CN103400141A - 一种基于改进图像法的输电导线覆冰厚度的计算方法 - Google Patents
一种基于改进图像法的输电导线覆冰厚度的计算方法 Download PDFInfo
- Publication number
- CN103400141A CN103400141A CN2013103148913A CN201310314891A CN103400141A CN 103400141 A CN103400141 A CN 103400141A CN 2013103148913 A CN2013103148913 A CN 2013103148913A CN 201310314891 A CN201310314891 A CN 201310314891A CN 103400141 A CN103400141 A CN 103400141A
- Authority
- CN
- China
- Prior art keywords
- image
- wire
- value
- transmission pressure
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进图像法的输电导线覆冰厚度的计算方法,包括如下步骤:S1.输电导线图像前期处理,获得图像数据阵列;S2.输电导线边界轮廓识别,包括:确定Canny算子自适应性:利用最优阈值灰度分割法得到该图像数据阵列的最优阈值,作为Canny算子的高阈值,根据高阈值Th和低阈值的对应关系确定Cannys算子的低阈值;采用Canny算子对图像数据阵列)进行边缘检测;对边界轮廓两边分别进行逐行或逐列扫描,得到边界两边对应像素点的位置横坐标及纵坐标,对应横坐标及纵坐标差值即是所求轮廓像素值;S3.计算输电导线覆冰厚度。本发明为系统安全运行提供一种直观、经济、有效的手段。
Description
技术领域
本发明涉及数字视频图像处理及输电线路在线监测技术领域,具体涉及一种基于改进图像法的输电导线覆冰厚度的计算方法。
背景技术
我国是世界上输电线路覆冰最严重的国家之一。输电线路覆冰引起导线舞动、杆塔倾斜甚至倒塌、断线以及绝缘子闪络等重大电力事故,严重影响电力系统的安全运行,并造成巨大经济损失。随着计算机技术和传感技术的发展,输电线路覆冰在线监测方法也得到不断的改进和完善。目前监测输电线路覆冰的主要在线监测方法是基于力学模型:通过在导线、绝缘子和杆塔上安装各种灵敏传感器来获得覆冰后导线和绝缘子的重力变化、杆塔绝缘子的倾斜角、导线舞动频率等,再结合着简化的数学模型,最后粗略的计算出输电线路等效覆冰厚度。在应用力学模型计算输电线路覆冰厚度时,传感器的精度和灵敏度决定着计算结果的准确度,同时监测原理较为复杂,力学模型不同其计算结果相差比较大。
自2007年后,人们开始尝试利用图像处理技术处理到输电线路覆冰,为输电线路覆冰监测提供一种直观、经济、有效的手段,降低投入成本。在实验室背景下忽略了实际输电线路中复杂背景等因素的影响,而图像处理结果和背景复杂性有重大关系,有时甚至无法提取轮廓。另外,所采集的图像灰度易受天气、拍摄条件等因素影响,应用图像法处理时,需要人工反复改变参数(指阈值、尺度等参数)修正检测结果。虽然图像法能够得到较为直观有效的结果,但在工程应用中大量的图像信息需要处理,限制了其在工程中的应用。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于改进图像法的输电导线覆冰厚度的计算方法
本发明采用如下技术方案:
一种基于改进图像法的输电导线覆冰厚度的计算方法,包括如下步骤:
S1输电导线图像前期处理,具体为:
S1.1获取图像:通过监测终端的摄像机获得输电导线图像;所述输电导线图像包括导线覆冰图像及导线未覆冰图像;
S1.2设置目标区域:首先利用Matlab软件获取输电导线图像的最大横坐标Xmax和最大纵坐标Ymax,此时图像左上角坐标为(0,0),图像右下角坐标为(Xmax,Ymax),然后根据监测终端导线位置特点,利用坐标标定方式对输电导线图像设置目标区域,使该输电导线的覆冰图像及未覆冰图像的尺寸大小一致;
S1.3图像预处理:对设置目标区域后的图像依次进行灰度化及中值滤波处理得到图像数据阵列g(x,y);
S2输电导线边界轮廓识别,具体如下:
S2.1确定Canny算子自适应性:利用最优阈值灰度分割法得到该图像数据阵列的最优阈值Tk,作为Canny算子的高阈值Th,根据高阈值Th和低阈值Tl的对应关系确定Cannys算子的低阈值;
S2.2采用Canny算子对图像数据阵列g(x,y)进行边缘检测;
S2.3对边界轮廓两边分别进行逐行或逐列扫描,得到边界两边对应像素点的位置横坐标及纵坐标,对应横坐标及纵坐标差值即是所求轮廓像素值;
S3计算输电导线覆冰厚度。
所述S2.1中最优阈值灰度分割法,具体为:
S2.1.1求出图像数据阵列的最大灰度值Zm和最小灰度值Zl,令初阈值T0=(Zm+Zl)/2;
S2.1.2根据设定阈值T0分别求出背景和目标的平均灰度值T1、T2;
得到新阈值Tk=(Z1+Z2)/2;
