CN105989600A - 基于特征点分布统计的配电网设备外观检测方法及系统 - Google Patents
基于特征点分布统计的配电网设备外观检测方法及系统 Download PDFInfo
- Publication number
- CN105989600A CN105989600A CN201510777568.9A CN201510777568A CN105989600A CN 105989600 A CN105989600 A CN 105989600A CN 201510777568 A CN201510777568 A CN 201510777568A CN 105989600 A CN105989600 A CN 105989600A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- network equipment
- distribution
- outward appearance
- matrix
- 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
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
Abstract
本发明公开了一种基于特征点分布统计的配电网设备外观检测方法及系统，该方法包括：采集包含配电网设备的实时图像，求解两幅图像的仿射变换矩阵；根据仿射变换矩阵确定实时图像中配电网设备所在的矩形区域，根据网格划分原则对此矩形区域进行网格区域划分，提取每个网格区域内的角点特征，记录每个网络区域内角点特征的数量，构成实时特征点分布矩阵；根据标准特征点分布矩阵和实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度。本发明可有效检查配电网设备表面是否有损坏、是否存在放电痕迹、油渍，设备上是否有附着异物等设备外观异常问题，并且对光照和拍摄角度有很好的适应性。
Description
技术领域
本发明涉及外观自动识别技术领域，尤其涉及基于特征点分布统计的配电网设备外观检测方法及系统。
背景技术
申请号为201010507122.1且名称为基于变电站巡检机器人变电站设备外观异常识别方法的中国专利中，将实时采集的图像与预先存储的正常设备参考图进行配准，在图像配准后，对两幅图像做差，根据差值图像检测出发生异常的区域，然后对检测到的异常进行分类。
申请号为201510229248.X且名称为一种基于图像比对的电力设备外观异常检测方法的中国专利中，对当前巡检拍摄图像进行归一化处理，然后与模板图像进行配准，接下来对配准后的两个图像分别进行区域分割，提取每一区域图像的若干特征，将若干特征进行融合，最后计算两幅图像对应特征的差异度，将差异度与设定阈值进行比较，判断当前巡检拍摄图像是否为异常图像。
现有技术中解决方案主要存在以下几方面问题：
1、很多方案根据当前待检测图像和参考图像的差值图像进行检测设备外观异常，但是这种方法是每个像素点逐个比较，效率较低，且易受拍摄位置或光照变化的影响。
2、很多方案中采用的算法需要将采集的图像与预先存储的正常设备参考图进行配准，配准过程中如果两幅图像尺寸不一样，需要插值或抽样处理，处理后的像素值和实际值不一定相等，可能影响检测结果的准确性。
3、有的方案在进行分区域比较时，提取颜色特征、纹理特征、边缘特征，特征维数过高，算法复杂，实时性不高。
发明内容
针对现有技术的不足，提出了一种基于特征点分布统计的配电网设备外观检测方法及系统，克服现有技术的检测方案中适应光照变化能力差、检测性能差以及数据处理工作量大的问题。
本发明提供了基于特征点分布统计的配电网设备外观检测方法，所述方法包括：
获取包含配电网设备的模板图像，确定配电网设备在所述模板图像中所在的矩形区域，根据网格划分原则将此矩形区域划分为多个网格区域，提取每个网格区域内的角点特征，构成标准特征点分布矩阵，矩阵元素为各网格区域的角点特征的数量；
采集包含配电网设备的实时图像，求解两幅图像的仿射变换矩阵；
根据所述仿射变换矩阵确定所述实时图像中配电网设备所在的矩形区域，根据所述网格划分原则对此矩形区域进行网格区域划分，提取每个网格区域内的角点特征，记录每个网络区域内角点特征的数量，构成实时特征点分布矩阵；
根据所述标准特征点分布矩阵和所述实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度。
上述方法还可以具有以下特点：
所述网格划分原则为将矩形区域划分为M行N列的网格，列数N的确定方法如下：如果矩形区域宽度大于X个像素，从左至右，每隔Y个像素进行一次划分，直至剩余的宽度小于Y个像素，作为最后一列；如果矩形区域宽度小于X个像素，均分成X/Y列；行数M的确定方法如下：如果矩形区域长度大于X个像素，从上至下，每隔Y个像素进行一次划分，直至剩余的长度小于Y个像素，作为最后一行；如果矩形区域宽度小于X个像素，均分成X/Y行，其中X为Y的Z倍，Z为大于5的整数。
