CN104809732A - 一种基于图像比对的电力设备外观异常检测方法 - Google Patents
一种基于图像比对的电力设备外观异常检测方法 Download PDFInfo
- Publication number
- CN104809732A CN104809732A CN201510229248.XA CN201510229248A CN104809732A CN 104809732 A CN104809732 A CN 104809732A CN 201510229248 A CN201510229248 A CN 201510229248A CN 104809732 A CN104809732 A CN 104809732A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- roi
- width
- block
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 47
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 239000000725 suspension Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像比对的电力设备外观异常检测方法,步骤为:对当前巡检拍摄图像进行归一化处理,然后与同一位置同一角度的历史巡检拍摄图像进行配准,接下来对配准后的两个图像分别继续区域分割,提取每一区域图像的若干特征,将若干特征进行融合,最后计算两幅图像对应特征的差异度,将差异度与设定阈值进行比较,判断当前巡检拍摄图像是否为异常图像。本发明具有在同一算法框架下实现各种不同类型电力设备的异常检测的优点,该算法将巡检机器人同一停靠点同一角度不同时间拍摄的两幅图像进行比对,通过判断具有相同内容的当前时刻拍摄图像与历史巡检拍摄图像的区域变化,实现电力设备的破损、异物悬挂等异常检测。
Description
技术领域
本发明涉及一种基于图像比对的电力设备外观异常检测方法。
背景技术
随着我国电力网络规模的不断扩大,变电站/换流站的安全可靠运行至关重要,而电力设备运行状态是决定其安全稳定运行的关键因素之一。变电站/换流站内设备的状态日常观测是巡检过程中内容最多、最繁重的任务之一,站内值班人员主要的检测内容包括:外来物悬挂,设备破损、变形,储油设备漏油、表面污渍等。
随着计算机科学的发展,图像处理与识别技术在理论研究和实际应用中都取得了飞速的发展,基于图像处理与识别技术在电力设备检测中的应用,已经进行了一些有益的探索,并且也取得了一些可喜的成就,如基于图像识别的绝缘子串破损、刀闸开关状态识别等。另外,随着巡检技术的发展,机器人逐渐地代替(或部分代替)值班人员进行站内电力设备的巡检,即时发现运行设备的异常、缺陷和故障。通过图像识别技术与机器人巡检技术相结合,机器人实时拍摄变电站/换流站现场图像,根据图像处理与识别技术建立相应的判决准则,捕捉异常现象,最后发出报警信号,这样不仅节省了人力,也为及时的发现设备运行过程中的故障和存在的故障隐患打下基础。
但是,现有技术依然存在一些问题:
第一,当前巡检机器人搭载图像处理与识别技术实现的检测功能有限,大多数巡检拍摄的图像仍然需要操作人员随时观察分析,增加了现场工作人员的负担;
第二,现有的一些电力设备异常识别算法需要针对变电站/换流站中不同的设备建立不同的图像模板库,不同类型设备的异常检测需要设计不同的图像识别算法框架,耗费大量的时间和人力;
第三,利用图像处理与识别技术进行电力设备异常检测,首先需要定位待检设备在图像中的位置,设备定位的准确率将直接影响到电力设备状态检测的识别效果,定位的偏差将会造成误报、漏报的情况发生,存在一定的安全隐患。
发明内容
本发明的目的就是为了解决上述问题,提供一种基于图像比对的电力设备外观异常检测方法,它具有在同一算法框架下实现各种不同类型电力设备的异常检测的优点,该算法将巡检机器人同一停靠点同一角度不同时间拍摄的两幅图像进行比对,通过判断具有相同内容的当前时刻拍摄图像与历史巡检拍摄图像的区域变化,实现电力设备的破损、异物悬挂等异常检测。
为了实现上述目的,本发明采用如下技术方案:
一种基于图像比对的电力设备外观异常检测方法,步骤为:
对当前巡检拍摄图像进行归一化处理,然后与同一位置同一角度的历史巡检拍摄图像进行配准,接下来对配准后的两个图像分别进行区域分割,提取每一区域图像的若干特征,将若干特征进行融合,最后计算两幅图像对应特征的差异度,将差异度与设定阈值进行比较,判断当前巡检拍摄图像是否为异常图像。
一种基于图像比对的电力设备外观异常检测方法,步骤为:
步骤(1):针对当前巡检拍摄图像,查找与当前巡检拍摄图像相对应的历史巡检拍摄图像;所述当前巡检拍摄图像与所述历史时刻拍摄图像是巡检机器人同一位置同一角度分别在不同时间拍摄的两幅图像;
步骤(2):归一化处理:对当前巡检拍摄图像进行归一化处理,从而克服光照环境影响;
步骤(3):图像配准:对步骤(2)处理后的两幅图像,分别提取ORB特征点,然后利用提取的ORB特征点进行图像配准,通过剪裁得到对齐后图像;
步骤(4):利用步骤(3)配准后的两幅图像,采用重叠滑动窗分块的方法分别进行区域分割,提取每一区域图像块的颜色特征、纹理特征和边缘特征,将颜色特征、纹理特征和边缘特征分别归一化后,采用串联法实现颜色特征、纹理特征和边缘特征的融合;
步骤(5):利用余弦相似度公式计算两幅图像对应图像块特征之间的差异度,设定阈值,
当对应图像块特征之间的差异度大于阈值T1小于阈值T2时,将当前比对区域定义为疑似异常;
当对应图像块特征之间的差异度大于阈值T2时,将当前区域定义为确定异常;
遍历整幅图像,找到异常的图像块并对这些图像块进行合并标注。
所述步骤(1)中,根据当前巡检拍摄图像的名称和拍摄时间,判断拍摄该图像时巡检机器人停靠点和拍摄角度,通过查询巡检数据库找到与当前巡检拍摄图像对应的上一次巡检时刻拍摄的无异常图像。
所述步骤(2)中,归一化的方法为:历史时刻拍摄的参考图像I1灰度保持不变,当前时刻拍摄的图像I2灰度按I1的均值和方差进行归一化,得到归一化后当前巡检拍摄图像I2,归一化公式为:
其中,μ1为图像I1的灰度均值,μ2为图像I2的灰度均值,σ1为图像I1的灰度方差,σ2为图像I2的灰度方差,I2(r)为归一化图像I2中像素点r的灰度值,I2(r)为原图像I2中像素点r的灰度值。
所述步骤(3)中图像配准的具体步骤为:
步骤(3-1):对两幅图像进行ORB特征点检测;
步骤(3-2):基于随机采样一致方法RANSAC(RANdom Sample Consensus),计算当前巡检拍摄图像I2和参考图像I1的变换矩阵H;
步骤(3-3):通过变换矩阵H实现当前巡检拍摄图像I2和参考图像I1的配准,并得到当前巡检拍摄图像I2四个顶点坐标透视变换后的坐标点位置,分别为左上点A(x1,y1)、右上点B(x2,y2)、右下点C(x3,y3)、左下点D(x4,y4);
步骤(3-4):根据步骤(3-3)求得的顶点坐标,计算比对图像的感兴趣区域ROI,
感兴趣区域ROI的左边界点x坐标ROIleft.x=Max(x1,x4),若Max(x1,x4)<0,则ROIleft.x=0;
感兴趣区域ROI的右边界点x坐标ROIright.x=Min(x2,x3),若Min(x1,x4)大于图像I1的宽度,则ROIright.x等于图像I1的宽度;
感兴趣区域ROI的上边界点y坐标ROIup.y=Max(y1,y2),若Max(y1,y2)<0,则ROIup.y=0;
感兴趣区域ROI的下边界点y坐标ROIdown.y=Min(y3,y4),若Min(y3,y4)大于图像I1的高度,则ROIdown.y等于图像I1的高度;
通过感兴趣区域ROI边界坐标的计算,得到矩形ROI,其中,左上顶点坐标为(ROIleft.x,ROIup.y),宽度width=ROIright.x-ROIleft.x,高度height=ROIdown.y-ROIup.y;
根据感兴趣区域ROI对配准后的两幅图像进行剪裁,得到对齐后的两幅图像,对齐后的两幅图像内容相同并且尺寸一致。
所述步骤(4)的具体步骤如下:
步骤(4-1):令IP和IN为步骤(3)对齐后的两幅图像,长宽分别为width和height;
利用双线性插值法对两幅图像进行采样处理,I′P和I′N分别为采样后的待比对图像,采样后图像的长、宽像素数分别为100的n倍和m倍,n=width\100+1,m=height\100+1,“\”为整除运算符;
步骤(4-2):以两幅图像左上角(0,0)点为起点,分别沿图像的x方向和y方向进行滑动窗分块;
步骤(4-3):从两幅图像比对图像块中,分别提取颜色直方图特征、方向梯度直方图特征(Histogram of Oriented Gradient,HOG)和平均绝对值偏差特征(average absolutedeviation,AAD);
