CN104573650A - 一种基于滤波响应的电线检测分类方法 - Google Patents
一种基于滤波响应的电线检测分类方法 Download PDFInfo
- Publication number
- CN104573650A CN104573650A CN201410854579.8A CN201410854579A CN104573650A CN 104573650 A CN104573650 A CN 104573650A CN 201410854579 A CN201410854579 A CN 201410854579A CN 104573650 A CN104573650 A CN 104573650A
- Authority
- CN
- China
- Prior art keywords
- electric wire
- image
- straight line
- region
- wave filter
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
Abstract
本发明公开了一种基于滤波响应的电线检测分类方法,包括直线的检测和电线的分类,首先基于Canny算子和Hough变换检测到可能的电线区域,再对其提取纹理和颜色特征,最后用RBF核的SVM训练电线的分类器。本发明所提出的基于滤波器响应的电线检测方法可以快速有效地检测到电线的位置,其中基于滤波器的直线检测能够快速有效的检测到电线的可能位置,并能有效地抑制噪声,另外,采用的纹理和颜色特征在复杂环境下对电线的检测具有鲁棒性。
Description
技术领域
本发明涉及一种电线检测分类方法,特别是一种基于滤波响应的电线检测分类方法。
背景技术
近几年来,我国的电力系统行业得到的迅速的发展,电网覆盖面积越来越广,特别是在城镇、山区和偏远地区得到了广泛的覆盖,经济的快速发展带来了城乡电量负荷的大量提高,这就需要在保证能源的广泛使用的基础上,有力地保障电网系统特别是电线的安全显得尤为重要,所以在电网电力系统推广的过程中,也应建立有效的电力电网智能监控系统。传统的电线监控包括人工巡检和直升机巡检,我国的电网系统具有输电线长、电塔高、高压电塔偏远的特点,人工巡检需要大量的人力和物力,效率很低,在偏远山区更不能做到实时监测,而且人工巡检不能监控每个方位,漏检很多,尤其是在电网设备损坏或紧急情况下,人工巡检方式需要大量的工作人员通过地面交通工具来维护设备。直升机巡检,相对于人工巡检方式,更容易监测到人工监测困难的地方,但是直升机巡检需要消耗大量的费用和时间,并且监测精度不高,针对我国的发展,并不能投入大量的财力和物力,并且在森林、山区,直升机巡检具有危险性,监控难度提高。可以看出,传统的电线监控不能实时并准确的监测电网系统的安全,已经不能满足电网系统的发展。
我国在80年代初开始采用直升机巡检,但在实施的过程中,投入了大量的资金,却没有得到有效的回报。随着对电力系统的要求不断的提高,远程监控在电力系统安全保障过程中得到了认可,通过远程监控和终端处理实时并有效地对各种环境下的电线进行监控,随着无线通信的不断发展,输电线安全的检测,如山火检测、覆冰检测、大型物体靠近检测得到了迅速的发展,保障了电力电网系统的安全,对比于人工巡检方式,节省了大量的人力,并且提高了监控精度和速度,对比于直升机巡检方式,远程监控不需要大量的资金,且监控更实时和有效。
目前有很多针对电线检测的方法,大多是基于Canny算子得到图像的边缘信息,再根据直线检测方法比如:Hough变换、Radon变换和相位编组法等去检测较长的直线,最后通过数学形态学处理得到最终的电线。
现有的方法只是利用canny算子和直线检测方法,这些方法的不足之处在于仅仅将直线的长度作为判断的依据,对于复杂场景下,通过单纯的长度判断直线检测方法会检测出很多噪声,且对参数很敏感。
发明内容
为解决现有技术的不足,本发明的目的在于,提供一种基于滤波响应的电线检测分类方法,首先基于Canny算子和Hough变换检测到可能的电线区域,再对其提取纹理和颜色特征,最后用RBF核的SVM训练电线的分类器,本发明所提出的算法具有鲁棒性,并能有效的检测出电线。
本发明的技术方案为:一种基于滤波响应的电线检测分类方法,其特征是,包括以下步骤:
(1)直线的检测:
步骤一、构建数据库:从网络上搜集多张包含电线的训练图像和测试图像,其中一部分图像包含复杂场景,比如交通复杂的情况、树林和房屋;
步骤二、图像归一化处理及提取图像边缘:针对每一张训练图像,首先对图像大小进行归一化操作,将图像的高度设为200像素,保持图像的宽高比不变,再用Canny算子得到图像的边缘;