上述方法还可以具有以下特点：
所述角点特征为Harris角点特征。
上述方法还可以具有以下特点：
求解两幅图像的仿射变换矩阵的具体方法包括：对所述模板图像和所述实时图像进行SIFT特征点的提取和匹配，根据RANSAC算法求解两幅图像的仿射变换矩阵。
上述方法还可以具有以下特点：
根据所述标准特征点分布矩阵和所述实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度具体包括：
如果所有元素对的差异均小于第一阈值，则确定配电网设备外观无异常；如果存在元素对的差异大于第一阈值并且小于第二阈值，则确定配电网设备外观疑似异常，发出疑似异常警报；如果存在元素对的差异大于第二阈值，则确定配电网设备外观发现异常，发出确定异常警报。
上述方法还可以具有以下特点：
第一阈值为20％，第二阈值为50％。
本发明还提供了一种基于特征点分布统计的配电网设备外观检测系统，包括图像采集装置、中心处理装置、存储装置；
所述图像采集装置，用于采集图像；
所述中心处理装置，用于从所述图像采集装置获得包含配电网设备的模板图像，确定配电网设备所在的矩形区域，根据网格划分原则将此矩形区域划分为多个网格区域，提取每个网格区域内的角点特征，构成标准特征点分布矩阵，矩阵元素为各网格区域的角点特征的数量；还用于从所述图像采集装置获得配电网设备的实时图像，求解两幅图像的仿射变换矩阵；根据所述仿射变换矩阵确定所述实时图像中配电网设备所在的矩形区域，根据所述网格划分原则对此矩形区域进行网格区域划分，提取每个网格区域内的角点特征，记录每个网络区域内角点特征的数量，构成实时特征点分布矩阵；根据所述标准特征点分布矩阵和所述实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度；
所述存储装置，用于存储所述网格划分原则和所述标准特征点分布矩阵。
上述系统还可以具有以下特点：
所述中心处理装置，还用于使用以下方法求解两幅图像的仿射变换矩阵：对所述模板图像和所述实时图像进行SIFT特征点的提取和匹配，根据RANSAC算法求解两幅图像的仿射变换矩阵。
上述系统还可以具有以下特点：
所述中心处理装置，还用于使用以下方法根据所述标准特征点分布矩阵和所述实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度：如果所有元素对的差异均小于第一阈值，则确定配电网设备外观无异常；如果存在元素对的差异大于第一阈值并且小于第二阈值，则确定配电网设备外观疑似异常，发出疑似异常警报；如果存在元素对的差异大于第二阈值，则确定配电网设备外观发现异常。
上述系统还可以具有以下特点：
所述系统还包括报警装置；所述报警装置，用于在所述中心处理装置确定配电网设备外观疑似异常时发出疑似异常警报，在所述中心处理装置确定配电网设备外观发现异常时，发出确定异常警报。
本发明的优点包括：
1、可以实时准确的发现设备外观的异常区域，并根据差异的区域大小判断设备是否安全或危险等级，作出相应的警报；
2、采用的SIFT特征具有对线性光照变化、尺度和旋转的不变性，并且对特征点的描述向量维数高、信息充分，可以正确找出匹配点对；
3、采用鲁棒的RANSAC求解方法获得两幅图像的仿射变换矩阵，使得结果不受错误匹配的影响；
4、以统计Harris角点的分布作为判别依据，不受观察角度、尺度变换、光照的影响；
5、对设备图像进行网格划分，分块进行比较，可确定设备外观发生异常的区域；由于比较的是特征点的分布情况，而不是逐个像素点差分比较，提高了运行效率。
综上，本发明可以有效检查配电网设备表面是否有损坏、是否存在放电痕迹、油渍，设备上是否有附着异物等设备外观异常问题，能够及时发现危险和故障，保证设备安全稳定运行，并且可应用于室内和户外环境，对光照和拍摄角度有很好的适应性、检测性能高、具有很好的普适性和鲁棒性。本发明可以用于配电网车载巡视平台，巡视人员在车内完成配网设备巡视，能够安全及时的完成配电网巡视工作。
附图说明
图1为本发明中配电网设备外观识别方法的流程图；
图2为本发明中配电网设备外观识别系统的结构图。
具体实施例
为使本发明实施例的目的、技术方案和优点更加清楚，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。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
图1为本发明中配电网设备外观识别方法的流程图；本方法包括：
步骤1，获取包含配电网设备的模板图像，确定配电网设备在模板图像中所在的矩形区域，根据网格划分原则将此矩形区域划分为多个网格区域，提取每个网格区域内的角点特征，构成标准特征点分布矩阵，矩阵元素为各网格区域的角点特征的数量；
步骤2，采集包含配电网设备的实时图像，求解两幅图像的仿射变换矩阵；
步骤3，根据仿射变换矩阵确定实时图像中配电网设备所在的矩形区域，根据网格划分原则对此矩形区域进行网格区域划分，提取每个网格区域内的角点特征，记录每个网络区域内角点特征的数量，构成实时特征点分布矩阵；
