【技术实现步骤摘要】
本专利技术涉及垂直度检测，尤其涉及一种基于深度学习的电线杆垂直度检测方法及装置。
技术介绍
1、为了确保电力输送和分配系统的安全性和稳定性，电线杆的垂直度检测至关重要，目前，这一任务主要依赖于维护人员的人工观察，然而，这种方法存在精确性和一致性的问题，因此，我们迫切需要一种更有效的电线杆垂直度检测方法，以精确测量和评估电线杆的垂直度，从而提高电力系统的可靠性。
2、传统的电线杆垂直度检测方法通常依赖于机械装置，经检索：
3、cn211576153u一种用于水泥电线杆的垂直度测量装置提出了一种检测装置，该装置通过任意的两个距离检测器获得两个距离检测器与水平地面之间的距离值，根据两个距离检测器所检测的距离值之差和两个距离检测器之间的距离以及计算公式获得该两个距离检测器所在直线与水平面之间的角度。
4、cn114111534a一种便携式电线杆垂直度检测装置提出了一种便携式电线杆垂直度检测装置，该装置设有多个检测块，检测块与电线杆外壁紧贴，通过之间的缝隙得知电线杆的垂直度。
5、cn114659497a一种电线杆垂直度的检测装置提出一种电线杆垂直度的检测装置，该装置使用杆体检测装置对电线杆的杆体进行夹持，通过杆体检测装置对电线杆由下往上进行检测，并根据杆体检测装置是否发生旋转为参照来对电线杆的垂直度进行判断。
6、机械装置虽然能够检测电线杆的垂直度，但它们存在一些显著的局限性，首先，这些装置的检测效率通常较低，需要大量的人力和时间来完成检测任务，其次，检测结果容易受到环境因素的
技术实现思路
1、基于上述目的，本专利技术提供了一种基于深度学习的电线杆垂直度检测方法及装置。
2、一种基于深度学习的电线杆垂直度检测方法，包括以下步骤：
3、s1：使用检测装置采集电线杆图像；
4、s2：使用数据集标注工具对采集到的电线杆图像进行人工标注，形成用于目标识别训练的第一数据集以及用于语义分割训练的第二数据集；
5、s3：使用第一数据集训练yolov5模型得到目标识别模型，对目标识别模型使用tensorrt优化器构建优化引擎，所述优化引擎的构建包括模型解析、优化和编译，用于实际使用时的推理加速；
6、s4：使用第二数据集训练deeplabv3+得到分割模型；
7、s5：应用于垂直度检测，具体包括：
8、s51：调用优化引擎对检测装置采集的电线杆图像进行识别并在识别图像上绘制矩形框，利用识别时绘制矩形框的坐标划分出感兴趣区域；
9、s52：使用训练好的分割模型对感兴趣区域进行分割，对分割后的图像进行二值化处理，并执行形态学操作以去除孤立的区域或点；
10、s53：对二值化处理后的图像应用canny边缘检测算法和双边滤波，描绘电线杆的轮廓；
11、s54：使用霍夫线检测算法识别图像中的若干直线，并根据直线斜率的相似度将若干直线分为两组，分别对两组直线进行线性拟合；
12、s55：基于线性拟合后的两组直线，绘制中位线并计算中位线的角度β，获取检测装置倾斜角度θ，计算垂直度为：α=θ+β，其中，α为电线杆倾斜角度，即电线杆垂直度。
13、进一步的，所述s2中的第一数据集通过数据增强技术扩充数据集，所述数据增强技术包括翻转、旋转、裁剪、变形、缩放。
14、进一步的，所述s2中的数据集标注工具包括labelimg标注工具、labelme标注工具，且第一数据集基于labelimg标注工具标注，第二数据集基于labelme标注工具标注。
15、进一步的，所述s55中的绘制中位线包括对每条直线在图像的八分之一、和二分之一高度处分别取一个点，对图像同一高度处的两条直线上的两个点的坐标取平均值，得到两个中点：(x1,y1)(x2,y2)，连接两个点绘制出电线杆的中位线。
16、进一步的，所述s55中的计算中位线的角度β具体包括：
17、由两个中点(x1,y1)(x2,y2)计算中位线的角度β，计算为：
18、β=(180arctan((y1-y2)/(x2-x1)))/π；
19、若β<0,则β=-（90+β）；
20、若β>0,则β=90-β。
21、进一步的，所述检测装置包括伸缩支架，所述伸缩支架上部设有旋转平台，旋转平台上部安装有外壳，外壳两侧分别安装有usb摄像头、触摸屏，且外壳内设有jetson nano嵌入式计算平台、wt901cttl传感器，所述检测装置利用usb摄像头采集电线杆图像。
22、进一步的，所述检测装置倾斜角度θ由wt901cttl传感器6检测提供，检测装置向右倾斜，倾斜角度θ为正数，检测装置向左倾斜，倾斜角度θ为负数。
23、本专利技术的有益效果：
24、本专利技术，基于深度学习能够高效地识别、分割电线杆，并使用本专利技术的方法测量电线杆的垂直度，提高了检测的速度和准确性，通过自动化检测和减少人力需求，可以降低维护和运营成本，可应用于不同类型的目标和各种场景，提供了通用性的解决方案。
25、本专利技术，检测装置有效避免了机械装置的局限性，无需人工多次调节，且便于操作的便携式电线杆检测装置，提高检测效率、降低成本，可以在更广泛场景推广应用。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电线杆垂直度检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的电线杆垂直度检测方法，其特征在于，所述S2中的第一数据集通过数据增强技术扩充数据集，所述数据增强技术包括翻转、旋转、裁剪、变形、缩放。
3.根据权利要求2所述的一种基于深度学习的电线杆垂直度检测方法，其特征在于，所述S2中的数据集标注工具包括LabelImg标注工具、Labelme标注工具，且第一数据集基于LabelImg标注工具标注，第二数据集基于Labelme标注工具标注。
4.根据权利要求3所述的一种基于深度学习的电线杆垂直度检测方法，其特征在于，所述S55中的绘制中位线包括对每条直线在图像的八分之一、和二分之一高度处分别取一个点，对图像同一高度处的两条直线上的两个点的坐标取平均值，得到两个中点：(X1,Y1)(X2,Y2)，连接两个点绘制出电线杆的中位线。
5.根据权利要求4所述的一种基于深度学习的电线杆垂直度检测方法，其特征在于，所述S55中的计算中位线的角度β具体包括：
6.根据权利要求5所述的一
7.根据权利要求6所述的一种基于深度学习的电线杆垂直度检测方法，其特征在于，所述检测装置倾斜角度θ由WT901CTTL传感器（6）检测提供，检测装置向右倾斜，倾斜角度θ为正数，检测装置向左倾斜，倾斜角度θ为负数。
...【技术特征摘要】
1.一种基于深度学习的电线杆垂直度检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的电线杆垂直度检测方法，其特征在于，所述s2中的第一数据集通过数据增强技术扩充数据集，所述数据增强技术包括翻转、旋转、裁剪、变形、缩放。
3.根据权利要求2所述的一种基于深度学习的电线杆垂直度检测方法，其特征在于，所述s2中的数据集标注工具包括labelimg标注工具、labelme标注工具，且第一数据集基于labelimg标注工具标注，第二数据集基于labelme标注工具标注。
4.根据权利要求3所述的一种基于深度学习的电线杆垂直度检测方法，其特征在于，所述s55中的绘制中位线包括对每条直线在图像的八分之一、和二分之一高度处分别取一个点，对图像同一高度处的两条直线上的两个点的坐标取平均值，得到两个中点：(x1,y1)(x2,y2)，连...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。