步骤三、设计滤波器并提取各个方向的直线:设计一个滤波器,滤波器的第一行为1,第二行为-1,将之前得到的边缘图像的0值变为-1,将滤波器与边缘图像进行卷积操作,得到滤波器响应结果,再将滤波器进行0~180度的旋转,每次旋转的间隔为3度,将旋转后的滤波器与边缘图像进行卷积操作,得到各个方向上的滤波器响应结果,为了得到滤波器响应的阈值,将旋转后的滤波器定义为R,计算R绝对值的总和T:
其中,h、w分别为图像的宽度和高度,将阈值设定为0.8*T,将滤波器响应小于该阈值的设为0,大于该阈值的设为1,得到二值化结果,将滤波器中大于0的设为1,小于等于0的设为0,得到一个滤波器的掩膜,用之前得到的二值化结果,找到为1的点,将每个点设为滤波器掩膜的中心,得到滤波器上掩膜为1的点的边缘图像,完成各个方向的直线的选取;
步骤四、标定电线位置:针对步骤三得到的各个方向上的直线,将其合并起来得到总的直线区域,将其中非电线的区域手动删去,得到电线的标定结果;
步骤五、电线正负样本的确定:用步骤三的方法得到各个方向上的直线,针对一个特定的角度,若其二值化结果有多个不连通的区域,针对每个区域,计算其中标定为电线的个数,如果电线个数与区域像素总数的比例大于0.05,则将该区域设定为电线的正样本,小于0.05的区域设定为电线的负样本;
(2)电线的分类:
步骤一、训练颜色特征的聚类中心:针对每张训练图像,计算图像每个像素的颜色特征Fc,
Fc=[R,G,B1,R-G,G-B1,L,A,B2] (2)
其中,R代表RGB颜色空间中红色通道,G代表RGB颜色空间中绿色通道,B1代表RGB颜色空间中蓝色通道,R-G代表RGB颜色空间中红色通道与绿色通道的差值,G-B1代表RGB颜色空间中绿色通道与蓝色通道的差值,L代表亮度,A代表在红色和绿色之间的位置,B2代表在黄色和蓝色之间的位置,随机的从训练图像所有像素对应的颜色特征中选取多个特征,再用Kmeans聚类方法对选取出的特征进行聚类,得到颜色特征的聚类中心;
步骤二、训练纹理特征的聚类中心:针对每张训练图像,将图像分为4*4的小块,每个小块的采样间距为4个像素,针对每个小块,提取其纹理特征,从训练图像所有小块对应的纹理特征中选取多个特征,再用Kmeans聚类方法对选取出的特征进行聚类,得到纹理特征的聚类中心;
步骤三、提取各个方向的直线:用直线检测中步骤三的方法得到直线各个方向的区域,对每个区域,提取其颜色特征,找到与该颜色特征最靠近的颜色聚类中心,用该聚类中心来表示其颜色特征,统计矩形区域内颜色特征聚类中心出现的次数,计算其直方图;对每个直线区域,得到包含该区域的最小矩形区域,将该矩形区域分为4*4的小块,每个小块的采样间距为4个像素,对每个小块,提取其纹理特征,找到与该纹理特征最靠近的纹理聚类中心,用该聚类中心来表示其纹理特征,统计矩形区域内纹理特征聚类中心出现的次数,计算其直方图,将颜色特征聚类中心的直方图和纹理特征聚类中心的直方图串联起来作为该直线区域的特征;
步骤四、训练RBF核的SVM分类器:针对电线的正样本和负样本,提取各个样本直线区域的特征,再训练RBF核的SVM分类器;
步骤五、电线的设定:针对测试图像,首先用直线的检测中步骤三的方法检测到可能的直线,用电线的分类步骤三的方法得到直线各个区域的特征,再用电线的分类步骤四的方法得到RBF核的SVM分类器对该特征进行分类,得到属于电线的概率,将概率大于0.3的设定为电线。
前述的一种基于滤波响应的电线检测分类方法,其特征是,上述直线的检测步骤二中,在提取图像边缘的过程中,将Canny算子的阈值设定为0.01,使得检测到的边缘完整。
前述的一种基于滤波响应的电线检测分类方法,其特征是,上述直线的检测步骤三中,滤波器的大小为2*30。
前述的一种基于滤波响应的电线检测分类方法,其特征是,上述电线的分类步骤一中,从训练图像所有像素对应的颜色特征中选取的特征个数为30万个,聚类个数为150。
前述的一种基于滤波响应的电线检测分类方法,其特征是,上述电线的分类步骤二中,从训练图像所有小块对应的LBP纹理特征中选取的特征个数为30万个,聚类个数为150。
本发明所达到的有益效果:
(1)本发明所提出的基于滤波器响应的电线检测方法可以快速有效地检测到电线的位置,其中基于滤波器的直线检测能够快速有效的检测到电线的可能位置,并能有效地抑制噪声,另外,采用的纹理和颜色特征在复杂环境下对电线的检测具有鲁棒性;
