CN105447530A - 基于图像识别技术的输电线路隐患及故障检测方法 - Google Patents

基于图像识别技术的输电线路隐患及故障检测方法 Download PDF

Info

Publication number
CN105447530A
CN105447530A CN201610005625.6A CN201610005625A CN105447530A CN 105447530 A CN105447530 A CN 105447530A CN 201610005625 A CN201610005625 A CN 201610005625A CN 105447530 A CN105447530 A CN 105447530A
Authority
CN
China
Prior art keywords
image
sample characteristics
connected domain
transmission line
carry out
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
Application number
CN201610005625.6A
Other languages
English (en)
Inventor
杨蔚
周辉
杜毅
赵强
杨颖锐
杨生兰
范强
李胜
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 Sichuan Electric Power Co Ltd
Original Assignee
State Grid Sichuan Electric Power 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 Sichuan Electric Power Co Ltd filed Critical State Grid Sichuan Electric Power Co Ltd
Priority to CN201610005625.6A priority Critical patent/CN105447530A/zh
Publication of CN105447530A publication Critical patent/CN105447530A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像识别技术识别领域，尤其涉及输电线路典型缺陷识别和故障检测。基于图像识别技术的输电线路隐患及故障检测方法，包括如下步骤：建立样本特征库，对缺陷图像特征进行提取，对缺陷图像进行识别，对样本特征库进行训练和对样本特征库进行学习。本发明方法实现了图像智能化判断、分析机制，从完全人工判断分析到少人判断分析，再到全面的计算机自动化判断分析，减轻了工作强度和疲劳度，提升了工作的标准化和规范化，同时减少了人工经验判断造成的偏差。逐步实现计算机自动分析判断隐患和故障能够带来大量的社会效益和经济效益，不但能够提升整体的工作效率还能确保每一个细小的隐患能够及时发现，降低隐患和故障对电力输送线的影响。

