CN105354589A - 一种在接触网图像中智能识别绝缘子裂损的方法及系统 - Google Patents
一种在接触网图像中智能识别绝缘子裂损的方法及系统 Download PDFInfo
- Publication number
- CN105354589A CN105354589A CN201510645444.5A CN201510645444A CN105354589A CN 105354589 A CN105354589 A CN 105354589A CN 201510645444 A CN201510645444 A CN 201510645444A CN 105354589 A CN105354589 A CN 105354589A
- Authority
- CN
- China
- Prior art keywords
- insulator
- rhegma
- image
- contact net
- training
- 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
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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及接触网图像处理技术领域,本发明公开了一种在接触网图像中智能识别绝缘子裂损的方法,其具体包括以下的步骤:步骤一、预先训练LBP+SVM分类器,得到第一SVM模型,具体为把接触网图片中的绝缘子作为正样本,其余部分作为负样本,计算所有样本的LBP特征;步骤二、预先训练HOG+SVM分类器,得到第二SVM模型,具体为把绝缘子图片中有裂损的绝缘子片作为正样本,其余部分作为负样本,计算所有样本的HOG特征;步骤三、采用步骤一训练的第一SVM模型定位出图片中绝缘子的位置;步骤四,采用步骤二训练的第二SVM模型,根据步骤三获得的绝缘子来定位此绝缘子是否有裂损的绝缘子片,如果定位成功表示此绝缘子有裂损,反之是完好的绝缘子。通过上述方法实现绝缘子裂损的智能识别。
Description
技术领域
本发明涉及对高铁接触网的图像进行处理的技术领域,尤其涉及一种在接触网图像中智能识别绝缘子裂损的方法及系统。
背景技术
十二五期间,我国已成为世界高速铁路里程第一大国,高速铁路的快速发展和运营品质的需求,对于铁路牵引供电系统设备的安全运行提出了更高的要求。接触网是电气化铁路牵引供电系统的关键设备,具有露天设置、动态工作、沿线无备用等特殊性,因而也是牵引供电系统中最薄弱的环节。一旦发生故障将直接影响牵引供电系统的正常运行,甚至危害列车的行车运营安全。为确保动车组运营秩序和提高动车组的供电安全性、可靠性,《高速铁路供电安全检测监测系统(6C系统)总体技术规范》正式发布实施。其中,接触网悬挂状态检测监测系统(4C)通过对接触网支持与悬挂装置零部件进行高精度成像监测与故障自动识别,及时发现并排除故障隐患,以保障接触网悬挂系统处于良好工作状态。
绝缘子是接触网支持悬挂装置的关键部件之一,起着悬挂装置中带电部分与绝缘部分的电气隔离及对悬挂装置的支撑作用。由于长期工作在阳光曝晒、化学物质腐蚀、强电磁场、强机械应力的环境中,加上本身材质、制造工艺水平限制等因素,极易老化,易出现由雷电、污秽等引起的闪络放电而导致的裂损等不良状态,使其绝缘性能降低,严重时导致瓷瓶断裂甚至影响行车运营安全。
当前,新型接触网安全巡检装置的推广应用,已大大降低了接触网巡检工作的耗时和巡检人员的劳动强度。对于一个接触网工区来说,50位工人步行巡检1个月的工作量现在仅需一个职工花3天或一周即可完成管辖范围内线路的图像采集工作。然而,大量的图像数据却需要耗费判读人员较长时间认真仔细观看才能做到不遗漏异常图像。因此,如何利用接触网巡检图像高效智能识别接触网装置故障已成为接触网悬挂状态检测监测系统(4C)的研究重心。
因而,以具有对行车影响小且能实现实时检测的图像处理、智能识别技术为核心的绝缘子状态监测检测与故障识别系统对于保证接触网安全运行具有极其重要的现实意义。
目前,接触网绝缘子识别定位方法主要有:模板匹配法,通过绝缘子模板匹配及每片绝缘子高光反射点拟合直线满足一定角度的特性实现绝缘子的定位,该方法对于拍摄时光源的角度及亮度有较高要求。二代曲波法,利用方向性滤波来识别图像中绝缘子,通过与绝缘子方向一致的形态学膨胀腐蚀对曲波分解系数进行修正,最终定位绝缘子。SURF特征匹配法,通过样本绝缘子的SURF特征描述匹配识别并定位接触网悬挂装置图像中的绝缘子。
