电力设备的缺陷识别方法、装置、计算机设备和存储介质制造方法及图纸

本申请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。所述方法包括：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；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；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。本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。时识别。时识别。

【技术实现步骤摘要】
电力设备的缺陷识别方法、装置、计算机设备和存储介质


[0001]本申请涉及图像处理
，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。

技术介绍

[0002]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。
[0003]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，现有的缺陷识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力设备的缺陷识别方法，其特征在于，应用于边缘服务器，所述方法包括：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；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；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。2.根据权利要求1所述的方法，其特征在于，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：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。3.根据权利要求1所述的方法，其特征在于，所述基于所述待识别图像确定待识别特征向量集，包括：采用FAST检测算法确定所述待识别图像中的若干特征点；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。4.根据权利要求1所述的方法，其特征在于，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：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；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。5.根据权利要求4所述的方法，其特征在于，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：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；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...

【专利技术属性】
技术研发人员：曾懿辉，任欣元，张虎，张纪宾，黄丰，王昊，吴新桥，李彬，蔡思航，刘岚，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：