步骤4，根据标准特征点分布矩阵和实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度。
下面详细说明本方法中的具体步骤中的内容：
步骤1中可以使用摄像头在固定位置采集正常设备的图像作为模板图像，存储在计算机中，通过手动操作的方式在模板图像中找到设备所在的矩形区域。
步骤1中，网格划分原则为将矩形区域划分为M行N列的网格，列数N的确定方法如下：如果矩形区域宽度大于X个像素，从左至右，每隔Y个像素进行一次划分，直至剩余的宽度小于Y个像素，作为最后一列；如果矩形区域宽度小于X个像素，均分成X/Y列；行数M的确定方法如下：如果矩形区域长度大于X个像素，从上至下，每隔Y个像素进行一次划分，直至剩余的长度小于Y个像素，作为最后一行；如果矩形区域宽度小于X个像素，均分成X/Y行，其中X为Y的Z倍，Z为大于5的整数。例如：X为500，Y为50，Z为10。
步骤1中的角点特征为Harris角点特征。
步骤2中求解两幅图像的仿射变换矩阵的具体方法包括：对模板图像和实时图像进行尺度不变特征变换(Scale-invariant feature transform，简称SIFT)特征点的提取和匹配，根据随机抽样一致性(Random Sample Consensue，简称RANSAC)算法求解两幅图像的仿射变换矩阵。
步骤4中根据标准特征点分布矩阵和实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度具体包括：如果所有元素对的差异均小于第一阈值，则确定配电网设备外观无异常；如果存在元素对的差异大于第一阈值并且小于第二阈值，则确定配电网设备外观疑似异常，发出疑似异常警报；如果存在元素对的差异大于第二阈值，则确定配电网设备外观发现异常，发出确定异常警报。例如：第一阈值为20％，第二阈值为50％。
图2为本发明中配电网设备外观识别系统的结构图。本系统包括图像采集装置、中心处理装置、存储装置；还可以包括报警装置。
图像采集装置，用于采集图像；
中心处理装置，用于从图像采集装置获得包含配电网设备的模板图像，确定配电网设备所在的矩形区域，根据网格划分原则将此矩形区域划分为多个网格区域，提取每个网格区域内的角点特征，构成标准特征点分布矩阵，矩阵元素为各网格区域的角点特征的数量；还用于从图像采集装置获得配电网设备的实时图像，求解两幅图像的仿射变换矩阵；根据仿射变换矩阵确定实时图像中配电网设备所在的矩形区域，根据网格划分原则对此矩形区域进行网格区域划分，提取每个网格区域内的角点特征，记录每个网络区域内角点特征的数量，构成实时特征点分布矩阵；根据标准特征点分布矩阵和实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度；
存储装置，用于存储网格划分原则和标准特征点分布矩阵。
中心处理装置，还用于使用以下方法求解两幅图像的仿射变换矩阵：对模板图像和实时图像进行SIFT特征点的提取和匹配，根据RANSAC算法求解两幅图像的仿射变换矩阵。具体的，还用于使用以下方法根据标准特征点分布矩阵和实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度：如果所有元素对的差异均小于第一阈值，则确定配电网设备外观无异常；如果存在元素对的差异大于第一阈值并且小于第二阈值，则确定配电网设备外观疑似异常，发出疑似异常警报；如果存在元素对的差异大于第二阈值，则确定配电网设备外观发现异常。
报警装置，用于在中心处理装置确定配电网设备外观疑似异常时发出疑似异常警报，在中心处理装置确定配电网设备外观发现异常时，发出确定异常警报。
本系统中各装置的其它具体功能与上述方法中相应执行过程相对应，此处不再赘述。
本发明的优点包括：
1、可以实时准确的发现设备外观的异常区域，并根据差异的区域大小判断设备是否安全或危险等级，作出相应的警报；
2、采用的SIFT特征具有对线性光照变化、尺度和旋转的不变性，并且对特征点的描述向量维数高、信息充分，可以正确找出匹配点对；
3、采用鲁棒的RANSAC求解方法获得两幅图像的仿射变换矩阵，使得结果不受错误匹配的影响；
4、以统计Harris角点的分布作为判别依据，不受观察角度、尺度变换、光照的影响；
5、对设备图像进行网格划分，分块进行比较，可确定设备外观发生异常的区域；由于比较的是特征点的分布情况，而不是逐个像素点差分比较，提高了运行效率。
综上，本发明可以有效检查配电网设备表面是否有损坏、是否存在放电痕迹、油渍，设备上是否有附着异物等设备外观异常问题，能够及时发现危险和故障，保证设备安全稳定运行，并且可应用于室内和户外环境，对光照和拍摄角度有很好的适应性、检测性能高、具有很好的普适性和鲁棒性。本发明可以用于配电网车载巡视平台，巡视人员在车内完成配网设备巡视，能够安全及时的完成配电网巡视工作。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明。
