CN105426905B - 基于梯度直方图和支持向量机的机器人障碍物识别方法 - Google Patents

基于梯度直方图和支持向量机的机器人障碍物识别方法 Download PDF

Info

Publication number
CN105426905B
CN105426905B CN201510734493.6A CN201510734493A CN105426905B CN 105426905 B CN105426905 B CN 105426905B CN 201510734493 A CN201510734493 A CN 201510734493A CN 105426905 B CN105426905 B CN 105426905B
Authority
CN
China
Prior art keywords
histogram
feature
gradients
vector
feature vector
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.)
Active
Application number
CN201510734493.6A
Other languages
English (en)
Other versions
CN105426905A (zh
Inventor
张峰
郭锐
慕世友
任杰
傅孟潮
雍军
韩正新
程志勇
贾永刚
曹雷
贾娟
李建祥
赵金龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Intelligent Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Shandong Luneng Intelligence Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd, Shandong Luneng Intelligence Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201510734493.6A priority Critical patent/CN105426905B/zh
Publication of CN105426905A publication Critical patent/CN105426905A/zh
Application granted granted Critical
Publication of CN105426905B publication Critical patent/CN105426905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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

本发明公开了一种基于梯度直方图和支持向量机的机器人障碍物识别方法，本方法主要包括两个部分：一是在特征提取阶段，提出了主元梯度直方图的输电线路障碍物的特征提取算法。利用典型障碍物具有不同的结构组成和空间布局的特点，通过计算常见在线障碍物的统计特征，利用HOG算法的特征提取，可以得到光照和尺度变化无关的特征点，能够有效的去掉干扰。同时，利用主成分分析来进一步对获得的特征向量进行降维运算得到主元梯度直方图，能有效减低无关特征，减少运算量，用最少量的特征建立相对应障碍物的特征集合，为下一步的目标识别提供良好的支持。二是在目标识别阶段，利用线性支持向量机(SVM)进行识别，得到了非常良好的识别效果。