S2.1.3若T0和Tk不相等,则把Tk赋值给T0,转到S2.1.2,进行循环迭代计算,直到T0和Tk相等,Tk即为最优阈值。
所述高阈值Th和低阈值Tl的对应关系具体为:Tl=0.5*Th。
所述S2.2中采用Canny算子对图像数据阵列g(x,y)进行边缘检测,具体为:
S2.2.1计算图像数据阵列的梯度幅值M(x,y);
S2.2.2对梯度幅值进行非极大值抑制,得到可能的边缘点;
S2.2.3利用Canny算子的高阈值和低阈值对可能的边缘点进行筛选,得到输电导线边界轮廓;
所述S2.3中对边界轮廓两边分别进行逐行或逐列扫描,包括三种形式,分别为:a当导线在目标区域内呈竖直方向时,进行逐行扫描;b是当导线在目标区域内时呈水平方向时,进行逐列扫描;c是当导线在目标区域内呈对角方向时,进行逐行或逐列扫描。
所述S3中计算导线覆冰厚度,具体如下:
S3.1采用S1-S2步骤得到未覆冰导线的裸导线对应轮廓像素值,将此值作为基值;
S3.2采用S1-S2步骤得到覆冰导线对应的轮廓像素值,利用导线直径、基值、覆冰时的轮廓像素值、覆冰厚度四者之间的比例关系,得到目标区域内输电导线平均覆冰厚度。
所述S3.2中导线直径、基值、覆冰时的轮廓像素值、覆冰厚度四者之间的比例关系,具体为:
设线路无覆冰时,导线直径D0的轮廓像素值为x1,线路覆冰时,其轮廓像素值为x2,则覆冰厚度D表示为:
式中:当导线为分裂导线时,导线间距均为定值d,其中为单分裂导线时d=0。
本方法还包括输电导线覆冰预警,当得到的覆冰厚度大于导线设计覆冰厚度安全阈值,则发出报警信息。
本发明的有益效果:
本发明将图像处理技术应用到输电导线覆冰在线监测领域中,在复杂环境和天气变化下可自动识别导线覆冰厚度,进而实现导线覆冰超限报警,为系统安全运行提供一种直观、经济、有效的手段。
附图说明
图1为本发明一种基于改进图像法的输电导线覆冰厚度的计算方法的工作流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
一种基于改进图像法的输电导线覆冰厚度的计算方法,包括如下步骤:
S1输电导线图像前期处理,具体为:
S1.1获取图像:通过监测终端的摄像机获得输电导线图像;所述输电导线图像包括导线覆冰图像及导线未覆冰图像;
S1.2设置目标区域:首先利用Matlab软件获取输电导线图像的最大横坐标Xmax和最大纵坐标Ymax,此时图像左上角坐标为(0,0),图像右下角坐标为(Xmax,Ymax),然后根据监测终端导线位置特点,利用坐标标定方式对输电线路图像设置目标区域,使该输电导线的覆冰图像及未覆冰图像的尺寸大小一致;
因为输电导线图像背景很复杂,天气变化影响图像灰度值,如直接对整幅图像进行图像处理,很难得到导线边界轮廓,为了导线完整边界轮廓,根据监测终端导线位置特点,利用坐标标定方式设置目标区域,设置后目标区域范围则固定不变,以保证待处理导线覆冰图像和相对应的导线未覆冰图像尺寸大小一致。
不同监测终端输电导线位置不同,需要根据情况进行设定,并且每个终端只需初始时设置一次,设置后则保持不变。
S1.3图像预处理:对设置目标区域后的图像依次进行灰度化及中值滤波处理得到图像数据阵列g(x,y);
所述目标区域内输电导线图像,属于彩色图像,由于彩色图像的数据量大,为了后期其他特征量的方便和快捷,对图像进行灰度化处理。灰度化处理后的图像并不影响边缘特征,可以通过下式实现:
Y=0.299R+0.587G+0.114B
式中Y为亮度,即RGB图像转换成灰度图像后对应像素点的灰度值;R、G、B分别表示红色分量、绿色分量和蓝色分量。
在图像采集、量化等过程中或者图像传送中可能会产生干扰和噪声,这些噪声会影响对边界轮廓的提取。为此需要对灰度化后图像进行滤波处理,其中值滤波在出去噪声的同时可以更好的保存图像边缘细节,故采用中滤波方法。
S2输电导线边界轮廓识别,具体如下:
S2.1确定Canny算子自适应性:利用最优阈值灰度分割法得到该图像数据阵列的最优阈值Tk,作为Canny算子的高阈值,根据高阈值Th和低阈值Tl的对应关系,所述对应关系为Tl=0.5*Th,确定Cannys算子的低阈值;
本发明采用Canny算子进行边缘检测,高阈值Th和低阈值Tl的设置是边缘精确检测的关键。如果简单的使用试凑法,将无法满足工程实际需要。
所述S2.1中最优阈值灰度分割法,具体为:
S2.1.1求出图像数据阵列的最大灰度值Zm和最小灰度值Zl,令初阈值T0=(Zm+Zl)/2;
S2.1.2根据设定阈值T0分别求出背景和目标的平均灰度值T1、T2;
得到新阈值Tk=(Z1+Z2)/2;
S2.1.3若T0和Tk不相等,则把Tk赋值给T0,转到S2.1.2,进行循环迭代计算,直到T0和Tk相等,Tk为最优阈值,即是最高阈值Th。
S2.2采用Canny算子对图像数据阵列g(x,y)进行边缘检测,本发明采用自适应Canny算子进行边缘检测,实现的基本思想是先对图像数据阵列g(x,y)进行高斯平滑处理,然后再对处理后的图像偏微分操作获取梯度图,在采用“非最大抑制”算法得到图像中可能边缘点,最后通过双阈值递归得到图像的边缘具体为:
S2.2.1计算图像数据阵列的梯度幅值M(x,y),具体为:
图像高斯平滑处理就是利用高斯函数分别按行和列对图像g(x,y)进行进行卷积。高斯函数式如下:
计算梯度幅值和方向。Canny算子采用2*2邻域一阶偏导的有限差分来计算平滑后的数据阵列g(x,y)的梯度值和方向。x和y方向偏导数的2个阵列P[x,y]和Q[x,y]分别为:
P[x,y]=(g(x,y+1)-g(x,y)+g(x+1,y+1)-g(x+1,y))/2
Q[x,y]=(g(x,y)-g(x+1,y)+g(x,y+1)-g(x+1,y+1))/2
梯度幅值和方向通过以下公式实施:
S2.2.2对梯度幅值进行非极大值抑制,得到可能的边缘点;
通过梯度幅值计算公式所得的梯度幅值图像中,在M(x,y)的极大值处出现多点的现象,要想得到精确单像素的边缘,需要对梯度幅值图像进行非极大值抑制,保留极大值,细化边缘。根据当前点(i,j)的梯度值与各个梯度方向上的梯度值来判断当前点是否具有局部最大梯度值,如果是,则将其判为可能的边缘点,否则不是边缘点。
S2.2.3利用Canny算子的高阈值和低阈值对可能的边缘点进行筛选,得到输电线路边界轮廓。
对非极大值抑制图像设置高低两个高低阈值Th、Tl进行边缘点筛选,得到两个阈值边缘Th[x,y]和Tl[x,y]。Th[x,y]伪边缘少,Tl[x,y]边缘信息较为全面,但含有一些伪边缘。最后所得边缘检测结果以Th[x,y]为基础,Tl[x,y]起到补充作用。
S2.3对边界轮廓两边分别进行逐行或逐列扫描,得到边界两边对应像素点的位置横坐标及纵坐标,对应横坐标及纵坐标差值即是所求轮廓像素值;
所述扫描方式根据线路在目标区域的方向而定,有三种方式,包括:a当导线在目标区域内呈竖直方向时,进行逐行扫描;b是当导线在目标区域内时呈水平方向时,进行逐列扫描;c是当导线在目标区域内呈对角方向时,进行逐行或逐列扫描。
S3计算导线覆冰厚度,具体如下:
S3.1采用S1-S2步骤得到未覆冰的裸导线对应轮廓像素值,将此值作为基值;
S3.2采用S1-S2步骤得到覆冰导线对应的轮廓像素值,利用导线直径、基值、覆冰时的轮廓像素值、覆冰厚度四者之间的比例关系,得到目标区域内导线平均覆冰厚度。
所述S3.2中导线直径、基值、覆冰时的轮廓像素值、覆冰厚度四者之间的比例关系,具体为:
设导线无覆冰时,导线直径D0的轮廓像素值为x1,导线覆冰时,其轮廓像素值为x2,则覆冰厚度D表示为:
式中:当导线为分裂导线时,导线间距均为定值d,其中为单分裂导线时d=0。
S4导线覆冰预警:将计算值与导线设计覆冰厚度安全阈值进行比较,当计算值大于安全阈值时,发出报警信息,提醒工作人员进行除冰工作,否则从新执行以上步骤。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于改进图像法的输电导线覆冰厚度的计算方法,其特征在于,包括如下步骤:
S1输电导线图像前期处理,具体为:
S1.1获取图像:通过监测终端的摄像机获得输电导线图像;所述输电导线图像包括导线覆冰图像及导线未覆冰图像;
S1.2设置目标区域:首先利用Matlab软件获取输电导线图像的最大横坐标Xmax和最大纵坐标Ymax,此时图像左上角坐标为(0,0),图像右下角坐标为(Xmax,Ymax),然后根据监测终端导线的位置特点,利用坐标标定方式对输电导线图像设置目标区域,使该输电导线的覆冰图像及未覆冰图像的尺寸大小一致;
S1.3图像预处理:对设置目标区域后的图像依次进行灰度化及中值滤波处理得到图像数据阵列g(x,y);
S2输电导线边界轮廓识别,具体如下:
S2.1确定Canny算子自适应性:利用最优阈值灰度分割法得到该图像数据阵列的最优阈值Tk,作为Canny算子的高阈值Th,根据高阈值Th和低阈值Tl的对应关系确定Cannys算子的低阈值;
S2.2采用Canny算子对图像数据阵列g(x,y)进行边缘检测;
S2.3对边界轮廓两边分别进行逐行或逐列扫描,得到边界两边对应像素点的位置横坐标及纵坐标,对应横坐标及纵坐标差值即是所求轮廓像素值;
S3计算输电导线覆冰厚度。
2.根据权利要求1所述的方法,其特征在于,所述S2.1中最优阈值灰度分割法,具体为:
S2.1.1求出图像数据阵列的最大灰度值Zm和最小灰度值Zl,令初阈值T0=(Zm+Zl)/2;
S2.1.2根据设定阈值T0分别求出背景和目标的平均灰度值T1、T2;
得到新阈值Tk=(Z1+Z2)/2;
S2.1.3若T0和Tk不相等,则把Tk赋值给T0,转到S2.1.2,进行循环迭代计算,直到T0和Tk相等,Tk即为最优阈值。
3.根据权利要求1所述的方法,其特征在于,所述高阈值Th和低阈值Tl的对应关系具体为:Tl=0.5*Th。
4.根据权利要求1所述的方法,其特征在于,所述S3中计算输电导线
S3.1采用S1-S2步骤得到未覆冰的裸导线对应轮廓像素值,将此值作为基值;
S3.2采用S1-S2步骤得到覆冰导线对应的轮廓像素值,利用导线直径、基值、覆冰时的轮廓像素值、覆冰厚度四者之间的比例关系,得到目标区域内输电导线平均覆冰厚度。
5.根据权利要求1所述的方法,其特征在于,所述S2.2中采用Canny算子对图像数据阵列g(x,y)进行边缘检测,具体为:
S2.2.1计算图像数据阵列的梯度幅值M(x,y);
S2.2.2对梯度幅值进行非极大值抑制,得到可能的边缘点;
S2.2.3利用Canny算子的高阈值和低阈值对可能的边缘点进行筛选,得到输电导线边界轮廓。
6.根据权利要求1所述的方法,其特征在于,所述S2.3中对边界轮廓两边分别进行逐行或逐列扫描,包括三种形式,分别为:a当导线在目标区域内呈竖直方向时,进行逐行扫描;b是当导线在目标区域内时呈水平方向时,进行逐列扫描;c是当导线在目标区域内呈对角方向时,进行逐行或逐列扫描。
7.根据权利要求1所述的方法,其特征在于,所述S3.2中导线直径、基值、覆冰时的轮廓像素值、覆冰厚度四者之间的比例关系,具体为:
设导线无覆冰时,导线直径D0的轮廓像素值为x1,导线覆冰时,其轮廓像素值为x2,则覆冰厚度D表示为:
式中:当导线为分裂导线时,导线间距均为定值d,其中为单分裂导线时d=0。
8.根据权利要求1-7任一项所述的方法,其特征在于,还包括输电导线覆冰预警,当得到的覆冰厚度大于导线设计覆冰厚度安全阈值,则发出报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103148913A CN103400141A (zh) | 2013-07-24 | 2013-07-24 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103148913A CN103400141A (zh) | 2013-07-24 | 2013-07-24 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103400141A true CN103400141A (zh) | 2013-11-20 |
Family
ID=49563759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103148913A Pending CN103400141A (zh) | 2013-07-24 | 2013-07-24 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400141A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138976A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种遗传小波神经网络的输电线路覆冰厚度识别方法 |
CN106407994A (zh) * | 2016-09-29 | 2017-02-15 | 武汉大学 | 一种利用Hough变换与函数拟合的导线覆冰厚度图像识别方法 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN106839999A (zh) * | 2016-11-22 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种基于无人机红外图像的输电线路覆冰检测方法 |
CN108109119A (zh) * | 2017-12-18 | 2018-06-01 | 凯迈(洛阳)环测有限公司 | 一种基于韦伯局部算子的电线覆冰识别方法及处理装置 |
CN108537800A (zh) * | 2018-03-22 | 2018-09-14 | 华南理工大学 | 一种大功率白光led荧光粉微涂覆区域的分割方法 |
CN109325956A (zh) * | 2018-08-15 | 2019-02-12 | 国网河南省电力公司电力科学研究院 | 一种基于图像处理的输电导线覆冰截面特征提取方法 |
CN110599538A (zh) * | 2019-09-30 | 2019-12-20 | 山东信通电子股份有限公司 | 一种输电线路导线覆冰厚度的识别方法和装置 |
CN111062933A (zh) * | 2019-12-24 | 2020-04-24 | 广西大学 | 一种基于视场自适应调节的输电线路覆冰图像检测方法 |
CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
CN112070717A (zh) * | 2020-08-05 | 2020-12-11 | 三峡大学 | 基于图像处理的输电线路覆冰厚度检测方法 |
CN113160255A (zh) * | 2021-02-24 | 2021-07-23 | 国网福建省电力有限公司检修分公司 | 一种运行线路走廊环境因子变化监控方法 |
US11093744B1 (en) * | 2017-09-21 | 2021-08-17 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Method and device for determining types of ice-and-snow cover |