Description

基于图像识别技术的输电线路隐患及故障检测方法
技术领域
本发明属于图像识别技术识别领域，尤其涉及输电线路典型缺陷识别和故障检测。
背景技术
建设输电线路典型缺陷识别模型库便于实现智能化线路巡视工作，通过图像识别、图像分析、图像处理、智能学习等技术的应用，能够实现线路隐患自动判断的目的。通过图像识别技术在输电线路隐患排查中的应用研究，可以提高巡视的及时性，能够第一时间发现线路中存在的隐患或故障；提高巡视的科学性，系统根据不同的缺陷识别模型，进行图片分析和识别，识别线路中存在的缺陷，快速定位准确的判断缺陷发生的部位和类别；巡视智能化，通过缺陷识别模型，缺陷样本库，智能学习机制，科学高效的进行线路巡视；提高巡视的全面性，可以利用一切巡视手段进行线路巡视，通过智能识别自动分析线路缺陷；巡视的规范性，制定缺陷识别模型接口标准使得系统的兼容性更佳强大，适应更多的数据源接入系统。
发明内容
本发明针对现有技术的不足，提出一种基于图像识别技术的输电线路隐患及故障检测方法，实现图像智能化判断，减少人工经验判断造成的误差。
该基于图像识别技术的输电线路隐患及故障检测方法，包括如下步骤：
S1、建立样本特征库，即提取无缺陷图像的样本特征建立样本特征库；
S2、对缺陷图像特征进行提取，具体为：
S21、对需要对比的图像采用高斯滤波进行预处理；
S22、对S21所述预处理后的无缺陷图像进行增强处理需求判定，若需要进行增强处理则转入S22，如不需要进行增强处理则转入S25；
S23、将S22所述需要增强处理的图像转到Lab空间，提取a空间图像；
S24、对S23所述转到a空间图像进行直方图均衡化处理；
S25、对图像进行最大类间方差阈值分割，将目标与背景分割；
S26、采用形态学处理方法对S25所述分割后的图像进行开运算，得到二值图像；
S27、对S26所述二值图像进行连通域过滤，保留连通域面积大于等于0.5倍阈值QH，小于等于2倍阈值QH的连通域，其中，QH为阈值；
S3、对缺陷图像进行识别，具体包括：
S31、进行canny边缘检测；
S32、对边缘点进行拟合；
S33、计算拟合误差F，若拟合误差F小于0.5则判定为破损，若拟合误差F大于等于0.5则判定为无破损；
S4、对S1所述样本特征库进行训练，具体为：
S41、加入新图像的特征向量进行分类判断，若属于S1所述样本特征库则终止训练，若不属于S1所述样本特征库则转到S42；
S42、判断S41所述特征向量是否属于支持向量，若属于支持向量，则加入S1所述样本特征库，若不属于支持向量，则不加入S1所述样本特征库；
S5、对S1所述样本特征库采用增量学习的方法提高智能程度，具体为：
S51、对新图像对比S1所述样本特征库进行识别，若识别失败，则转入S51，若识别成功则转入S4；
S52、进行人工划定区域，划出S51所述新图像的特征区域；
S53、对S52所述特征区域采用S25所述最大类间方差阈值法进行分割，获取目标区域；
S54、提取目标区域的特征向量，加入S1所述样本特征库。
进一步地，S27所述连通域过滤的具体步骤如下：
步骤A、对S26所述二值图像的连通域面积进行统计，对每一块连通域进行编号；
步骤B、计算步骤A所述连通域的中心坐标与S26所述二值图像的中心坐标的几何距离构成集合Q；
步骤C、选取步骤B所述集合Q中的最小值所对应的连通域的面积作为阈值QH；
步骤D、保留连通域面积大于等于0.5倍阈值QH，小于等于2倍阈值QH的连通域。
进一步地，S26所述形态学处理方法包括：腐蚀算法，膨胀算法和开闭运算。
进一步地，S32所述拟合包括：椭圆拟合和直线拟合。
本发明的有益效果是：
实现了图像智能化判断、分析机制，从完全人工判断分析到少人判断分析，再到全面的计算机自动化判断分析，这样大大减轻了平时的工作强度和疲劳度，提升了工作的标准化和规范化，同时减少了人工经验判断可能造成的偏差，逐步实现计算机自动分析判断隐患和故障能够带来大量的社会效益和经济效益，不但能够提升整体的工作效率还能确保每一个细小的隐患能够及时发现，降低隐患和故障对电力输送线的影响。
