CN104915678A - 一种输电线路中目标对象的检测方法及装置 - Google Patents
一种输电线路中目标对象的检测方法及装置 Download PDFInfo
- Publication number
- CN104915678A CN104915678A CN201510272155.5A CN201510272155A CN104915678A CN 104915678 A CN104915678 A CN 104915678A CN 201510272155 A CN201510272155 A CN 201510272155A CN 104915678 A CN104915678 A CN 104915678A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- region
- detection
- transmission line
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种输电线路中目标对象的检测方法及装置,所述方法包括:获取所述输电线路的航拍图像;依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及所述待检测对象的对象图像区域;对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子;利用所述检测子,对所述输电线路的待检测图像进行对象检测,以确定所述输电线路中的目标对象。本发明中通过对航拍图像中背景物如输电杆塔及待检测对象各自的区域进行确定,并以此确定到的区域获取检测子进而检测输电线路中的目标对象,区别于现有技术中通过识别图像灰度信息来检测目标对象的方案,明显能够提高目标对象的检测准确率。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种输电线路中目标对象的检测方法及装置。
背景技术
随着无人机/直升机技术的发展,其越来越多的应用在输电线路的巡检应用中,例如对输电线路中蜂巢对象或鸟巢对象等进行检测等。
但是,在现有的检测方案中,仅对无人机或直升机航拍的图像灰度信息进行利用,使得目标对象如蜂巢或鸟巢等的检测准确率较低。
发明内容
本发明的目的在于,提供的一种输电线路中目标对象的检测方法及装置,用于解决现有技术中目标对象如蜂巢或鸟巢等的检测准确率较低的技术问题。
本发明提供了一种输电线路中目标对象的检测方法,包括:
获取所述输电线路的航拍图像;
依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及所述待检测对象的对象图像区域;
对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子;
利用所述检测子,对所述输电线路的待检测图像进行对象检测,以确定所述输电线路中的目标对象。
上述方法,优选的,所述依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及所述待检测对象的对象图像区域,包括:
对所述航拍图像利用分裂合并算法进行图像分割,得到多个子图像区域,每个所述子图像区域的属性特征不同;
对每个所述子图像区域中的颜色属性特征为绿色的图像区域的图像属性特征修改为0;
将每个所述子图像区域的属性特征分割线作为区域边界线,利用区域周长算法确定所述航拍图像中的输电杆塔图像区域;
基于待检测对象建立在输电杆塔之上的几何关系,以所述输电杆塔图像区域的区域边界为基准,向边界像素的四连通域方向扩张到预设阈值,以得到扩张图像区域;
获取所述输电杆塔图像区域中与所述扩张图像区域相交的目标图像区域;
基于待检测对象的成像特征,获取所述目标图像区域中所述待检测对象的对象图像区域。
上述方法,优选的,所述对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子,包括:
提取所述对象图像区域中的对象图像轮廓;
以所述对象图像轮廓的外接矩形为边界,对所述对象图像区域扩大到预设尺寸值;
对扩大之后的对象图像区域剪裁至所述预设尺寸值大小的剪裁图像;
基于所述剪裁图像,构建待检测对象的特征向量;
利用所述特征向量,获取待检测对象的检测子。
上述方法,优选的,所述利用所述特征向量,获取待检测对象的检测子,包括:
选取所述对象图像区域中的第一样本图像及第二样本图像,得到第一样本集合和第二样本集合;
在所述特征向量中,分别提取所述第一样本集合内每个第一样本图像中待检测对象的第一特征向量及所述第二样本集合内每个第二样本图像中待检测对象的第二特征向量;
利用支持向量机SVM对所述第一特征向量及所述第二特征向量进行训练,生成对象特征训练模型;
基于所述对象特征训练模型,获取所述待检测对象的检测子。
上述方法,优选的,所述利用所述检测子,对所述输电线路的待检测图像进行对象检测,以检测到所述输电线路中的目标对象,包括:
利用所述检测子,对所述输电线路的待检测图像进行Harri角点检测及hough直线检测,以得到所述待检测图像中的目标区域;
以预设窗口大小及预设检索步长对所述目标区域进行检测,以得到所述待检测图像中所述输电线路的目标对象。
本发明还提供了一种输电线路中目标对象的检测装置,包括:
图像获取单元,用于获取所述输电线路的航拍图像;
区域确定单元,用于依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及待检测对象的对象图像区域;
向量构建单元,用于对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子;
对象检测单元,用于利用所述检测子,对所述输电线路的待检测图像进行对象检测,以确定所述输电线路中的目标对象。
上述装置,优选的,所述区域确定单元包括:
区域分割子单元,用于对所述航拍图像利用分裂合并算法进行图像分割,得到多个子图像区域,每个所述子图像区域的属性特征不同;
特征修改子单元,用于对每个所述子图像区域中的颜色属性特征为率的图像区域的图像属性特征修改为0;
杆塔区域确定子单元,用于将每个所述子图像区域的图像属性特征分割线作为区域边界线,利用区域周长算法确定所述航拍图像中的输电杆塔图像区域;
区域扩展子单元,用于基于待检测对象监理在输电杆塔之上的几何关系,以所述输电杆塔图像区域的区域边界为基准,向边界像素的四连通域方向扩张到预设阈值,以得到扩张图像区域;
目标图像获取子单元,用于获取所述输电杆塔图像区域中与所述扩张图像区域相交的目标图像区域;
对象区域获取子单元,用于基于待检测对象的成像特征,获取所述目标图像区域中所述待检测对象的对象图像区域。