Description

基于梯度直方图和支持向量机的机器人障碍物识别方法
技术领域
本发明涉及一种基于梯度直方图和支持向量机的机器人障碍物识别方法。
背景技术
输电线路巡检机器人的自主导航系统一直是智能电网维护与安全监控的研究热点之一，它在输电线路巡检、维护、故障快速定位、在线监控等领域有着广泛的应用前景。然而，当巡线机器人采用轮式行走机构沿架空输电线路“爬行”时，安装在导线上的防震锤、绝缘子、悬垂线夹、耐张线夹等杆塔支撑附件阻挡了巡线机器人的前进。同时，不同的障碍物无论在姿势，视角还是都有着相对明显的变化，加之复杂的野外巡检场景背景，大范围的光照角度变化，以及视觉系统自身的晃动，鲁棒的在线物体识别问题一直是一个富有挑战性的研究课题。
一般而言，巡线机器人的视觉导航系统要完成的主要任务是：(1)实时检测并定位输电线路上常见悬挂物体如防震锤、耐张线夹、悬垂线夹等，在此基础上视觉系统将引导巡检机器人慢速趋近障碍，避免碰撞。(2)实时识别出具体目标的类型，在此基础上规划越障策略，完成越障运动控制。相应而言，巡检机器人的视觉导航系统包括两个模块：1，目标检测和识别。检测模块的目的是从图像中提取可能包含待检测目标的部分区域，以期提高搜索速度。目标识别模块对该区域进行验证，以判断是否包含待检测障碍物。因此目标识别模块的精度决定了导航系统的性能指标。
目前，常见的巡线机器人的识别方法主要有如下几种方法：基于形状基元(如圆，椭圆等)的方法。基于结构的方法，基于统计特征的方法等。一般而言，基元特征与形状基元之间结构关系特征都具有不确定性，因此传统非统计方法无法进行准确识别。统计方法可用于局部基元与局部结构关系的识别，其识别结果则可以用于障碍物整体的结构识别。然而，现有统计技术的缺陷是：在大范围复杂背景与光照的影响下，不可避免的存在大量虚假检测结果，因此可靠性和有效性不能得到保证。
发明内容
本发明为了解决上述问题，提出了一种基于统计梯度直方图和支持向量机的机器人障碍物识别方法。本方法属于统计方法与结构方法的结合，非常适用于复杂的物体识别。其核心思想在于利用统计方法抽取障碍物图像的各种统计特征，将这些统计特征组成特征向量(Feature Vector)，并在特征向量空间进行分类。具体而言，本方法利用典型障碍物具有不同的结构组成和空间布局的特点，通过计算在线障碍物的统计特征，利用HOG算法的特征提取，可以得到光照和尺度变化无关的特征点，能够有效的去掉干扰同时，利用主成分分析来进一步对获得的特征向量进行降维运算，能有效减低无关特征，减少运算量，用最少量的特征建立相对应障碍物的特征集合，为下一步的目标识别提供良好的支持。在目标识别阶段，利用线性支持向量机(Support Vector machine，SVM)进行识别，得到了非常良好的识别效果。
为了实现上述目的，本发明采用如下技术方案：
一种基于梯度直方图和支持向量机的机器人障碍物识别方法，包括以下步骤：
(1)提取原始图像梯度直方图特征，确定表征线上不同类型线上障碍物特征向量集；
(2)将特征向量集中的特征向量进行降低特征维数，对目标图像进行进一步抽象表征；
(3)将已有各类型图像进行特征提取，形成新的样本数据，选取训练样本，利用支持向量机建立起障碍物分类模型，支持向量机分类模型输出最大值所对应的分类类型即为识别结果。
所述步骤(1)中，包括以下步骤：
(1-1)将图片进行划分，将设定像素区域指定为一个单元；
(1-2)在每个单元内进行0-360°的梯度直方图统计，将已划分的单元按照设定值合并成大区域，表征每个像素点的梯度特征；
(1-3)将所有单元的特征向量链接，得到障碍物特征图像对应的HOG特征向量，利用整体子图像的直方图对特征向量进行归一化处理。
所述步骤(1-1)的具体方法为：将64×128大小的图片进行划分，把4×4大小的像素区域指定为一个单元，用Gx(x,y)，Gy(x,y)分别表示像素点(x,y)处的水平方向和垂直方向的梯度幅值，G(x,y)表示像素点(x,y)处梯度大小，α(x,y)表示像素点(x,y)处的梯度方向，其中：
Gx(x,y)＝I(x+1,y)-I(x-1,y)
Gy(x,y)＝I(x,y+1)-I(x,y-1)
所述步骤(1-2)中，具体方法为：获得单元之后，在每个单元内进行0-360°的梯度直方图统计，统计结果是一个9维的特征向量，将前面的单元合并成为一个大区域，即2×2的单元组成一个新的单元，利用bink表示梯度方向的第k个方向区间，每个像素点(x,y)处的梯度特征用一个9维的向量Vk(x,y)来表示，Vk(x,y)表示像素点(x,y)在第k个方向的幅度大小
其中1≤k≤9。
所述步骤(1-3)的具体步骤为：将单元的特征向量链接起来，得到一张线上典型障碍物特征图像对应的HOG特征向量，其大小为3780维，为了消除光照变化的影响，用整体子图像的直方图对特征向量进行归一化处理。
所述步骤(2)中，具体的方法包括：
(2-1)针对已有图像特征矩阵中的每个训练样本，计算平均向量；
(2-2)根据平均向量，计算协方差矩阵；
(2-3)计算协方差矩阵的特征值和特征向量，选择多个贡献率最大的特征向量作为基，构成投影矩阵；
(2-4)利用投影矩阵对原始HOG特征矩阵进行降维处理，得到最终训练特征矩阵。
所述步骤(2-1)中，具体方法为：针对已有图像特征矩阵中的每个训练样本，计算平均向量：
其中xi为第i个已有图像特征矩阵中的训练样本，m为训练样本数量，为所得标准差。
