基于人工智能的电网巡检方法、装置、设备及存储介质与流程

本发明属于人工智能技术领域，尤其涉及一种基于人工智能的电网巡检方法、装置、设备及存储介质。

背景技术：

电力在当今社会是一个非常重要的资源，电力传输的稳定性至关重要。输电线路中的电力部件长期暴露在空气中，容易受外界环境的影响，电网人员需要定期对输电线路进行巡检。随着科技的进步，无人机开始应用在电力巡线的工作中，地面工作人员可以对无人机进行远程操作，进行非接触式巡检作业。但对操作人员有较高的操作技术的要求，另外，人工操作无人机拍摄会对一些目标物造成遗漏，拍摄的照片过于杂乱且质量无法保证，并且有大量的无用照片，需要对照片进行筛选，增加了技术人员查找线路隐患的工作量，因此，现有的无人机在电网巡检方面拍照准确率不高的问题。

技术实现要素：

本发明实施例提供一种文本向量获取方法，旨在解决现有的无人机在电网巡检方面拍照准确率不高的问题。

本发明实施例是这样实现的，提供一种基于人工智能的电网巡检方法，包括步骤：

获取拍摄的第一图像；

通过预先训练好的目标检测模型对所述第一图像进行特征识别，检测所述第一图像中是否存在目标特征，所述目标特征包括电力件特征；

若所述第一图像中存在目标特征，则计算所述目标特征在所述第一图像中的位置信息；

根据所述目标特征在所述第一图像中的位置信息，计算云台控制参数；

将所述云台控制参数发送到云台，以调整云台的位姿，拍摄得到第二图像，所述第二图像包括所述目标特征。

更进一步地，所述目标检测模型的训练包括：

对电力件图像进行标注，得到训练数据集；

将训练数据集输入到所述目标检测模型中进行训练，使所述目标检测模型学习到电力件特征，得到训练好的目标检测模型。

更进一步地，在所述通过预先训练好的目标检测模型对所述第一图像进行特征识别的步骤之前，所述方法还包括：

对所述第一图像进行预处理，所述预处理包括：灰度化、几何变换以及图像增强中至少一项。

更进一步地，所述若所述第一图像中存在目标特征，则计算所述目标特征在所述第一图像中的位置信息的步骤包括：

判断第一图像中检测出的目标特征数量；

若所述第一图像中存在单个目标特征，则计算所述单个目标特征在所述第一图像中的位置信息；

若所述第一图像中存在多个目标特征，则按照检测出的目标特征的先后顺序，依次计算所述多个目标特征在所述第一图像中的位置信息。

更进一步地，所述计算所述目标特征在所述第一图像中的位置信息的步骤包括：

获取第一图像中目标特征的检测框位置；

根据所述检测框位置，计算所述检测框在所述第一图像中的像素位置，得到对应于所述检测框的目标特征在所述第一图像中的像素位置。

更进一步地，所述根据所述目标特征在所述第一图像中的位置信息，计算云台控制参数的步骤包括：

获取拍摄所述第一图像时的相机的焦距参数；

基于所述目标特征的像素位置及所述相机的焦距参数进行计算，得到云台控制参数。

本发明还提供一种基于人工智能的电网巡检装置，所述装置包括：

获取模块，用于获取第一图像；

特征检测模块，用于通过预先训练好的目标检测模型对所述第一图像进行特征识别，检测所述第一图像中是否存在目标特征，所述目标特征包括电力件特征；

位置计算模块，用于若所述第一图像中存在目标特征，则计算所述目标特征在所述第一图像中的位置信息；

参数计算模块，用于根据所述目标特征在所述第一图像中的位置信息，计算云台控制参数；

发送模块，用于将所述云台控制参数发送到云台，以调整云台的位姿，拍摄得到第二图像，所述第二图像包括所述目标特征。

更进一步的，所述装置还包括：

数据集获取模块，用于对电力件图像进行标注，得到训练数据集；

模型训练模块，用于将训练数据集输入到所述目标检测模型中进行训练，使所述目标检测模型学习到电力件特征，得到训练好的目标检测模型。

本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现本发明实施例中任一项所述的基于人工智能的电网巡检方法的步骤。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例中任一项所述的基于人工智能的电网巡检方法的步骤。

本发明实现的有益效果：本发明由于通过对无人机拍摄的第一图像进行特征识别，得到目标特征在第一图像中的位置信息，计算得到云台控制参数，并调整无人机的云台位姿，拍摄针对于目标特征的第二图像。根据计算得到的云台控制参数自动调整云台，拍摄到第二图像准确率高，减少操作人员的操作量及技术人员对照片的查找量，从而提高技术人员的排查效率。

