图像分析计算可采用gpu核心的ai计算模块。
59.所述第二目标识别模型的训练过程具体为：
60.明确输电线路的塔型和建设过程中的各里程碑节点，并对不同里程碑节点下的目标点进行图像采集，构建图像样本库，要求图像清晰并与实际应用时分辨率一致；
61.对图像数据中的关键点进行标注，得到质量判别数据集，所述对图像数据中的关键点进行标注包括对杆塔基础、塔牌、绝缘子两端挂点、地线挂点的标注；
62.对所述质量判别数据集进行卷积神经网络训练，得到基于工程质量识别的第二识别模型。
63.如图4所示，本发明实施例还提供了一种基于图像识别的输电工程质量检测系统，所述系统包括无人机1、比对处理单元2和质量判别单元3。
64.所述无人机1起飞后自主飞行，通过扫描输电线路工程获取点云；所述比对处理单元2基于所述点云数据比对训练过的第一识别模型，得到当前点云数据对应的施工进度，调用当前施工进度下对应的预设航线，并获取目标点的图像；所述质量判断单元3根据所述图像中关键点的第二识别模型比对，得到当前输电工程的质量情况。
65.所述系统还包括第一模型训练单元4，所述第一模型训练单元基于卷积神经网络训练，得到第一识别模型；
66.所述第一模型训练单元4包括第一信息采集子单元41、第一数据处理子单元42和第一训练子单元43。
67.第一信息采集子单元41明确输电线路的塔型和建设过程中的各里程碑节点，并对不同里程碑节点下的线路杆塔进行点云数据采集，构建点云样本库；第一数据处理子单元42对所述点云数据根据施工进度进行分类和标注，得到工程进度数据集；第一训练子单元43对所述工程进度数据集进行卷积神经网络训练，得到基于工程进度识别的第一识别模型。
68.所述系统还包括第二模型训练单元5，所述第二模型训练单元基于卷积神经网络训练，得到第二识别模型；
69.所述第二模型训练单元5包括第二信息采集子单元51、第二数据处理子单元52和第二训练子单元53。
70.第二信息采集子单元51明确输电线路的塔型和建设过程中的各里程碑节点，并对不同里程碑节点下的目标点进行图像采集，构建图像样本库；第二数据处理子单元52对图
像数据中的关键点进行标注，得到质量判别数据集；第二训练子单元53对所述质量判别数据集进行卷积神经网络训练，得到基于工程质量识别的第二识别模型。
71.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。