CN106529416A - 基于毫米波雷达决策树分类的电力线检测方法及系统 - Google Patents
基于毫米波雷达决策树分类的电力线检测方法及系统 Download PDFInfo
- Publication number
- CN106529416A CN106529416A CN201610906255.3A CN201610906255A CN106529416A CN 106529416 A CN106529416 A CN 106529416A CN 201610906255 A CN201610906255 A CN 201610906255A CN 106529416 A CN106529416 A CN 106529416A
- Authority
- CN
- China
- Prior art keywords
- power line
- image
- radar
- classification
- decision
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000013145 classification model Methods 0.000 abstract 1
- 230000008520 organization Effects 0.000 description 3
- 230000018199 S phase Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于毫米波雷达决策树分类的电力线检测方法及系统;利用无人机搭载的毫米波雷达获取电力线的雷达图像;坐标变换:利用坐标转换方法将电力线的雷达图像由极坐标系转化到平面直角坐标系中;图像分块处理:以图像中距离为标准,设定阈值,按设定阈值对图像进行分块;利用Hough变换检测图像分块中存在的直线段;得到形成候选直线段集合;利用决策树分类模型对候选直线段集合中的直线段进行分类,从而检测出电力线的位置。本发明具有可以实时、有效的检测出电力线目标,而且具有很低的虚警概率的优点。
Description
技术领域
本发明属于图像处理技术领域,特别涉及基于毫米波雷达决策树分类的电力线检测方法及系统。
背景技术
超高压输电线路一直担负着我国电力传输的重任,针对输电线路巡检管理是有效保证输配电线路及其设备安全的一项基础工作。为了满足日常巡检的需求,无人机巡检作为一种常规巡检模式被引入到巡检任务中。但是受到地形、天气情况的诸多因素影响,无人机可能出现图像数据无法传回至地面站的情况,使地面操控人员失去对无人机的有效控制,从而造成无人机撞线的危险,进而造成安全事故。为了保证巡检安全,提高巡检效率需要无人机可以实时的识别出电力线的位置并判断出与无人机的距离,从而避免撞线事故的发生。
电力线检测技术在国内外进行了许多研究,通过使用可见光、激光和红外传感器等设备采集电力线数据,然后进行后期处理实现电力线的识别。
中国发明专利CN103761521A基于高清分辨率遥感图像,通过图像预处理、边缘提取和聚类分析等操作实现了电力线的识别。但是此方法是基于卫星拍摄的遥感图像进行分析处理,不适用于无人机巡检任务。
中国发明专利CN104866840A利用LiDAR设备获取输电线路的三维点云信息,通过点云数据建模等一些列操作提取出输电线路电力线部件。但是LiDAR设备通常体积、重量较大而无人机通常载荷有限,无法将LiDAR装配到普通无人机上进行数据采集,而且采集到的LiDAR要通过专门的软件进行数据解析,处理耗时较长,无法满足巡检过程中实时识别、检测电力线的要求。
中国发明专利CN 101625723A实现了基于可见光图像的电力线实时提取技术,但由于输电线路处于野外环境背景复杂,而且受光照、拍摄角度等因素的影响造成电力线在图像中不显著,从而造成检测效率的下降。
发明内容
为了克服上述缺点,本发明提供了一种基于毫米波雷达决策树分类的电力线检测方法及系统,它具有可以实时、有效的检测出电力线目标,而且具有很低的虚警概率的优点。
为了实现上述目的,本发明采用如下技术方案:
基于毫米波雷达决策树分类的电力线检测方法,包括如下步骤:
步骤(1):获取电力线的雷达图像;
步骤(2):坐标变换:利用坐标转换方法将电力线的雷达图像由极坐标系转化到平面直角坐标系中;