上述装置,优选的,所述向量构建单元包括:
轮廓提取子单元,用于提取所述对象图像区域中的对象图像轮廓;
区域扩大子单元,用于以所述对象图像轮廓的外接矩形为边界,对所述对象图像区域扩大到预设尺寸值;
图像剪裁子单元,用于对扩大之后的对象图像区域剪裁至所述预设尺寸值大小的剪裁图像;
向量构建子单元,用于基于所述剪裁图像,构建待检测对象的特征向量;
检测子获取子单元,用于基于所述特征向量,获取待检测对象的检测子。
上述装置,优选的,所述检测子获取子单元包括:
样本选取模块,用于选取所述对象图像区域中的第一样本图像及第二样本图像,得到第一样本集合和第二样本集合;
向量获取模块,用于在所述特征向量中,分别提取所述第一样本集合内每个第一样本图像中待检测对象的第一特征向量机所述第二样本集合内每个第二样本图像中待检测对象的第二特征向量;
模型生成模块,用于利用SVM对所述第一特征向量机所述第二特征向量进行训练,生成对象特征训练模型;
检测子获取模块,用于基于所述对象特征训练模型,获取所述待检测对象的检测子。
上述装置,优选的,所述对象检测单元包括:
图像检测子单元,用于利用所述检测子,对所述输电线路的待检测图像进行Harri角点检测及hough直线检测,以得到所述待检测图像中的目标区域;
区域检测子单元,用于以预设窗口大小及预设检测步长对所述目标区域进行检测,以得到所述待检测图像中所述输电线路的目标对象。
由上述方案可知,本发明提供的一种输电线路中目标对象的检测方法及装置,通过对输电线路的航拍图像进行获取之后,利用输电线路中目标对象的背景物即输电杆塔与待检测对象如蜂巢或鸟巢之间的预设几何关系,来确定航拍图像中背景物即输电杆塔的图像区域并获取航拍图像中待检测对象的对象图像区域,进而对该对象图像区域进行特征向量构建,以得到待检测对象的检测子,从而才能利用这些检测子对输电线路的待检测图像如实时传输来的图像进行对象检测,最终确定输电线路中的目标对象如蜂巢或鸟巢等。本发明中通过对航拍图像中背景物如输电杆塔及待检测对象各自的区域进行确定,并以此确定到的区域获取检测子进而检测输电线路中的目标对象,区别于现有技术中通过识别图像灰度信息来检测目标对象的方案,明显能够提高目标对象的检测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种输电线路中目标对象的检测方法实施例一的流程图;
图2为本发明提供的一种输电线路中目标对象的检测方法实施例二的部分流程图;
图3为本发明提供的一种输电线路中目标对象的检测方法实施例三的部分流程图;
图4为本发明实施例三的另一部分流程图;
图5为本发明提供的一种输电线路中目标对象的检测方法实施例四的部分流程图;
图6为本发明提供的一种输电线路中目标对象的检测装置实施例五的结构示意图;
图7为本发明提供的一种输电线路中目标对象的检测装置实施例六的部分结构示意图;
图8为本发明提供的一种输电线路中目标对象的检测装置实施例七的部分结构示意图;
图9为本发明实施例七的另一部分结构示意图;
图10为本发明提供的一种输电线路中目标对象的检测装置实施例八的部分结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考图1,为本发明提供的一种输电线路中目标对象的检测方法实施例一的流程图,其中,本实施例中的方法适用于对电力巡检领域内对各种输电线路中是否存在鸟巢或蜂巢等目标对象进行检测,具体的,本实施例可以包括有以下步骤实现这一目的:
步骤101:获取所述输电线路的航拍图像。
其中,所述航拍图像即为:本实施例中通过无人机/直升机拍摄的输电线路的巡检图像,可以为所述输电线路的历史巡检图像,或者实时巡检图像。
步骤102:依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及所述待检测对象的对象图像区域。
其中,所述待检测对象可以为蜂巢或鸟巢等对象。而所述输电杆塔与所述待检测对象的预设几何关系,是指,输电杆塔与待检测对象的几何位置关系,如待检测对象位于输电杆塔上,如输电杆塔的顶端位置上。本实施例中,基于这一几何关系,确定所述航拍图像中的输电杆塔图像区域及所述待检测对象的对象图像区域。
步骤103:对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子。
也就是说,本实施例对基于输电杆塔与待检测对象的几何关系确定的对象图像区域进行特征向量构建,之后基于构建得到的对象图像区域的特征向量,得到待检测对象的检测子。
步骤104:利用所述检测子,对所述输电线路的待检测图像进行对象检测,以确定所述输电线路中的目标对象。
其中,所述待检测图像可以理解为:需要利用本实施例中的检测方案检测目标对象如蜂巢或鸟巢的所述输电线路的航拍图像,尤其是实时航拍图像,以确定所述输电线路中是否均有目标对象及目标对象的位置等,进一步的,以此来提示维护工作人员及时清理这些蜂巢或鸟巢,以保证输电线路的安全运营。
由上述方案可知,本发明提供的一种输电线路中目标对象的检测方法实施例一,通过对输电线路的航拍图像进行获取之后,利用输电线路中目标对象的背景物即输电杆塔与待检测对象如蜂巢或鸟巢之间的预设几何关系,来确定航拍图像中背景物即输电杆塔的图像区域并获取航拍图像中待检测对象的对象图像区域,进而对该对象图像区域进行特征向量构建,以得到待检测对象的多个检测子,从而才能利用这些检测子对输电线路的待检测图像如实时传输来的图像进行对象检测,最终确定输电线路中的目标对象如蜂巢或鸟巢等。本发明中通过对航拍图像中背景物如输电杆塔及待检测对象各自的区域进行确定,并以此确定到的区域获取检测子进而检测输电线路中的目标对象,区别于现有技术中通过识别图像灰度信息来检测目标对象的方案,明显能够提高目标对象的检测准确率。
参考图2,为本发明提供的一种输电线路中目标对象的检测方法实施例二中所述步骤102的实现流程图,其中,所述步骤102可以通过以下步骤实现:
步骤121:对所述航拍图像利用分裂合并算法进行图像分割,得到多个子图像区域。
其中,每个所述子图像区域的属性特征不同。
具体的,本实施例中利用分裂合并算法对所述航拍图像进行图像分割,例如,采用四分法对所述航拍图像进行逐层分裂,之后对分裂得到的各个图像区域内的像素的相似性进行判断并对分类得到的各个图像区域之间的像素的相似性进行判断,对不满足相似性准则如相似性值小于预设阈值的区域进行再次分裂,对具有一定相似性如相似性值超过阈值的相邻区域进行合并。
这里的相似性可以包括有图像灰度信息和颜色信息的相似性。例如,设整幅航拍图像用P表示,Pi表示分割后的图像区域,若灰度和颜色满足预设的相似性准则,即H(Pi)=TRUE,该图像区域不再进行分裂,若不满足相似性准则,即H(Pi)=FALSE,则继续对该图像区域进行分裂,在分裂(分割)过程中,存在Pm与Pn区域之间具有同质性的可能,即H(Pm∪Pn)=TRUE,这时合并Pm和Pn两个图像区域。