接触网绝缘子故障检测方法主要有:小波奇异性特征实现绝缘子异物检测,能量条带法判断夜间瓷质绝缘子片缺失及夹杂异物故障等,其故障检测原理均基于绝缘子图像明暗交错的特性。
目前采用的接触网绝缘子识别定位及故障检测的方法由于其对于亮度和瓷釉反光特性有较大依赖,均只适用于夜间拍摄质量较好的瓷质绝缘子,并不具有普遍性。且由于对拍摄角度及参数有较高要求,仅适用于识别片缺失与片间异物等大范围缺陷,对于面积较小的裂损与闪络并不敏感。
申请号为CN201310131380.8的专利公开了一种基于高铁接触网绝缘子曲线状和点状奇异性特征的不良状态检测方法,包括以下步骤:在夜间对接触网的拍摄得到待检测的绝缘子图像;待检测绝缘子图像进行对比度增强及高斯滤波去噪处理;通过Radon变换确定图像中绝缘子的大致方向;然后采用二代曲波变换的曲线状奇异性特征定位绝缘子并微调角度;最后利用二代曲波变换的曲线状奇异性特征和小波变换的点状奇异性特征判断绝缘子不良状态。本发明可快速正确识别绝缘子,并有效判断绝缘子是否发生裂损与夹杂异物的不良状态及不良状态的类型。实际输入量为待测的图像,实际输出量为已经定位出绝缘子的图片和不良状态检测的结果数据,识别效果良好,判断结果准确可靠。但这样的方法只能适用于夜间拍摄质量较好的瓷质绝缘子。
针对其他方法对亮度和瓷釉反光特性有较大依赖,只能适用于夜间拍摄质量较好的瓷质绝缘子的技术问题,CN201510217820.0公开了一种定位绝缘子的方法,采用对光照变化具有较好适应性的梯度方向直方图特征进行粗定位,进一步利用局部二值化结合分区域Otsu阈值法处理粗定位后的感兴趣区域,对于亮度和瓷釉反光特性敏感度有所降低,可适用于全时段拍摄的瓷质绝缘子和夜间拍摄的复合绝缘子,具有一定普适性;采用自适应仿射变换校正绝缘子伞裙的弧度,对于拍摄角度等参数适应性较好;分三段分别灰度投影并检测提高了对故障的敏感度及识别定位的准确性,可识别片缺失与片间异物等缺陷,特别是对于面积较小的裂损、闪络与污秽同样适用;可调整敏感度满足检测不同大小缺陷的需求;同时,本系统利用现有接触网巡检装置拍摄的图像高效智能识别绝缘子裂损、闪络、污秽等不良状态,大大降低接触网巡检后图像分析工作的耗时和故障判读人员的劳动强度。
但上述的方法都只能实现绝缘子的定位,后续的绝缘子检测还是只能通过人工来完成,人工进行绝缘子是否裂损的识别工作量大,且容易漏检。
发明内容
针对上述人工识别绝缘子是否裂损存在不易发现、耗时的技术问题,本发明公开了一种在接触网图像中智能识别绝缘子是否裂损的方法,本发明还公开了一种在接触网图像中智能识别线绝缘子是否裂损的系统。
本发明公开了一种在接触网图像中智能识别绝缘子裂损的方法,其具体包括以下的步骤:步骤一、预先训练第一分类器,得到第一SVM模型,具体为把接触网图片中的绝缘子作为正样本,其余部分作为负样本,计算所有样本的特征;步骤二、预先训练第二分类器,得到第二SVM模型,具体为把绝缘子图片中有裂损的绝缘子片作为正样本,其余部分作为负样本,计算所有样本的特征;步骤三、采用步骤一训练的第一SVM模型定位出图片中绝缘子的位置;步骤四,采用步骤二训练的第二SVM模型,根据步骤三获得的绝缘子来定位此绝缘子是否有裂损的绝缘子片,如果定位成功表示此绝缘子有裂损,反之是完好的绝缘子。采用两个分类模型,一个用于绝缘子定位,一个用于裂损绝缘子的识别,从而实现了绝缘子裂损的智能识别,避免了人工识别带来的问题。
更进一步地,上述第一SVM模型采用LBP特征+SVM分类器训练得到,第二SVM模型采用HOG特征+SVM分类器训练得到。根据不同的特性选择不同的特征进行识别,提高了识别的效率和准确度。
更进一步地,上述方法还包括当拍摄到的接触网图像是2900万像素时,将绝缘子图像缩小16倍;当拍摄到的接触网图像是1600万像素时,将绝缘子图像缩小10倍。将图片进行缩小,提高了识别的效率,针对不同的像素采用不同的缩小倍数,方便后续处理,提高识别速度。
更进一步地,上述方法还包括,当绝缘子是平腕臂时,绝缘子图像旋转±25度,当绝缘子是斜腕臂时,绝缘子图像旋转±45度。根据不同的腕臂,进行不同角度的旋转,尽量统一绝缘子方向,从而方便后续的查看。
更进一步地,上述定位绝缘子的过程还包括:31.把图像进行灰度增强;32.二值化图像;33.计算二值化图像的积分图;34.计算滑动窗口的积分,其中积分是图像灰度值的累加和,如果满足积分阈值,则计算LBP特征;35.把LBP特征向量送入第一SVM分类器;36.把分类结果满足绝缘子的滑动矩形框进行合并;37.输出最终的合并后的绝缘子矩形框作为定位后的绝缘子。