步骤(3):图像分块处理:以图像中距离为标准,设定阈值,按设定阈值对图像进行分块;
步骤(4):利用Hough变换检测图像分块中存在的直线段;得到形成候选直线段集合;
步骤(5):利用决策树分类模型对候选直线段集合中的直线段进行分类,从而检测出电力线的位置。
所述电力线的雷达图像是利用无人机搭载的毫米波雷达扫描输电线路区域获取的。
所述步骤(1)的步骤包括:
获取到场景中各物体的方位角;
雷达图像经过傅里叶变换(FFT)后,从频谱中获取场景中物体与雷达之间的距离,距离与方位角组合形成方位-距离二维图像。
所述步骤(2)的步骤包括:利用坐标转换的方法对方位-距离二维图像进行坐标转换,由极坐标系转化到平面直角坐标系,将方位-距离二维图像中每个方位的斜距变为垂直距离,使电力线和类似电力线的线性目标在图像中表现为直线段。
所述步骤(3)的步骤包括:
步骤(3-1):获取距离直方图:将采集到的雷达图像上所有点与发射源之间的距离整数化,获取雷达图像上所有点的距离直方图;
步骤(3-2):计算分块阈值:将距离直方图等分成若干个分块,并求每块的距离均值,将距离均值作为雷达图像分块的分割阈值;按分割阈值对雷达图像进行分块;
步骤(3-3):如果图像块无法完整地显示电力线,把相邻的图像块进行叠加。
所述步骤(3-3)的叠加,是以分块大小为基础,把相邻的图像块按照重叠图像块的设定比例进行叠加。设定比例可以是十分之一。
所述步骤(5)的步骤包括:
步骤(5-1):对候选直线段集合中的直线段进行特征提取得到测试集;
步骤(5-2):构造决策树分类模型,利用训练集对决策树分类模型进行训练,得到训练好的决策树分类模型;
步骤(5-3):利用训练好的决策树分类模型对测试集的特征进行分类处理,确定电力线的位置。
所述步骤(5-2)在训练过程中矫正节点属性,引入交叉验证策略,最终得到决策树分类模型。
所述步骤(5-2)的训练集包含的特征的属性和类别与测试集中的是一样的。
所述步骤(5-2)的步骤包括:
步骤(5-2-1):寻找初始分裂,整个训练集作为产生决策树的集合,训练集每个记录必须是已经分好类的,依据信息增益决定作为目前分类指标的属性域(Field)。信息增益越小表示该信息增益所对应的属性域作为分类指标越好。
步骤(5-2-2):穷举所有的属性域,通过计算每个属性域分裂的多样性(Diversity)指标来对每个属性域分裂的好坏做出量化,依据决策树分类训练集合的信息增益值来计算出最好的一个分裂属性,信息增益越大说明该属性的分类效果越好;
步骤(5-2-3):返回步骤(5-2-1),直至每个叶节点内的记录都属于同一类且增长到一棵完整的树。
所述信息熵的计算方法为:
其中,pi是S中属于类别i的比例,Entropy(S)表示对于类别个数为C的情况,样本集S相对于C分类的信息熵。
信息增益是属性分类训练数据的能力的度量标准,一个属性的信息增益就是由于使用这个属性分割样例而导致的期望熵降低。由于不同的分支节点所包含的样本数不同,给分支节点赋予权重即样本数越多的分支节点的影响越大。
所述信息增益被定义为:
其中,Value(A)是属性A的所有可能值的集合,Sv是样本S中属性A的值为v的子集(即,Sv={s∈S|A(s)=v})。计算每个属性的信息增益,并选取具有最高信息增益的属性作为给定集合S的测试属性,创建一个节点。
以该属性为分类标准,划分样本集合。
在分类过程中每一步划分都是局部最优的,从而建立一棵分类树。
所述步骤(5-1)的步骤包括:
为了在雷达图像中检出电力线路,提取具备10维度属性的特征向量来表征电力线。
记候选直线段上的数据为v=(v(1),v(2),...,v(n)),n为候选直线段上的点数,v(i)为候选直线段上第i个数据点的强度;
设x为10维的特征向量,其分量分别为x=(x(1),x(2),...,x(10));
分量分别取自时域、频域和自相关曲线;
第一组时域特征分量由数据点的基本统计特征值确定,依次表示数据v的均值mean(v),最大值max(v),方差var(v),标准差std(v)。
x(1)=mean(v);
x(2)=max(v);
x(3)=var(v);
x(4)=std(v);
接下来的一组频域特征分量由数据点频谱的特点确定,V表示对v做2048点的离散傅里叶变换(DFT);x(5)是直流分量,x(6)是低频分量,x(7)是高频分量,x(8)是平均功率。
x(5)=V(1);