(2)本发明用各个方向的滤波器检测各个方向上的直线,在判断直线的类别上,本发明不只是利用直线的长度,而且结合直线的纹理和颜色特征来训练电线的分类器,相比传统的电线检测方法,本发明对场景的变化具有更高的鲁棒性。
附图说明
图1是本发明直线检测的原理框图;
图2是本发明电线分类的原理框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1和图2所示,一种基于滤波响应的电线检测分类方法,包括以下步骤:
(1)直线的检测:
步骤一、构建数据库:从网络上搜集多张包含电线的训练图像和测试图像,其中一部分图像包含复杂场景,比如交通复杂的情况、树林和房屋;
步骤二、图像归一化处理及提取图像边缘:针对每一张训练图像,首先对图像大小进行归一化操作,将图像的高度设为200像素,保持图像的宽高比不变,再用Canny算子得到图像的边缘,在提取图像边缘的过程中,将Canny算子的阈值设定为0.01,使得检测到的边缘尽量的完整,避免直线的漏检;
步骤三、设计滤波器并提取各个方向的直线:设计一个大小为2*30的滤波器,滤波器的第一行为1,第二行为-1,将之前得到的边缘图像的0值变为-1,将滤波器与边缘图像进行卷积操作,得到滤波器响应结果,再将滤波器进行0~180度的旋转,每次旋转的间隔为3度,将旋转后的滤波器与边缘图像进行卷积操作,得到各个方向上的滤波器响应结果,为了得到滤波器响应的阈值,将旋转后的滤波器定义为R,计算R绝对值的总和T:
其中,h、w分别为图像的宽度和高度,将阈值设定为0.8*T,将滤波器响应小于该阈值的设为0,大于该阈值的设为1,得到二值化结果,将滤波器中大于0的设为1,小于等于0的设为0,得到一个滤波器的掩膜,用之前得到的二值化结果,找到为1的点,将每个点设为滤波器掩膜的中心,得到滤波器上掩膜为1的点的边缘图像,完成各个方向的直线的选取;
步骤四、标定电线位置:针对步骤三得到的各个方向上的直线,将其合并起来得到总的直线区域,将其中非电线的区域手动删去,得到电线的标定结果;
步骤五、电线正负样本的确定:用步骤三的方法得到各个方向上的直线,针对一个特定的角度,若其二值化结果有多个不连通的区域,针对每个区域,计算其中标定为电线的个数,如果电线个数与区域像素总数的比例大于0.05,则将该区域设定为电线的正样本,小于0.05的区域设定为电线的负样本;
(2)电线的分类:
步骤一、训练颜色特征的聚类中心:针对每张训练图像,计算图像每个像素的颜色特征Fc,
Fc=[R,G,B1,R-G,G-B1,L,A,B2](2)
其中,R代表RGB颜色空间中红色通道,G代表RGB颜色空间中绿色通道,B1代表RGB颜色空间中蓝色通道,R-G代表RGB颜色空间中红色通道与绿色通道的差值,G-B1代表RGB颜色空间中绿色通道与蓝色通道的差值,L代表亮度,A代表在红色和绿色之间的位置,B2代表在黄色和蓝色之间的位置,随机的从训练图像所有像素对应的颜色特征中选取30万个特征,再用Kmeans聚类方法对选取出的特征进行聚类,聚类个数为150,得到颜色特征的聚类中心;
步骤二、训练纹理(LBP)特征的聚类中心:针对每张训练图像,将图像分为4*4的小块,每个小块的采样间距为4个像素,针对每个小块,提取其纹理特征,从训练图像所有小块对应的纹理特征中选取30万个特征,再用Kmeans聚类方法对选取出的特征进行聚类,聚类个数为150,得到纹理特征的聚类中心;
步骤三、提取各个方向的直线:用直线检测中步骤三的方法得到直线各个方向的区域,对每个区域,提取其颜色特征,找到与该颜色特征最靠近的颜色聚类中心,用该聚类中心来表示其颜色特征,统计矩形区域内颜色特征聚类中心出现的次数,计算其直方图;对每个直线区域,得到包含该区域的最小矩形区域,将该矩形区域分为4*4的小块,每个小块的采样间距为4个像素,对每个小块,提取其纹理特征,找到与该纹理特征最靠近的纹理聚类中心,用该聚类中心来表示其纹理特征,统计矩形区域内纹理特征聚类中心出现的次数,计算其直方图,将颜色特征聚类中心的直方图和纹理特征聚类中心的直方图串联起来作为该直线区域的特征;
步骤四、训练RBF核的SVM分类器:针对电线的正样本和负样本,提取各个样本直线区域的特征,再训练RBF核的SVM分类器;
步骤五、电线的设定:针对测试图像,首先用直线的检测中步骤三的方法检测到可能的直线,用电线的分类步骤三的方法得到直线各个区域的特征,再用电线的分类步骤四的方法得到RBF核的SVM分类器对该特征进行分类,得到属于电线的概率,将概率大于0.3的设定为电线。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种基于滤波响应的电线检测分类方法,其特征是,包括以下步骤:
(1)直线的检测:
步骤一、构建数据库:从网络上搜集多张包含电线的训练图像和测试图像,其中一部分图像包含复杂场景,比如交通复杂的情况、树林和房屋;
步骤二、图像归一化处理及提取图像边缘:针对每一张训练图像,首先对图像大小进行归一化操作,将图像的高度设为200像素,保持图像的宽高比不变,再用Canny算子得到图像的边缘;
步骤三、设计滤波器并提取各个方向的直线:设计一个滤波器,滤波器的第一行为1,第二行为-1,将之前得到的边缘图像的0值变为-1,将滤波器与边缘图像进行卷积操作,得到滤波器响应结果,再将滤波器进行0~180度的旋转,每次旋转的间隔为3度,将旋转后的滤波器与边缘图像进行卷积操作,得到各个方向上的滤波器响应结果,为了得到滤波器响应的阈值,将旋转后的滤波器定义为R,计算R绝对值的总和T:
其中,h、w分别为图像的宽度和高度,将阈值设定为0.8*T,将滤波器响应小于该阈值的设为0,大于该阈值的设为1,得到二值化结果,将滤波器中大于0的设为1,小于等于0的设为0,得到一个滤波器的掩膜,用之前得到的二值化结果,找到为1的点,将每个点设为滤波器掩膜的中心,得到滤波器上掩膜为1的点的边缘图像,完成各个方向的直线的选取;
步骤四、标定电线位置:针对步骤三得到的各个方向上的直线,将其合并起来得到总的直线区域,将其中非电线的区域手动删去,得到电线的标定结果;
步骤五、电线正负样本的确定:用步骤三的方法得到各个方向上的直线,针对一个特定的角度,若其二值化结果有多个不连通的区域,针对每个区域,计算其中标定为电线的个数,如果电线个数与区域像素总数的比例大于0.05,则将该区域设定为电线的正样本,小于0.05的区域设定为电线的负样本;
(2)电线的分类:
步骤一、训练颜色特征的聚类中心:针对每张训练图像,计算图像每个像素的颜色特征Fc,
Fc=[R,G,B1,R-G,G-B1,L,A,B2] (2)
其中,R代表RGB颜色空间中红色通道,G代表RGB颜色空间中绿色通道,B1代表RGB颜色空间中蓝色通道,R-G代表RGB颜色空间中红色通道与绿色通道的差值,G-B1代表RGB颜色空间中绿色通道与蓝色通道的差值,L代表亮度,A代表在红色和绿色之间的位置,B2代表在黄色和蓝色之间的位置,随机的从训练图像所有像素对应的颜色特征中选取多个特征,再用Kmeans聚类方法对选取出的特征进行聚类,得到颜色特征的聚类中心;
步骤二、训练纹理特征的聚类中心:针对每张训练图像,将图像分为4*4的小块,每个小块的采样间距为4个像素,针对每个小块,提取其纹理特征,从训练图像所有小块对应的纹理特征中选取多个特征,再用Kmeans聚类方法对选取出的特征进行聚类,得到纹理特征的聚类中心;
步骤三、提取各个方向的直线:用直线检测中步骤三的方法得到直线各个方向的区域,对每个区域,提取其颜色特征,找到与该颜色特征最靠近的颜色聚类中心,用该聚类中心来表示其颜色特征,统计矩形区域内颜色特征聚类中心出现的次数,计算其直方图;对每个直线区域,得到包含该区域的最小矩形区域,将该矩形区域分为4*4的小块,每个小块的采样间距为4个像素,对每个小块,提取其纹理特征,找到与该纹理特征最靠近的纹理聚类中心,用该聚类中心来表示其纹理特征,统计矩形区域内纹理特征聚类中心出现的次数,计算其直方图,将颜色特征聚类中心的直方图和纹理特征聚类中心的直方图串联起来作为该直线区域的特征;
步骤四、训练RBF核的SVM分类器:针对电线的正样本和负样本,提取各个样本直线区域的特征,再训练RBF核的SVM分类器;
步骤五、电线的设定:针对测试图像,首先用直线的检测中步骤三的方法检测到可能的直线,用电线的分类步骤三的方法得到直线各个区域的特征,再用电线的分类步骤四的方法得到RBF核的SVM分类器对该特征进行分类,得到属于电线的概率,将概率大于0.3的设定为电线。
2.根据权利要求1所述的一种基于滤波响应的电线检测分类方法,其特征是,上述直线的检测步骤二中,在提取图像边缘的过程中,将Canny算子的阈值设定为0.01,使得检测到的边缘完整。
3.根据权利要求1所述的一种基于滤波响应的电线检测分类方法,其特征是,上述直线的检测步骤三中,滤波器的大小为2*30。
4.根据权利要求1所述的一种基于滤波响应的电线检测分类方法,其特征是,上述电线的分类步骤一中,从训练图像所有像素对应的颜色特征中选取的特征个数为30万个,聚类个数为150。