附图说明
图1是对缺陷图像识别的流程图。
图2是缺陷样本特征训练学习流程图。
图3为滤波后的无缺陷图像处理前和滤波后的无缺陷图像直方图均衡化处理后的效果对比。
图4为对S1所述样本特征库进行训练的流程图。
图5为对S1所述样本特征库进行学习的流程图。
具体实施方式
下面结合实施例和附图，详细说明本发明的技术方案。
实施例1：输电线路现场的绝缘子
绝缘子长期处于恶劣的自然环境中，要承受冰雪、雷击、光照以及温度剧烈变化的影响。经常会出现一些故障例如绝缘子的覆冰、闪络、雷击、自爆等。在复杂的自然环境中，高山、树林、草地遍布其中，而且光照变化复杂。这使得绝缘子的图像分割成为难题，绝缘子的分割成败往往决定着缺陷识别的成败。由于拍摄角度的变化，使得绝缘子的形状存在很大变化，并没有固定的形状特征。
S1、建立样本特征库，即提取无缺陷图像的样本特征建立样本特征库。
S2、对缺陷图像特征进行提取，具体为：
S21、对需要对比的图像采用高斯滤波进行预处理。图像预处理采用高斯滤波进行图像的平滑度、柔和度补充，一般来说在大自然环境中拍摄的图像有一些特殊的干扰点或噪声点，需要对这样的图片进行先期的预处理将图片的像素值进行模拟修正后在接下来的工序中才能更好的进行图像的分割和分析识别。
S22、对S21所述预处理后的无缺陷图像进行增强处理需求判定，若需要进行增强处理则转入S22，如不需要进行增强处理则转入S25，因为在自然环境中影响图像质量的因素很多，如：雨、雪、阳光、风等因素都会对图像的质量造成影响。当一张图像有很大的噪声后会影响后面的识别分析，所以系统智能判断图像是否需要进一步增强处理，如果需要那么会采用一些其他方法进行处理。
S23、将S22所述需要增强处理的图像转到Lab空间，提取a空间图像。
S24、为了增加特征对比度对S23所述转到a空间图像进行直方图均衡化处理，这一操作通过拉升像素区间，可以提升图片的对比度，弥补曝光过度或者曝光不足导致的亮度不均匀等效果，处理效果如图3所示。
S25、对图像进行最大类间方差阈值分割，简称为OTSU分割，将目标与背景分割。
通过上述处理，将目标与背景分割处理。但是在复杂背景中粗略分割出对后期有用的特征进行保留，同时滤除不需要的背景。
S26、得到分割结果之后，需要滤除绝缘子链接之间的金具及顽固的背景杂质，采用形态学处理方法(腐蚀算法，膨胀算法和开闭运算等)对S25所述分割后的图像进行开运算，得到保留了绝缘子信息的二值图像。
S27、对S26所述二值图像进行连通域过滤，保留连通域面积大于等于0.5倍阈值QH，小于等于2倍阈值QH的连通域，其中，QH为阈值，具体为：
步骤A、对S26所述二值图像的连通域面积进行统计，对每一块连通域进行编号；
步骤B、计算步骤A所述连通域的中心坐标与S26所述二值图像的中心坐标的几何距离构成集合Q；
步骤C、选取步骤B所述集合Q中的最小值所对应的连通域的面积作为阈值QH；
步骤D、保留连通域面积大于等于0.5倍阈值QH，小于等于2倍阈值QH的连通域。
经过过滤处理之后，将目标与背景分割彻底。在复杂背景中粗略分割出对后期有用的特征进行保留，同时滤除不需要的背景。此时，绝缘子的分割效果达到理想状态，为下一步判断绝缘子自爆提供高质量的保证。背景的连通域面积比较小，可以选择一个合适的面积作为阈值过滤掉背景干扰。
S3、对缺陷图像进行识别，绝缘子是一种半圆球体形状的物体，采用形状数的方式来进行特征提取，具体包括：
S31、进行canny边缘检测，得到绝缘子的边缘信息即边缘点的位置数据；
S32、将边缘点的位置数据存入数组中，结合绝缘子的形状特征对这些边缘点进行椭圆拟合；
S33、计算拟合误差F，若拟合误差F小于0.5则判定为破损，若拟合误差F大于等于0.5则判定为无破损，如果绝缘子没有破损则拟合的误差就会很小，如果有破损则缺陷拟合误差会比较大
S4、对S1所述样本特征库进行训练，具体为：
S41、加入新图像的特征向量进行分类判断，若属于S1所述样本特征库则终止训练，若不属于S1所述样本特征库则转到S42；