最后一组自相关特征分量取自时域信号的自相关序列,x(9)为序列v的自相关函数的中位数,x(10)为序列v的自相关函数的均值。
基于毫米波雷达决策树分类的电力线检测系统,包括:
图像获取模块:获取电力线的雷达图像;
坐标变换模块:利用坐标转换方法将电力线的雷达图像由极坐标系转化到平面直角坐标系中;
图像分块处理模块:以图像中距离为标准,设定阈值,按设定阈值对图像进行分块;
直线段检测模块:利用Hough变换检测图像分块中存在的直线段;得到形成候选直线段集合;
分类模块:利用决策树分类模型对候选直线段集合中的直线段进行分类,从而检测出电力线的位置。
所述电力线的雷达图像是利用无人机搭载的毫米波雷达扫描输电线路区域获取的。
所述图像获取模块包括:
方位角获取单元:获取到场景中各物体的方位角;
傅里叶变换单元:雷达图像经过傅里叶变换(FFT)后,从频谱中获取场景中物体与雷达之间的距离,距离与方位角组合形成方位-距离二维图像。
所述坐标变换模块:利用坐标转换的方法对方位-距离二维图像进行坐标转换,由极坐标系转化到平面直角坐标系,将方位-距离二维图像中每个方位的斜距变为垂直距离,使电力线和类似电力线的线性目标在图像中表现为直线段。
所述图像分块处理模块包括:
距离直方图获取单元:获取距离直方图:将采集到的雷达图像上所有点与发射源之间的距离整数化,获取雷达图像上所有点的距离直方图;
分块阈值计算单元:计算分块阈值:将距离直方图等分成若干个分块,并求每块的距离均值,将距离均值作为雷达图像分块的分割阈值;按分割阈值对雷达图像进行分块;
图像块叠加单元:如果图像块无法完整地显示电力线,把相邻的图像块进行叠加。
所述图像块叠加单元的叠加,是以分块大小为基础,把相邻的图像块按照重叠图像块的设定比例进行叠加。设定比例可以是十分之一。
所述分类模块包括:
特征提取单元:对候选直线段集合中的直线段进行特征提取得到测试集;
决策树分类模型训练单元:构造决策树分类模型,利用训练集对决策树分类模型进行训练,得到训练好的决策树分类模型;
分类处理单元:利用训练好的决策树分类模型对测试集的特征进行分类处理,确定电力线的位置。
所述决策树分类模型训练单元在训练过程中矫正节点属性,引入交叉验证策略,最终得到决策树分类模型。
所述决策树分类模型训练单元的训练集包含的特征的属性和类别与测试集中的是一样的。
所述决策树分类模型训练单元包括:
分类指标的属性域确定子单元:寻找初始分裂,整个训练集作为产生决策树的集合,训练集每个记录必须是已经分好类的,依据信息增益决定作为目前分类指标的属性域(Field);信息增益越小表示该信息增益所对应的属性域作为分类指标越好。
属性域分裂好坏量化子单元:穷举所有的属性域,通过计算每个属性域分裂的多样性(Diversity)指标来对每个属性域分裂的好坏做出量化,依据决策树分类训练集合的信息增益值来计算出最好的一个分裂属性,信息增益越大说明该属性的分类效果越好;
决策树形成子单元:返回分类指标的属性域确定子单元,直至每个叶节点内的记录都属于同一类且增长到一棵完整的树。
本发明的有益效果:
通过坐标转换后,可以应用通用的直线检测手段完成电力线的检测,降低了直线检测难度;将变换后的图像进行有重叠的分块处理操作,在保证直线连续的情况下可以实现数据的并行处理运算,提高方法的计算速度;针对电力线提取描述特征,并利用决策分类树分类方法对检测到的直线进行分类,计算简单而且更加符合电力线检测的应用。本发明可以实时、有效的检测出电力线目标,而且具有很低的虚警概率。将基于毫米波雷达波决策树分类的电力线检测方法引入到无人机在输电领域巡检时的应用中,从而判断无人机距离电力线的距离,为无人机的巡检提供一种有效的安全预警手段,保证了无人机巡检输电线路的工作安全。
附图说明
图1(a)为关于电力线的原始雷达图像;
图1(b)为经过坐标变换后的关于电力线的雷达图像;
图2(a)为根据阈值分块后的雷达图像;
图2(b)为添加区域重叠的雷达分块图像;
图3(a)为未处理过的雷达图像实例一;
图3(b)为手动提取电力线位置的图像实例一;
图3(c)为经过Hough变换后的电力线图像实例一;
图3(d)为经过决策树分类检测后的电力线图像实例一;
图3(e)为未处理过的雷达图像实例二;
图3(f)为手动提取电力线位置的图像实例二;
图3(g)为经过Hough变换后的电力线图像实例二;
图3(h)为经过决策树分类检测后的电力线图像实例二;