附图说明

图1是本发明可以应用于其中的示例性系统架构图；

图1a是本发明实施例提供的一种基于人工智能的电网巡检方法的流程示意图；

图2是本发明实施例提供的基于人工智能的电网巡检方法的一个实施例的流程图；

图3是本发明实施例提供的图像检测模型的训练方法的流程示意图；

图4是本发明实施例提供的另一种基于人工智能的电网巡检方法的流程示意图；

图5是图2中步骤s203的一种具体的流程示意图；

图6是图2中步骤s203的另一种具体的流程示意图；

图7是图2中步骤s204的一种具体的流程示意图；

图8是本发明实施例提供的一种基于人工智能的电网巡检装置的结构示意图；

图9是本发明实施例提供的另一种基于人工智能的电网巡检装置的结构示意图；

图10是本发明实施例提供的另一种基于人工智能的电网巡检装置的结构示意图；

图11是图8中位置计算模块803的一种具体的结构示意图；

图12是图8中位置计算模块803的另一种具体的结构示意图；

图13是图9中参数计算模块803的一种具体的结构示意图；

图14是本发明实施例的计算机设备的一个实施例的结构示意图；

图15是本发明实施例的拍照投影示意图；

图16是本发明实施例的坐标计算示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有无人机在电网巡检方面，对操作人员有较高的操作技术的要求，另外，人工操作无人机拍摄会对一些目标物造成遗漏，拍摄的照片过于杂乱且质量无法保证，并且有大量的无用照片，需要对照片进行筛选，增加了技术人员查找线路隐患的工作量，因此，现有的无人机在电网巡检方面拍照准确率不高的问题。本发明由于通过对无人机拍摄的第一图像进行特征识别，得到目标特征在第一图像中的位置信息，计算得到云台控制参数，并调整无人机的云台位姿，拍摄针对于目标特征的第二图像。根据计算得到的云台控制参数自动调整云台，拍摄到第二图像准确率高，减少操作人员的操作量及技术人员对照片的查找量。

如图1所示，为更好的理解本发明的创造意图，提出一种可选的系统架构100，系统架构包括飞行平台101与地面站系统102，上述的地面站系统，用于对飞行平台进行控制和管理，监控飞行平台的飞行状况，并对飞行平台进行遥控操作，并且，还可以对飞行平台拍摄回传的画面进行界面显示。需要说明的是，上述的飞行平台也可以称为无人机或无人机平台或拍摄平台等。上述的飞行平台可以由无人机机体、无人机动力系统、无人机起落架等组成，上述的飞行平台还搭载有飞控系统1011、图像采集系统1012以及图像识别系统1013。其中，上述的图像采集系统1012设置在飞行平台101下方，上述的图像采集系统1012包括云台及摄像头(也称图像采集设备、相机、摄像机等)。通过接收飞控系统1011的相关指令来执行拍摄任务，用于获取外界的环境图像信息并发送给图像识别系统1013。图像识别系统1013，可以由一个基于fpga(可编程门阵列)的人工智能计算平台加一个树莓派微型电脑组成，该系统可以满足轻载荷、低功耗的要求，能很好的集成在无人机平台内。飞控系统接受到云台控制参数，随后发送给云台，以控制云台的转动，使绝缘子能够位于图像的中心位置。如图1a所示，摄像头采集到第一图像，将第一图像发到图像识别系统通过目标检测算法对第一图像进行目标检测，获取目标位置后，计算云台转角，将计算得到的云台转角发送到飞控系统，飞控系统控制云台转动，以使摄像头对准目标，执行第二次拍摄。

如图2所示，为根据本申请的一种基于人工智能的电网巡检方法所提供的一个实施例的流程图。上述的一种文本向量获取方法，包括步骤：

s201，获取第一图像。

在本实施例中，上述第一图像的获取可以是通过飞行平台拍摄回传的图像，具体的，是通过搭载在上述飞行平台中的图像采集系统采集到的图像，上述的第一图像可以包括电力件特征，上述的电力件特征可以是绝缘子、三角板、防震锤或电力标识等特征，上述的第一图像也可以包括非电力件特征比如鸟巢、虫巢等。上述的第一图像可以是2d图像，也可以是3d图像，上述的2d图像可以是通过2d的图像采集系统采集到的图像，比如，通过图像采集系统中的2d摄像头采集到的图像；上述的3d图像可以是通过3d的图像采集系统采集到的图像，比如，通过图像采集系统中的3d摄像头采集到的图像。上述的摄像头也可以称为图像采集设备、相机、摄像机等。在一种可能的实施例中，上述的图像采集系统可以同时搭载2d摄像头以及3d摄像头。在一种可能的实施例中，获取到的第一图像为一张或多张，当获取到的第一图像为多张时，则可以对多张第一图像进行质量评价算法，以得到图像质量最高的一张第一图像，保护图像识别的精准度。