更进一步地,上述合并算法采用两两矩形框相交判定算法,具体为当两个矩形的中心坐标之差的绝对值小于等于他们的高度或者宽度一半之和,判定两个矩形框相交,则将两个矩形框进行合并。
本发明还公开了一种在接触网图像中智能识别绝缘子裂损的系统,其具体包括第一建模单元、第二建模单元、绝缘子定位单元和裂损识别单元;所述第一建模单元用于训练第一分类器,得到第一SVM模型,把接触网图片中的绝缘子作为正样本,其余部分作为负样本,计算所有样本的特征;所述第二建模单元用于训练第二分类器,得到第二SVM模型,把绝缘子图片中有裂损的绝缘子片作为正样本,其余部分作为负样本,计算所有样本的特征;所述绝缘子定位单元用于根据训练的第一SVM模型定位出图片中绝缘子的位置;所述裂损识别单元用于根据训练的第二SVM模型来判断定位出的绝缘子是否有裂损的绝缘子片,当第二SVM模型定位成功表示此绝缘子有裂损,反之是完好的绝缘子。
更进一步地,上述第一分类器为LBP特征+SVM分类器,第二分类器为HOG特征+SVM分类器。
通过采用以上的技术方案,本发明具备以下的有益效果:通过采用两个分类器,一个用于绝缘子定位,一个用于绝缘子裂损的识别。从而实现智能识别绝缘子的裂损。
具体实施方式:
下面详细说明本发明的具体实施方式。
本发明公开了一种在接触网图像中智能识别绝缘子裂损的方法,其具体包括以下的步骤:步骤一、预先训练LBP+SVM分类器,得到第一SVM模型,具体为把接触网图片中的绝缘子作为正样本,其余部分作为负样本,计算所有样本的LBP特征;步骤二、预先训练HOG+SVM分类器,得到第二SVM模型,具体为把绝缘子图片中有裂损的绝缘子片作为正样本,其余部分作为负样本,计算所有样本的HOG特征;步骤三、采用步骤一训练的第一SVM模型定位出图片中绝缘子的位置;步骤四,采用步骤二训练的第二SVM模型,根据步骤三获得的绝缘子来定位此绝缘子是否有裂损的绝缘子片,如果定位成功表示此绝缘子有裂损,反之是完好的绝缘子。通过上述的方法,采用计算机就能智能识别出存在裂损的绝缘子,减少了人工识别带来的漏检问题,并解决了人工识别带来的劳动强度大的问题。
通过支持向量机(简称SVM)进行特征学习实现绝缘子裂损的智能识别,通过SVM将定位后的绝缘子的梯度方向直方图描述子(简称HOG)特征与裂损绝缘子特征库进行匹配,输出可以是匹配成功的定位好的存在裂损的绝缘子,也可以是“绝缘子存在裂损”的提示消息或者“绝缘子不存在裂损”的提示消息等诸如此类,从而完成绝缘子裂损的识别,粗定位后的局部图象应包含绝缘子及其周边少量背景。
上述方法具体为在定位时采用LBP特征+SVM分类器,在裂损识别时采用HOG特征+SVM分类器。定位之所以采用LBP特征是因为LBP特征是纹理特征、原理简单、计算快;分析裂损的时候采用带有梯度直方图的特征(HOG)能较好的反映裂损绝缘子的边缘特性。
优选地,上述定位出接触网图像中的绝缘子具体包括以下的步骤:步骤21、利用接触网巡检装置拍摄巡检线路支持装置中绝缘子的图像;步骤22、将图像中各部分的梯度方向直方图描述子特征与绝缘子特征库进行匹配,根据匹配结果输出粗定位后的局部图像,所述局部图像包含绝缘子及其周边背景;步骤23、预处理粗定位后的局部图像,得到二值化的绝缘子图像;步骤24、取步骤三输出的图像的边缘线,并提取边缘线灰度波形中周期变化的部分,同时结合轮廓提取算法实现绝缘子的准确定位;步骤25、利用仿射变换提取出绝缘子。
优选地,上述方法还包括当拍摄到的接触网图像是2900万像素时,将绝缘子图像缩小16倍;当拍摄到的接触网图像是1600万像素时,将绝缘子图像缩小10倍。不同的像素缩放倍数不一样,既考虑图像的信息不丢失也能保证算法的执行速度。
优选地,上述方法还包括,针对缩小后的图像,当绝缘子是平腕臂时,绝缘子图像旋转±25度,当绝缘子是斜腕臂时,绝缘子图像旋转±45度。在接触网图片中,腕臂的边缘为一条直线,腕臂边缘线的延长线必然相交于绝缘子,该直线在图像中存在固定的角度,比如斜腕臂的角度为120-130度之间,平腕臂的角度在175-185度之间,因此可以通过该直线特征提取出腕臂,并判断出是是平腕臂或还是斜腕臂,根据类型以及直线的角度将绝缘子图像进行旋转,以方便用户查看,旋转的方向还可以根据用户的使用习惯进行自定义。