步骤(4-4):分别将中的颜色直方图特征fC、方向梯度直方图特征fH与平均绝对值偏差特征fA进行归一化,得到归一化特征和然后采用特征层串联融合方法对和进行特征融合,得到全特征F1和F2;F1表示的全特征,F2表示的全特征,其中
所述步骤(4-2)滑动分块的过程中步长为50,图像块大小为100×100,单位为像素。
所述步骤(4-3)的颜色直方图特征的特征维数为32,方向梯度直方图特征的特征维数为144,平均绝对值偏差特征的特征维数为100。
所述步骤(4-3)的颜色直方图特征的提取方法为:
将图像块由RGB彩色空间变换到HSV颜色空间,其中的H通道按取值范围分为16份,即将H值的取值范围(0,360)平均分为16个区间,然后统计每个区间中包含像素的个数,计算得到H通道的颜色直方图;S和V通道按值各分为8份,按同样的方法计算得到S和V通道的直方图,然后将各通道的直方图首尾相连,形成1×32维的颜色直方图特征。
所述步骤(4-3)的方向梯度直方图特征的提取方法为:
首先,将100×100像素的图像块I进行灰度化,采用Gamma校正法对输入图像进行颜色空间的标准化;
然后,计算图像每个像素的梯度(包括大小和方向)接下来将图像划分为小的单元图(cells),大小为25×25像素,将单元图cell的梯度方向360度分成9个方向块,统计每个cell的梯度直方图,即形成每个单元图cell的1×9维特征描述符,将2×2个cell组成一个图像块block,为减少特征维数,令所有的图像块block无重叠;
一个图像块block内所有单元图cell特征描述符首尾相连便得到该图像块block的1×36维的HOG特征,将图像I内4个图像块block的HOG特征首尾相连便得到表示该图像1×144维的HOG特征向量。
所述步骤(4-3)的平均绝对值偏差特征的提取方法为:
首先,将100×100像素的图像块进行灰度化,然后将图像栅格化分为100个10×10像素不重叠的小图像块,分别计算每一个小图像块的平均绝对值偏差值;设H为其中的一个10×10图像块,平均绝对值偏差值δ定义为:
其中,K为图像块H的像素点个数,取值为100,f(x,y)为图像块H内像素点(x,y)的灰度值,μ为图像块H内的像素灰度均值,这样便得到了其中一个小图像块的平均绝对值偏差值;
最后,将这个100个小图像块的平均绝对值偏差值按顺序连接起来,就构成了一个1×100维的特征向量。
所述步骤(4-4)的F1、F2均为276×1的向量。
所述步骤(5)的具体步骤如下:
步骤(5-1):根据步骤(4-4)求得的图像块融合特征F1和F2,利用余弦相似度计算F1和F2间的差异度θ,计算公式为:
其中,k=276,为F1和F2的特征维数;
步骤(5-2):前期需要针对不同内容的图像样本进行比对实验,确定图像内容发生变化的差异度阈值T1和T2,得到T1=0.3,T2=0.45;
对于比对的图像块和若θ>T1并且θ<T2,则标记该图像块发生变化,判断该区域设备为疑似异常,将图像块坐标映射到原图像I2中,用带颜色的框标注,为二级异常警报;
若θ>=T2,标记该图像块发生变化,判断该区域设备发生异常,将图像块坐标映射到原图像I2中,用带颜色的框标注,为一级异常警报;
否则认为该图像块无变化,判断该区域设备无异常;
步骤(5-3):将图像I2中重合、邻接并且相同颜色的标注框进行合并,合并操作后得到最终的识别结果图。
本发明的有益效果:
1、提出了一种利用图像比对的算法实现电力设备破损、异物悬挂等异常检测的方法;
2、采用重叠滑动分块的策略,实现了图像的灵活分块,克服了前期图像配准误差,突出了区域细节的对比,并避免了异常部件被分到图像多个块而检测不到的情况;
3、通过颜色特征、纹理特征与边缘特征在特征层次上的融合,实现对应图像块间的图像特征差异比较,克服单一特征对图像刻画不足的缺点;
4、根据对应图像块特征之间的余弦相似度计算其差异程度,提出了变电站设备疑似异常与确定异常分级报警的策略。
附图说明
图1为本发明的算法流程图;
图2、图3为巡检机器人同一停靠点同一角度不同时间拍摄的图像;
图4为比对后结果展示图;
图5为步骤(4-2)中滑动窗分块示意图;
图6为步骤(5-4)标注框合并操作示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,本发明的方法步骤如下:
第一步、通过查找巡检数据库读入当前巡检拍摄图像I2和与之比对的历史巡检拍摄图像I1,两张图像为巡检机器人在同一停靠点、同一角度拍摄到的图像。
第二步、以历史时刻拍摄的图像I1为参考,对图像I2进行图像归一化处理,得到归一化后图像I2,归一化公式为:
其中,μ1为图像I1的灰度均值,μ2为图像I2的灰度均值,σ1为图像I1的灰度方差,σ2为图像I2的灰度方差,I2(r)为归一化图像I2中像素点r的灰度值,I2(r)为原图像I2中像素点r的灰度值。
第三步,对两幅图像I1和I2分别进行ORB特征点检测,ORB特征点检测算法不仅具有SIFT特征的检测效果,而且还具有旋转、尺度缩放、亮度变化不变性等方面的特性,最重要的是其时间复杂度比SIFT有了大大的减少。ORB特征点检测后采用基于随机采样一致方法RANSAC(RANdom Sample Consensus)对图像进行配准和剪裁。具体步骤如下:
3-1)提取两幅图像I1和I2的ORB特征点。
3-2)基于随机采样一致方法RANSAC(RANdom Sample Consensus)计算当前巡检拍摄图像I2和参考图像I1的变换矩阵H;
3-3)通过变换矩阵H实现当前巡检拍摄图像I2和参考图像I1的配准,配准后图像I2变换为I2′,并得到当前巡检拍摄图像I2四个顶点坐标透视变换后相对于参考图像I1图像坐标系的坐标点位置,分别为左上点A(x1,y1)、右上点B(x2,y2)、右下点C(x3,y3)、左下点D(x4,y4);
3-4)根据步骤求得的四个顶点坐标A、B、C、D,计算比对图像的感兴趣区域ROI。
感兴趣区域ROI左上点Pleft_up的x坐标ROIleft.x=Max(x1,x4),若Max(x1,x4)<0,则ROIleft.x=0;
感兴趣区域ROI右下点Pright_down的x坐标ROIright.x=Min(x2,x3),若Min(x1,x4)大于图像I1的宽度,则ROIright.x等于图像I1的宽度;
感兴趣区域ROI左上点Pleft_up的y坐标ROIup.y=Max(y1,y2),若Max(y1,y2)<0,则ROIup.y=0;
感兴趣区域ROI右下点Pright_down的y坐标ROIdown.y=Min(y3,y4),若Min(y3,y4)大于图像I1的高度,则ROIdown.y等于图像I1的高度;
通过感兴趣区域ROI坐标的计算,得到矩形ROI,其中,ROI左上顶点坐标为(ROIleft.x,ROIup.y),ROI宽度R_width=ROIright.x-ROIleft.x,ROI高度R_height=ROIdown.y-ROIup.y;
3-5)以(ROIleft.x,ROIup.y)为左上点坐标,在配准后的两幅图像I1和I2′剪裁宽度为R_width高度为R_height的矩形区域,得到对齐后的两幅图像IP和IN,对齐后的两幅图像内容相同并且尺寸一致。
第四步、利用双线性插值法对两幅图像IP和IN进行采样处理,然后采用滑动窗分块的方法对两幅图像进行栅格化,将整幅图像的比对问题转化为小的图像块比对问题。分别提取比对图像块的颜色直方图特征、方向梯度直方图特征和平均绝对值偏差特征。利用融合后的特征进行图像块之间的特征比较。具体步骤如下:
4-1)图像IP和IN为对齐后的图像,利用双线性插值法进行采样处理,得到采样后的待比对图像I′P和I′N,采样后图像的长、宽像素数分别为100的n倍和m倍,n=width\100+1,m=height\100+1,“\”为整除运算符,width和height分别为采样前图像的长宽像素数;
4-2)如图5所示,以两幅图像左上角(0,0)点为起点,分别沿图像的x方向和y方向进行滑动窗分块,滑动窗大小为100×100像素,滑动步长为50像素。每滑动一次,得到两幅图像比对图像块
4-3)分别提取图像块和的颜色直方图特征、方向梯度直方图特征和平均绝对值偏差特征,颜色直方图特征描述图像的颜色信息,方向梯度直方图特征描述图像的边缘信息,平均绝对值偏差特征描述图像的纹理信息。三种特征提取的具体步骤分别为:
a)颜色直方图特征
将图像块由RGB彩色空间变换到HSV颜色空间,其中的H通道按取值范围分为16份,即将H值的取值范围(0,360)平均分为16个区间,然后统计每个区间中包含像素的个数,计算得到H通道的颜色直方图;S和V通道按值各分为8份,按同样的方法计算得到S和V通道的直方图,然后将各通道的直方图首尾相连,形成1×32维的颜色直方图特征。
b)方向梯度直方图特征