所述步骤(2-2)中，协方差矩阵为：C为计算所得协方差矩阵。
所述步骤(2-3)中，计算协方差矩阵的特征值和特征向量bi；选择K个贡献率最大的特征向量作为特征子空间的基，由这些基组成投影矩阵B，B＝[b1,b2,...,bK]T。
所述步骤(2-4)中，利用投影矩阵B对于原始HOG特征矩阵P进行降维处理，得到最终训练特征矩阵P＝P×B。
所述步骤(3)中，通过模式分类原理进行分类器设计。具体子步骤为：将已有各类型图像进行特征提取，形成新的L个样本数据；从新的L个样本数据中选取P个样本数据作为训练样本，利用支持向量机建立起障碍物分类模型。作为模式分类中的标准分类器之一，支持向量机以结构简单同时分类效果明显而著称。然而常见支持向量机都是进行线性分类。因通过HOG所获得的图像特征空间并非线性可分，因此需要通过某种事先定义的非线性映射函数(称之为核函数)将输入变量映射到一个高维特征空间使其变成线性可分。在本方案中支持向量机的核函数选择高斯核函数，通过输入新图像特征进行检测，支持向量机分类模型输出最大值所对应的分类类型即为识别结果。
本发明的有益效果为：
(1)建立了一个输电线路上的通用障碍物识别系统。由数据库(Database)、特征提取器(Feature Extraction)、数据降维器(dimension reduction unit)、分类器建模(Classifier Formation)和目标识别验证(Classifier Verification)等模块组成。
(1)在特征取阶段，提出了主元梯度直方图的输电线路障碍物的特征提取算法，利用典型障碍物具有不同的结构组成和空间布局的特点，通过计算常见在线障碍物不同类型的统计特征，利用HOG算法的特征提取，可以得到光照和尺度变化无关的特征点，能够有效的去掉野外复杂光照环境干扰；
(2)在数据降维阶段，利用主成分分析来进一步对获得的特征向量进行降维运算得到主元梯度直方图，能有效减低无关特征，减少运算量，用最少量的特征建立相对应障碍物的特征集合，为下一步的目标识别提供良好的支持；
(3)在分类器建模与目标识别验证阶段，利用线性支持向量机(SVM)进行识别，得到了非常良好的识别效果；实现了一种实时、高识别率、低计算资源消耗的输电线路线上障碍物识别方案；
(4)和传统的图像在线识别方法相比，本发明具有训练时间短、计算量低、识别精确度高、鲁棒性强的特点，更加适合复杂野外情况的在线识别。在巡检机器人的在线实验结果表明，此种实现尤其适用于采用无线传输的实时图像监控环境下，尤其是有着极端资源限制的架空输电线路网络中,例如智能视频监控等。
附图说明
图1是本发明的流程图。
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，一种基于梯度直方图和支持向量机的线路巡检机器人障碍物识别方法，如下步骤进行：
步骤一：提取原始图像梯度直方图特征，确定表征不同线上障碍物特征向量集，具体包括以下三步：
第一步：将64×128大小的图片进行划分，把4×4大小的像素区域指定为一个单元。我们用Gx(x,y)，Gy(x,y)分别表示像素点(x,y)处的水平方向和垂直方向的梯度幅值，G(x,y)表示像素点(x,y)处梯度大小，α(x,y)表示像素点(x,y)处的梯度方向。
Gx(x,y)＝I(x+1,y)-I(x-1,y)
Gy(x,y)＝I(x,y+1)-I(x,y-1)
第二步：再获得单元之后，我们在每个单元内进行0-360°的梯度直方图统计。其结果是一个9维的特征向量。同时我们将前面的单元合并成为一个大区域，即2×2的单元组成一个新的单元。我们用bink表示梯度方向的第k个方向区间。这样，每个像素点(x,y)处的梯度特征可以用一个9维的向量Vk(x,y)来表示。具体而言，Vk(x,y)表示像素点(x,y)在第k个方向的幅度大小
其中1≤k≤9
第三步：将这些单元的特征向量链接起来，我们就得到了一张线上典型障碍物特征图像对应的HOG特征向量，其大小为3780维。为了进一步消除光照变化的影响，我们用整体子图像的直方图对特征向量进行归一化处理。归一化之后的特征直方图将进行进一步的降维操作。
步骤二：对获得的特征向量进行主分量降维。降低特征维数，并进一步对目标图像的局部外观和形状进行抽象表征。具体步骤如下：
1，针对已有图像特征矩阵中的每个训练样本，计算平均向量
其中xi为第i个已有图像特征矩阵中的训练样本，m为训练样本数量，为所得标准差。
计算协方差矩阵其中C为计算所得协方差矩阵。
2，计算C的特征值和特征向量bi；选择K个最大(贡献率最大)的特征向量作为特征子空间的基，由这些基组成投影矩阵B，B＝[b1,b2,...,bK]T
3，利用投影矩阵B对于原始HOG特征矩阵P进行降维处理，得到最终训练特征矩阵P＝P×B。
步骤三：将已有各类型图像进行特征提取，形成新的L个样本数据；从新的L个样本数据中选取P个样本数据作为训练样本，利用支持向量机建立起障碍物分类模型，其中支持向量机的核函数选择高斯核函数。通过输入新图像特征进行检测，支持向量机分类模型输出最大值所对应的分类类型即为识别结果。
以某电网公司和某型号架空输电线路巡检机器人视觉系统测试获得数据为样本，其结果对400张测试样本照片4类进行测试，其分类准确率达到95％。
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 (6)

