CN105678760A - 一种基于Canny边缘检测算法的绝缘子图像识别方法 - Google Patents
一种基于Canny边缘检测算法的绝缘子图像识别方法 Download PDFInfo
- Publication number
- CN105678760A CN105678760A CN201610005361.4A CN201610005361A CN105678760A CN 105678760 A CN105678760 A CN 105678760A CN 201610005361 A CN201610005361 A CN 201610005361A CN 105678760 A CN105678760 A CN 105678760A
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- algorithm
- edge detection
- canny edge
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003708 edge detection Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 230000003628 erosive effect Effects 0.000 claims abstract description 4
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001931 thermography Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
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Canny边缘检测算法的绝缘子图像识别方法,包括以下步骤:1、对输电线现场摄像机拍摄的绝缘子图像进行预处理;2、对图像进行基于Canny算子的边缘检测;3、对图像进行形态学腐蚀运算;4、利用Hough变换直线检测对绝缘子进行提取与识别。本发明能够在复杂的输电线路现场准确的定位识别绝缘子,有效的解决复杂环境的干扰。
Description
技术领域
本发明涉及一种图像识别技术的方法,特别涉及一种基于Canny边缘检测算法的绝缘子图像识别方法。
背景技术
目前,关于绝缘子的识别问题,传统的很多方法已经被提出,传统的不同的方法各有利弊:从颜色特征的角度上来说,得到绝缘子的基于形态学算法改进最佳熵阈值分割算法分割S分量图,通过灰度信息复原图像与滤波计算绝缘子和背景区域的形状特征值,并设计分类决策条件;类似地,从重复特征角度上考虑,对有问题的绝缘子检测、在噪声和复杂背景情况下具有稳定性的优点;另外,还有采用投影特点作为识别思路使用侧面投影直接从图像中搜索绝缘子;为了克服负面干扰,用阈值分割的方法;使用基于PCA方法进行倾斜校正,在特征集中选取5个特征,并使用SVM来确定绝缘子的五个特征,但是,该方法局限性较大,容易将杆塔的阴影部分也错误地识别成绝缘子,对拍摄的角度和天气要求比较高。
利用物理辐射的方法检测绝缘子,用紫外线电晕成像法即采用高灵敏度的紫外线辐射接受器,录电晕和表面放电过程中辐射的紫外线,再加以处理分析达到评价设备状况的目的,该方法可以不受地理环境条件的限制。但这种方法对灵敏度的统一要求较高。还有选用应用组合方法分割绝缘子串红外图像,红外热成像技术可将不可见的被测物体的表面温度转换为直观的热图像。应用组合方法分割绝缘子串红外图像。为了解决绝缘子串中单个绝缘子盘面的提取问题,该方法最小二乘法对单个绝缘子盘面的边缘进行了椭圆拟合;此外,还有用自组织映射的方法识别绝缘子的局部放电,其中明显的局部放电用非线性PCA方法提取,同时采用SOM(自组织映射)网络作为检测方法,用250个现场测试到的局部放电的特征向量进行试验验证,该方法识别成本较高,安全性低,对设备的消耗较大,一般来说适用性比较低。
综上所述,上述传统方法都不能在复杂的环境有效地提升绝缘子的检测、识别效果。
发明内容
本发明的目的在于克服现有技术中所存在的上述不足,提供能够有效在复杂的环境下有效的提升绝缘子检测和识别的方法,一种基于Canny边缘检测算法的绝缘子图像识别方法。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于Canny边缘检测算法的绝缘子图像识别方法,该方法的步骤如下:
步骤1、对输电现场摄像机拍摄的绝缘子图像进行预处理;
步骤2、对图像进行基于Canny算子的边缘检测,获得绝缘子边缘连接图像数据;
步骤3、对图像进行形态学腐蚀运算,去除细小的噪声干扰;
步骤4、利用Hough变换直线检测对绝缘子边缘图像进行检测,由于绝缘子形状和空间排列有一定的规律性,根据绝缘子连接的图像可以精确确定绝缘子的位置。绝缘子位于两个连通域的间隙,获取前三个连通域的外接矩形,外接矩形的宽度为H,中心坐标分别为A、B,并且两个中心坐标的距离为Dis。提取与识别绝缘子图像。
所述步骤1中的图像预处理包括对图像的Lab空间阈值化和直方图均衡化。
所述步骤2中基于Canny算子的边缘检测的具体方法是:a、对图像进行高斯滤波;b、利用把邻域搜索算法,计算连通域的面积并存储;c、利用基于小根堆算法计算出最优双阈值;d、利用基于双阈值算法进行阈值处理。
具体的,高斯滤波函数为:
在某一方向n上的一阶方向导数为,其中,x,y为去噪效果图的横纵坐标,为方差;
高斯滤波的思路就是:对高斯函数进行离散化,以离散点上的高斯函数值为权值,对我们采集到的灰度矩阵的每个像素点做一定范围邻域内的加权平均,即可有效消除高斯噪声。
具体的,将步骤b计算出的连通域面积存入一维数组,利用小根堆算法计算出一维数组中的前K个最大值,对K个数进行排序,计算出K个数的中值midarea,得到双阈值0.5*midarea。
具体的,利用双阈值算法对图像进行阈值处理,去除不在双阈值范围内的连通域,剩下的连通域合并,以保证由于缺陷导致绝缘子分开的部分连接在一起,实现了抑制噪声与提取效果的统一,取得较好的提取效果。