首先,将100×100像素的图像块I进行灰度化,采用Gamma校正法对输入图像进行颜色空间的标准化;
然后,计算图像每个像素的梯度(包括大小和方向)接下来将图像划分为小的单元图(cells),大小为25×25像素,将单元图cell的梯度方向360度分成9个方向块,统计每个cell的梯度直方图,即形成每个单元图cell的1×9维特征描述符,将2×2个cell组成一个图像块block,为减少特征维数,令所有的图像块block无重叠;
一个图像块block内所有单元图cell特征描述符首尾相连便得到该图像块block的1×36维的HOG特征,将图像I内4个图像块block的HOG特征首尾相连便得到表示该图像1×144维的HOG特征向量。
c)平均绝对值偏差特征
首先,将100×100像素的图像块进行灰度化,然后将图像栅格化分为100个10×10像素不重叠的小图像块,分别计算每一个小图像块的平均绝对值偏差值;设H为其中的一个10×10图像块,平均绝对值偏差值δ定义为:
其中,K为图像块H的像素点个数,取值为100,f(x,y)为图像块H内像素点(x,y)的灰度值,μ为图像块H内的像素灰度均值,这样便得到了其中一个小图像块的平均绝对值偏差值;
最后,将这个100个小图像块的平均绝对值偏差值按顺序连接起来,就构成了一个1×100维的特征向量。
4-4)将中的颜色直方图特征fC、方向梯度直方图特征fH与平均绝对值偏差特征fA进行归一化,这里特征的归一化采用MAX-MIN线性归一化算法。归一化算法如下:
其中,和分别为归一化前和归一化后颜色直方图特征的第i个特征值,minval_fC和maxval_fC分别为特征fC的最小值和最大值;和分别为归一化前和归一化后方向梯度直方图特征的第i个特征值,minval_fH和maxval_fH分别为特征fH的最小值和最大值;和分别为归一化前和归一化后平均绝对值偏差特征的第i个特征值,minval_fA和
maxval_fA分别为特征fA的最小值和最大值;
4-5)特征归一化后,采用特征层串联融合方法对三种不同的特征进行融合,得到全特征F1和F2;F1表示的全特征,F2表示的全特征,其中
第五步、根据第四步求得的图像块融合特征F1和F2,计算特征之间的差异度,然后根据设定的阈值判断比对区域是否存在异常。具体步骤如下:
5-1)利用余弦相似度计算F1和F2间的差异度θ,计算公式为:
其中,k=276,为F1和F2的特征维数;
5-2)前期需要针对不同内容的图像样本进行比对实验,确定图像内容发生变化的差异度阈值T1和T2,得到T1=0.3,T2=0.45;
5-3)对于比对的图像块和若θ>T1并且θ<T2,则标记该图像块发生变化,判断该区域设备为疑似异常,将图像块坐标映射到原图像I2中,用带颜色的框标注,为二级异常警报;
若θ>=T2,标记该图像块发生变化,判断该区域设备发生异常,将图像块坐标映射到原图像I2中,用带颜色的框标注,为一级异常警报;
否则认为该图像块无变化,判断该区域设备无异常;
5-4)最后,将图像I2中重合、邻接并且相同颜色的标注框进行合并,合并操作后得到最终的识别结果图,如图6所示。
如图2、3、4所示,图2和图3为巡检机器人在同一停靠点同一拍摄角度不同时间拍摄得到的两幅图像,图2为历史时刻拍摄的无异常图像,图3为当前时刻拍摄的有异物图像。图4为经过本发明比对算法检测后,将两幅图像中发生变化的区域在当前时刻拍摄的图像中标注得到的比对结果图。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于图像比对的电力设备外观异常检测方法,其特征是,步骤为:
对当前巡检拍摄图像进行归一化处理,然后与同一位置同一角度的历史巡检拍摄图像进行配准,接下来对配准后的两个图像分别进行区域分割,提取每一区域图像的若干特征,将若干特征进行融合,最后计算两幅图像对应特征的差异度,将差异度与设定阈值进行比较,判断当前巡检拍摄图像是否为异常图像。
2.一种基于图像比对的电力设备外观异常检测方法,其特征是,步骤为:
步骤(1):针对当前巡检拍摄图像,查找与当前巡检拍摄图像相对应的历史巡检拍摄图像;所述当前巡检拍摄图像与所述历史时刻拍摄图像是巡检机器人同一位置同一角度分别在不同时间拍摄的两幅图像;
步骤(2):归一化处理:对当前巡检拍摄图像进行归一化处理,从而克服光照环境影响;
步骤(3):图像配准:对步骤(2)处理后的两幅图像,分别提取ORB特征点,然后利用提取的ORB特征点进行图像配准,通过剪裁得到对齐后图像;
步骤(4):利用步骤(3)配准后的两幅图像,采用重叠滑动窗分块的方法分别进行区域分割,提取每一区域图像块的颜色特征、纹理特征和边缘特征,将颜色特征、纹理特征和边缘特征分别归一化后,采用串联法实现颜色特征、纹理特征和边缘特征的融合;
步骤(5):利用余弦相似度公式计算两幅图像对应图像块特征之间的差异度,设定阈值,
当对应图像块特征之间的差异度大于阈值T1小于阈值T2时,将当前比对区域定义为疑似异常;
当对应图像块特征之间的差异度大于阈值T2时,将当前区域定义为确定异常;
遍历整幅图像,找到异常的图像块并对这些图像块进行合并标注。
3.如权利要求2所述的一种基于图像比对的电力设备外观异常检测方法,其特征是,步骤为:
所述步骤(1)中,根据当前巡检拍摄图像的名称和拍摄时间,判断拍摄该图像时巡检机器人停靠点和拍摄角度,通过查询巡检数据库找到与当前巡检拍摄图像对应的上一次巡检时刻拍摄的无异常图像。
4.如权利要求2所述的一种基于图像比对的电力设备外观异常检测方法,其特征是,所述步骤(2)中,归一化的方法为:历史时刻拍摄的参考图像I1灰度保持不变,当前时刻拍摄的图像I2灰度按I1的均值和方差进行归一化,得到归一化后当前巡检拍摄图像I2,归一化公式为:
其中,μ1为图像I1的灰度均值,μ2为图像I2的灰度均值,σ1为图像I1的灰度方差,σ2为图像I2的灰度方差,I2(r)为归一化图像I2中像素点r的灰度值,I2(r)为原图像I2中像素点r的灰度值。
5.如权利要求2所述的一种基于图像比对的电力设备外观异常检测方法,其特征是,所述步骤(3)中图像配准的具体步骤为:
步骤(3-1):对两幅图像进行ORB特征点检测;
步骤(3-2):基于随机采样一致方法RANSAC,计算当前巡检拍摄图像I2和参考图像I1的变换矩阵H;
步骤(3-3):通过变换矩阵H实现当前巡检拍摄图像I2和参考图像I1的配准,并得到当前巡检拍摄图像I2四个顶点坐标透视变换后的坐标点位置,分别为左上点A(x1,y1)、右上点B(x2,y2)、右下点C(x3,y3)、左下点D(x4,y4);
步骤(3-4):根据步骤(3-3)求得的顶点坐标,计算比对图像的感兴趣区域ROI,
感兴趣区域ROI的左边界点x坐标ROIleft.x=Max(x1,x4),若Max(x1,x4)<0,则ROIleft.x=0;
感兴趣区域ROI的右边界点x坐标ROIright.x=Min(x2,x3),若Min(x1,x4)大于图像I1的宽度,则ROIright.x等于图像I1的宽度;
感兴趣区域ROI的上边界点y坐标ROIup.y=Max(y1,y2),若Max(y1,y2)<0,则ROIup.y=0;
感兴趣区域ROI的下边界点y坐标ROIdown.y=Min(y3,y4),若Min(y3,y4)大于图像I1的高度,则ROIdown.y等于图像I1的高度;
通过感兴趣区域ROI边界坐标的计算,得到矩形ROI,其中,左上顶点坐标为(ROIleft.x,ROIup.y),宽度width=ROIright.x-ROIleft.x,高度height=ROIdown.y-ROIup.y;
根据感兴趣区域ROI对配准后的两幅图像进行剪裁,得到对齐后的两幅图像,对齐后的两幅图像内容相同并且尺寸一致。
6.如权利要求2所述的一种基于图像比对的电力设备外观异常检测方法,其特征是,所述步骤(4)的具体步骤如下:
步骤(4-1):令IP和IN为步骤(3)对齐后的两幅图像,长宽分别为width和height;
利用双线性插值法对两幅图像进行采样处理,I′P和I′N分别为采样后的待比对图像,采样后图像的长、宽像素数分别为100的n倍和m倍,n=width\100+1,m=height\100+1,“\”为整除运算符;
步骤(4-2):以两幅图像左上角(0,0)点为起点,分别沿图像的x方向和y方向进行滑动窗分块;
步骤(4-3):从两幅图像比对图像块中,分别提取颜色直方图特征、方向梯度直方图特征和平均绝对值偏差特征;
步骤(4-4):分别将中的颜色直方图特征fC、方向梯度直方图特征fH与平均绝对值偏差特征fA进行归一化,得到归一化特征和然后采用特征层串联融合方法对和进行特征融合,得到全特征F1和F2;F1表示的全特征,F2表示的全特征,其中
7.如权利要求6所述的一种基于图像比对的电力设备外观异常检测方法,其特征是,所述步骤(4-3)的颜色直方图特征的提取方法为:
将图像块由RGB彩色空间变换到HSV颜色空间,其中的H通道按取值范围分为16份,即将H值的取值范围(0,360)平均分为16个区间,然后统计每个区间中包含像素的个数,计算得到H通道的颜色直方图;S和V通道按值各分为8份,按同样的方法计算得到S和V通道的直方图,然后将各通道的直方图首尾相连,形成1×32维的颜色直方图特征。
8.如权利要求6所述的一种基于图像比对的电力设备外观异常检测方法,其特征是,所述步骤(4-3)的方向梯度直方图特征的提取方法为:
首先,将100×100像素的图像块I进行灰度化,采用Gamma校正法对输入图像进行颜色空间的标准化;
然后,计算图像每个像素的梯度接下来将图像划分为小的单元图cells,大小为25×25像素,将单元图cell的梯度方向360度分成9个方向块,统计每个cell的梯度直方图,即形成每个单元图cell的1×9维特征描述符,将2×2个cell组成一个图像块block,为减少特征维数,令所有的图像块block无重叠;
一个图像块block内所有单元图cell特征描述符首尾相连便得到该图像块block的1×36维的HOG特征,将图像I内4个图像块block的HOG特征首尾相连便得到表示该图像1×144维的HOG特征向量。
9.如权利要求6所述的一种基于图像比对的电力设备外观异常检测方法,其特征是,所述步骤(4-3)的平均绝对值偏差特征的提取方法为:
首先,将100×100像素的图像块进行灰度化,然后将图像栅格化分为100个10×10像素不重叠的小图像块,分别计算每一个小图像块的平均绝对值偏差值;设H为其中的一个10×10图像块,平均绝对值偏差值δ定义为:
其中,K为图像块H的像素点个数,取值为100,f(x,y)为图像块H内像素点(x,y)的灰度值,μ为图像块H内的像素灰度均值,这样便得到了其中一个小图像块的平均绝对值偏差值;
最后,将这个100个小图像块的平均绝对值偏差值按顺序连接起来,就构成了一个1×100维的特征向量。
10.如权利要求6所述的一种基于图像比对的电力设备外观异常检测方法,其特征是,所述步骤(5)的具体步骤如下:
步骤(5-1):根据步骤(4-4)求得的图像块融合特征F1和F2,利用余弦相似度计算F1和F2间的差异度θ,计算公式为:
其中,k=276,为F1和F2的特征维数;
步骤(5-2):前期需要针对不同内容的图像样本进行比对实验,确定图像内容发生变化的差异度阈值T1和T2,得到T1=0.3,T2=0.45;
对于比对的图像块和若θ>T1并且θ<T2,则标记该图像块发生变化,判断该区域设备为疑似异常,将图像块坐标映射到原图像I2中,用带颜色的框标注,为二级异常警报;
若θ>=T2,标记该图像块发生变化,判断该区域设备发生异常,将图像块坐标映射到原图像I2中,用带颜色的框标注,为一级异常警报;
否则认为该图像块无变化,判断该区域设备无异常;
步骤(5-3):将图像I2中重合、邻接并且相同颜色的标注框进行合并,合并操作后得到最终的识别结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510229248.XA CN104809732B (zh) | 2015-05-07 | 2015-05-07 | 一种基于图像比对的电力设备外观异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510229248.XA CN104809732B (zh) | 2015-05-07 | 2015-05-07 | 一种基于图像比对的电力设备外观异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104809732A true CN104809732A (zh) | 2015-07-29 |
CN104809732B CN104809732B (zh) | 2017-06-20 |
Family
ID=53694537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510229248.XA Active CN104809732B (zh) | 2015-05-07 | 2015-05-07 | 一种基于图像比对的电力设备外观异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809732B (zh) |
Cited By (68)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069818A (zh) * | 2015-09-02 | 2015-11-18 | 泰山学院 | 一种基于图像分析的皮肤毛孔识别方法 |
CN105096215A (zh) * | 2015-08-14 | 2015-11-25 | 国网天津市电力公司 | 基于Android系统的巡视记录分析方法 |
CN105114348A (zh) * | 2015-09-09 | 2015-12-02 | 长春合成兴业能源技术有限公司 | 基于电站运行数据的引风机故障预警装置和方法 |
CN105512608A (zh) * | 2015-11-26 | 2016-04-20 | 北京电信易通信息技术股份有限公司 | 一种判定人为造成地貌特征变化的方法及系统 |
CN105718901A (zh) * | 2016-01-22 | 2016-06-29 | 张健敏 | 一种具有目标识别功能的电气配电室 |
CN105957059A (zh) * | 2016-04-20 | 2016-09-21 | 广州视源电子科技股份有限公司 | 电子元件漏件检测方法和系统 |
CN105989600A (zh) * | 2015-11-13 | 2016-10-05 | 云南电网有限责任公司昭通供电局 | 基于特征点分布统计的配电网设备外观检测方法及系统 |
CN106023149A (zh) * | 2016-05-09 | 2016-10-12 | 可口可乐装瓶商管理服务(上海)有限公司 | 基于矢量对象分割的机器视觉标签校对方法 |
CN106340034A (zh) * | 2016-08-22 | 2017-01-18 | 成都信息工程大学 | 一种变压器漏油检测方法 |
CN106971182A (zh) * | 2017-02-06 | 2017-07-21 | 王兴照 | 嵌入式电力继电压板投退状态智能识别装置及实现方法 |
CN107016694A (zh) * | 2017-04-12 | 2017-08-04 | 国网山东省电力公司电力科学研究院 | 一种基于红外视频的sf6气体泄漏自动检测方法 |
CN107016408A (zh) * | 2017-03-17 | 2017-08-04 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于变电站巡检机器人的挂空异物巡检方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
CN107680089A (zh) * | 2017-10-09 | 2018-02-09 | 济南大学 | 一种高压输电线路摄像头图像异常的自动判断方法 |
CN107742425A (zh) * | 2017-09-29 | 2018-02-27 | 公安部交通管理科学研究所 | 基于道路监控视频的异常路况快速发现方法 |
CN107831387A (zh) * | 2017-11-03 | 2018-03-23 | 国网江苏省电力公司经济技术研究院 | 一种电力站设备运行状况智能监测方法 |
CN108154496A (zh) * | 2017-11-21 | 2018-06-12 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的电力设备外观变化识别方法 |
CN108174111A (zh) * | 2018-04-19 | 2018-06-15 | 常州市盈能电气有限公司 | 巡检机器人目标图像抓取方法 |
CN108181902A (zh) * | 2017-12-27 | 2018-06-19 | 广州地铁集团有限公司 | 一种智能巡检方法和实现该方法的机器人 |
WO2018107525A1 (zh) * | 2016-12-12 | 2018-06-21 | 广东省智能制造研究所 | 一种电动注塑机模具检测方法 |
CN108189753A (zh) * | 2017-12-15 | 2018-06-22 | 信利光电股份有限公司 | 一种车载报警方法及系统 |
CN108319898A (zh) * | 2018-01-02 | 2018-07-24 | 中国神华能源股份有限公司 | 采煤机工况异常的报警方法、介质和电子设备 |