1.一种基于梯度直方图和支持向量机的机器人障碍物识别方法，其特征是：包括以下步骤：
(1)提取原始图像梯度直方图特征，确定表征线上不同类型线上障碍物特征向量集；
(2)将特征向量集中的特征向量进行降低特征维数，对目标图像进行进一步抽象表征；
(3)将已有各类型图像进行特征提取，形成新的样本数据，选取训练样本，利用支持向量机建立起障碍物分类模型，支持向量机分类模型输出最大值所对应的分类类型即为识别结果；
所述步骤(1)中，包括以下步骤：
(1-1)将图片进行划分，将设定像素区域指定为一个单元；
(1-2)在每个单元内进行0-360°的梯度直方图统计，将已划分的单元按照设定值合并成大区域，表征每个像素点的梯度特征；
(1-3)将所有单元的特征向量链接，得到障碍物特征图像对应的HOG特征向量，利用整体子图像的直方图对特征向量进行归一化处理；
所述步骤(2)中，具体的方法包括：
(2-1)针对已有图像特征矩阵中的每个训练样本，计算平均向量；
(2-2)根据平均向量，计算协方差矩阵；
(2-3)计算协方差矩阵的特征值和特征向量，选择多个贡献率最大的特征向量作为基，构成投影矩阵；
(2-4)利用投影矩阵对原始HOG特征矩阵进行降维处理，得到最终训练特征矩阵；
所述步骤(1-2)中，具体方法为：获得单元之后，在每个单元内进行0-360°的梯度直方图统计，统计结果是一个9维的特征向量，将前面的单元合并成为一个大区域，即2×2的单元组成一个新的单元，利用bink表示梯度方向的第k个方向区间，每个像素点(x,y)处的梯度特征用一个9维的向量Vk(x,y)来表示，Vk(x,y)表示像素点(x,y)在第k个方向的幅度大小
其中1≤k≤9；
所述步骤(1-3)的具体步骤为：将单元的特征向量链接起来，得到一张线上典型障碍物特征图像对应的HOG特征向量，其大小为3780维，为了消除光照变化的影响，用整体子图像的直方图对特征向量进行归一化处理。
2.如权利要求1所述的一种基于梯度直方图和支持向量机的机器人障碍物识别方法，其特征是：所述步骤(1-1)的具体方法为：将64×128大小的图片进行划分，把4×4大小的像素区域指定为一个单元，用Gx(x,y)，Gy(x,y)分别表示像素点(x,y)处的水平方向和垂直方向的梯度幅值，G(x,y)表示像素点(x,y)处梯度大小，α(x,y)表示像素点(x,y)处的梯度方向，其中：
Gx(x,y)＝I(x+1,y)-I(x-1,y)
Gy(x,y)＝I(x,y+1)-I(x,y-1)
3.如权利要求1所述的一种基于梯度直方图和支持向量机的机器人障碍物识别方法，其特征是：所述步骤(2-1)中，具体方法为：针对已有图像特征矩阵中的每个训练样本，计算平均向量：
其中xi为第i个已有图像特征矩阵中的训练样本，m为训练样本数量，为所得标准差。
4.如权利要求1所述的一种基于梯度直方图和支持向量机的机器人障碍物识别方法，其特征是：所述步骤(2-2)中，协方差矩阵为：C为计算所得协方差矩阵；
计算协方差矩阵的特征值和特征向量bi；选择K个贡献率最大的特征向量作为特征子空间的基，由这些基组成投影矩阵B，B＝[b1,b2,...,bK]T。
5.如权利要求1所述的一种基于梯度直方图和支持向量机的机器人障碍物识别方法，其特征是：所述步骤(2-4)中，利用投影矩阵B对于原始HOG特征矩阵P进行降维处理，得到最终训练特征矩阵P＝P×B。
6.如权利要求1所述的一种基于梯度直方图和支持向量机的机器人障碍物识别方法，其特征是：所述步骤(3)中，通过模式分类原理进行分类器设计，具体子步骤为：将已有各类型图像进行特征提取，形成新的L个样本数据；从新的L个样本数据中选取P个样本数据作为训练样本，利用支持向量机建立起障碍物分类模型。
CN201510734493.6A 2015-11-02 2015-11-02 基于梯度直方图和支持向量机的机器人障碍物识别方法 Active CN105426905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510734493.6A CN105426905B (zh) 2015-11-02 2015-11-02 基于梯度直方图和支持向量机的机器人障碍物识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510734493.6A CN105426905B (zh) 2015-11-02 2015-11-02 基于梯度直方图和支持向量机的机器人障碍物识别方法