优选地,上述方法还包括:31.把旋转后的图像进行灰度增强;32.采用OTSU算法二值化旋转图像;33.计算二值化图像的积分图;34.计算滑动窗口(滑动窗口是一个给定大小的矩形框,从图像的左上角开始从左到右、从上到下的滑动)的积分,所谓积分就是图像灰度值的累加和,积分计算公式如下:
(1),计算第一行的积分图
(2),计算第一列的积分图
(3)计算剩余的积分图
I(x,y)=pixel(x,y)+pixel(x-1,y)+pixel(x,y-1)-pixel(x-1,y-1)。
如果满足积分阈值,计算LBP特征;35.把LBP特征向量送入SVM分类器;36.把分类结果满足绝缘子的滑动矩形框进行合并,合并算法采用两两矩形框相交判定算法,定义:两个矩形的中心坐标之差的绝对值小于等于他们的高度(宽度)一半之和;37.输出最终的合并后的绝缘子矩形框作为定位后的绝缘子,合并公式如下:
rect.top=min(rect1.top,rect2.top)
rect.bottom=max(rect1.bottom,rect2.bottom)
rect.left=min(rect1.left,rect2.left)
rect.right=max(rect1.right,rect2.right)。
采用如上的相交合并的优点是能较好的得到绝缘子的全部区域。本发明采用的基于LBP+SVM的绝缘子定位,比以往的定位方法相比有如下优点:
1.方法通用性很好,能针对多种绝缘子类型进行处理。
2.绝缘子的定位准确率非常高、漏检率很低。
3.同一个SVM训练模型能处理不同场景下的绝缘子定位。
本发明还公开了一种在接触网图像中智能识别绝缘子裂损的系统,其具体包括第一建模单元、第二建模单元、绝缘子定位单元和裂损识别单元;所述第一建模单元用于训练LBP+SVM分类器,得到第一SVM模型,把接触网图片中的绝缘子作为正样本,其余部分作为负样本,计算所有样本的LBP特征;所述第二建模单元用于训练HOG+SVM分类器,得到第二SVM模型,把绝缘子图片中有裂损的绝缘子片作为正样本,其余部分作为负样本,计算所有样本的HOG特征;所述绝缘子定位单元用于根据训练的第一SVM模型定位出图片中绝缘子的位置;所述裂损识别单元用于根据训练的第二SVM模型来判断定位出的绝缘子是否有裂损的绝缘子片,当第二SVM模型定位成功表示此绝缘子有裂损,反之是完好的绝缘子。通过上述的方法,采用计算机就能智能识别出存在裂损的绝缘子,减少了人工识别带来的漏检问题,并解决了人工识别带来的劳动强度大的问题。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种在接触网图像中智能识别绝缘子裂损的方法,其具体包括以下的步骤:步骤一、预先训练第一SVM分类器,得到第一SVM模型,具体为把接触网图片中的绝缘子作为正样本,其余部分作为负样本,计算所有样本的特征;步骤二、预先训练第二SVM分类器,得到第二SVM模型,具体为把绝缘子图片中有裂损的绝缘子片作为正样本,其余部分作为负样本,计算所有样本的特征;步骤三、采用步骤一训练的第一SVM模型定位出图片中绝缘子的位置;步骤四,采用步骤二训练的第二SVM模型,根据步骤三获得的绝缘子来定位此绝缘子是否有裂损的绝缘子片,如果定位成功表示此绝缘子有裂损,反之是完好的绝缘子。
2.如权利要求1所述的在接触网图像中智能识别绝缘子裂损的方法,其特征在于第一SVM模型采用LBP特征+SVM分类器训练得到,第二SVM模型采用HOG特征+SVM分类器训练得到。
3.如权利要求1所述的在接触网图像中智能识别绝缘子裂损的方法,其特征在于当拍摄到的接触网图像是2900万像素时,将绝缘子图像缩小16倍;当拍摄到的接触网图像是1600万像素时,将绝缘子图像缩小10倍。
4.如权利要求1或者4所述的在接触网图像中智能识别绝缘子裂损的方法,其特征在于所述方法还包括,当绝缘子是平腕臂时,绝缘子图像旋转±25度。
5.如权利要求1或者4所述的在接触网图像中智能识别绝缘子裂损的方法,其特征在于所述方法还包括当绝缘子是斜腕臂时,绝缘子图像旋转±45度。
6.如权利要求1所述的在接触网图像中智能识别绝缘子裂损的方法,其特征在于所述定位绝缘子的过程还包括:31.把图像进行灰度增强;32.二值化图像;33.计算二值化图像的积分图;34.计算滑动窗口的积分,其中积分是图像灰度值的累加和,如果满足积分阈值,则计算LBP特征;35.把LBP特征向量送入第一SVM分类器;36.把分类结果满足绝缘子的滑动矩形框进行合并;37.输出最终的合并后的绝缘子矩形框作为定位后的绝缘子。