上面描述的内容可以单独地或者以各种方式组合起来实施，而这些变型方式都在本发明的保护范围之内。
在本文中，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……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案而非限制，仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于特征点分布统计的配电网设备外观检测方法，其特征在于，所述方法包括：
获取包含配电网设备的模板图像，确定配电网设备在所述模板图像中所在的矩形区域，根据网格划分原则将此矩形区域划分为多个网格区域，提取每个网格区域内的角点特征，构成标准特征点分布矩阵，矩阵元素为各网格区域的角点特征的数量；
采集包含配电网设备的实时图像，求解两幅图像的仿射变换矩阵；
根据所述仿射变换矩阵确定所述实时图像中配电网设备所在的矩形区域，根据所述网格划分原则对此矩形区域进行网格区域划分，提取每个网格区域内的角点特征，记录每个网络区域内角点特征的数量，构成实时特征点分布矩阵；
根据所述标准特征点分布矩阵和所述实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度。
2.如权利要求1所述的基于特征点分布统计的配电网设备外观检测方法，其特征在于，
所述网格划分原则为将矩形区域划分为M行N列的网格，列数N的确定方法如下：如果矩形区域宽度大于X个像素，从左至右，每隔Y个像素进行一次划分，直至剩余的宽度小于Y个像素，作为最后一列；如果矩形区域宽度小于X个像素，均分成X/Y列；行数M的确定方法如下：如果矩形区域长度大于X个像素，从上至下，每隔Y个像素进行一次划分，直至剩余的长度小于Y个像素，作为最后一行；如果矩形区域宽度小于X个像素，均分成X/Y行，其中X为Y的Z倍，Z为大于5的整数。
3.如权利要求1所述的基于特征点分布统计的配电网设备外观检测方法，其特征在于，
所述角点特征为Harris角点特征。
4.如权利要求1所述的基于特征点分布统计的配电网设备外观检测方法，其特征在于，
求解两幅图像的仿射变换矩阵的具体方法包括：对所述模板图像和所述实时图像进行SIFT特征点的提取和匹配，根据RANSAC算法求解两幅图像的仿射变换矩阵。
5.如权利要求1所述的基于特征点分布统计的配电网设备外观检测方法，其特征在于，
根据所述标准特征点分布矩阵和所述实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度具体包括：
如果所有元素对的差异均小于第一阈值，则确定配电网设备外观无异常；如果存在元素对的差异大于第一阈值并且小于第二阈值，则确定配电网设备外观疑似异常，发出疑似异常警报；如果存在元素对的差异大于第二阈值，则确定配电网设备外观发现异常，发出确定异常警报。
6.如权利要求1所述的基于特征点分布统计的配电网设备外观检测方法，其特征在于，
第一阈值为20％，第二阈值为50％。
7.基于特征点分布统计的配电网设备外观检测系统，其特征在于，包括图像采集装置、中心处理装置、存储装置；
所述图像采集装置，用于采集图像；
所述中心处理装置，用于从所述图像采集装置获得包含配电网设备的模板图像，确定配电网设备所在的矩形区域，根据网格划分原则将此矩形区域划分为多个网格区域，提取每个网格区域内的角点特征，构成标准特征点分布矩阵，矩阵元素为各网格区域的角点特征的数量；还用于从所述图像采集装置获得配电网设备的实时图像，求解两幅图像的仿射变换矩阵；根据所述仿射变换矩阵确定所述实时图像中配电网设备所在的矩形区域，根据所述网格划分原则对此矩形区域进行网格区域划分，提取每个网格区域内的角点特征，记录每个网络区域内角点特征的数量，构成实时特征点分布矩阵；根据所述标准特征点分布矩阵和所述实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度；
所述存储装置，用于存储所述网格划分原则和所述标准特征点分布矩阵。
8.如权利要求7所述的基于特征点分布统计的配电网设备外观检测系统，其特征在于，
所述中心处理装置，还用于使用以下方法求解两幅图像的仿射变换矩阵：对所述模板图像和所述实时图像进行SIFT特征点的提取和匹配，根据RANSAC算法求解两幅图像的仿射变换矩阵。
9.如权利要求7所述的基于特征点分布统计的配电网设备外观检测系统，其特征在于，
所述中心处理装置，还用于使用以下方法根据所述标准特征点分布矩阵和所述实时特征点分布矩阵中每个元素的差异程度判断配电网设备外观的异常程度：如果所有元素对的差异均小于第一阈值，则确定配电网设备外观无异常；如果存在元素对的差异大于第一阈值并且小于第二阈值，则确定配电网设备外观疑似异常，发出疑似异常警报；如果存在元素对的差异大于第二阈值，则确定配电网设备外观发现异常。
10.如权利要求9所述的基于特征点分布统计的配电网设备外观检测系统，其特征在于，所述系统还包括报警装置；