s202，通过预先训练好的目标检测模型对所述第一图像进行特征识别，检测所述第一图像中是否存在目标特征，所述目标特征包括电力件特征。

在本实施例中，上述的预先训练好的目标检测模型中，预先训练有电力件特征识别。具体的，可以对第一图像进行预处理，将图片进行裁剪、通道转换等处理，再将预处理后的第一图像输入到预先训练好的目标检测模型中，通过目标检测模型对第一图像的特征进行提取及识别，更具体的，是通过目标检测模型中的卷积计算对第一图像的特征进行提取，通过特征匹配对第一图像的特征进行识别。若是匹配到的相似度大于等于一个预先设定的阈值，比如大于等于98％，则可以认为检测到第一图像中存在目标特征，叵匹配到的相似度小于该预先设定的阈值，比如小于98％，则可以认为没有检测到第一图像中存在目标特征。上述的目标特征可以是电力件特征，比如可以是绝缘子、三角板、防震锤或电力标识等特征，上述的目标特征也可以是非电力件特征比如鸟巢、虫巢等。

s203，若所述第一图像中存在目标特征，则计算所述目标特征在所述第一图像中的位置信息。

在本实施例中，当预先训练好的目标检测模型检测出第一图像中存在目标特征，则说明第一图像所在的位置存在电力件，可以是作为采样点进行精准的拍摄。具体的，在对采样点进行精准拍摄前，可以计算出目标特征在第一图像中的位置信息，从而对飞行平台进行调节，以使摄像头对准目标特征所在位置。上述的计算出目标特征在第一图像中的位置信息可以是计算目标特征在第一图像中的像素位置，通过预先训练好的目标检测模型中的位置预测器，结合目标特征的像素位置，计算得到目标特征在第一图像中的位置信息。需要说明的是，上述的目标特征可以是一个或多个，当目标特征为多个时，可以计算多个目标特征在第一图像中的位置信息，比如，目标特征为多个绝缘子，则分别计算每个绝缘子在第一图像中的位置信息，又比如，目标特征为绝缘子以及三角板，则分别计算绝缘子以及三角板在第一图像中的位置信息。

s204，根据所述目标特征在所述第一图像中的位置信息，计算云台控制参数。

在本实施例中，上述目标特征在第一图像中的位置信息可以是步骤s203中得到目标特征在第一图像中的位置信息，上述的云台控制参数可以理解为控制云台偏转角、焦距的参数。具体的，可以根据飞行平台中摄像头的焦距参数，结合目标特征在第一图像中的位置信息进行计算，上述的位置信息可以是目标特征的像素坐标位置，从而计算得到云台控制参数。上述的云台控制参数用于控制飞行平台中摄像头对准对应的目标特征所在的位置，以使目标特征位于图像的中心。

s205，将所述云台控制参数发送到云台，以调整云台的位姿，拍摄得到第二图像，所述第二图像包括所述目标特征。

在本实施例中，上述的云台可以设置在图像采集系统中，上述的云台用于调整拍照摄像头的偏转角，通过调整云台的位姿，从而调整摄像头的偏转角，以使摄像头可以对位目标特征进行拍摄。这样，可以保证第二图像中一定包括有目标特征。同时，也可以增加第二图像的中目标特征的拍摄质量。在本实施例中，采集到第二图像后，会发送到技术人员所在的终端，以供技术人员在终端上进行查看。

在一种可能的实施方式中，还可以对第二图像进行特征检测，将检测到的目标特征以特征框的形式进行标注，再发送到技术人员所在的终端，以进一步提高技术人员排查效率。

本发明由于通过对无人机拍摄的第一图像进行特征识别，得到目标特征在第一图像中的位置信息，计算得到云台控制参数，并调整无人机的云台位姿，拍摄针对于目标特征的第二图像。根据计算得到的云台控制参数自动调整云台，拍摄到第二图像准确率高，减少操作人员的操作量及技术人员对照片的查找量，从而提高技术人员的排查效率。