7.如权利要求1所述的在接触网图像中智能识别绝缘子裂损的方法,其特征在于所述合并算法采用两两矩形框相交判定算法,具体为当两个矩形的中心坐标之差的绝对值小于等于他们的高度或者宽度一半之和,判定两个矩形框相交,则将两个矩形框进行合并。
8.一种在接触网图像中智能识别绝缘子裂损的系统,其特征在于具体包括第一建模单元、第二建模单元、绝缘子定位单元和裂损识别单元;所述第一建模单元用于训练第一分类器,得到第一SVM模型,把接触网图片中的绝缘子作为正样本,其余部分作为负样本,计算所有样本的特征;所述第二建模单元用于训练第二分类器,得到第二SVM模型,把绝缘子图片中有裂损的绝缘子片作为正样本,其余部分作为负样本,计算所有样本的特征;所述绝缘子定位单元用于根据训练的第一SVM模型定位出图片中绝缘子的位置;所述裂损识别单元用于根据训练的第二SVM模型来判断定位出的绝缘子是否有裂损的绝缘子片,当第二SVM模型定位成功表示此绝缘子有裂损,反之是完好的绝缘子。
9.如权利要求7所述的在接触网图像中智能识别绝缘子裂损的系统,其特征在于所述第一分类器为LBP特征+SVM分类器,第二分类器为HOG特征+SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510645444.5A CN105354589A (zh) | 2015-10-08 | 2015-10-08 | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510645444.5A CN105354589A (zh) | 2015-10-08 | 2015-10-08 | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105354589A true CN105354589A (zh) | 2016-02-24 |
Family
ID=55330556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510645444.5A Pending CN105354589A (zh) | 2015-10-08 | 2015-10-08 | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354589A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106340019A (zh) * | 2016-08-31 | 2017-01-18 | 西南交通大学 | 一种高铁接触网斜拉线固定钩不良状态检测方法 |
CN106446934A (zh) * | 2016-08-31 | 2017-02-22 | 西南交通大学 | 基于hog特征的高铁接触网承力索座支撑底座检测方法 |
CN106778734A (zh) * | 2016-11-10 | 2017-05-31 | 华北电力大学(保定) | 一种基于稀疏表示的绝缘子掉串缺陷检测方法 |
CN106803254A (zh) * | 2017-01-17 | 2017-06-06 | 广东容祺智能科技有限公司 | 一种输电线路中绝缘子缺损分析的图片自动检测方法 |
CN106960178A (zh) * | 2017-02-23 | 2017-07-18 | 中国科学院自动化研究所 | 绝缘子识别模型的训练方法以及绝缘子的识别与定位方法 |
CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
CN107766801A (zh) * | 2017-09-28 | 2018-03-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于红外热点追踪的绝缘子识别方法及装置 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN108513672A (zh) * | 2017-07-27 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 增强图像对比度的方法、设备及存储介质 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