需要说明的是,本实施例在对所述航拍图像进行图像分割之前,为了提高图像分割的准确率进而提高后续目标对象检测的准确性,可以对所述航拍图像进行图像预处理操作,包括有:对所述航拍图像进行中值滤波处理及图像增强处理等操作。
本实施例中分割得到的每个所述子图像区域具有其各自的属性特征,这里的属性特征可以为颜色属性特征,也就是说,每个所述子图像区域具有不同的颜色属性特征,如绿色或灰色等。
步骤122:对每个所述子图像区域中的颜色属性特征为绿色的图像区域的图像属性特征修改为0。
具体的,本实施例中通过对每个所述子图像区域中的颜色属性特征进行分量运算,以提取出颜色特征中的绿色分量特征,进而采用阈值法将每个所述子图像区域中的绿色植物区域即绿色植物背景区域进行剔除,并用0值代替剔除掉的图像信息。也就是说,本实施例中将每个子图像区域中绿色属性特征的区域修改其属性特征为0,即无色,也就是将所述航拍图像中绿色植物所在的背景区域修改其颜色属性特征为无色,以提高后续进行目标对象检测的准确率。
步骤123:将每个所述子图像区域的属性特征分割线作为区域边界线,利用区域周长算法确定所述航拍图像中的输电杆塔图像区域。
由前文中可知,每个所述子图像区域具有各自不同的属性特征,因此,本实施例中将每个所述子图像区域的属性特征分割线如颜色属性特征分割线作为区域边界线,利用区域周长算法确定所述航拍图像中每个所述子图像区域中的输电杆塔图像区域。具体的,本实施例中的区域周长算法具体为:计算去掉绿色背景图像区域的子图像区域所占周长最长,这里周长的计算采用边界所占面积标识,即边界点数(像素点数)之后,由此确定所述航拍图像内每个所述子图像区域中输电杆塔所在区域,例如,在所述航拍图像中以Pj表示。
步骤124:基于待检测对象建立在输电杆塔之上的几何关系,以所述输电杆塔图像区域的区域边界为基准,向边界像素的四连通域方向扩张到预设阈值,以得到扩张图像区域。
具体的,所述几何关系可以为:蜂巢或鸟巢建立在输电杆塔顶端如上端位置的几何位置关系。本实施例中基于这一几何关系,利用已经确定的所述输电杆塔图像区域的区域信息可以缩小待检测对象所在图像区域的检测范围,具体的,利用区域扩张的方法判断各个输电杆塔图像区域之间的距离。例如,以Pj区域为基础,在该区域的边界上向四连通域的方向不断扩张边界,而预先设定有一个边界扩张的阈值,这里可以为40,当扩张边界达到阈值时,边界不再扩张,以得到最终扩张后的扩张图像区域。
步骤125:获取所述输电杆塔图像区域中与所述扩张图像区域相交的目标图像区域。
具体的,本实施例中判断其他输电杆塔图像区域是否与扩张后的扩张图像区域如Pj区域是否有相交区域,若有相交,即R(Pj∩Pt)>0,则保留该区域,若不相交,即R(Pj∩Pt)=0,则提出该区域,用0代替,保留下的区域即为所述目标图像区域。
步骤126:基于待检测对象的成像特征,获取所述目标图像区域中所述待检测对象的对象图像区域。
在具体实现中,所述待检测对象可以为鸟巢或蜂巢等,这一待检测对象具有球形特点,因此,待检测对象的成像时具有一定的圆形弧度特征的,因此,本实施例中基于待检测对象的成像区域边界的圆形度特征,通过阈值法去除掉部分区域,再对剩余区域进行面积阈值法计算,获取到最终剩余的所述待检测对象的对象图像区域。
例如,本实施例中考虑到蜂巢或鸟巢的球形特点,其不同角度的成像具有一定的圆形度成像特征,而在具体环境中,由于输电杆塔结构的空间性特征,可能对不同角度的蜂巢或鸟巢成像存在一定的遮挡,因此为提供本方案准确性,在预先设置圆形度阈值时需考虑这一因素的影响。之后,本实施例对经过距离判断后保留的图像区域(即所述目标图像区域)进行处理(不包含Pj区域),采用圆形性描述区域的圆形度,定义为区域Pi的所有边界点的特征量,即公式(1):
式(1)中,为从目标图像区域Pi的重心到边界点的平均距离,为从区域Pi的重心到边界点的距离均方差,如公式(2)和(3):
式中,K为边界上点的曲率函数。
根据所述航拍图像的分辨率信息,以及蜂巢或鸟巢的常规尺寸,可以设定一个待检测对象如蜂巢或鸟巢的面积阈值,根据阈值大小排除过大或过小目标,获得蜂巢或鸟巢所在的对象图像区域。
参考图3,为本发明提供的一种输电线路中目标对象的检测方法实施例三中所述步骤103的实现流程图,其中,所述步骤103可以包括以下步骤:
步骤131:提取所述对象图像区域中的对象图像轮廓。
其中,所述图像轮廓可以理解为所述对象图像区域中待检测对象如蜂巢或鸟巢的图像轮廓。
步骤132:以所述对象图像轮廓的外界矩形为边界,对所述对象图像区域扩大到预设尺寸值。
具体的,本实施例中在提取到所述对象图像轮廓的信息之后,以所述对象图像轮廓的外界矩形为界,扩大到预设尺寸值例如100*100的大小。
步骤133:对扩大之后的对象图像区域剪裁至所述预设尺寸值大小的剪裁图像。
具体的,本实施例中将所述对象图像区域裁减为该尺寸值大小的包含所述待检测对象的小图像,用R表示,即所述剪裁图像。基于这一技术实现,本实施例中所剪裁得到的小图像中待检测对象所占图像比重比较大,而相对于未经过剪裁时待检测对象如蜂巢在复杂背景的航拍图像中特征不够明显且所占面积比重较小的情况,本实施例能够在后续进行特征向量构建时,明显提高准确性,更准确的检测目标对象。
步骤134:基于所述剪裁图像,构建待检测对象的特征向量。
其中,本实施例中通过对所述剪裁图像进行轮廓特征、颜色特征及纹理特征进行提取,以构建得到所述待检测对象的特征向量。
具体的,本实施例中依据获取到的对象图像轮廓的像素,求取对象图像的轮廓特征参数,包括图像的主轴率、紧密度、圆方差、椭圆方差、周长平方面积比等特征参数,并提取待检测对象的图像颜色特征参数,如提取对图像的R、G、B分量的均值、方差、能量、对比度信息,同时提取待检测对象的纹理特征参数,将彩色(色彩度非灰色)的对象图像转换成灰度值,每个像素的灰度可量化为N个等级,选择(5*5)的图像窗口,生成四个方向上的灰度共生矩阵,以提取对象图像的纹理特征参数,进而将提取到的各个特征参数进行组合,形成一个待检测对象的特征向量γ。
步骤135:利用所述特征向量,获取待检测对象的检测子。
也就是说,本实施例通过对待检测对象的图像特征向量对所述对象图像区域的正样本库和负样本库进行训练学习,获取待检测对象的检测子。具体的,参考图4,为本发明实施例中所述步骤135的实现流程图,其中,所述步骤135可以通过以下步骤实现:
步骤401:选取所述对象图像区域中的第一样本图像及第二样本图像,得到第一样本集合和第二样本集合。