CN108335299A (zh) * | 2018-03-26 | 2018-07-27 | 戴惠英 | 基于图像处理的模式选择平台 |
CN108489996A (zh) * | 2018-02-11 | 2018-09-04 | 深圳市朗驰欣创科技股份有限公司 | 一种绝缘子的缺陷检测方法、系统及终端设备 |
CN108734185A (zh) * | 2017-04-18 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 图像校验方法和装置 |
CN108846374A (zh) * | 2018-06-29 | 2018-11-20 | 山东鲁能智能技术有限公司 | 电力设备巡检方法及装置 |
CN108961183A (zh) * | 2018-06-27 | 2018-12-07 | Oppo广东移动通信有限公司 | 图像处理方法、终端设备及计算机可读存储介质 |
CN108996061A (zh) * | 2018-05-24 | 2018-12-14 | 张跃 | 一种机械制造电力系统智能移动系统 |
CN109165233A (zh) * | 2018-09-06 | 2019-01-08 | 江苏佳源科技有限公司 | 一种智能低压分路监测系统 |
CN109283935A (zh) * | 2017-07-21 | 2019-01-29 | 卢真锡 | 一种无人机的管理装置及方法 |
CN109409289A (zh) * | 2018-10-26 | 2019-03-01 | 国网四川省电力公司电力科学研究院 | 一种电力作业安全监督机器人安全作业识别方法及系统 |
CN109447946A (zh) * | 2018-09-26 | 2019-03-08 | 中睿通信规划设计有限公司 | 一种架空通信光缆异常检测方法 |
CN109583486A (zh) * | 2018-11-21 | 2019-04-05 | 银河水滴科技(北京)有限公司 | 一种检测待测环境异常区域的方法及装置 |
US10268913B2 (en) | 2017-04-03 | 2019-04-23 | General Electric Company | Equipment damage prediction system using neural networks |
CN109740507A (zh) * | 2018-12-29 | 2019-05-10 | 国网浙江省电力有限公司 | 一种变电设备异常感知的方法 |
CN109740450A (zh) * | 2018-12-17 | 2019-05-10 | 浙江大华技术股份有限公司 | 一种电力开关柜开关状态的识别方法及装置 |
CN109884727A (zh) * | 2019-03-15 | 2019-06-14 | Oppo广东移动通信有限公司 | 异物检测方法、异物检测装置和电子设备 |
CN109948629A (zh) * | 2019-03-18 | 2019-06-28 | 贵州电网有限责任公司 | 一种基于sift特征的gis设备x射线图像故障检测方法 |
CN109978811A (zh) * | 2017-12-27 | 2019-07-05 | 财团法人工业技术研究院 | 医疗图像差异比对方法及其系统 |
CN110046630A (zh) * | 2018-01-16 | 2019-07-23 | 上海电缆研究所有限公司 | 物体的缺损模式识别方法/系统/装置及可读存储介质 |
CN110166648A (zh) * | 2019-06-06 | 2019-08-23 | 杭州国翌科技有限公司 | 一种基于光学成像的摄像头探测锁定方法及装置 |
CN110662417A (zh) * | 2017-05-17 | 2020-01-07 | inaho株式会社 | 农作业装置、农作业管理系统以及程序 |
CN110737264A (zh) * | 2019-09-11 | 2020-01-31 | 北京戴纳实验科技有限公司 | 一种实验室远程监控系统 |
CN110852986A (zh) * | 2019-09-24 | 2020-02-28 | 广东电网有限责任公司清远供电局 | 双串绝缘子自爆的检测方法、装置、设备及存储介质 |
CN110989666A (zh) * | 2019-12-06 | 2020-04-10 | 国网山东省电力公司日照供电公司 | 一种用于线路巡检的无人机系统及其控制方法 |
CN111126264A (zh) * | 2019-12-24 | 2020-05-08 | 北京每日优鲜电子商务有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111523563A (zh) * | 2020-03-20 | 2020-08-11 | 四川华能宝兴河水电有限责任公司 | 一种用于水电站设备的图像比对方法 |
CN112330597A (zh) * | 2020-10-14 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种图像差异检测方法、装置及计算机设备 |
CN112380968A (zh) * | 2020-11-12 | 2021-02-19 | 北京市商汤科技开发有限公司 | 检测方法、装置、电子设备及存储介质 |
CN112464803A (zh) * | 2020-11-26 | 2021-03-09 | 泰康保险集团股份有限公司 | 图像比较方法和装置 |
CN112700424A (zh) * | 2021-01-07 | 2021-04-23 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN112906474A (zh) * | 2019-08-01 | 2021-06-04 | 北京旷视科技有限公司 | 提示信息生成方法、装置、电子设备及存储介质 |
CN113191336A (zh) * | 2021-06-04 | 2021-07-30 | 绍兴建元电力集团有限公司 | 基于图像识别的电力隐患识别方法及系统 |
CN113362313A (zh) * | 2021-06-18 | 2021-09-07 | 四川启睿克科技有限公司 | 一种基于自监督学习的缺陷检测方法及系统 |
CN113763491A (zh) * | 2021-08-26 | 2021-12-07 | 浙江中烟工业有限责任公司 | 一种烟丝桶残余物的视觉检测方法 |
CN113822385A (zh) * | 2021-11-24 | 2021-12-21 | 深圳江行联加智能科技有限公司 | 基于图像的输煤异常监测方法、装置、设备及存储介质 |
CN114373136A (zh) * | 2022-01-18 | 2022-04-19 | 浙江万邦智能科技股份有限公司 | 一种基于无人机的电力巡检方法、系统及计算机存储介质 |
CN114494778A (zh) * | 2022-01-25 | 2022-05-13 | 南方电网物资有限公司 | 用于电力设备远程监造的图像采集处理系统及其控制方法 |
CN114637870A (zh) * | 2022-03-14 | 2022-06-17 | 重庆大学 | 一种图像数据处理方法、装置、设备及存储介质 |
CN115365196A (zh) * | 2022-08-19 | 2022-11-22 | 国网福建省电力有限公司福州供电公司 | 一种配网架空线路绝缘端子脏污清洗设备 |
CN116152051A (zh) * | 2023-02-27 | 2023-05-23 | 上海福柯斯智能科技有限公司 | 一种x射线图像的分块配准图像剪影方法和装置 |
CN116365374A (zh) * | 2023-03-23 | 2023-06-30 | 深圳市欧亚特电器设备有限公司 | 一种可远程控制的智能型配电柜及其控制方法 |
CN113269767B (zh) * | 2021-06-07 | 2023-07-18 | 中电科机器人有限公司 | 基于机器视觉的批量零件特征检测方法、系统、介质和设备 |
CN116681695A (zh) * | 2023-07-27 | 2023-09-01 | 山东阁林板建材科技有限公司 | 一种抗变形模板端面的质量检测方法 |
CN116740654A (zh) * | 2023-08-14 | 2023-09-12 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
CN117095000A (zh) * | 2023-10-19 | 2023-11-21 | 杭州和利时自动化有限公司 | 一种设备检测方法及装置 |