CN111723793A (zh) * | 2020-06-24 | 2020-09-29 | 西南交通大学 | 一种实时刚性接触网定位点识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359372A (zh) * | 2008-09-26 | 2009-02-04 | 腾讯科技(深圳)有限公司 | 分类器的训练方法及装置、识别敏感图片的方法及装置 |
CN102722715A (zh) * | 2012-05-21 | 2012-10-10 | 华南理工大学 | 一种基于人体姿势状态判决的跌倒检测方法 |
CN103529362A (zh) * | 2013-10-28 | 2014-01-22 | 国家电网公司 | 基于感知的绝缘子识别与缺陷诊断方法 |
CN103605981A (zh) * | 2013-12-03 | 2014-02-26 | 国家电网公司 | 基于图像识别的绝缘子缺陷识别方法 |
CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
CN104021394A (zh) * | 2014-06-05 | 2014-09-03 | 华北电力大学(保定) | 基于Adaboost算法的绝缘子图像识别方法 |
CN104281569A (zh) * | 2013-07-01 | 2015-01-14 | 富士通株式会社 | 构建装置和方法、分类装置和方法以及电子设备 |
CN104764748A (zh) * | 2015-05-04 | 2015-07-08 | 成都唐源电气有限责任公司 | 定位绝缘子的方法、系统以及故障检测的方法和系统 |
-
2015
- 2015-10-08 CN CN201510645444.5A patent/CN105354589A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359372A (zh) * | 2008-09-26 | 2009-02-04 | 腾讯科技(深圳)有限公司 | 分类器的训练方法及装置、识别敏感图片的方法及装置 |
CN102722715A (zh) * | 2012-05-21 | 2012-10-10 | 华南理工大学 | 一种基于人体姿势状态判决的跌倒检测方法 |
CN104281569A (zh) * | 2013-07-01 | 2015-01-14 | 富士通株式会社 | 构建装置和方法、分类装置和方法以及电子设备 |
CN103529362A (zh) * | 2013-10-28 | 2014-01-22 | 国家电网公司 | 基于感知的绝缘子识别与缺陷诊断方法 |
CN103605981A (zh) * | 2013-12-03 | 2014-02-26 | 国家电网公司 | 基于图像识别的绝缘子缺陷识别方法 |
CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
CN104021394A (zh) * | 2014-06-05 | 2014-09-03 | 华北电力大学(保定) | 基于Adaboost算法的绝缘子图像识别方法 |
CN104764748A (zh) * | 2015-05-04 | 2015-07-08 | 成都唐源电气有限责任公司 | 定位绝缘子的方法、系统以及故障检测的方法和系统 |
Non-Patent Citations (1)
Title |
---|
金立军等: ""可见光图像颜色特征与支持向量机相结合的绝缘子污秽状态识别方法"", 《高压电兰》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106340019A (zh) * | 2016-08-31 | 2017-01-18 | 西南交通大学 | 一种高铁接触网斜拉线固定钩不良状态检测方法 |
CN106446934A (zh) * | 2016-08-31 | 2017-02-22 | 西南交通大学 | 基于hog特征的高铁接触网承力索座支撑底座检测方法 |
CN106778734A (zh) * | 2016-11-10 | 2017-05-31 | 华北电力大学(保定) | 一种基于稀疏表示的绝缘子掉串缺陷检测方法 |
CN106803254A (zh) * | 2017-01-17 | 2017-06-06 | 广东容祺智能科技有限公司 | 一种输电线路中绝缘子缺损分析的图片自动检测方法 |