CN113643352A (zh) * | 2021-08-09 | 2021-11-12 | 贵州电网有限责任公司 | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 |
CN113706569A (zh) * | 2021-08-09 | 2021-11-26 | 贵州电网有限责任公司 | 一种基于自适应Hough变换的导线覆冰程度计算方法 |
CN112070717B (zh) * | 2020-08-05 | 2024-06-04 | 煜邦数字科技(广东)有限公司 | 基于图像处理的输电线路覆冰厚度检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102252623A (zh) * | 2011-06-24 | 2011-11-23 | 西安工程大学 | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 |
CN102346015A (zh) * | 2011-06-24 | 2012-02-08 | 西安工程大学 | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 |
-
2013
- 2013-07-24 CN CN2013103148913A patent/CN103400141A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102252623A (zh) * | 2011-06-24 | 2011-11-23 | 西安工程大学 | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 |
CN102346015A (zh) * | 2011-06-24 | 2012-02-08 | 西安工程大学 | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 |
Non-Patent Citations (4)
Title |
---|
唐路路等: "一种自适应阈值的Canny边缘检测算法", 《光电工程》, vol. 38, no. 5, 15 May 2011 (2011-05-15) * |
李昭廷等: "利用远程系统的输电线路覆冰厚度图像识别", 《高电压技术》, vol. 37, no. 9, 30 September 2011 (2011-09-30) * |
罗浩: "基于图像处理的覆冰状态输电线路模型的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 3, 15 March 2013 (2013-03-15), pages 138 - 1250 * |
舒红平等: "基于灰度最优阈值的图像分割方法及应用", 《重庆工商大学学报( 自然科学版)》, vol. 20, no. 4, 30 December 2003 (2003-12-30) * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138976A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种遗传小波神经网络的输电线路覆冰厚度识别方法 |
CN106407994A (zh) * | 2016-09-29 | 2017-02-15 | 武汉大学 | 一种利用Hough变换与函数拟合的导线覆冰厚度图像识别方法 |
CN106839999A (zh) * | 2016-11-22 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种基于无人机红外图像的输电线路覆冰检测方法 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN106595551B (zh) * | 2016-12-13 | 2019-01-04 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
US11093744B1 (en) * | 2017-09-21 | 2021-08-17 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Method and device for determining types of ice-and-snow cover |
CN108109119A (zh) * | 2017-12-18 | 2018-06-01 | 凯迈(洛阳)环测有限公司 | 一种基于韦伯局部算子的电线覆冰识别方法及处理装置 |
CN108537800A (zh) * | 2018-03-22 | 2018-09-14 | 华南理工大学 | 一种大功率白光led荧光粉微涂覆区域的分割方法 |
CN108537800B (zh) * | 2018-03-22 | 2021-08-06 | 华南理工大学 | 一种大功率白光led荧光粉微涂覆区域的分割方法 |