进一步地，如图3所示，所述目标检测模型的训练包括以下步骤：

s301，对电力件图像进行标注，得到训练数据集；

s302，将训练数据集输入到所述目标检测模型中进行训练，使所述目标检测模型学习到电力件特征，得到训练好的目标检测模型。

其中，上述对电力件可以是绝缘子、三角板、防震锤或电力标识等特征，在图像中标注出哪个是绝缘子、哪个是三角板、哪个是防震锤等。在一种可能的实施方式中，上述的训练数据集也可以是网上进行获取的已经标注的图像集，而不需要再对图像进行标注。将训练数据集输入到目标检测模型中进行训练，使目标检测模型能够学习到电力件的识别，从而识别出对应标注的电力件特征。在训练的过程中，不断的迭代损失函数，使损失函数拟合，得到到目标检测模型中各个计算层的权重参数。在另一种可能的实施例方中，也可以对非电力件进标注，训练目标检测模型，使目标检测模型学习到非电力件特征，比如鸟巢、虫巢等。

这样，通过对包含电力件的图像进行标注形成数据集，并用标注好的数据集对目标检测模型进行训练，使模型能够识别出图像中的电力件，从而识别到目标特征。

进一步地，如图4所示，基于人工智能的电网巡检方法还包括：

s401，对所述第一图像进行预处理，所述预处理包括：灰度化、几何变换以及图像增强中至少一项。

在本实施例中，上述的预处理可以包括灰度化、几何变换、归一化、平滑、复原和图像增强等，可以是其中的一项或多项，以得到合适输入目标检测模型中的第一图像。

进一步地，如图5所示，上述的步骤s203包括：

s501，判断第一图像中检测出的目标特征数量；

s502，若所述第一图像中存在单个目标特征，则计算所述单个目标特征在所述第一图像中的位置信息；

s503，若所述第一图像中存在多个目标特征，则按照检测出的目标特征的先后顺序，依次计算所述多个目标特征在所述第一图像中的位置信息。

在本实施例中，检测出的目标特征数量可以是一个或多个，在检测出单个目标特征时，计算单个目标特征在第一图像中的位置信息，上述的位置信息可以是在第一图像中的像素位置信息，可以理解为像素坐标位置。在检测出多个目标特征时，依次计算多个目标特征在第一图像中的位置信息，上述的依次可以理解为按检测出的来的目标特征的先后顺序进行排序，然后根据目标特征的排序进行计算。在一种可能的实施方式中，还可以判断检测出的目标特征类型，比如绝缘子、三角板、防震锤或电力标识等电力件的类型，还可以判断检测出非电力件特征比如鸟巢、虫巢等非电力件的类型，根据目标特征类型来对目标特征进行位置信息的计算，比如，先计算绝缘子类型对应的目标特征在第一图像中的位置信息，最后计算三角板类型对应的目标特征在第一图像中的位置信息，比如，可以根据目标特征类型的体积大小进行排序后，再依次对各类型对应的目标特征在第一图像中的位置信息进行计算。

这样，可以实现根据同一张第一图像中，采集到多张不同对象的第二图像，增加第二图像的采集效率。

进一步地，如图6所示，上述的步骤s203包括：

s601，获取第一图像中目标特征的检测框位置；

s602，根据所述检测框位置，计算所述检测框在所述第一图像中的像素位置，得到对应于所述检测框的目标特征在所述第一图像中的像素位置。

在本实施例中，上述的检测框可以理解为在目标检测模型中生成的特征框，用于预测特征位置的一个参数，特征框内表表示的是目标特征，由置信度(或概率)最高的特征框来对目标特征进行表示，即是检测框。检测框的位置是通过在第一图像中的像素坐标来进行表示，通过检测框的对角角点的像素坐标，从而得到检测框的几何中心的像素坐标，从而确定检测框在第一图像中的像素位置，进而确定目标特征在第一图像中的像素位置。

这样，可以在目标检测模型中就可以获取到检测框的坐标信息，然后通过检测框确定目标特征在第一图像中的位置。

进一步地，如图7所示，上述的步骤s204包括：

s701，获取拍摄所述第一图像时的相机的焦距参数；

s702，基于所述目标特征的像素位置及所述相机的焦距参数进行计算，得到云台控制参数。

在本实施例中，可以在拍摄第一图像时，记录拍摄时的相机的焦距参数进行存储，在对第一图像中目标特征的位置信息进行计算时，从存储中调出相机的焦距参数。通过相机的焦距参数，可以知道相机所处在位置，以及偏转角度，从而计算出相机对准第一图像中目标特征的位置时，所需要调整的云台控制参数，以控制云台的偏转角度，从而使目标特征位于第二图像的中心。需要说明的是，上述的相机也可以称为图像采集设备、摄像头、摄像机等。