S42、判断S41所述特征向量是否属于支持向量，若属于支持向量，则加入S1所述样本特征库，若不属于支持向量，则不加入S1所述样本特征库，其中，所述支持向量一种机器学习中的分类算法，可以用于解决分类和回归问题。支持向量方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。同时，SVM还使用了核函数的技术进行数据的转换，将低维线性不可分的数据转换到高维空间，然后再根据这些转换信息，在可能的输出之中找到一个最优的边界来实现分类。
S5、对S1所述样本特征库采用增量学习的方法提高智能程度，具体为：
S51、对新图像对比S1所述样本特征库进行识别，若识别失败，则转入S51，若识别成功则转入S4；
S52、进行人工划定区域，划出S51所述新图像的特征区域；
S53、对S52所述特征区域采用S25所述最大类间方差阈值法进行分割，获取目标区域；
S54、提取目标区域的特征向量，加入S1所述样本特征库。
实施例2：输电线路中的导线
导线的散股是我们需要重点关注的一种缺陷类别，在对这一类型进行缺陷识别时，可以看出输电线路的特殊材质导致输电线路的灰度值比较高，所以可以先用较高的阈值(一般取经验值为180)对图像进行阈值化。
S1、建立样本特征库，即提取无缺陷图像的样本特征建立样本特征库；
S2、对缺陷图像特征进行提取，具体为：
S21、对需要对比的图像采用高斯滤波进行预处理；
S22、对S21所述预处理后的无缺陷图像进行增强处理需求判定，若需要进行增强处理则转入S22，如不需要进行增强处理则转入S25；
S23、将S22所述需要增强处理的图像转到Lab空间，提取a空间图像；
S24、对S23所述转到a空间图像进行直方图均衡化处理；
S25、对图像进行最大类间方差阈值分割，将目标与背景分割；
S26、采用形态学处理方法(腐蚀算法，膨胀算法和开闭运算等)对S25所述分割后的图像进行开运算，得到二值图像；
S27、对S26所述二值图像进行连通域过滤，保留连通域面积大于等于0.5倍阈值QH，小于等于2倍阈值QH的连通域，其中，QH为阈值，具体为：
步骤A、对S26所述二值图像的连通域面积进行统计，对每一块连通域进行编号；
步骤B、计算步骤A所述连通域的中心坐标与S26所述二值图像的中心坐标的几何距离构成集合Q；
步骤C、选取步骤B所述集合Q中的最小值所对应的连通域的面积作为阈值QH；
步骤D、保留连通域面积大于等于0.5倍阈值QH，小于等于2倍阈值QH的连通域。
S3、对缺陷图像进行识别，具体包括：
S31、进行canny边缘检测；
S32、对边缘点进行直线拟合，具体为：
S321、设拟合的直线方程为y＝Kx+B，其中，K为斜率。
S322、计算连通域中所有点到直线的距离，直线上侧取距离符号为正，反之取符号为负，根据公式计算所有距离的平均值，其中， Dis j = S g n ( Kx j + B - y j ) × | Kx j + B - y j | K 2 + 1 , j＝1,2,3,...,N为导线的条数；
S33、计算拟合误差F，若拟合误差F小于0.5ave_disj则判定为破损，若拟合误差F大于等于0.5ave_disj则判定为无破损；
S4、对S1所述样本特征库进行训练，具体为：
S41、加入新图像的特征向量进行分类判断，若属于S1所述样本特征库则终止训练，若不属于S1所述样本特征库则转到S42；
S42、判断S41所述特征向量是否属于支持向量，若属于支持向量，则加入S1所述样本特征库，若不属于支持向量，则不加入S1所述样本特征库；
S5、对S1所述样本特征库采用增量学习的方法提高智能程度，具体为：
S51、对新图像对比S1所述样本特征库进行识别，若识别失败，则转入S51，若识别成功则转入S4；
S52、进行人工划定区域，划出S51所述新图像的特征区域；
S53、对S52所述特征区域采用S25所述最大类间方差阈值法进行分割，获取目标区域；
S54、提取目标区域的特征向量，加入S1所述样本特征库。