Publications (2)

Publication Number Publication Date
CN105426905A CN105426905A (zh) 2016-03-23
CN105426905B true CN105426905B (zh) 2019-08-06

Family

ID=55505103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510734493.6A Active CN105426905B (zh) 2015-11-02 2015-11-02 基于梯度直方图和支持向量机的机器人障碍物识别方法

Country Status (1)

Country Link
CN (1) CN105426905B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446921A (zh) * 2016-09-05 2017-02-22 国网重庆市电力公司电力科学研究院 一种高压输电线障碍物识别方法及装置
CN106529542A (zh) * 2016-09-30 2017-03-22 中国石油天然气股份有限公司 示功图识别方法和装置
CN106778560B (zh) * 2016-12-01 2020-08-04 中科唯实科技（北京）有限公司 一种基于ＦＨＯＧ特征和Ｌｉｎｅａｒ ＳＶＭ的车型识别方法
CN106886791A (zh) * 2016-12-28 2017-06-23 四川木牛流马智能科技有限公司 一种基于条件随机场的二维ct图片中脂肪位置识别方法
CN106971196A (zh) * 2017-03-02 2017-07-21 南京信息工程大学 一种基于代价敏感的核稀疏表示分类器的消防车识别方法
CN106960196B (zh) * 2017-03-29 2020-04-07 西安电子科技大学 基于模板匹配和svm的工业视频小数字识别方法
CN107341498A (zh) * 2017-05-22 2017-11-10 深圳市奇脉电子技术有限公司 一种基于cis的生物识别装置启动照明设备及启动方法
CN108108753B (zh) * 2017-12-15 2022-08-19 京北方信息技术股份有限公司 一种基于支持向量机的复选框选择状态的识别方法及装置
CN108154517A (zh) * 2017-12-26 2018-06-12 北京华想联合科技有限公司 一种基于肝脏超声图像的肝包膜线自动提取方法
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
CN108520261B (zh) * 2018-03-01 2021-06-18 中国农业大学 一种花生果仁数量的识别方法和装置
CN108319958A (zh) * 2018-03-16 2018-07-24 福州大学 一种基于特征融合匹配的行驶证检测和识别方法
CN108537154B (zh) * 2018-03-28 2021-09-28 天津大学 基于hog特征和机器学习的输电线路鸟巢识别方法
CN109117865A (zh) * 2018-07-13 2019-01-01 福州大学 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法
CN109509188B (zh) * 2018-11-12 2022-04-15 贵州电网有限责任公司 一种基于hog特征的输电线路典型缺陷识别方法
CN110136188B (zh) * 2019-05-16 2023-01-17 东莞职业技术学院 一种基于特征的立体图像匹配算法
CN110224790B (zh) * 2019-06-11 2022-02-15 东莞理工学院 一种基于Echelon-Ferrers的子空间码分层贪心方法
CN110610130A (zh) * 2019-08-06 2019-12-24 国网智能科技股份有限公司 一种多传感器信息融合的输电线路机器人导航方法及系统
CN110729938A (zh) * 2019-10-25 2020-01-24 中国矿业大学 基于机器视觉的异步电机转子断条故障识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609716A (zh) * 2012-01-10 2012-07-25 银江股份有限公司 一种基于改进的hog特征和pca的行人检测方法
TW201426564A (zh) * 2012-12-25 2014-07-01 Univ Nat Chiao Tung 車牌影像辨識系統及方法
CN104091157A (zh) * 2014-07-09 2014-10-08 河海大学 一种基于特征融合的行人检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7853072B2 (en) * 2006-07-20 2010-12-14 Sarnoff Corporation System and method for detecting still objects in images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609716A (zh) * 2012-01-10 2012-07-25 银江股份有限公司 一种基于改进的hog特征和pca的行人检测方法
TW201426564A (zh) * 2012-12-25 2014-07-01 Univ Nat Chiao Tung 車牌影像辨識系統及方法
CN104091157A (zh) * 2014-07-09 2014-10-08 河海大学 一种基于特征融合的行人检测方法