优选的,所述步骤3还包括对图像进行形态学膨胀处理,防止错误去除目标图像的情况发生。
优选的,所述步骤4采用的是Hough变换检测,Hough变换是一种从图像空间到参数空间的映射问题,将图像空间中复杂的边缘特征信息映射为参数空间中的聚类解决问题,因此,Hough变换方法具有了明了了集合解析性、很强的抗干扰能力和易于实现并行处理等优点。在实际应用中,是采用参数方程p=x*cos(theta)+y*sin(theta),这样,图像平面上的一个点就对应到参数p---theta平面上的一条曲线上。
优选的,所述步骤b中采用八邻域搜索算法计算连通域的面积,在实际运用中,常见的邻域连接关系有两种,四邻域和八邻域,采用八邻域使计算准确性更好。
优选的,所述小根堆是一种完全二叉树,即树的每一层(叶子节点例外)都是被填满的,最后一层从最左侧起填充。所谓的“小根堆”是指树的根节点的值始终小于它的左右孩子节点的值。
与现有技术相比,本发明的有益效果:本发明能够在复杂的输电线路现场准确的定位识别绝缘子,有效的解决的复杂环境的干扰;有效地提升了绝缘子的识别效果,为后续的故障检测工作提供了良好的铺垫,并大大地提高了目标的检测速度,具有较强的实用价值和现实意义。
附图说明
图1为本发明原理框图;
图2为数字图像处理算法流程图;
图3为输电线现场采集到的绝缘子图像;
图4为输电线现场采集到的绝缘子图像经过Lab空间转换后的图像;
图5为外接矩形与绝缘子的关系图;
附图说明:H外接矩形的宽度,A、B分别为中心坐标,Dis两个中心坐标的距离。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
下面结合附图举例对本发明做更详细地描述:
结合图1、图2,图1为一种基于Canny边缘检测算法的绝缘子图像识别方法原理框图,图2为数字图像处理的具体算法流程图。一种基于Canny边缘检测算法绝缘子图像识别方法,包括以下步骤:
1、图像预处理:对绝缘子图像做Lab空间阈值化,将绝缘子与背景图像分开,其中,图3为输电线现场采集获得的绝缘子图像,图4为图3经过Lab空间阈值化后的图像;然后对图像进行直方图均衡化,提高图像的对比度,凸显需要的特征。
2、图像边缘检测:对图像进行基于Canny的边缘检测,先对图像进行高斯滤波,通过高斯滤波可以滤除大部分干扰;然后对图像进行八邻域搜索算法并计算连通域的面积,利用小根堆法来计算最优双阈值,通过双阈值算法对图像进行阈值处理,通过Canny的边缘检测后获得纯净的绝缘子连接图像,可得到绝缘子的区域位置关系,为下一步的绝缘子的定位奠定了基础。
3、图像形态学处理:对分割后的图像进行形态学中的腐蚀运算去除细小的干扰,同时为了防止错误去除目标图像的情况发生,要对图像进行形态学膨胀处理。
4、图像的提取与识别:利用Hough变换直线检测对绝缘子进行提取与识别,由于绝缘子形状和空间排列有一定的规律性,绝缘子位于两个连通域的间隙,获取前三个连通域的外接矩形,外接矩形的宽度为H,中心坐标分别为A、B,并且两个中心坐标的距离为Dis。根据绝缘子连接的图像可以精确实现检测,确定绝缘子的位置,准确的对绝缘子进行提取与识别。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明
的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于Canny边缘检测算法的绝缘子图像识别方法,其特征在于,该方法的步骤如下:
步骤1、对输电线现场摄像机拍摄的绝缘子图像进行预处理;
步骤2、对图像进行基于Canny算子的边缘检测;
步骤3、对图像进行形态学腐蚀运算;
步骤4、利用Hough变换直线检测对绝缘子进行提取与识别。
2.如权利要求1所述的基于Canny边缘检测算法的绝缘子图像识别方法,其特征在于,所述步骤1中的预处理包括对图像的Lab空间阈值化和直方图均衡化。
3.如权利要求1所述的基于Canny边缘检测算法的绝缘子图像识别方法,其特征在于,步骤2中基于Canny算子的边缘检测的具体方法是:
a、对图像进行高斯滤波;
b、利用八邻域搜索算法,计算连通域面积值并存储;
c、利用基于小根堆算法计算出最优双阈值;
d、利用基于双阈值算法进行阈值处理。
4.如权利要求1所述的基于Canny边缘检测算法的绝缘子图像识别方法,其特征在于,所述步骤3还包括对图像进行形态学膨胀处理。
5.如权利要求1所述的基于Canny边缘检测算法的绝缘子图像识别方法,其特征在于,所述步骤4的具体方法为:由于绝缘子形状和空间排列有一定的规律性,根据绝缘子连接的图像可以精确确定绝缘子的位置,绝缘子位于两个连通域的间隙,获取前三个连通域的外接矩形,外接矩形的宽度为H,中心坐标分别为A、B,并且两个中心坐标的距离为Dis。
6.如权利要求2所述的基于Canny边缘检测算法的绝缘子图像识别方法,其特征在于,所述小根堆算法的具体方法是:利用小根堆算法计算出所述步骤b中存储连通域面积值的前K个最大值,对K个数进行排序,计算出K个数的中值midarea,得到双阈值0.5*midarea。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610005361.4A CN105678760A (zh) | 2016-01-04 | 2016-01-04 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610005361.4A CN105678760A (zh) | 2016-01-04 | 2016-01-04 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105678760A true CN105678760A (zh) | 2016-06-15 |
Family