具体的,本实施例中在所述对象图像区域中选取50个100*100的对象图像作为第一样本图像,即正样本,组成第一样本集合,在所述对象图像区域中选取50个100*100的非对象图像作为第二样本图像,即负样本,组成第二样本集合。
步骤402:在所述特征向量中,分别提取所述第一样本集合内每个所述第一样本图像中待检测对象的第一特征向量及所述第二样本集合内每个第二样本图像中待检测对象的第二特征向量。
例如,本实施例中提取所述第一样本集合中所有正样本即第一样本图像中的待检测对象如蜂巢或鸟巢特征向量T1,并提取所述第二样本集合中所有负样本即第二样本图像中待检测对象如蜂巢或鸟巢的特征向量T2,进而得到训练样本集:
T={T1,T2}={(x1,y1),(x2,y2)...(xi,yi)}∈(X,Y)i
其中,xi∈X∈γn,yi∈Y∈{-1,1},i为1到50之间的正整数。
步骤403:利用支持向量机SVM对所述第一特征向量及所述第二特征向量进行训练,生成对象特征训练模型。
具体的,本实施例中利用前文中的样本数据和预设的学习参数,进行SVM(支持向量机)方法训练,获取到对象特征训练模型,如蜂巢模型或鸟巢模型等。
步骤404:基于所述对象特征训练模型,获取所述待检测对象的检测子。
例如,本实施例中基于前述示例所得到的蜂巢模型或鸟巢模型,生成100*100的检测子。
因此,本实施例中可以适用于大量航拍数据的对象检测,提取到对象特征库之后,建立生成对象检测子,进而提高对输入图像即待检测图像的目标对象检测的智能化。
参考图5,为本发明提供的一种输电线路中目标对象的检测方法实施例四中所述步骤104的实现流程图,其中,所述步骤104可以包括以下步骤实现:
步骤141:利用所述检测子,对所述输电线路的待检测图像进行Harri角点检测及hough直线检测,以得到所述待检测图像中的目标区域。
其中,本实施例中是基于训练学习所得到的所述检测子,对无人机或直升机所航拍得到的需要进行目标对象检测的待检测图像进行Harri角点检测及hough直线检测,进而输电杆塔感兴趣区域的快速圈定,进而得到所述待检测图像中的目标区域,这一目标区域中包含有输电线路中输电杆塔所在区域,相应的,包含有可能存在目标对象如鸟巢或蜂巢所在的图像区域。
步骤142:以预设窗口大小及预设检索步长对所述目标区域进行检测,以得到所述待检测图像中所述输电线路的目标对象。
具体的,本实施例选择经过裁减后小图像对象的正样本和负样本,并利用SVM方法进行训练学习,并在待检测图像上以窗口形式检索,小样本对象特征明显,以窗口形式检索提高了目标对象检测的准确度。
例如,本实施例中对所述目标区域进行100*100窗口形式的检索,其检索块步长可以设置为8*8,由此,本实施例中通过检索窗口在所述目标区域的图像进行检索,若窗口对应图像区域内特征相似度满足预设条件,那么标记为1,不满足预设条件的标记为0,进而在对所述目标区域中图像检索完成之后,被标记为1的区域即为所述目标对象的区域,由此完成对所述待检测图像中所述目标对象的检测。
因此,本实施例中通过对目标区域的快速圈定及检索,能够明显提高目标对象的检测效率。
参考图6,为本发明提供的一种输电线路中目标对象的检测装置实施例五的结构示意图,其中,本实施例中的方法适用于对电力巡检领域内对各种输电线路中是否存在鸟巢或蜂巢等目标对象进行检测,具体的,本实施例可以通过以下结构实现:
图像获取单元601,用于获取所述输电线路的航拍图像。
其中,所述航拍图像即为:本实施例中通过无人机/直升机拍摄的输电线路的巡检图像,可以为所述输电线路的历史巡检图像,或者实时巡检图像。
区域确定单元602,用于依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及待检测对象的对象图像区域。
其中,所述待检测对象可以为蜂巢或鸟巢等对象。而所述输电杆塔与所述待检测对象的预设几何关系,是指,输电杆塔与待检测对象的几何位置关系,如待检测对象位于输电杆塔上,如输电杆塔的顶端位置上。本实施例中,基于这一几何关系,确定所述航拍图像中的输电杆塔图像区域及所述待检测对象的对象图像区域。
向量构建单元603,用于对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子。
也就是说,本实施例对基于输电杆塔与待检测对象的几何关系确定的对象图像区域进行特征向量构建,之后基于构建得到的对象图像区域的特征向量,得到待检测对象的检测子。
对象检测单元604,用于利用所述检测子,对所述输电线路的待检测图像进行对象检测,以确定所述输电线路中的目标对象。
其中,所述待检测图像可以理解为:需要利用本实施例中的检测方案检测目标对象如蜂巢或鸟巢的所述输电线路的航拍图像,尤其是实时航拍图像,以确定所述输电线路中是否均有目标对象及目标对象的位置等,进一步的,以此来提示维护工作人员及时清理这些蜂巢或鸟巢,以保证输电线路的安全运营。
由上述方案可知,本发明提供的一种输电线路中目标对象的检测装置实施例五,通过对输电线路的航拍图像进行获取之后,利用输电线路中目标对象的背景物即输电杆塔与待检测对象如蜂巢或鸟巢之间的预设几何关系,来确定航拍图像中背景物即输电杆塔的图像区域并获取航拍图像中待检测对象的对象图像区域,进而对该对象图像区域进行特征向量构建,以得到待检测对象的检测子,从而才能利用这些检测子对输电线路的待检测图像如实时传输来的图像进行对象检测,最终确定输电线路中的目标对象如蜂巢或鸟巢等。本发明中通过对航拍图像中背景物如输电杆塔及待检测对象各自的区域进行确定,并以此确定到的区域获取检测子进而检测输电线路中的目标对象,区别于现有技术中通过识别图像灰度信息来检测目标对象的方案,明显能够提高目标对象的检测准确率。
参考图7,为本发明提供的一种输电线路中目标对象的检测装置实施例六中所述区域确定单元602的结构示意图,其中,所述区域确定单元602可以包括以下结构:
区域分割子单元621,用于对所述航拍图像利用分裂合并算法进行图像分割,得到多个子图像区域。
其中,每个所述子图像区域的属性特征不同。
具体的,本实施例中利用分裂合并算法对所述航拍图像进行图像分割,例如,采用四分法对所述航拍图像进行逐层分裂,之后对分裂得到的各个图像区域内的像素的相似性进行判断并对分类得到的各个图像区域之间的像素的相似性进行判断,对不满足相似性准则如相似性值小于预设阈值的区域进行再次分裂,对具有一定相似性如相似性值超过阈值的相邻区域进行合并。
这里的相似性可以包括有图像灰度信息和颜色信息的相似性。例如,设整幅航拍图像用P表示,Pi表示分割后的图像区域,若灰度和颜色满足预设的相似性准则,即H(Pi)=TRUE,该图像区域不再进行分裂,若不满足相似性准则,即H(Pi)=FALSE,则继续对该图像区域进行分裂,在分裂(分割)过程中,存在Pm与Pn区域之间具有同质性的可能,即H(Pm∪Pn)=TRUE,这时合并Pm和Pn两个图像区域。