具体的，如图15、图16所示，图15示出三维立体世界中的物体p(可以理解为目标特征)、二维图像中物体p’以及相机光心点o的关系，是一个相似三角形的关系，其中，p’是p在图像上的位置，b为a在图像上的位置，b为图像的中心点，f是焦距，x为a到p的距离，x’为b到p’的距离。图16示出目标特征的位置(ut,vt)以及图像中心点的位置(u0,v0)，位置的偏差为δx，δy，根据以下公式计算得到偏转角△θx和△θx。△θx和△θx即是云台控制参数中的偏转角度。

这样，通过对无人机拍摄的第一图像进行特征识别，得到目标特征在第一图像中的位置信息，计算得到云台控制参数，并调整无人机的云台位姿，拍摄针对于目标特征的第二图像。根据计算得到的云台控制参数自动调整云台，拍摄到第二图像准确率高，减少操作人员的操作量及技术人员对照片的查找量，从而提高技术人员的排查效率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

如图8所示，为本实施例所提供的一种基于人工智能的电网巡检装置的结构示意图，上述装置800包括：获取模块801、特征检测模块802、位置计算模块803、参数计算模块804、发送模块805。其中：

获取模块801，用于获取第一图像；

特征检测模块802，用于通过预先训练好的目标检测模型对所述第一图像进行特征识别，检测所述第一图像中是否存在目标特征，所述目标特征包括电力件特征；

位置计算模块803，用于若所述第一图像中存在目标特征，则计算所述目标特征在所述第一图像中的位置信息；

参数计算模块804，用于根据所述目标特征在所述第一图像中的位置信息，计算云台控制参数；

发送模块805，用于将所述云台控制参数发送到云台，以调整云台的位姿，拍摄得到第二图像，所述第二图像包括所述目标特征。

进一步地，如图9所示，所述装置800还包括：数据集获取模块806、模型训练模块807。其中：

数据集获取模块806，用于对电力件图像进行标注，得到训练数据集；

模型训练模块807，用于将训练数据集输入到所述目标检测模型中进行训练，使所述目标检测模型学习到电力件特征，得到训练好的目标检测模型。

进一步地，如图10所示，所述装置800还包括：预处理模块808。其中：

预处理模块808，对所述第一图像进行预处理，所述预处理包括：灰度化、几何变换以及图像增强中至少一项。

进一步地，如图11所示，所述位置计算模块803包括：判断单元8031、第一计算单元8032、第二计算单元8033。其中：

判断单元8031，用于判断第一图像中检测出的目标特征数量；

第一计算单元8032，用于若所述第一图像中存在单个目标特征，则计算所述单个目标特征在所述第一图像中的位置信息；

第二计算单元8033，用于若所述第一图像中存在多个目标特征，则按照检测出的目标特征的先后顺序，依次计算所述多个目标特征在所述第一图像中的位置信息。

进一步地，如图12所示，所述位置计算模块803包括：膝盖骨获取单元8034、第三计算单元8035。其中：

第一获取单元8034，用于获取第一图像中目标特征的检测框位置；

第三计算单元8035，用于根据所述检测框位置，计算所述检测框在所述第一图像中的像素位置，得到对应于所述检测框的目标特征在所述第一图像中的像素位置。

进一步地，如图13所示，所述参数计算模块804包括：第二获取单元8041、第四计算单元8042。其中：

第二获取单元8041，用于获取拍摄所述第一图像时的相机的焦距参数；

第四计算单元8042，用于基于所述目标特征的像素位置及所述相机的焦距参数进行计算，得到云台控制参数。

本申请实施例提供的一种基于人工智能的电网巡检装置能够实现图2至图7的方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图14，图14为本实施例计算机设备基本结构框图。

计算机设备14包括通过系统总线相互通信连接存储器141、处理器142、网络接口143。需要指出的是，图中仅示出了具有组件141-143的计算机设备14，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

存储器141至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器141可以是计算机设备14的内部存储单元，例如该计算机设备14的硬盘或内存。在另一些实施例中，存储器141也可以是计算机设备14的外部存储设备，例如该计算机设备14上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。当然，存储器141还可以既包括计算机设备14的内部存储单元也包括其外部存储设备。本实施例中，存储器141通常用于存储安装于计算机设备14的操作系统和各类应用软件，例如一种基于人工智能的电网巡检方法的程序代码等。此外，存储器141还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器142在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器142通常用于控制计算机设备14的总体操作。本实施例中，处理器142用于运行存储器141中存储的程序代码或者处理数据，例如运行一种基于人工智能的电网巡检方法的程序代码。

网络接口143可包括无线网络接口或有线网络接口，该网络接口143通常用于在计算机设备14与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有一种基于人工智能的电网巡检程序，上述一种基于人工智能的电网巡检程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种基于人工智能的电网巡检方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例的一种基于人工智能的电网巡检方法。

本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。