所述报警装置，用于在所述中心处理装置确定配电网设备外观疑似异常时发出疑似异常警报，在所述中心处理装置确定配电网设备外观发现异常时，发出确定异常警报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510777568.9A CN105989600A (zh) | 2015-11-13 | 2015-11-13 | 基于特征点分布统计的配电网设备外观检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510777568.9A CN105989600A (zh) | 2015-11-13 | 2015-11-13 | 基于特征点分布统计的配电网设备外观检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105989600A true CN105989600A (zh) | 2016-10-05 |
Family
ID=57040393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510777568.9A Pending CN105989600A (zh) | 2015-11-13 | 2015-11-13 | 基于特征点分布统计的配电网设备外观检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105989600A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016408A (zh) * | 2017-03-17 | 2017-08-04 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于变电站巡检机器人的挂空异物巡检方法 |
| CN108871185A (zh) * | 2018-05-10 | 2018-11-23 | 苏州大学 | 零件检测的方法、装置、设备以及计算机可读存储介质 |
| CN109286534A (zh) * | 2017-07-20 | 2019-01-29 | 北京国双科技有限公司 | 服务监控方法及装置 |
| CN112801115A (zh) * | 2021-01-26 | 2021-05-14 | 广西电网有限责任公司电力科学研究院 | 基于微电网源荷综合特性图像的电源波动控制方法及应用 |
| CN116846789A (zh) * | 2023-09-01 | 2023-10-03 | 国网四川省电力公司信息通信公司 | 通信链路的运维管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101957325A (zh) * | 2010-10-14 | 2011-01-26 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
| CN102982543A (zh) * | 2012-11-20 | 2013-03-20 | 北京航空航天大学深圳研究院 | 一种多源遥感图像配准方法 |
| TW201437942A (zh) * | 2013-03-20 | 2014-10-01 | Univ Nan Kai Technology | 影像自動辨識輔助調劑系統 |
| CN104636730A (zh) * | 2015-02-10 | 2015-05-20 | 北京信息科技大学 | 人脸验证的方法和装置 |
| CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
-
2015
- 2015-11-13 CN CN201510777568.9A patent/CN105989600A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101957325A (zh) * | 2010-10-14 | 2011-01-26 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
| CN102982543A (zh) * | 2012-11-20 | 2013-03-20 | 北京航空航天大学深圳研究院 | 一种多源遥感图像配准方法 |
| TW201437942A (zh) * | 2013-03-20 | 2014-10-01 | Univ Nan Kai Technology | 影像自動辨識輔助調劑系統 |
| CN104636730A (zh) * | 2015-02-10 | 2015-05-20 | 北京信息科技大学 | 人脸验证的方法和装置 |
| CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016408A (zh) * | 2017-03-17 | 2017-08-04 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于变电站巡检机器人的挂空异物巡检方法 |