需要说明的是,本实施例在对所述航拍图像进行图像分割之前,为了提高图像分割的准确率进而提高后续目标对象检测的准确性,可以对所述航拍图像进行图像预处理操作,包括有:对所述航拍图像进行中值滤波处理及图像增强处理等操作。
本实施例中分割得到的每个所述子图像区域具有其各自的属性特征,这里的属性特征可以为颜色属性特征,也就是说,每个所述子图像区域具有不同的颜色属性特征,如绿色或灰色等。
特征修改子单元622,用于对每个所述子图像区域中的颜色属性特征为率的图像区域的图像属性特征修改为0。
具体的,本实施例中通过对每个所述子图像区域中的颜色属性特征进行分量运算,以提取出颜色特征中的绿色分量特征,进而采用阈值法将每个所述子图像区域中的绿色植物区域即绿色植物背景区域进行剔除,并用0值代替剔除掉的图像信息。也就是说,本实施例中将每个子图像区域中绿色属性特征的区域修改其属性特征为0,即无色,也就是将所述航拍图像中绿色植物所在的背景区域修改其颜色属性特征为无色,以提高后续进行目标对象检测的准确率。
杆塔区域确定子单元623,用于将每个所述子图像区域的图像属性特征分割线作为区域边界线,利用区域周长算法确定所述航拍图像中的输电杆塔图像区域。
由前文中可知,每个所述子图像区域具有各自不同的属性特征,因此,本实施例中将每个所述子图像区域的属性特征分割线如颜色属性特征分割线作为区域边界线,利用区域周长算法确定所述航拍图像中每个所述子图像区域中的输电杆塔图像区域。具体的,本实施例中的区域周长算法具体为:计算去掉绿色背景图像区域的子图像区域所占周长最长,这里周长的计算采用边界所占面积标识,即边界点数(像素点数)之后,由此确定所述航拍图像内每个所述子图像区域中输电杆塔所在区域,例如,在所述航拍图像中以Pj表示。
区域扩展子单元624,用于基于待检测对象监理在输电杆塔之上的几何关系,以所述输电杆塔图像区域的区域边界为基准,向边界像素的四连通域方向扩张到预设阈值,以得到扩张图像区域。
具体的,所述几何关系可以为:蜂巢或鸟巢建立在输电杆塔顶端如上端位置的几何位置关系。本实施例中基于这一几何关系,利用已经确定的所述输电杆塔图像区域的区域信息可以缩小待检测对象所在图像区域的检测范围,具体的,利用区域扩张的方法判断各个输电杆塔图像区域之间的距离。例如,以Pj区域为基础,在该区域的边界上向四连通域的方向不断扩张边界,而预先设定有一个边界扩张的阈值,这里可以为40,当扩张边界达到阈值时,边界不再扩张,以得到最终扩张后的扩张图像区域。
目标图像获取子单元625,用于获取所述输电杆塔图像区域中与所述扩张图像区域相交的目标图像区域。
具体的,本实施例中判断其他输电杆塔图像区域是否与扩张后的扩张图像区域如Pj区域是否有相交区域,若有相交,即R(Pj∩Pt)>0,则保留该区域,若不相交,即R(Pj∩Pt)=0,则提出该区域,用0代替,保留下的区域即为所述目标图像区域。
对象区域获取子单元626,用于基于待检测对象的成像特征,获取所述目标图像区域中所述待检测对象的对象图像区域。
在具体实现中,所述待检测对象可以为鸟巢或蜂巢等,这一待检测对象具有球形特点,因此,待检测对象的成像时具有一定的圆形弧度特征的,因此,本实施例中基于待检测对象的成像区域边界的圆形度特征,通过阈值法去除掉部分区域,再对剩余区域进行面积阈值法计算,获取到最终剩余的所述待检测对象的对象图像区域。
例如,本实施例中考虑到蜂巢或鸟巢的球形特点,其不同角度的成像具有一定的圆形度成像特征,而在具体环境中,由于输电杆塔结构的空间性特征,可能对不同角度的蜂巢或鸟巢成像存在一定的遮挡,因此为提供本方案准确性,在预先设置圆形度阈值时需考虑这一因素的影响。之后,本实施例对经过距离判断后保留的图像区域(即所述目标图像区域)进行处理(不包含Pj区域),采用圆形性描述区域的圆形度,定义为区域Pi的所有边界点的特征量,即公式(1):
式(1)中,为从目标图像区域Pi的重心到边界点的平均距离,为从区域Pi的重心到边界点的距离均方差,如公式(2)和(3):
式中,K为边界上点的曲率函数。
根据所述航拍图像的分辨率信息,以及蜂巢或鸟巢的常规尺寸,可以设定一个待检测对象如蜂巢或鸟巢的面积阈值,根据阈值大小排除过大或过小目标,获得蜂巢或鸟巢所在的对象图像区域。
参考图8,为本发明提供的一种输电线路中目标对象的检测装置实施例七中所述向量构建单元603的结构示意图,其中,所述向量构建单元603可以包括以下结构:
轮廓提取子单元631,用于提取所述对象图像区域中的对象图像轮廓。
其中,所述图像轮廓可以理解为所述对象图像区域中待检测对象如蜂巢或鸟巢的图像轮廓。
区域扩大子单元632,用于以所述对象图像轮廓的外接矩形为边界,对所述对象图像区域扩大到预设尺寸值。
具体的,本实施例中在提取到所述对象图像轮廓的信息之后,以所述对象图像轮廓的外界矩形为界,扩大到预设尺寸值例如100*100的大小。
图像剪裁子单元633,用于对扩大之后的对象图像区域剪裁至所述预设尺寸值大小的剪裁图像。
具体的,本实施例中将所述对象图像区域裁减为该尺寸值大小的包含所述待检测对象的小图像,用R表示,即所述剪裁图像。基于这一技术实现,本实施例中所剪裁得到的小图像中待检测对象所占图像比重比较大,而相对于未经过剪裁时待检测对象如蜂巢在复杂背景的航拍图像中特征不够明显且所占面积比重较小的情况,本实施例能够在后续进行特征向量构建时,明显提高准确性,更准确的检测目标对象。
向量构建子单元634,用于基于所述剪裁图像,构建待检测对象的特征向量。
其中,本实施例中通过对所述剪裁图像进行轮廓特征、颜色特征及纹理特征进行提取,以构建得到所述待检测对象的特征向量。
具体的,本实施例中依据获取到的对象图像轮廓的像素,求取对象图像的轮廓特征参数,包括图像的主轴率、紧密度、圆方差、椭圆方差、周长平方面积比等特征参数,并提取待检测对象的图像颜色特征参数,如提取对图像的R、G、B分量的均值、方差、能量、对比度信息,同时提取待检测对象的纹理特征参数,将彩色(色彩度非灰色)的对象图像转换成灰度值,每个像素的灰度可量化为N个等级,选择(5*5)的图像窗口,生成四个方向上的灰度共生矩阵,以提取对象图像的纹理特征参数,进而将提取到的各个特征参数进行组合,形成一个待检测对象的特征向量γ。
检测子获取子单元635,用于基于所述特征向量,获取待检测对象的检测子。
也就是说,本实施例通过对待检测对象的图像特征向量对所述对象图像区域的正样本库和负样本库进行训练学习,获取待检测对象的检测子。具体的,参考图9,为本发明实施例中所述检测子获取子单元635的结构示意图,其中,所述检测子获取子单元635可以通过以下模块实现:
样本选取模块901,用于选取所述对象图像区域中的第一样本图像及第二样本图像,得到第一样本集合和第二样本集合。
