(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210715603.4 (22)申请日 2022.06.22 (71)申请人 国网河南省电力公司西峡县供电公 司 地址 474550 河南省南阳市西峡县 世纪大 道东段北侧 (72)发明人 刘滨　姚锐　闫肖阳　史展　陈永　 常冉　刘洋　杨衍菲　曹郁　 张高源　刘爽　 (74)专利代理 机构 郑州图钉专利代理事务所 (特殊普通 合伙) 41164 专利代理师 郭一路 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/74(2022.01)G06V 20/52(2022.01) E21F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于图像的电缆隧道环境异常识别方 法 (57)摘要 本发明涉及一种基于图像的电缆隧道环境 异常识别方法， 方法包括以下步骤： 步骤1： 获取 电缆隧道的高清图像； 步骤2： 将获取的高清图像 输入到电缆隧道环境异常识别定位模 型， 此模型 采用深度学习方法训练获得， 从而获得电缆隧道 环境异常目标图像； 步骤3： 根据识别结果判定电 缆隧道环 境异常情况； 步骤4： 利用双目定位方法 获得电缆隧道异常环境的位置坐标； 步骤5： 机器 人朝电缆隧道异常区域靠近； 本发 明具有方法简 单、 提高电缆隧道环境检测的自动化程度、 数据 化程度和实时性、 提高自动识别准确率与效率的 优点。 权利要求书1页 说明书6页 附图3页 CN 115272815 A 2022.11.01 CN 115272815 A 1.一种基于 图像的电缆隧道环境异常识别方法， 其特征在于： 所述的方法包括以下步 骤： 步骤1： 获取电缆隧道的高清图像； 步骤2： 将 获取的高清图像输入到电缆隧道环境异常识别定位模型， 此模型采用深度 学 习方法训练获得， 从而获得电缆隧道 环境异常目标图像； 步骤3： 根据识别结果判定电缆隧道 环境异常情况； 步骤4： 利用双目定位方法获得电缆隧道 异常环境的位置坐标； 步骤5： 机器人朝电缆隧道 异常区域靠 近。 2.如权利要求1所述的一种基于图像的电缆隧道环境异常识别方法， 其特征在于： 所述 的步骤2中对获取的高清图像进行电缆隧道 环境异常识别采用YOLO ‑v3目标检测算法。 3.如权利要求1所述的一种基于图像的电缆隧道环境异常识别方法， 其特征在于： 所述 的步骤4中的双目定位方法是基于 视差原理。 4.如权利要求2所述的一种基于图像的电缆隧道环境异常识别方法， 其特征在于： 所述 的步骤2中的YOLO ‑v3目标检测算法具体为： 骨干网络选用DarkNet53架构， 对基本的图像特 征进行提取， YOLO ‑v3网络产生锚框的方式是： 将一张图片划分成多个方格， 以每个小方格 的中心为中心， 方格分为不同大小， 其使用逻辑回归预测每个边界框的类别得分， 通过置信 度判断边界框是否含有目标， 经过训练得到适用于识别电缆隧道环境异常的目标检测模 型。 5.如权利要求3所述的一种基于图像的电缆隧道环境异常识别方法， 其特征在于： 所述 的步骤4中的双目定位方法包括以下步骤： 步骤4.1： 利用双目相机获取电缆隧道的左右视图； 步骤4.2： 采用张正友标定法获得相机内外参数； 步骤4.3： 找到电缆隧道在不同图像的映射关系， 得到 视差图像； 步骤4.4： 选择正确的匹配特 征进行ELAS立体匹配； 步骤4.5： 由任一点在两个图像 中的坐标和相机的参数矩阵， 通过约束关系就获得该点 的三维坐标。 6.如权利要求3所述的一种基于图像的电缆隧道环境异常识别方法， 其特征在于： 所述 的 步 骤4中的 双目 定位方法 基 于视 差 原理 获 得特 征 点三维 坐标的 公式 为 ： 其中f为左、 右相机的焦距； 定义视差Disparity为特 征点P(xc,yc,zc)在左右两幅视图中X轴方向上的坐标差， 即： Disparity＝Xleft‑Xright， 由此 可计算出 特征点P(xc,yc,zc)在相机坐标系下的三维坐标为： 7.如权利要求4所述的一种基于图像的电缆隧道环境异常识别方法， 其特征在于： 所述 的步骤2中的YOLO ‑v3目标检测算法的YOLO ‑v3网络产生锚框的方式为： 针对自制的电缆隧 道数据集， 采用聚类算法K ‑means自动选择一组最具代 表性的锚框 。权　利　要　求　书 1/1 页 2 CN 115272815 A 2一种基于图像的电缆隧道环境 异常识别方 法 技术领域 [0001]本发明属于计算机视觉技术领域， 具体涉及一种基于图像的电缆隧道环境异常识 别方法。 背景技术 [0002]随着社会的进步和城市规划要求， 城市架空线逐渐消失， 取而代之的是埋设在地 下的电力电缆， 虽然电力电缆的供电可靠性较高， 但由于地下电缆隧道内环境比较恶劣， 电 缆深埋于地下， 故障点不易检测， 而且随着电缆数量的增加， 电缆 发生故障的概率也随之增 加， 由于地下的配网电缆隧道空间狭小， 电缆隧道内环境 温度时高时低、 沟内存在有毒易燃 气体等因素， 巡检人员隧道内工作劳动强度大、 作业效率低， 且人员在电缆隧道内工作容易 发生人身危险， 配网电缆隧道存在 诸多隐患和故障， 主要存在的问题有外来人员盗窃电缆、 电缆外皮破损、 电缆接头烧坏， 沟内大面积积水现象， 检测电缆隧道状况、 分析异常情况 的 类型、 缩小检修范围， 对制定准确、 合理的维修计划， 避免人力、 物力浪费和减少维修 成本具 有重要意义； 因此， 提供一种 方法简单、 提高电缆隧道环境检测的自动化程度、 数据化程度 和实时性、 提高自动识别准确率与效率的一种基于图像的电缆隧道环境异常识别方法是非 常有必要的。 发明内容 [0003]本发明的目的是为了克服现有技术的不足， 而提供一种方法简单、 提高电缆隧道 环境检测的自动化程度、 数据化程度和实时性、 提高自动识别准确 率与效率的一种基于图 像的电缆隧道 环境异常识别方法。 [0004]本发明的目的是这样实现的： 一种基于图像的电缆隧道环境异常识别方法， 所述 的方法包括以下步骤： [0005]步骤1： 获取电缆隧道的高清图像； [0006]步骤2： 将获取的高清图像输入到电缆隧道环境异常识别定位模型， 此模型采用深 度学习方法训练获得， 从而获得电缆隧道 环境异常目标图像； [0007]步骤3： 根据识别结果判定电缆隧道 环境异常情况； [0008]步骤4： 利用双目定位方法获得电缆隧道 异常环境的位置坐标； [0009]步骤5： 机器人朝电缆隧道 异常区域靠 近。 [0010]所述的步骤2中对获取的高清图像进行电缆隧道环境异常识别采用YOLO ‑v3目标 检测算法。 [0011]所述的步骤4中的双目定位方法是基于 视差原理。 [0012]所述的步骤2中的YOLO ‑v3目标检测算法具体为： 骨干网络选用DarkNet53架构， 对 基本的图像特征进行提取， YOLO ‑v3网络产生锚框的方式是： 将一张图片划分成多个方格， 以每个小方格的中心为中心， 方格分为不同大小， 其使用逻辑回归预测每个边界框的类别 得分， 通过置信度判断边界框是否含有目标， 经过训练得到适用于识别电缆隧道环境异常说　明　书 1/6 页 3 CN 115272815 A 3