| CN109286534A (zh) * | 2017-07-20 | 2019-01-29 | 北京国双科技有限公司 | 服务监控方法及装置 |
| CN108871185A (zh) * | 2018-05-10 | 2018-11-23 | 苏州大学 | 零件检测的方法、装置、设备以及计算机可读存储介质 |
| CN108871185B (zh) * | 2018-05-10 | 2020-12-29 | 苏州大学 | 零件检测的方法、装置、设备以及计算机可读存储介质 |
| CN112801115A (zh) * | 2021-01-26 | 2021-05-14 | 广西电网有限责任公司电力科学研究院 | 基于微电网源荷综合特性图像的电源波动控制方法及应用 |
| CN112801115B (zh) * | 2021-01-26 | 2022-09-06 | 广西电网有限责任公司电力科学研究院 | 基于微电网源荷综合特性图像的电源波动控制方法及应用 |
| CN116846789A (zh) * | 2023-09-01 | 2023-10-03 | 国网四川省电力公司信息通信公司 | 通信链路的运维管理系统 |
| CN116846789B (zh) * | 2023-09-01 | 2023-11-14 | 国网四川省电力公司信息通信公司 | 通信链路的运维管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105260744B (zh) | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 | |
| CN105989600A (zh) | 基于特征点分布统计的配电网设备外观检测方法及系统 | |
| CN103512762B (zh) | 图像处理方法、装置及列车故障检测系统 | |
| CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
| CN106971182A (zh) | 嵌入式电力继电压板投退状态智能识别装置及实现方法 | |
| CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN105404867B (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
| CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
| CN110675588B (zh) | 一种森林火灾检测装置和方法 | |
| CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测系统 | |
| CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
| CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
| CN103150631A (zh) | 基于图像匹配的自动物品管理方法及其系统 | |
| CN110533654A (zh) | 零部件的异常检测方法及装置 | |
| CN109344835A (zh) | 基于车辆vin码字符位置的篡改检测方法 | |
| CN107958200A (zh) | 一种轿车改装排气扇的智能检测系统及方法 | |
| CN104777176A (zh) | 一种pcb板检测方法及装置 | |
| CN104680550A (zh) | 一种通过图像特征点的轴承表面瑕疵检测的方法 | |
| CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
| CN110288006A (zh) | 一种车牌号自动校验方法及系统 | |
| CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
| CN107967445A (zh) | 一种轿车加装天窗的智能检测系统及方法 | |
| CN114494161A (zh) | 基于图像对比的受电弓异物检测方法、设备及存储介质 | |
| CN112183438A (zh) | 基于小样本学习神经网络的违规行为的图像识别方法 | |
| CN107798302A (zh) | 一种轿车加装行李架的智能检测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161005 |
|
| RJ01 | Rejection of invention patent application after publication |