Claims (4)

1.基于图像识别技术的输电线路隐患及故障检测方法，其特征在于，包括如下步骤：
S1、建立样本特征库，即提取无缺陷图像的样本特征建立样本特征库；
S2、对缺陷图像特征进行提取，具体为：
S21、对需要对比的图像采用高斯滤波进行预处理；
S22、对S21所述预处理后的无缺陷图像进行增强处理需求判定，若需要进行增强处理则转入S22，如不需要进行增强处理则转入S25；
S23、将S22所述需要增强处理的图像转到Lab空间，提取a空间图像；
S24、对S23所述转到a空间图像进行直方图均衡化处理；
S25、对图像进行最大类间方差阈值分割，将目标与背景分割；
S26、采用形态学处理方法对S25所述分割后的图像进行开运算，得到二值图像；
S27、对S26所述二值图像进行连通域过滤，保留连通域面积大于等于0.5倍阈值QH，小于等于2倍阈值QH的连通域，其中，QH为阈值；
S3、对缺陷图像进行识别，具体包括：
S31、进行canny边缘检测；
S32、对边缘点进行拟合；
S33、计算拟合误差F，若拟合误差F小于0.5则判定为破损，若拟合误差F大于等于0.5则判定为无破损；
S4、对S1所述样本特征库进行训练，具体为：
S41、加入新图像的特征向量进行分类判断，若属于S1所述样本特征库则终止训练，若不属于S1所述样本特征库则转到S42；
S42、判断S41所述特征向量是否属于支持向量，若属于支持向量，则加入S1所述样本特征库，若不属于支持向量，则不加入S1所述样本特征库；
S5、对S1所述样本特征库采用增量学习的方法提高智能程度，具体为：
S51、对新图像对比S1所述样本特征库进行识别，若识别失败，则转入S51，若识别成功则转入S4；
S52、进行人工划定区域，划出S51所述新图像的特征区域；
S53、对S52所述特征区域采用S25所述最大类间方差阈值法进行分割，获取目标区域；
S54、提取目标区域的特征向量，加入S1所述样本特征库。
2.如权利要求1所述的基于图像识别技术的输电线路隐患及故障检测方法，其特征在于：S27所述连通域过滤的具体步骤如下：
步骤A、对S26所述二值图像的连通域面积进行统计，对每一块连通域进行编号；
步骤B、计算步骤A所述连通域的中心坐标与S26所述二值图像的中心坐标的几何距离构成集合Q；
步骤C、选取步骤B所述集合Q中的最小值所对应的连通域的面积作为阈值QH；
步骤D、保留连通域面积大于等于0.5倍阈值QH，小于等于2倍阈值QH的连通域。
3.如权利要求1所述的基于图像识别技术的输电线路隐患及故障检测方法，其特征在于：S26所述形态学处理方法包括：腐蚀算法，膨胀算法和开闭运算。
4.如权利要求1所述的基于图像识别技术的输电线路隐患及故障检测方法，其特征在于：S32所述拟合包括：椭圆拟合和直线拟合。
CN201610005625.6A 2016-01-05 2016-01-05 基于图像识别技术的输电线路隐患及故障检测方法 Pending CN105447530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610005625.6A CN105447530A (zh) 2016-01-05 2016-01-05 基于图像识别技术的输电线路隐患及故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610005625.6A CN105447530A (zh) 2016-01-05 2016-01-05 基于图像识别技术的输电线路隐患及故障检测方法

Publications (1)

Publication Number Publication Date
CN105447530A true CN105447530A (zh) 2016-03-30

Family

ID=55557689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610005625.6A Pending CN105447530A (zh) 2016-01-05 2016-01-05 基于图像识别技术的输电线路隐患及故障检测方法

Country Status (1)