CN117346657A (zh) * | 2023-10-07 | 2024-01-05 | 上海勃傲自动化系统有限公司 | 一种基于5g相机的事件触发方法和系统 |
CN112785587B (zh) * | 2021-02-04 | 2024-05-31 | 上海电气集团股份有限公司 | 堆叠生产过程中的异物检测方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937325A (zh) * | 2010-08-26 | 2011-01-05 | 广东威创视讯科技股份有限公司 | 一种拼接墙控制方法和一种拼接墙控制系统 |
CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
-
2015
- 2015-05-07 CN CN201510229248.XA patent/CN104809732B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937325A (zh) * | 2010-08-26 | 2011-01-05 | 广东威创视讯科技股份有限公司 | 一种拼接墙控制方法和一种拼接墙控制系统 |
CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
Non-Patent Citations (5)
Title |
---|
余萍 等: "基于SIFT特征匹配的电力设备图像变化参数识别", 《中国电力》 * |
林聚财 等: "基于彩色图像的玻璃绝缘子缺陷诊断", 《电网技术》 * |
董保国: "基于图像处理的变压器渗漏油检测", 《电力建设》 * |
赵永俊 等: "基于图像识别的基于图像识别的基于图像识别的基于图像识别的变电站变电站电气设备电气设备运行状态智能分析", 《2012 年中国电机工程学会直流输电与电力电子专委会学术年会论文集》 * |
赵永俊: "变电站巡视中图像分析方法的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (98)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096215A (zh) * | 2015-08-14 | 2015-11-25 | 国网天津市电力公司 | 基于Android系统的巡视记录分析方法 |
CN105069818A (zh) * | 2015-09-02 | 2015-11-18 | 泰山学院 | 一种基于图像分析的皮肤毛孔识别方法 |
CN105114348A (zh) * | 2015-09-09 | 2015-12-02 | 长春合成兴业能源技术有限公司 | 基于电站运行数据的引风机故障预警装置和方法 |
CN105989600A (zh) * | 2015-11-13 | 2016-10-05 | 云南电网有限责任公司昭通供电局 | 基于特征点分布统计的配电网设备外观检测方法及系统 |
CN105512608A (zh) * | 2015-11-26 | 2016-04-20 | 北京电信易通信息技术股份有限公司 | 一种判定人为造成地貌特征变化的方法及系统 |
CN105718901A (zh) * | 2016-01-22 | 2016-06-29 | 张健敏 | 一种具有目标识别功能的电气配电室 |
CN105957059A (zh) * | 2016-04-20 | 2016-09-21 | 广州视源电子科技股份有限公司 | 电子元件漏件检测方法和系统 |
CN105957059B (zh) * | 2016-04-20 | 2019-03-01 | 广州视源电子科技股份有限公司 | 电子元件漏件检测方法和系统 |
CN106023149B (zh) * | 2016-05-09 | 2018-06-12 | 可口可乐装瓶商管理服务(上海)有限公司 | 基于矢量对象分割的机器视觉标签校对方法 |
CN106023149A (zh) * | 2016-05-09 | 2016-10-12 | 可口可乐装瓶商管理服务(上海)有限公司 | 基于矢量对象分割的机器视觉标签校对方法 |
CN106340034A (zh) * | 2016-08-22 | 2017-01-18 | 成都信息工程大学 | 一种变压器漏油检测方法 |
WO2018107525A1 (zh) * | 2016-12-12 | 2018-06-21 | 广东省智能制造研究所 | 一种电动注塑机模具检测方法 |
CN106971182A (zh) * | 2017-02-06 | 2017-07-21 | 王兴照 | 嵌入式电力继电压板投退状态智能识别装置及实现方法 |
CN107016408A (zh) * | 2017-03-17 | 2017-08-04 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于变电站巡检机器人的挂空异物巡检方法 |
US10268913B2 (en) | 2017-04-03 | 2019-04-23 | General Electric Company | Equipment damage prediction system using neural networks |
CN107016694A (zh) * | 2017-04-12 | 2017-08-04 | 国网山东省电力公司电力科学研究院 | 一种基于红外视频的sf6气体泄漏自动检测方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
CN107038717B (zh) * | 2017-04-14 | 2019-08-27 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
CN108734185B (zh) * | 2017-04-18 | 2022-01-04 | 北京京东尚科信息技术有限公司 | 图像校验方法和装置 |
CN108734185A (zh) * | 2017-04-18 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 图像校验方法和装置 |
CN110662417A (zh) * | 2017-05-17 | 2020-01-07 | inaho株式会社 | 农作业装置、农作业管理系统以及程序 |
CN109283935A (zh) * | 2017-07-21 | 2019-01-29 | 卢真锡 | 一种无人机的管理装置及方法 |
CN107742425B (zh) * | 2017-09-29 | 2021-02-12 | 公安部交通管理科学研究所 | 基于道路监控视频的异常路况快速发现方法 |
CN107742425A (zh) * | 2017-09-29 | 2018-02-27 | 公安部交通管理科学研究所 | 基于道路监控视频的异常路况快速发现方法 |
CN107680089A (zh) * | 2017-10-09 | 2018-02-09 | 济南大学 | 一种高压输电线路摄像头图像异常的自动判断方法 |
CN107831387A (zh) * | 2017-11-03 | 2018-03-23 | 国网江苏省电力公司经济技术研究院 | 一种电力站设备运行状况智能监测方法 |
CN108154496A (zh) * | 2017-11-21 | 2018-06-12 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的电力设备外观变化识别方法 |
CN108154496B (zh) * | 2017-11-21 | 2021-09-10 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的电力设备外观变化识别方法 |
CN108189753A (zh) * | 2017-12-15 | 2018-06-22 | 信利光电股份有限公司 | 一种车载报警方法及系统 |
CN109978811A (zh) * | 2017-12-27 | 2019-07-05 | 财团法人工业技术研究院 | 医疗图像差异比对方法及其系统 |
CN108181902A (zh) * | 2017-12-27 | 2018-06-19 | 广州地铁集团有限公司 | 一种智能巡检方法和实现该方法的机器人 |
CN108319898A (zh) * | 2018-01-02 | 2018-07-24 | 中国神华能源股份有限公司 | 采煤机工况异常的报警方法、介质和电子设备 |