图4为电力线检测框图;
图5为基于毫米波雷达决策树分类的无人机实时检测电力线系统框图;
图6为图像获取模块内部功能架构图;
图7为图像分块处理模块内部功能架构图;
图8为分类模块内部功能架构图;
图9为决策树分类模型训练单元内部功能架构图。
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。
基于毫米波雷达决策树分类的电力线检测方法,包括如下步骤:
步骤(1):利用毫米波雷达获取电力线雷达图像并进行坐标转换,作为后续处理的基础信息;
步骤(2):图像分块处理。以图像中距离信息为标准,确定阈值将图像按距离进行分块;
步骤(3):利用Hough变换检测图像分块中存在的直线;
步骤(4):决策树分类:对提取到的候选直线进行分类处理,确定最终的电力线位置。
所述步骤(1)的步骤包括:
步骤(1-1):利用机械扫描方式获取扫描图,电力线在毫米波雷达波照射下有布拉格散射曲线,在极坐标系下呈现弯曲特性;
步骤(1-2):坐标变换。电力线在雷达图中呈现弯曲特性,不利于后期的处理。这里利用坐标系转换,将每个方位的斜距变为垂直距离,这样像电力线这样的线性目标就在图像中表现为直线段了,便于后续处理。变换前的图像如图1(a)所示,变换后的图像如图1(b)所示。
由雷达方程可知,距离远的目标对电磁波反射后的回波功率小于近距离目标,由于在后面直线检测中需要对图像取峰值点,减少参与直线检测的像素点,可以减少计算量。取峰值点就要对图像设定阈值,超过阈值的点保留,低于阈值的点去掉。如果对整帧图像取定一个统一的阈值,那么对于远距离目标就可能因其回波功率小而低于阈值,这不利于整幅图像峰值选取的公平性,所以对不同距离的目标就要有不同的阈值。但是距离是渐变的,要顾全每个距离点的话,将设置很多的阈值,处理起来很麻烦。
步骤(2)所示图像分块处理,主要包括:
步骤(2-1):统计直方图信息。将图像中所有点的距离信息整数化,统计距离直方图信息;
步骤(2-2):计算分块阈值。根据直方图信息,将直方图10等分并求每个分块的距离均值,作为分块的阈值。
步骤(2-3):如图2(a)所示分块结果,当电力线处理图像块的边缘时无法完整的检出电力线,造成电力线信息的丢失,为此把图像分成互相叠加的块。如图2(b)所示。
雷达图像经过坐标转换、分块处理等预处理后,对得到的图像进行Hough变换以提取图像中的直线。由于背景、噪声的影响这些也会被检测呈直线,形成候选直线集合。为了精确的检测出直线位置,利用决策树分类器对候选直线集合进行分类处理。
决策树是利用信息论中的信息增益寻找数据库中具有最大信息量的属性字段,建立决策树的一个结点,再根据该属性字段的不同取值建立树的分支,在每个子分支子集中重复建立树的下层结点和分支的一个过程。构造决策树的具体过程为:
首先,寻找初始分裂,整个训练集作为产生决策树的集合,训练集每个记录必须是已经分好类的,以决定哪个属性域(Field)作为目前最好的分类指标。
其次,穷举所有的属性域,对每个属性域分裂的好坏做出量化,计算出最好的一个分裂。量化的标准是计算每个分裂的多样性(Diversity)指标。
最后,重复第一步,直至每个叶节点内的记录都属于同一类且增长到一棵完整的树。
对于类别个数为C的情况,样本集S相对于C分类的熵定义为:
其中,pi是S中属于类别i的比例。
信息增益是属性分类训练数据的能力的度量标准,一个属性的信息增益就是由于使用这个属性分割样例而导致的期望熵降低。它被定义为:
其中,Value(A)是属性A的所有可能值的集合,Sv是S中属性A的值为v的子集(即,Sv={s∈S|A(s)=v})。计算每个属性的信息增益,并选取具有最高信息增益的属性作为给定集合S的测试属性,创建一个节点,并以该属性标记,对该属性的每个值创建一个分支,并据此划分样本,每一步划分都是局部最优的,从而建立一棵分类树。
在建立决策树对候选直线段分类之前需要对候选直线段进行特征提取,本方法根据电力线检测的需求,提取具备10维度属性的特向量来表征电力线。记候选直线上的数据为v=(v(1),v(2),...,v(n)),n为候选直线上的点数,v(i)为候选直线上第i个数据点的强度。设x为10维的特征向量,其分量分别为x=(x(1),x(2),...,x(10))。这些分量分别取自时域、频域和自相关曲线。第一组特征分量由数据点的基本统计特征值确定,依次表示v的均值,最大值,方差,标准差。