5.根据权利要求1所述的一种基于滤波响应的电线检测分类方法,其特征是,上述电线的分类步骤二中,从训练图像所有小块对应的纹理特征中选取的特征个数为30万个,聚类个数为150。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410854579.8A CN104573650B (zh) | 2014-12-31 | 2014-12-31 | 一种基于滤波响应的电线检测分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410854579.8A CN104573650B (zh) | 2014-12-31 | 2014-12-31 | 一种基于滤波响应的电线检测分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573650A true CN104573650A (zh) | 2015-04-29 |
CN104573650B CN104573650B (zh) | 2017-07-14 |
Family
ID=53089672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410854579.8A Active CN104573650B (zh) | 2014-12-31 | 2014-12-31 | 一种基于滤波响应的电线检测分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573650B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016360A (zh) * | 2017-03-27 | 2017-08-04 | 国网江苏省电力公司电力科学研究院 | 电力变电站基于动态特征及区域融合的目标检测方法 |
CN107833206A (zh) * | 2017-10-24 | 2018-03-23 | 武汉大学 | 一种复杂背景下电力线精确提取方法 |
CN109325935A (zh) * | 2018-07-24 | 2019-02-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于无人机图像的输电线路检测方法 |
CN109741305A (zh) * | 2018-12-26 | 2019-05-10 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种胶囊内窥镜成像损坏图像的检测方法 |
CN114627046A (zh) * | 2021-12-30 | 2022-06-14 | 山东爱普电气设备有限公司 | 一种基于可见光多滤波维度的电力线检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853304A (zh) * | 2010-06-08 | 2010-10-06 | 河海大学 | 基于特征选择和半监督学习的遥感图像检索方法 |
CN102867386A (zh) * | 2012-09-10 | 2013-01-09 | 南京恩博科技有限公司 | 一种基于智能视频分析的森林烟火探测方法及其专用装置 |
US20140294291A1 (en) * | 2013-03-26 | 2014-10-02 | Hewlett-Packard Development Company, L.P. | Image Sign Classifier |
-
2014
- 2014-12-31 CN CN201410854579.8A patent/CN104573650B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853304A (zh) * | 2010-06-08 | 2010-10-06 | 河海大学 | 基于特征选择和半监督学习的遥感图像检索方法 |
CN102867386A (zh) * | 2012-09-10 | 2013-01-09 | 南京恩博科技有限公司 | 一种基于智能视频分析的森林烟火探测方法及其专用装置 |
US20140294291A1 (en) * | 2013-03-26 | 2014-10-02 | Hewlett-Packard Development Company, L.P. | Image Sign Classifier |
Non-Patent Citations (1)
Title |
---|