CN106960178B (zh) * | 2017-02-23 | 2020-02-07 | 中国科学院自动化研究所 | 绝缘子识别模型的训练方法以及绝缘子的识别与定位方法 |
CN106960178A (zh) * | 2017-02-23 | 2017-07-18 | 中国科学院自动化研究所 | 绝缘子识别模型的训练方法以及绝缘子的识别与定位方法 |
CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
CN108513672A (zh) * | 2017-07-27 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 增强图像对比度的方法、设备及存储介质 |
CN107766801A (zh) * | 2017-09-28 | 2018-03-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于红外热点追踪的绝缘子识别方法及装置 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN110176001B (zh) * | 2019-06-03 | 2021-09-03 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
CN111723793A (zh) * | 2020-06-24 | 2020-09-29 | 西南交通大学 | 一种实时刚性接触网定位点识别方法 |
CN111723793B (zh) * | 2020-06-24 | 2022-06-28 | 西南交通大学 | 一种实时刚性接触网定位点识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354589A (zh) | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 | |
CN104764748B (zh) | 定位绝缘子的方法、系统以及故障检测的方法和系统 | |
CN106919978B (zh) | 一种高铁接触网支撑装置零部件识别检测方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN105426905B (zh) | 基于梯度直方图和支持向量机的机器人障碍物识别方法 | |
CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN106485694B (zh) | 一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN105741291A (zh) | 一种高速铁路接触网悬挂装置等电位线故障检测方法 | |
CN104318582A (zh) | 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法 | |
CN112200178A (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
CN106920240A (zh) | 一种基于红外图像的绝缘子识别和故障诊断方法 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN105354827A (zh) | 一种在接触网图像中智能识别线夹螺母脱落的方法及系统 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
Wang et al. | Semantic segmentation of transmission lines and their accessories based on UAV-taken images | |
CN111899216A (zh) | 一种高铁接触网绝缘子紧固件的异常检测方法 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
CN114030395B (zh) | 一种接触悬挂吊弦区域异物检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160224 |