具体的,本实施例中在所述对象图像区域中选取50个100*100的对象图像作为第一样本图像,即正样本,组成第一样本集合,在所述对象图像区域中选取50个100*100的非对象图像作为第二样本图像,即负样本,组成第二样本集合。
向量获取模块902,用于在所述特征向量中,分别提取所述第一样本集合内每个第一样本图像中待检测对象的第一特征向量机所述第二样本集合内每个第二样本图像中待检测对象的第二特征向量。
例如,本实施例中提取所述第一样本集合中所有正样本即第一样本图像中的待检测对象如蜂巢或鸟巢特征向量T1,并提取所述第二样本集合中所有负样本即第二样本图像中待检测对象如蜂巢或鸟巢的特征向量T2,进而得到训练样本集:
T={T1,T2}={(x1,y1),(x2,y2)...(xi,yi)}∈(X,Y)i
其中,xi∈X∈γn,yi∈Y∈{-1,1},i为1到50之间的正整数。
模型生成模块903,用于利用SVM对所述第一特征向量机所述第二特征向量进行训练,生成对象特征训练模型。
具体的,本实施例中利用前文中的样本数据和预设的学习参数,进行SVM(支持向量机)方法训练,获取到对象特征训练模型,如蜂巢模型或鸟巢模型等。
检测子获取模块904,用于基于所述对象特征训练模型,获取所述待检测对象的检测子。
例如,本实施例中基于前述示例所得到的蜂巢模型或鸟巢模型,生成100*100的检测子。
因此,本实施例中可以适用于大量航拍数据的对象检测,提取到对象特征库之后,建立生成对象检测子,进而提高对输入图像即待检测图像的目标对象检测的智能化。
参考图10,为本发明提供的一种输电线路中目标对象的检测装置实施例八中所述对象检测单元604的结构示意图,其中,所述对象检测单元604可以包括以下结构:
图像检测子单元641,用于利用所述检测子,对所述输电线路的待检测图像进行Harri角点检测及hough直线检测,以得到所述待检测图像中的目标区域。
其中,本实施例中是基于训练学习所得到的所述检测子,对无人机或直升机所航拍得到的需要进行目标对象检测的待检测图像进行Harri角点检测及hough直线检测,进而输电杆塔感兴趣区域的快速圈定,进而得到所述待检测图像中的目标区域,这一目标区域中包含有输电线路中输电杆塔所在区域,相应的,包含有可能存在目标对象如鸟巢或蜂巢所在的图像区域。
区域检测子单元642,用于以预设窗口大小及预设检测步长对所述目标区域进行检测,以得到所述待检测图像中所述输电线路的目标对象。
具体的,本实施例选择经过裁减后小图像对象的正样本和负样本,并利用SVM方法进行训练学习,并在待检测图像上以窗口形式检索,小样本对象特征明显,以窗口形式检索提高了目标对象检测的准确度。
例如,本实施例中对所述目标区域进行100*100窗口形式的检索,其检索块步长可以设置为8*8,由此,本实施例中通过检索窗口在所述目标区域的图像进行检索,若窗口对应图像区域内特征相似度满足预设条件,那么标记为1,不满足预设条件的标记为0,进而在对所述目标区域中图像检索完成之后,被标记为1的区域即为所述目标对象的区域,由此完成对所述待检测图像中所述目标对象的检测。
因此,本实施例中通过对目标区域的快速圈定及检索,能够明显提高目标对象的检测效率。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
最后,还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种输电线路中目标对象的检测方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种输电线路中目标对象的检测方法,其特征在于,包括:
获取所述输电线路的航拍图像;
依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及所述待检测对象的对象图像区域;
对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子;
利用所述检测子,对所述输电线路的待检测图像进行对象检测,以确定所述输电线路中的目标对象。
2.根据权利要求1所述的方法,其特征在于,所述依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及所述待检测对象的对象图像区域,包括:
对所述航拍图像利用分裂合并算法进行图像分割,得到多个子图像区域,每个所述子图像区域的属性特征不同;
对每个所述子图像区域中的颜色属性特征为绿色的图像区域的图像属性特征修改为0;
将每个所述子图像区域的属性特征分割线作为区域边界线,利用区域周长算法确定所述航拍图像中的输电杆塔图像区域;
基于待检测对象建立在输电杆塔之上的几何关系,以所述输电杆塔图像区域的区域边界为基准,向边界像素的四连通域方向扩张到预设阈值,以得到扩张图像区域;
获取所述输电杆塔图像区域中与所述扩张图像区域相交的目标图像区域;
基于待检测对象的成像特征,获取所述目标图像区域中所述待检测对象的对象图像区域。
3.根据权利要求1所述的方法,其特征在于,所述对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子,包括:
提取所述对象图像区域中的对象图像轮廓;
以所述对象图像轮廓的外接矩形为边界,对所述对象图像区域扩大到预设尺寸值;
对扩大之后的对象图像区域剪裁至所述预设尺寸值大小的剪裁图像;
基于所述剪裁图像,构建待检测对象的特征向量;
利用所述特征向量,获取待检测对象的检测子。
4.根据权利要求3所述的方法,其特征在于,所述利用所述特征向量,获取待检测对象的检测子,包括:
选取所述对象图像区域中的第一样本图像及第二样本图像,得到第一样本集合和第二样本集合;
在所述特征向量中,分别提取所述第一样本集合内每个第一样本图像中待检测对象的第一特征向量及所述第二样本集合内每个第二样本图像中待检测对象的第二特征向量;
利用支持向量机SVM对所述第一特征向量及所述第二特征向量进行训练,生成对象特征训练模型;
基于所述对象特征训练模型,获取所述待检测对象的检测子。
5.根据权利要求1所述的方法,其特征在于,所述利用所述检测子,对所述输电线路的待检测图像进行对象检测,以检测到所述输电线路中的目标对象,包括:
利用所述检测子,对所述输电线路的待检测图像进行Harri角点检测及hough直线检测,以得到所述待检测图像中的目标区域;
以预设窗口大小及预设检索步长对所述目标区域进行检测,以得到所述待检测图像中所述输电线路的目标对象。
6.一种输电线路中目标对象的检测装置,其特征在于,包括:
图像获取单元,用于获取所述输电线路的航拍图像;