CN110046630A (zh) * | 2018-01-16 | 2019-07-23 | 上海电缆研究所有限公司 | 物体的缺损模式识别方法/系统/装置及可读存储介质 |
CN108489996B (zh) * | 2018-02-11 | 2020-09-29 | 深圳市朗驰欣创科技股份有限公司 | 一种绝缘子的缺陷检测方法、系统及终端设备 |
CN108489996A (zh) * | 2018-02-11 | 2018-09-04 | 深圳市朗驰欣创科技股份有限公司 | 一种绝缘子的缺陷检测方法、系统及终端设备 |
CN108335299A (zh) * | 2018-03-26 | 2018-07-27 | 戴惠英 | 基于图像处理的模式选择平台 |
CN108174111B (zh) * | 2018-04-19 | 2018-07-20 | 常州市盈能电气有限公司 | 巡检机器人目标图像抓取方法 |
CN108174111A (zh) * | 2018-04-19 | 2018-06-15 | 常州市盈能电气有限公司 | 巡检机器人目标图像抓取方法 |
CN108996061B (zh) * | 2018-05-24 | 2020-04-07 | 张跃 | 一种机械制造电力系统智能移动系统 |
CN108996061A (zh) * | 2018-05-24 | 2018-12-14 | 张跃 | 一种机械制造电力系统智能移动系统 |
CN108961183B (zh) * | 2018-06-27 | 2020-10-23 | Oppo广东移动通信有限公司 | 图像处理方法、终端设备及计算机可读存储介质 |
CN108961183A (zh) * | 2018-06-27 | 2018-12-07 | Oppo广东移动通信有限公司 | 图像处理方法、终端设备及计算机可读存储介质 |
CN108846374B (zh) * | 2018-06-29 | 2021-11-23 | 国网智能科技股份有限公司 | 电力设备巡检方法及装置 |
CN108846374A (zh) * | 2018-06-29 | 2018-11-20 | 山东鲁能智能技术有限公司 | 电力设备巡检方法及装置 |
CN109165233A (zh) * | 2018-09-06 | 2019-01-08 | 江苏佳源科技有限公司 | 一种智能低压分路监测系统 |
CN109165233B (zh) * | 2018-09-06 | 2019-07-12 | 江苏佳源科技有限公司 | 一种智能低压分路监测系统 |
CN109447946A (zh) * | 2018-09-26 | 2019-03-08 | 中睿通信规划设计有限公司 | 一种架空通信光缆异常检测方法 |
CN109447946B (zh) * | 2018-09-26 | 2021-09-07 | 中睿通信规划设计有限公司 | 一种架空通信光缆异常检测方法 |
CN109409289A (zh) * | 2018-10-26 | 2019-03-01 | 国网四川省电力公司电力科学研究院 | 一种电力作业安全监督机器人安全作业识别方法及系统 |
CN109583486A (zh) * | 2018-11-21 | 2019-04-05 | 银河水滴科技(北京)有限公司 | 一种检测待测环境异常区域的方法及装置 |
CN109740450A (zh) * | 2018-12-17 | 2019-05-10 | 浙江大华技术股份有限公司 | 一种电力开关柜开关状态的识别方法及装置 |
CN109740450B (zh) * | 2018-12-17 | 2021-02-02 | 浙江大华技术股份有限公司 | 一种电力开关柜开关状态的识别方法及装置 |
CN109740507A (zh) * | 2018-12-29 | 2019-05-10 | 国网浙江省电力有限公司 | 一种变电设备异常感知的方法 |
CN109884727B (zh) * | 2019-03-15 | 2022-03-04 | Oppo广东移动通信有限公司 | 异物检测方法、异物检测装置和电子设备 |
CN109884727A (zh) * | 2019-03-15 | 2019-06-14 | Oppo广东移动通信有限公司 | 异物检测方法、异物检测装置和电子设备 |
US11789491B2 (en) | 2019-03-15 | 2023-10-17 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for detecting foreign object and related electronic devices |
CN109948629A (zh) * | 2019-03-18 | 2019-06-28 | 贵州电网有限责任公司 | 一种基于sift特征的gis设备x射线图像故障检测方法 |
CN110166648A (zh) * | 2019-06-06 | 2019-08-23 | 杭州国翌科技有限公司 | 一种基于光学成像的摄像头探测锁定方法及装置 |
CN112906474B (zh) * | 2019-08-01 | 2022-12-16 | 北京旷视科技有限公司 | 提示信息生成方法、装置、电子设备及存储介质 |
CN112906474A (zh) * | 2019-08-01 | 2021-06-04 | 北京旷视科技有限公司 | 提示信息生成方法、装置、电子设备及存储介质 |
CN110737264A (zh) * | 2019-09-11 | 2020-01-31 | 北京戴纳实验科技有限公司 | 一种实验室远程监控系统 |
CN110737264B (zh) * | 2019-09-11 | 2022-09-06 | 北京戴纳实验科技有限公司 | 一种实验室远程监控系统 |
CN110852986A (zh) * | 2019-09-24 | 2020-02-28 | 广东电网有限责任公司清远供电局 | 双串绝缘子自爆的检测方法、装置、设备及存储介质 |
CN110989666A (zh) * | 2019-12-06 | 2020-04-10 | 国网山东省电力公司日照供电公司 | 一种用于线路巡检的无人机系统及其控制方法 |
CN111126264A (zh) * | 2019-12-24 | 2020-05-08 | 北京每日优鲜电子商务有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111523563A (zh) * | 2020-03-20 | 2020-08-11 | 四川华能宝兴河水电有限责任公司 | 一种用于水电站设备的图像比对方法 |
CN112330597A (zh) * | 2020-10-14 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种图像差异检测方法、装置及计算机设备 |
CN112380968A (zh) * | 2020-11-12 | 2021-02-19 | 北京市商汤科技开发有限公司 | 检测方法、装置、电子设备及存储介质 |
CN112464803A (zh) * | 2020-11-26 | 2021-03-09 | 泰康保险集团股份有限公司 | 图像比较方法和装置 |
CN112700424B (zh) * | 2021-01-07 | 2022-11-11 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN112700424A (zh) * | 2021-01-07 | 2021-04-23 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN112785587B (zh) * | 2021-02-04 | 2024-05-31 | 上海电气集团股份有限公司 | 堆叠生产过程中的异物检测方法、系统、设备及介质 |
CN113191336B (zh) * | 2021-06-04 | 2022-01-14 | 绍兴建元电力集团有限公司 | 基于图像识别的电力隐患识别方法及系统 |
CN113191336A (zh) * | 2021-06-04 | 2021-07-30 | 绍兴建元电力集团有限公司 | 基于图像识别的电力隐患识别方法及系统 |
CN113269767B (zh) * | 2021-06-07 | 2023-07-18 | 中电科机器人有限公司 | 基于机器视觉的批量零件特征检测方法、系统、介质和设备 |
CN113362313A (zh) * | 2021-06-18 | 2021-09-07 | 四川启睿克科技有限公司 | 一种基于自监督学习的缺陷检测方法及系统 |