x(1)=mean(v)
x(2)=max(v)
x(3)=var(v)
x(4)=std(v)
接下来的一组特征向量分量由数据点频谱的特点确定,V表示对v做2048点的DFT。x(5)是直流分量,x(6)是低频分量,x(7)是高频分量,x(8)是平均功率。
x(5)=V(1)
最后一组特征分量取自时域信号的自相关序列,x(9),x(10)分别为序列v的自相关函数的中位数和均值。
为了使用决策树算法对输入数据进行准确的预测分类,就必须获取包含这些属性和相应类别的训练集,用这些训练集构造一棵决策树。为了在训练过程中矫正节点属性,引入交叉验证策略,最终得到决策树分类模型。最终测试结果如图3(a)-图3(h)所示。
方法的整体流程如图4所示。
如图5所示,基于毫米波雷达决策树分类的无人机实时检测电力线系统,包括:
图像获取模块:获取电力线的雷达图像;
坐标变换模块:利用坐标转换方法将电力线的雷达图像由极坐标系转化到平面直角坐标系中;
图像分块处理模块:以图像中距离为标准,设定阈值,按设定阈值对图像进行分块;
直线段检测模块:利用Hough变换检测图像分块中存在的直线段;得到形成候选直线段集合;
分类模块:利用决策树分类模型对候选直线段集合中的直线段进行分类,从而检测出电力线的位置。
所述电力线的雷达图像是利用无人机搭载的毫米波雷达扫描输电线路区域获取的。
如图6所示,所述图像获取模块包括:
方位角获取单元:获取到场景中各物体的方位角;
傅里叶变换单元:雷达图像经过傅里叶变换(FFT)后,从频谱中获取场景中物体与雷达之间的距离,距离与方位角组合形成方位-距离二维图像。
所述坐标变换模块:利用坐标转换的方法对方位-距离二维图像进行坐标转换,由极坐标系转化到平面直角坐标系,将方位-距离二维图像中每个方位的斜距变为垂直距离,使电力线和类似电力线的线性目标在图像中表现为直线段。
如图7所示,所述图像分块处理模块包括:
距离直方图获取单元:获取距离直方图:将采集到的雷达图像上所有点与发射源之间的距离整数化,获取雷达图像上所有点的距离直方图;
分块阈值计算单元:计算分块阈值:将距离直方图等分成若干个分块,并求每块的距离均值,将距离均值作为雷达图像分块的分割阈值;按分割阈值对雷达图像进行分块;
图像块叠加单元:如果图像块无法完整地显示电力线,把相邻的图像块进行叠加。
所述图像块叠加单元的叠加,是以分块大小为基础,把相邻的图像块按照重叠图像块的设定比例进行叠加。设定比例可以是十分之一。
如图8所示,所述分类模块包括:
特征提取单元:对候选直线段集合中的直线段进行特征提取得到测试集;
决策树分类模型训练单元:构造决策树分类模型,利用训练集对决策树分类模型进行训练,得到训练好的决策树分类模型;
分类处理单元:利用训练好的决策树分类模型对测试集的特征进行分类处理,确定电力线的位置。
所述决策树分类模型训练单元在训练过程中矫正节点属性,引入交叉验证策略,最终得到决策树分类模型。
所述决策树分类模型训练单元的训练集包含的特征的属性和类别与测试集中的是一样的。
如图9所示,所述决策树分类模型训练单元包括:
分类指标的属性域确定子单元:寻找初始分裂,整个训练集作为产生决策树的集合,训练集每个记录必须是已经分好类的,依据信息增益决定作为目前分类指标的属性域(Field);信息增益越小表示该信息增益所对应的属性域作为分类指标越好。
属性域分裂好坏量化子单元:穷举所有的属性域,通过计算每个属性域分裂的多样性(Diversity)指标来对每个属性域分裂的好坏做出量化,依据决策树分类训练集合的信息增益值来计算出最好的一个分裂属性,信息增益越大说明该属性的分类效果越好;
决策树形成子单元:返回分类指标的属性域确定子单元,直至每个叶节点内的记录都属于同一类且增长到一棵完整的树。
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 (10)
1.基于毫米波雷达决策树分类的电力线检测方法,其特征是,包括如下步骤:
步骤(1):利用无人机搭载的毫米波雷达获取电力线的雷达图像;
步骤(2):坐标变换:利用坐标转换方法将电力线的雷达图像由极坐标系转化到平面直角坐标系中;
步骤(3):图像分块处理:以图像中距离为标准,设定阈值,按设定阈值对图像进行分块;
步骤(4):利用Hough变换检测图像分块中存在的直线段;得到形成候选直线段集合;