区域确定单元,用于依据所述输电线路中输电杆塔与待检测对象的预设几何关系,确定所述航拍图像中的输电杆塔图像区域及待检测对象的对象图像区域;
向量构建单元,用于对所述对象图像区域进行特征向量构建,以得到所述待检测对象的检测子;
对象检测单元,用于利用所述检测子,对所述输电线路的待检测图像进行对象检测,以确定所述输电线路中的目标对象。
7.根据权利要求6所述的装置,其特征在于,所述区域确定单元包括:
区域分割子单元,用于对所述航拍图像利用分裂合并算法进行图像分割,得到多个子图像区域,每个所述子图像区域的属性特征不同;
特征修改子单元,用于对每个所述子图像区域中的颜色属性特征为率的图像区域的图像属性特征修改为0;
杆塔区域确定子单元,用于将每个所述子图像区域的图像属性特征分割线作为区域边界线,利用区域周长算法确定所述航拍图像中的输电杆塔图像区域;
区域扩展子单元,用于基于待检测对象监理在输电杆塔之上的几何关系,以所述输电杆塔图像区域的区域边界为基准,向边界像素的四连通域方向扩张到预设阈值,以得到扩张图像区域;
目标图像获取子单元,用于获取所述输电杆塔图像区域中与所述扩张图像区域相交的目标图像区域;
对象区域获取子单元,用于基于待检测对象的成像特征,获取所述目标图像区域中所述待检测对象的对象图像区域。
8.根据权利要求6所述的装置,其特征在于,所述向量构建单元包括:
轮廓提取子单元,用于提取所述对象图像区域中的对象图像轮廓;
区域扩大子单元,用于以所述对象图像轮廓的外接矩形为边界,对所述对象图像区域扩大到预设尺寸值;
图像剪裁子单元,用于对扩大之后的对象图像区域剪裁至所述预设尺寸值大小的剪裁图像;
向量构建子单元,用于基于所述剪裁图像,构建待检测对象的特征向量;
检测子获取子单元,用于基于所述特征向量,获取待检测对象的检测子。
9.根据权利要求8所述的装置,其特征在于,所述检测子获取子单元包括:
样本选取模块,用于选取所述对象图像区域中的第一样本图像及第二样本图像,得到第一样本集合和第二样本集合;
向量获取模块,用于在所述特征向量中,分别提取所述第一样本集合内每个第一样本图像中待检测对象的第一特征向量机所述第二样本集合内每个第二样本图像中待检测对象的第二特征向量;
模型生成模块,用于利用SVM对所述第一特征向量机所述第二特征向量进行训练,生成对象特征训练模型;
检测子获取模块,用于基于所述对象特征训练模型,获取所述待检测对象的检测子。
10.根据权利要求6所述的装置,其特征在于,所述对象检测单元包括:
图像检测子单元,用于利用所述检测子,对所述输电线路的待检测图像进行Harri角点检测及hough直线检测,以得到所述待检测图像中的目标区域;
区域检测子单元,用于以预设窗口大小及预设检测步长对所述目标区域进行检测,以得到所述待检测图像中所述输电线路的目标对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510272155.5A CN104915678B (zh) | 2015-05-26 | 2015-05-26 | 一种输电线路中目标对象的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510272155.5A CN104915678B (zh) | 2015-05-26 | 2015-05-26 | 一种输电线路中目标对象的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915678A true CN104915678A (zh) | 2015-09-16 |
CN104915678B CN104915678B (zh) | 2019-05-14 |
Family
ID=54084727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510272155.5A Active CN104915678B (zh) | 2015-05-26 | 2015-05-26 | 一种输电线路中目标对象的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915678B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389555A (zh) * | 2015-11-06 | 2016-03-09 | 天津航天中为数据系统科技有限公司 | 基于航拍图像的隐患目标分析方法及系统 |
CN108334844A (zh) * | 2018-02-06 | 2018-07-27 | 贵州电网有限责任公司 | 一种输电线路巡检的沿线自动跟踪方法 |
CN108871288A (zh) * | 2018-06-01 | 2018-11-23 | 广州中科云图智能科技有限公司 | 一种无人机带状倾斜影像航测方法及系统 |
CN108871287A (zh) * | 2018-06-01 | 2018-11-23 | 广州中科云图智能科技有限公司 | 一种无人机带状正射影像航测方法及系统 |
CN109829881A (zh) * | 2018-12-17 | 2019-05-31 | 广东电网有限责任公司 | 基于深度学习的鸟巢检测方法及系统 |
CN110008850A (zh) * | 2019-03-15 | 2019-07-12 | 交通运输部天津水运工程科学研究所 | 一种基于鸟类颜色提取的庇护植物筛选方法 |
CN112017394A (zh) * | 2020-09-04 | 2020-12-01 | 国网山东省电力公司莱芜供电公司 | 一种用于输电线路杆塔的鸟窝报警装置 |
CN112884740A (zh) * | 2021-02-20 | 2021-06-01 | 联想(北京)有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446390A (zh) * | 2011-03-16 | 2012-05-09 | 上海市电力公司 | 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 |
CN103049739A (zh) * | 2012-12-10 | 2013-04-17 | 上海市电力公司 | 一种输电线路智能监控中树木检测方法 |
CN103530620A (zh) * | 2013-10-30 | 2014-01-22 | 华北电力大学 | 一种输电线路杆塔鸟巢的识别方法 |
-
2015