CN109325956A (zh) * | 2018-08-15 | 2019-02-12 | 国网河南省电力公司电力科学研究院 | 一种基于图像处理的输电导线覆冰截面特征提取方法 |
CN110599538A (zh) * | 2019-09-30 | 2019-12-20 | 山东信通电子股份有限公司 | 一种输电线路导线覆冰厚度的识别方法和装置 |
CN111062933A (zh) * | 2019-12-24 | 2020-04-24 | 广西大学 | 一种基于视场自适应调节的输电线路覆冰图像检测方法 |
CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
CN112070717A (zh) * | 2020-08-05 | 2020-12-11 | 三峡大学 | 基于图像处理的输电线路覆冰厚度检测方法 |
CN112070717B (zh) * | 2020-08-05 | 2024-06-04 | 煜邦数字科技(广东)有限公司 | 基于图像处理的输电线路覆冰厚度检测方法 |
CN113160255A (zh) * | 2021-02-24 | 2021-07-23 | 国网福建省电力有限公司检修分公司 | 一种运行线路走廊环境因子变化监控方法 |
CN113643352A (zh) * | 2021-08-09 | 2021-11-12 | 贵州电网有限责任公司 | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 |
CN113706569A (zh) * | 2021-08-09 | 2021-11-26 | 贵州电网有限责任公司 | 一种基于自适应Hough变换的导线覆冰程度计算方法 |
CN113643352B (zh) * | 2021-08-09 | 2024-05-24 | 贵州电网有限责任公司 | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400141A (zh) | 一种基于改进图像法的输电导线覆冰厚度的计算方法 | |
CN103400140A (zh) | 一种基于改进图像法处理绝缘子覆冰的方法 | |
Lei et al. | A novel tunnel-lining crack recognition system based on digital image technology | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN102252623B (zh) | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
CN108872991A (zh) | 目标物检测与识别方法、装置、电子设备、存储介质 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN102346015A (zh) | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 | |
CN104376319B (zh) | 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法 | |
CN110490839B (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
CN110207592A (zh) | 建筑裂缝测量方法、装置、计算机设备和存储介质 | |
CN110223332B (zh) | 一种桥梁裂缝标定方法 | |
CN110276787B (zh) | 基于标志物图像检测的导线舞动监测方法 | |
CN116958145B (zh) | 图像处理方法、装置、视觉检测系统及电子设备 | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
CN114119466A (zh) | 铝箔表面缺陷检测方法、装置、设备及计算机存储介质 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN106127147B (zh) | 一种基于三维数据的人脸深度纹理修复方法 | |
CN110059544B (zh) | 一种基于道路场景的行人检测方法和系统 | |
CN106530286A (zh) | 确定清晰度级别的方法及装置 | |
CN109918968B (zh) | 一种舰船目标检测方法 | |
CN110910379B (zh) | 一种残缺检测方法及装置 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN113508395B (zh) | 用于检测由像素构成的图像中的对象的方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131120 |