Country Link
CN (1) CN105447530A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204612A (zh) * 2016-07-20 2016-12-07 北京理工大学 一种基于自适应特征的故障引流管智能识别的方法
CN106709466A (zh) * 2016-12-30 2017-05-24 国网山西省电力公司电力科学研究院 基于mpeg7标准的电力设备图像识别方法和系统
CN106816958A (zh) * 2017-02-14 2017-06-09 国网天津市电力公司检修公司 一种基于无人机巡线的输电通道隐患分析装置及方法
CN107145846A (zh) * 2017-04-26 2017-09-08 贵州电网有限责任公司输电运行检修分公司 一种基于深度学习的绝缘子识别方法
CN107609556A (zh) * 2017-10-09 2018-01-19 济南大学 一种输电线路环境中高空作业机械的检测方法
CN107657260A (zh) * 2017-10-09 2018-02-02 济南大学 一种输电线路周边环境中地面隐患的检测方法
CN107818562A (zh) * 2017-10-23 2018-03-20 广东电网有限责任公司东莞供电局 一种干式空心并联电抗器风道绝缘包封层裂纹在线检测方法
CN107886493A (zh) * 2016-09-29 2018-04-06 成都思晗科技股份有限公司 一种输电线路的导线分股缺陷检测方法
CN108734689A (zh) * 2018-02-07 2018-11-02 西安工程大学 一种基于区域生长的导线散股检测方法
CN109376605A (zh) * 2018-09-26 2019-02-22 福州大学 一种电力巡检图像防鸟刺故障检测方法
CN109564632A (zh) * 2017-05-24 2019-04-02 深圳配天智能技术研究院有限公司 一种视觉检测方法、设备、系统及具有存储功能的装置
CN110246119A (zh) * 2019-05-09 2019-09-17 华北电力大学 基于sar影像的输电杆塔水灾故障隐患的识别方法
CN110730352A (zh) * 2019-11-12 2020-01-24 智洋创新科技股份有限公司 基于变分自编码的输电线路图像解码方法
CN111047561A (zh) * 2019-11-22 2020-04-21 国网江西省电力有限公司电力科学研究院 一种复合绝缘子伞裙龟裂纹的识别方法
CN113033386A (zh) * 2021-03-23 2021-06-25 广东电网有限责任公司广州供电局 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
CN113627299A (zh) * 2021-07-30 2021-11-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置
CN114445331A (zh) * 2021-12-21 2022-05-06 国网江苏省电力有限公司淮安供电分公司 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7190843B2 (en) * 2002-02-01 2007-03-13 Siemens Corporate Research, Inc. Integrated approach to brightness and contrast normalization in appearance-based object detection
CN102305793A (zh) * 2011-05-11 2012-01-04 苏州天准精密技术有限公司 一种产品外观质量检测方法和设备
CN103260016A (zh) * 2013-06-04 2013-08-21 成都思晗科技有限公司 一种输电线路远程智能巡线方法
CN103268501A (zh) * 2013-06-04 2013-08-28 成都思晗科技有限公司 用于输电线路智能巡线的图像识别方法
CN103634572A (zh) * 2013-12-03 2014-03-12 国家电网公司 一种基于视频监测的输电线路智能巡线用通信系统
US20140086448A1 (en) * 2012-09-24 2014-03-27 MVT Equity LLC d/b/a Millivision Technologies Appearance Model Based Automatic Detection in Sensor Images
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
CN104483326A (zh) * 2014-12-19 2015-04-01 长春工程学院 基于深度信念网络的高压线绝缘子缺陷检测方法及系统
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7190843B2 (en) * 2002-02-01 2007-03-13 Siemens Corporate Research, Inc. Integrated approach to brightness and contrast normalization in appearance-based object detection
CN102305793A (zh) * 2011-05-11 2012-01-04 苏州天准精密技术有限公司 一种产品外观质量检测方法和设备
US20140086448A1 (en) * 2012-09-24 2014-03-27 MVT Equity LLC d/b/a Millivision Technologies Appearance Model Based Automatic Detection in Sensor Images
CN103260016A (zh) * 2013-06-04 2013-08-21 成都思晗科技有限公司 一种输电线路远程智能巡线方法
CN103268501A (zh) * 2013-06-04 2013-08-28 成都思晗科技有限公司 用于输电线路智能巡线的图像识别方法
CN103634572A (zh) * 2013-12-03 2014-03-12 国家电网公司 一种基于视频监测的输电线路智能巡线用通信系统
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
CN104483326A (zh) * 2014-12-19 2015-04-01 长春工程学院 基于深度信念网络的高压线绝缘子缺陷检测方法及系统
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 (3)