- 2015-05-26 CN CN201510272155.5A patent/CN104915678B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446390A (zh) * | 2011-03-16 | 2012-05-09 | 上海市电力公司 | 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 |
CN103049739A (zh) * | 2012-12-10 | 2013-04-17 | 上海市电力公司 | 一种输电线路智能监控中树木检测方法 |
CN103530620A (zh) * | 2013-10-30 | 2014-01-22 | 华北电力大学 | 一种输电线路杆塔鸟巢的识别方法 |
Non-Patent Citations (2)
Title |
---|
王桢 等: "基于视频图像处理技术的输电线路杆塔鸟巢识别", 《万方数据知识服务平台》 * |
金立军 等: "基于航拍视频的输电线走廊危险地物检测技术", 《系统仿真学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389555A (zh) * | 2015-11-06 | 2016-03-09 | 天津航天中为数据系统科技有限公司 | 基于航拍图像的隐患目标分析方法及系统 |
CN108334844A (zh) * | 2018-02-06 | 2018-07-27 | 贵州电网有限责任公司 | 一种输电线路巡检的沿线自动跟踪方法 |
CN108334844B (zh) * | 2018-02-06 | 2022-08-12 | 贵州电网有限责任公司 | 一种输电线路巡检的沿线自动跟踪方法 |
CN108871288A (zh) * | 2018-06-01 | 2018-11-23 | 广州中科云图智能科技有限公司 | 一种无人机带状倾斜影像航测方法及系统 |
CN108871287A (zh) * | 2018-06-01 | 2018-11-23 | 广州中科云图智能科技有限公司 | 一种无人机带状正射影像航测方法及系统 |
CN108871288B (zh) * | 2018-06-01 | 2021-01-12 | 广州中科云图智能科技有限公司 | 一种无人机带状倾斜影像航测方法及系统 |
CN108871287B (zh) * | 2018-06-01 | 2021-01-12 | 广州中科云图智能科技有限公司 | 一种无人机带状正射影像航测方法及系统 |
CN109829881A (zh) * | 2018-12-17 | 2019-05-31 | 广东电网有限责任公司 | 基于深度学习的鸟巢检测方法及系统 |
CN110008850A (zh) * | 2019-03-15 | 2019-07-12 | 交通运输部天津水运工程科学研究所 | 一种基于鸟类颜色提取的庇护植物筛选方法 |
CN110008850B (zh) * | 2019-03-15 | 2023-01-10 | 交通运输部天津水运工程科学研究所 | 一种基于鸟类颜色提取的庇护植物筛选方法 |
CN112017394A (zh) * | 2020-09-04 | 2020-12-01 | 国网山东省电力公司莱芜供电公司 | 一种用于输电线路杆塔的鸟窝报警装置 |
CN112884740A (zh) * | 2021-02-20 | 2021-06-01 | 联想(北京)有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104915678B (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915678A (zh) | 一种输电线路中目标对象的检测方法及装置 | |
CN110942000B (zh) | 一种基于深度学习的无人驾驶车辆目标检测方法 | |
Wu et al. | Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach | |
KR101856401B1 (ko) | 차선 데이터의 처리 방법, 장치, 저장매체 및 기기 | |
Siriborvornratanakul | An automatic road distress visual inspection system using an onboard in-car camera | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN105260737A (zh) | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 | |
CN105608441B (zh) | 一种车型识别方法及系统 | |
CN106934455B (zh) | 基于cnn的遥感影像光学适配结构选取方法及系统 | |
CN106803070A (zh) | 一种基于遥感图像的港口区域舰船目标变化检测方法 | |
CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN108133460B (zh) | 一种适用于电力作业机器人的颜色型状态指示器识别方法 | |
CN113822247B (zh) | 基于航拍影像的违章建筑识别方法及系统 | |
CN103761526A (zh) | 一种基于特征位置优选整合的城区检测方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN107330027A (zh) | 一种弱监督的深度台标检测方法 | |
CN109472184A (zh) | 路内泊位的状态检测方法、系统及其数据处理装置 | |
CN110390261A (zh) | 目标检测方法、装置、计算机可读存储介质及电子设备 | |
CN107886065A (zh) | 一种混合字体的数字序列识别方法 | |
CN107464245A (zh) | 一种图像结构边缘的定位方法及装置 | |
Karungaru et al. | Road traffic signs recognition using genetic algorithms and neural networks | |
CN105718929B (zh) | 全天候未知环境下高精度快速圆形目标定位方法和系统 | |
CN104463896A (zh) | 基于核相似区分布特性的图像角点检测方法及系统 |
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 |