步骤(5):利用决策树分类模型对候选直线段集合中的直线段进行分类,从而检测出电力线的位置。
2.如权利要求1所述的基于毫米波雷达决策树分类的电力线检测方法,其特征是,所述步骤(1)的步骤包括:
利用无人机搭载的毫米波雷达扫描输电线路区域获取电力线的雷达图像,获取到场景中各物体的方位角;
雷达图像经过傅里叶变换后,从频谱中获取场景中物体与雷达之间的距离,距离与方位角组合形成方位-距离二维图像。
3.如权利要求1所述的基于毫米波雷达决策树分类的电力线检测方法,其特征是,所述步骤(2)的步骤包括:利用坐标转换的方法对方位-距离二维图像进行坐标转换,由极坐标系转化到平面直角坐标系,将方位-距离二维图像中每个方位的斜距变为垂直距离,使电力线和类似电力线的线性目标在图像中表现为直线段。
4.如权利要求1所述的基于毫米波雷达决策树分类的电力线检测方法,其特征是,所述步骤(3)的步骤包括:
步骤(3-1):获取距离直方图:将采集到的雷达图像上所有点与发射源之间的距离整数化,获取雷达图像上所有点的距离直方图;
步骤(3-2):计算分块阈值:将距离直方图等分成若干个分块,并求每块的距离均值,将距离均值作为雷达图像分块的分割阈值;按分割阈值对雷达图像进行分块;
步骤(3-3):如果图像块无法完整地显示电力线,把相邻的图像块进行叠加。
5.如权利要求4所述的基于毫米波雷达决策树分类的电力线检测方法,其特征是,所述步骤(3-3)的叠加,是以分块大小为基础,把相邻的图像块按照重叠图像块的设定比例进行叠加。
6.如权利要求1所述的基于毫米波雷达决策树分类的电力线检测方法,其特征是,所述步骤(5)的步骤包括:
步骤(5-1):对候选直线段集合中的直线段进行特征提取得到测试集;
步骤(5-2):构造决策树分类模型,利用训练集对决策树分类模型进行训练,得到训练好的决策树分类模型;
步骤(5-3):利用训练好的决策树分类模型对测试集的特征进行分类处理,确定电力线的位置。
7.如权利要求6所述的基于毫米波雷达决策树分类的电力线检测方法,其特征是,所述步骤(5-2)在训练过程中矫正节点属性,引入交叉验证策略,最终得到决策树分类模型。
8.如权利要求6所述的基于毫米波雷达决策树分类的电力线检测方法,其特征是,所述步骤(5-2)的训练集包含的特征的属性和类别与测试集中的是一样的。
9.如权利要求1所述的基于毫米波雷达决策树分类的电力线检测方法,其特征是,所述步骤(5-2)的步骤包括:
步骤(5-2-1):寻找初始分裂,整个训练集作为产生决策树的集合,训练集每个记录必须是已经分好类的,依据信息增益决定作为目前分类指标的属性域;信息增益越小表示该信息增益所对应的属性域作为分类指标越好;
步骤(5-2-2):穷举所有的属性域,通过计算每个属性域分裂的多样性指标来对每个属性域分裂的好坏做出量化,依据决策树分类训练集合的信息增益值来计算出最好的一个分裂属性,信息增益越大说明该属性的分类效果越好;
步骤(5-2-3):返回步骤(5-2-1),直至每个叶节点内的记录都属于同一类且增长到一棵完整的树。
10.基于毫米波雷达决策树分类的电力线检测系统,其特征是,包括:
图像获取模块:获取电力线的雷达图像;
坐标变换模块:利用坐标转换方法将电力线的雷达图像由极坐标系转化到平面直角坐标系中;
图像分块处理模块:以图像中距离为标准,设定阈值,按设定阈值对图像进行分块;
直线段检测模块:利用Hough变换检测图像分块中存在的直线段;得到形成候选直线段集合;
分类模块:利用决策树分类模型对候选直线段集合中的直线段进行分类,从而检测出电力线的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610906255.3A CN106529416A (zh) | 2016-10-18 | 2016-10-18 | 基于毫米波雷达决策树分类的电力线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610906255.3A CN106529416A (zh) | 2016-10-18 | 2016-10-18 | 基于毫米波雷达决策树分类的电力线检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106529416A true CN106529416A (zh) | 2017-03-22 |