CN113362313B (zh) * | 2021-06-18 | 2024-03-15 | 四川启睿克科技有限公司 | 一种基于自监督学习的缺陷检测方法及系统 |
CN113763491A (zh) * | 2021-08-26 | 2021-12-07 | 浙江中烟工业有限责任公司 | 一种烟丝桶残余物的视觉检测方法 |
CN113763491B (zh) * | 2021-08-26 | 2024-03-12 | 浙江中烟工业有限责任公司 | 一种烟丝桶残余物的视觉检测方法 |
CN113822385A (zh) * | 2021-11-24 | 2021-12-21 | 深圳江行联加智能科技有限公司 | 基于图像的输煤异常监测方法、装置、设备及存储介质 |
CN113822385B (zh) * | 2021-11-24 | 2022-05-13 | 深圳江行联加智能科技有限公司 | 基于图像的输煤异常监测方法、装置、设备及存储介质 |
CN114373136A (zh) * | 2022-01-18 | 2022-04-19 | 浙江万邦智能科技股份有限公司 | 一种基于无人机的电力巡检方法、系统及计算机存储介质 |
CN114494778B (zh) * | 2022-01-25 | 2023-02-10 | 南方电网物资有限公司 | 用于电力设备远程监造的图像采集处理系统及其控制方法 |
CN114494778A (zh) * | 2022-01-25 | 2022-05-13 | 南方电网物资有限公司 | 用于电力设备远程监造的图像采集处理系统及其控制方法 |
CN114637870A (zh) * | 2022-03-14 | 2022-06-17 | 重庆大学 | 一种图像数据处理方法、装置、设备及存储介质 |
CN115365196A (zh) * | 2022-08-19 | 2022-11-22 | 国网福建省电力有限公司福州供电公司 | 一种配网架空线路绝缘端子脏污清洗设备 |
CN116152051A (zh) * | 2023-02-27 | 2023-05-23 | 上海福柯斯智能科技有限公司 | 一种x射线图像的分块配准图像剪影方法和装置 |
CN116152051B (zh) * | 2023-02-27 | 2023-12-01 | 上海福柯斯智能科技有限公司 | 一种x射线图像的分块配准图像剪影方法和装置 |
CN116365374A (zh) * | 2023-03-23 | 2023-06-30 | 深圳市欧亚特电器设备有限公司 | 一种可远程控制的智能型配电柜及其控制方法 |
CN116365374B (zh) * | 2023-03-23 | 2023-10-27 | 深圳市欧亚特电器设备有限公司 | 一种可远程控制的智能型配电柜及其控制方法 |
CN116681695B (zh) * | 2023-07-27 | 2023-12-01 | 山东阁林板建材科技有限公司 | 一种抗变形模板端面的质量检测方法 |
CN116681695A (zh) * | 2023-07-27 | 2023-09-01 | 山东阁林板建材科技有限公司 | 一种抗变形模板端面的质量检测方法 |
CN116740654B (zh) * | 2023-08-14 | 2023-11-07 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
CN116740654A (zh) * | 2023-08-14 | 2023-09-12 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
CN117346657A (zh) * | 2023-10-07 | 2024-01-05 | 上海勃傲自动化系统有限公司 | 一种基于5g相机的事件触发方法和系统 |
CN117346657B (zh) * | 2023-10-07 | 2024-03-19 | 上海勃傲自动化系统有限公司 | 一种基于5g相机的事件触发方法和系统 |
CN117095000A (zh) * | 2023-10-19 | 2023-11-21 | 杭州和利时自动化有限公司 | 一种设备检测方法及装置 |
CN117095000B (zh) * | 2023-10-19 | 2024-01-26 | 杭州和利时自动化有限公司 | 一种设备检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104809732B (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809732B (zh) | 一种基于图像比对的电力设备外观异常检测方法 | |
CN106290388B (zh) | 一种绝缘子故障自动检测方法 | |
CN111310645B (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
CN101625723B (zh) | 电力线轮廓的快速图像识别方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
WO2018107525A1 (zh) | 一种电动注塑机模具检测方法 | |
CN103208117A (zh) | 一种多功能智能皮带表面斑块边缘检测方法 | |
CN112418155B (zh) | 一种检测地铁车侧巡检图像上工件的位置和类型的方法 | |
CN107016694A (zh) | 一种基于红外视频的sf6气体泄漏自动检测方法 | |
CN111126253A (zh) | 基于图像识别的刀闸状态检测方法 | |
CN108009556A (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
CN113920097A (zh) | 一种基于多源图像的电力设备状态检测方法及系统 | |
CN103632376A (zh) | 一种两级框架的车辆部分遮挡消除方法 | |
Li et al. | Detection of small size defects in belt layer of radial tire based on improved faster r-cnn | |
Li et al. | Insulator infrared image segmentation algorithm based on dynamic mask and box annotation | |
CN112418226B (zh) | 一种鱼眼分合闸状态识别的方法及装置 | |
Li et al. | Research on transmission conductor extraction method based on mainline projection LSD algorithm | |
CN114283157A (zh) | 一种基于椭圆拟合的椭圆形物体分割方法 | |
Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
Li et al. | A railway turnout closeness monitoring method based on switch gap images | |
Wang et al. | Detection of cotter pins missing of connection fittings on transmission lines of power system | |
CN114495086A (zh) | 一种电气化铁路牵引变电所避雷监测器的识别方法及系统 | |
Li-Yong et al. | Defect detection of the irregular turbine blades based on edge pixel direction information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park) Patentee after: National Network Intelligent Technology Co., Ltd. Address before: 250101 Shandong city of Ji'nan province high tech Zone (Lixia District) Xinluo Avenue No. 2008 silver bearing building B block 626 Patentee before: Shandong Luneng Intelligent Technology Co., Ltd. |
|
CP03 | Change of name, title or address |