ID=56298906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610005361.4A Pending CN105678760A (zh) | 2016-01-04 | 2016-01-04 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678760A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931259A (zh) * | 2016-06-21 | 2016-09-07 | 国网重庆市电力公司电力科学研究院 | 一种基于形态学处理的高压输电线提取方法及装置 |
CN106780444A (zh) * | 2016-12-01 | 2017-05-31 | 广东容祺智能科技有限公司 | 一种绝缘子自动识别分析系统 |
CN106980816A (zh) * | 2017-02-22 | 2017-07-25 | 贵州电网有限责任公司凯里供电局 | 基于光学图像的绝缘子串自动识别方法 |
CN107492094A (zh) * | 2017-07-21 | 2017-12-19 | 长安大学 | 一种高压电线绝缘子的无人机视觉检测方法 |
CN107742283A (zh) * | 2017-09-16 | 2018-02-27 | 河北工业大学 | 一种电池片外观栅线粗细不均缺陷检测的方法 |
CN108197582A (zh) * | 2018-01-10 | 2018-06-22 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
CN109325441A (zh) * | 2018-09-19 | 2019-02-12 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路绝缘子对象识别方法 |
CN109520678A (zh) * | 2018-12-26 | 2019-03-26 | 浙江工业大学 | 一种用于压力容器气密性试验的保压检测方法 |
CN110349169A (zh) * | 2019-06-24 | 2019-10-18 | 杭州汇萃智能科技有限公司 | 一种直线测量方法 |
CN110909751A (zh) * | 2019-11-26 | 2020-03-24 | 长沙理工大学 | 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质 |
CN111127498A (zh) * | 2019-12-12 | 2020-05-08 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
CN111174734A (zh) * | 2019-12-11 | 2020-05-19 | 武汉一本光电有限公司 | 高精度ccd同轴识别系统 |
CN112902881A (zh) * | 2021-01-26 | 2021-06-04 | 电子科技大学 | 一种基于数字图像处理的多光轴系统平行测试方法 |
CN113487541A (zh) * | 2021-06-15 | 2021-10-08 | 三峡大学 | 绝缘子检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010055425A1 (en) * | 2000-02-01 | 2001-12-27 | Ming-Yee Chiu | Method and apparatus for monitoring an analog meter |
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 |
CN104639914A (zh) * | 2015-02-16 | 2015-05-20 | 国网安徽省电力公司铜陵供电公司 | 一种用于高压线绝缘子成像与污秽检测的装置及方法 |
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 |
-
2016
- 2016-01-04 CN CN201610005361.4A patent/CN105678760A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010055425A1 (en) * | 2000-02-01 | 2001-12-27 | Ming-Yee Chiu | Method and apparatus for monitoring an analog meter |
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 |
CN104639914A (zh) * | 2015-02-16 | 2015-05-20 | 国网安徽省电力公司铜陵供电公司 | 一种用于高压线绝缘子成像与污秽检测的装置及方法 |
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 (3)
Title |
---|
刘正军: "《大型无人机电力线路巡检数据采集与处理技术》", 31 December 2015 * |
王淼,杜毅,张忠瑞: "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: "输电线路导线断股及绝缘子自爆的图像识别算法研究", 《万方数据库》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931259A (zh) * | 2016-06-21 | 2016-09-07 | 国网重庆市电力公司电力科学研究院 | 一种基于形态学处理的高压输电线提取方法及装置 |
CN106780444A (zh) * | 2016-12-01 | 2017-05-31 | 广东容祺智能科技有限公司 | 一种绝缘子自动识别分析系统 |
CN106980816A (zh) * | 2017-02-22 | 2017-07-25 | 贵州电网有限责任公司凯里供电局 | 基于光学图像的绝缘子串自动识别方法 |
CN107492094A (zh) * | 2017-07-21 | 2017-12-19 | 长安大学 | 一种高压电线绝缘子的无人机视觉检测方法 |