Also Published As

Publication number Publication date
CN105426905A (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
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
Zhou et al. Safety helmet detection based on YOLOv5
CN106919978B (zh) 一种高铁接触网支撑装置零部件识别检测方法
CN104268539B (zh) 一种高性能的人脸识别方法及系统
CN106372666B (zh) 一种目标识别方法及装置
CN105512683A (zh) 基于卷积神经网络的目标定位方法及装置
CN105956632B (zh) 一种检测目标的方法和装置
CN112200178B (zh) 基于人工智能的变电站绝缘子红外图像检测方法
CN105426870A (zh) 一种人脸关键点定位方法及装置
CN103886325B (zh) 一种分块的循环矩阵视频跟踪方法
CN105404867B (zh) 一种基于视觉的变电站隔离开关状态识别方法
Yang et al. Deep learning‐based bolt loosening detection for wind turbine towers
CN105260749B (zh) 基于方向梯度二值模式和软级联svm的实时目标检测方法
CN110288032A (zh) 一种车辆行驶轨迹类型检测方法及装置
CN102855500A (zh) 一种基于Haar和HoG特征的前车检测方法
CN104156734A (zh) 一种基于随机蕨分类器的全自主在线学习方法
CN104573680B (zh) 图像检测方法、图像检测装置以及交通违法检测系统
CN104615986A (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN110533654A (zh) 零部件的异常检测方法及装置
CN111242144B (zh) 电网设备异常的检测方法和装置
CN114638784A (zh) 一种基于fe-yolo的铜管表面缺陷检测方法及装置
CN109785288A (zh) 基于深度学习的输电设备缺陷检测方法及系统
CN105095837B (zh) 一种台标识别方法和系统
CN108009574A (zh) 一种轨道扣件检测方法
CN103413149A (zh) 复杂背景中实现静态目标检测和识别的方法

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
CP01 Change in the name or title of a patent holder

Address after: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000

Co-patentee after: National Network Intelligent Technology Co., Ltd.

Patentee after: Electric Power Research Institute of State Grid Shandong Electric Power Company

Co-patentee after: State Grid Corporation of China

Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000

Co-patentee before: Shandong Luneng Intelligent Technology Co., Ltd.

Patentee before: Electric Power Research Institute of State Grid Shandong Electric Power Company

Co-patentee before: State Grid Corporation of China

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20201029

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: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000

Patentee before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Patentee before: National Network Intelligent Technology Co.,Ltd.

Patentee before: STATE GRID CORPORATION OF CHINA

TR01 Transfer of patent right