陶华伟 等: "基于颜色及纹理特征的果蔬种类识别方法", 《农业工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016360A (zh) * | 2017-03-27 | 2017-08-04 | 国网江苏省电力公司电力科学研究院 | 电力变电站基于动态特征及区域融合的目标检测方法 |
CN107833206A (zh) * | 2017-10-24 | 2018-03-23 | 武汉大学 | 一种复杂背景下电力线精确提取方法 |
CN109325935A (zh) * | 2018-07-24 | 2019-02-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于无人机图像的输电线路检测方法 |
CN109325935B (zh) * | 2018-07-24 | 2022-02-22 | 国网浙江省电力有限公司杭州供电公司 | 一种基于无人机图像的输电线路检测方法 |
CN109741305A (zh) * | 2018-12-26 | 2019-05-10 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种胶囊内窥镜成像损坏图像的检测方法 |
CN114627046A (zh) * | 2021-12-30 | 2022-06-14 | 山东爱普电气设备有限公司 | 一种基于可见光多滤波维度的电力线检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104573650B (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN103745226B (zh) | 一种电力设施作业现场人员着装安全检测方法 | |
CN106295655B (zh) | 一种用于无人机巡检图像的输电线路部件自动提取方法 | |
CN102590823B (zh) | 一种机载lidar数据电力线快速提取及重构方法 | |
CN104573650A (zh) | 一种基于滤波响应的电线检测分类方法 | |
CN103047938B (zh) | 输电线路覆冰厚度检测方法及检测装置 | |
CN101793501B (zh) | 一种基于图像的输电线覆冰状态检测方法 | |
CN106971152A (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN104573719A (zh) | 基于图像智能分析的山火检测方法 | |
CN102446390A (zh) | 一种对输电线路附近监控区域进行安全检测、预警的方法和系统 | |
CN111342391B (zh) | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 | |
CN109631848B (zh) | 输电线路异物入侵检测系统和检测方法 | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN105572541A (zh) | 一种基于视觉注意机制的高压巡线故障检测方法及系统 | |
CN109325935A (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN104601956A (zh) | 基于固定翼无人机的输电线路在线监测系统及监测方法 | |
CN105787470A (zh) | 一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法 | |
CN105404867A (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
CN103049739A (zh) | 一种输电线路智能监控中树木检测方法 | |
CN104573713A (zh) | 一种基于图像纹理特征的互感器红外图像识别方法 | |
CN104217440A (zh) | 一种从遥感图像中提取建成区的方法 | |
CN111695506A (zh) | 一种输电线路风致异物短路故障预警方法及系统 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN108898098A (zh) | 基于监控平台的早期视频烟雾检测方法 | |
CN203825644U (zh) | 一种基于图像识别输电线路的雾等级的系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |