技术摘要：
本发明公开了一种用于隧道电缆支架倾斜的识别方法，所述识别方法包括：S1：采集巡检隧道中的所述电缆支架的视频信息；S2：识别视频信息中的检测区域的电缆支架；S3：筛选被识别出电缆支架的置信度和完整性，加入候选集；S4：检测候选集中的图像边缘和边缘图像中的直线  全部
背景技术：
随着世界经济增长和科技进步，城市电网也随之快速发展，架空线路逐渐被隧道 电缆取代。而电缆支架是承载电缆的载体，目前电缆隧道巡检工作中对于故障异常的判断 都由人来完成，实时可靠针对电缆支架的故障的判断和识别没有保障，进而影响整个电网 系统的可靠运行，如何实时可靠的识别出电缆隧道支架的故障问题是目前亟待解决的问 题。
技术实现要素：
本发明的目的是提供一种用于隧道电缆支架的识别方法，用于自动检测隧道电缆 支架是否发生倾斜及对电缆支架发生脱落预警，实时可靠针对电缆支架的故障的判断和识 别，从而为整个电网系统的可靠运行提供保障。 为解决上述问题，本发明提供了一种用于隧道电缆支架倾斜的识别方法，其特征 在于，所述识别方法包括：S1：采集巡检隧道中的所述电缆支架的视频信息。 S2：识别视频信息中的检测区域的电缆支架。 S3：筛选被识别出电缆支架的置信度和完整性，加入候选集。 S4：检测候选集中的图像边缘和边缘图像中的直线。 S5：通过检测出的直线的端点坐标计算直线与水平方向的夹角,按夹角的绝对值 进行升序排序。S6：对计算出直线夹角进行聚类，通过聚类后的模型对每一个夹角进行类别 预测，根据投票机制判断出是干扰的数据类别。 S7：对不是干扰的的数据类别的夹角求算术平均，根据平均夹角判断电缆支架是 否倾斜。 根据本发明的一个实施例，所述S2中识别视频信息中的检测区域的电缆支架，包 括： S201：在电缆隧道中拍摄视频作为改进的目标检测YOLOV3深度神经网络的训练标 签。 S202：对训练集标签进行Kmeans聚类，聚类类别数设定为1。 S203：根据摄像头参数以及电缆支架尺寸，将YOLOV3的特征提取网络Darknet53由 原来的1，2，8，8，4个残差块改进为1，2，8，4个残差块组合。 S204：设定第一位置处的识别区域，所述第一位置处的识别区域为图像中两侧的 矩形区域；两侧矩形高度为每一帧图像的高度，两侧矩形宽度为每一帧图像宽度的1/3。 根据本发明的一个实施例，所述S3中筛选被识别出电缆支架的置信度和完整性， 加入候选集，包括：S301：将被检测出的置信度大于第一阈值的电缆支架加入候选集。 S302：将上述候选集中分辨率小于第二阈值的电缆支架剔除出候选集。 4 CN 111597904 A 说　明　书 2/4 页 根据本发明的一个实施例，所述S4中检测候选集中的图像边缘和边缘图像中的直 线，包括：S401：设定极坐标系下，所述直线的表达式为： ρ＝x  cos θ y  sin θ；ρ＞0，0＜θ＜π，        (1) 其中，所述(x，y)为所述直线上的坐标，所述θ为电缆支架与地面的夹角。 S402：定义一个二维数组A[ρ][θ]作为累加器，ρ的范围是图像矩阵对角线的距离 范围，θ是电缆支架与地面的夹角，检测电缆支架边缘，如果A[ρ][θ]的最大值大于第三阈 值，则检测到边缘。 根据本发明的一个实施例，所述S5中通过检测出的直线的端点坐标计算直线与水 平方向的夹角,按夹角的绝对值进行升序排序，包括： S501：检测到的直线与水平方向的夹角为： 其中，所述(x1，y1)和(x2，y2)分别为所述直线段的两个端点在图像中的坐标。 S502：取夹角的绝对值。 S503：对夹角大小按升序排序。 根据本发明的一个实施例，所述S6中对计算出直线夹角进行聚类，通过聚类后的 模型对每一个夹角进行类别预测，根据投票机制判断出是干扰的数据类别，包括：S601：随 机选择两个夹角为簇中心。 S602：计算其它所有夹角与簇中心的欧式距离。 S603：更新簇中心，依次循环完成聚类得到最终两个簇中心。 S604：计算其它所有夹角与簇中心的距离，判断每个夹角所属类别。 S605：根据投票机制判断干扰数据类别，票数少的一类判定为干扰的数据类别。 本发明的上述技术方案具有如下有益的技术效果：首先通过在线对隧道电缆支架 倾斜的判断为电缆支架可能发生脱落提前预警，避免了工作人员在电缆隧道中巡检时身体 健康可能受到的威胁。其次，通过针对摄像头参数和电缆支架的尺寸以及电缆隧道环境对 YOLOV3进行改进，提高了电缆支架识别的速度和正确率。再次通过对计算得到的直线夹角 进行聚类，去除了干扰，实时可靠针对电缆支架的故障的判断和识别，从而为整个电网系统 的可靠运行提供保障。 附图说明 图1是根据本发明实施例公开的用于隧道电缆支架倾斜的识别方法流程图； 图2是根据本发明实施例公开的改进的YOLOV3特征提取网络框图； 图3是根据本发明实施例公开的Kmeans聚类除干扰结果图。