* Cited by examiner, † Cited by third party
Title
王淼 等: ""无人机辅助巡视及绝缘子缺陷图像识别研究"", 《电子测量与仪器学报》 *
王银立 等: ""基于视觉的绝缘子 "掉串 "缺陷的检测与定位"", 《计算机工程与设计》 *
黄新波 等: ""基于曲线拟合的悬式绝缘子串外力破损检测技术"", 《高压电器》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204612A (zh) * 2016-07-20 2016-12-07 北京理工大学 一种基于自适应特征的故障引流管智能识别的方法
CN106204612B (zh) * 2016-07-20 2018-11-13 北京理工大学 一种基于自适应特征的故障引流管智能识别的方法
CN107886493B (zh) * 2016-09-29 2021-07-09 成都思晗科技股份有限公司 一种输电线路的导线分股缺陷检测方法
CN107886493A (zh) * 2016-09-29 2018-04-06 成都思晗科技股份有限公司 一种输电线路的导线分股缺陷检测方法
CN106709466A (zh) * 2016-12-30 2017-05-24 国网山西省电力公司电力科学研究院 基于mpeg7标准的电力设备图像识别方法和系统
CN106816958A (zh) * 2017-02-14 2017-06-09 国网天津市电力公司检修公司 一种基于无人机巡线的输电通道隐患分析装置及方法
CN107145846A (zh) * 2017-04-26 2017-09-08 贵州电网有限责任公司输电运行检修分公司 一种基于深度学习的绝缘子识别方法
CN107145846B (zh) * 2017-04-26 2018-10-19 贵州电网有限责任公司输电运行检修分公司 一种基于深度学习的绝缘子识别方法
CN109564632A (zh) * 2017-05-24 2019-04-02 深圳配天智能技术研究院有限公司 一种视觉检测方法、设备、系统及具有存储功能的装置
CN107609556A (zh) * 2017-10-09 2018-01-19 济南大学 一种输电线路环境中高空作业机械的检测方法
CN107657260A (zh) * 2017-10-09 2018-02-02 济南大学 一种输电线路周边环境中地面隐患的检测方法
CN107609556B (zh) * 2017-10-09 2020-08-07 济南大学 一种输电线路环境中高空作业机械的检测方法
CN107657260B (zh) * 2017-10-09 2020-08-14 济南大学 一种输电线路周边环境中地面隐患的检测方法
CN107818562A (zh) * 2017-10-23 2018-03-20 广东电网有限责任公司东莞供电局 一种干式空心并联电抗器风道绝缘包封层裂纹在线检测方法
CN108734689A (zh) * 2018-02-07 2018-11-02 西安工程大学 一种基于区域生长的导线散股检测方法
CN108734689B (zh) * 2018-02-07 2021-07-27 西安工程大学 一种基于区域生长的导线散股检测方法
CN109376605A (zh) * 2018-09-26 2019-02-22 福州大学 一种电力巡检图像防鸟刺故障检测方法
CN109376605B (zh) * 2018-09-26 2022-03-25 福州大学 一种电力巡检图像防鸟刺故障检测方法
CN110246119A (zh) * 2019-05-09 2019-09-17 华北电力大学 基于sar影像的输电杆塔水灾故障隐患的识别方法
CN110730352A (zh) * 2019-11-12 2020-01-24 智洋创新科技股份有限公司 基于变分自编码的输电线路图像解码方法
CN111047561A (zh) * 2019-11-22 2020-04-21 国网江西省电力有限公司电力科学研究院 一种复合绝缘子伞裙龟裂纹的识别方法
CN113033386A (zh) * 2021-03-23 2021-06-25 广东电网有限责任公司广州供电局 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
CN113627299A (zh) * 2021-07-30 2021-11-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置
CN113627299B (zh) * 2021-07-30 2024-04-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置
CN114445331A (zh) * 2021-12-21 2022-05-06 国网江苏省电力有限公司淮安供电分公司 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置

Similar Documents

Publication Publication Date Title
CN105447530A (zh) 基于图像识别技术的输电线路隐患及故障检测方法
CN104050471B (zh) 一种自然场景文字检测方法及系统
CN109657552B (zh) 基于迁移学习实现跨场景冷启动的车型识别装置与方法
CN107895376A (zh) 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN108492291B (zh) 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法
CN103914683A (zh) 基于人脸图像的性别识别方法及系统
CN111275679A (zh) 一种基于图像的太阳能电池缺陷检测系统及方法
CN103886589A (zh) 面向目标的自动化高精度边缘提取方法
CN106355180B (zh) 一种基于颜色与边缘特征相结合的车牌定位方法
Wang et al. Research on detection technology of various fruit disease spots based on mask R-CNN
CN101470802B (zh) 物体检测装置和方法
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN105426890A (zh) 一种字符扭曲粘连的图形验证码识别方法
CN116110036B (zh) 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置
CN110310238A (zh) 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法
CN105550710A (zh) 基于非线性拟合的接触网运行异常状态智能检测方法
CN114972312A (zh) 基于YOLOv4-Tiny改进的绝缘子缺陷检测方法
CN115866502A (zh) 一种麦克风零件表面缺陷在线检测流程
CN115496979A (zh) 一种基于多重特征融合的果园幼果生长姿态视觉辨识方法
CN114529894A (zh) 一种融合空洞卷积的快速场景文本检测方法
CN114998815A (zh) 一种基于视频分析的交通车辆识别追踪方法及系统
CN111563542A (zh) 一种基于卷积神经网络的植物自动分类方法
CN109657682B (zh) 一种基于深度神经网络和多阈值软切分的电能表示数识别方法
CN115330768B (zh) 一种太阳能电池板质量分级方法
Nawawi et al. Comprehensive pineapple segmentation techniques with intelligent convolutional neural network

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: 20160330