CN107742283A (zh) * | 2017-09-16 | 2018-02-27 | 河北工业大学 | 一种电池片外观栅线粗细不均缺陷检测的方法 |
CN108197582B (zh) * | 2018-01-10 | 2021-09-14 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
CN108197582A (zh) * | 2018-01-10 | 2018-06-22 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
CN109325441A (zh) * | 2018-09-19 | 2019-02-12 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路绝缘子对象识别方法 |
CN109325441B (zh) * | 2018-09-19 | 2022-02-15 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路绝缘子对象识别方法 |
CN109520678A (zh) * | 2018-12-26 | 2019-03-26 | 浙江工业大学 | 一种用于压力容器气密性试验的保压检测方法 |
CN110349169A (zh) * | 2019-06-24 | 2019-10-18 | 杭州汇萃智能科技有限公司 | 一种直线测量方法 |
CN110349169B (zh) * | 2019-06-24 | 2024-08-16 | 杭州汇萃智能科技有限公司 | 一种直线测量方法 |
CN110909751A (zh) * | 2019-11-26 | 2020-03-24 | 长沙理工大学 | 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质 |
CN110909751B (zh) * | 2019-11-26 | 2022-09-02 | 长沙理工大学 | 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质 |
CN111174734A (zh) * | 2019-12-11 | 2020-05-19 | 武汉一本光电有限公司 | 高精度ccd同轴识别系统 |
CN111127498A (zh) * | 2019-12-12 | 2020-05-08 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
CN111127498B (zh) * | 2019-12-12 | 2023-07-25 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
CN112902881A (zh) * | 2021-01-26 | 2021-06-04 | 电子科技大学 | 一种基于数字图像处理的多光轴系统平行测试方法 |
CN113487541A (zh) * | 2021-06-15 | 2021-10-08 | 三峡大学 | 绝缘子检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678760A (zh) | 一种基于Canny边缘检测算法的绝缘子图像识别方法 | |
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN102096821B (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
CN105046235B (zh) | 车道线的识别建模方法和装置、识别方法和装置 | |
CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN105913082B (zh) | 一种对图像中目标进行分类的方法及系统 | |
CN106960178B (zh) | 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 | |
CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
CN111126253A (zh) | 基于图像识别的刀闸状态检测方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
CN110133443B (zh) | 基于平行视觉的输电线路部件检测方法、系统、装置 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
Chen et al. | Method on water level ruler reading recognition based on image processing | |
CN109800713A (zh) | 基于区域增长的遥感图像云检测方法 | |
CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及系统 | |
Wang et al. | Effective segmentation approach for solar photovoltaic panels in uneven illuminated color infrared images | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
Cao et al. | Power line detection based on symmetric partial derivative distribution prior | |
CN112418226A (zh) | 一种鱼眼分合闸状态识别的方法及装置 |
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: 20160615 |