Family
ID=58332258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610906255.3A Pending CN106529416A (zh) | 2016-10-18 | 2016-10-18 | 基于毫米波雷达决策树分类的电力线检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529416A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561509A (zh) * | 2017-08-28 | 2018-01-09 | 电子科技大学 | 一种机载毫米波雷达电力线检测方法 |
CN107728129A (zh) * | 2017-09-08 | 2018-02-23 | 国网山东省电力公司电力科学研究院 | 一种用于电力线检测的毫米波雷达及无人机 |
CN107728122A (zh) * | 2017-09-08 | 2018-02-23 | 中国电子科技集团公司信息科学研究院 | 一种基于信息熵的多雷达信息量的度量方法及装置 |
CN108896996A (zh) * | 2018-05-11 | 2018-11-27 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
CN109492592A (zh) * | 2018-11-15 | 2019-03-19 | 杭州芯影科技有限公司 | 毫米波成像图像处理方法 |
CN111695548A (zh) * | 2020-07-20 | 2020-09-22 | 内蒙古工业大学 | 基于毫米波雷达的高压线检测方法 |
CN112034470A (zh) * | 2020-09-02 | 2020-12-04 | 亿嘉和科技股份有限公司 | 一种基于固态面阵激光雷达的电缆识别定位方法 |
CN112700424A (zh) * | 2021-01-07 | 2021-04-23 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN114488056A (zh) * | 2021-12-31 | 2022-05-13 | 南京航空航天大学 | 一种基于宽频Bragg特征的高压线确认方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788788A (zh) * | 2010-01-05 | 2010-07-28 | 华北电力大学 | 基于电网状态识别的多目标机组组合智能优化系统 |
CN102214213A (zh) * | 2011-05-31 | 2011-10-12 | 中国科学院计算技术研究所 | 一种采用决策树的数据分类方法和系统 |
CN104537010A (zh) * | 2014-12-17 | 2015-04-22 | 温州大学 | 基于决策树的网构软件中的构件分类方法 |
-
2016
- 2016-10-18 CN CN201610906255.3A patent/CN106529416A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788788A (zh) * | 2010-01-05 | 2010-07-28 | 华北电力大学 | 基于电网状态识别的多目标机组组合智能优化系统 |
CN102214213A (zh) * | 2011-05-31 | 2011-10-12 | 中国科学院计算技术研究所 | 一种采用决策树的数据分类方法和系统 |
CN104537010A (zh) * | 2014-12-17 | 2015-04-22 | 温州大学 | 基于决策树的网构软件中的构件分类方法 |
Non-Patent Citations (1)
Title |
---|
喻江波: "毫米波雷达对电力线检测的关键技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561509A (zh) * | 2017-08-28 | 2018-01-09 | 电子科技大学 | 一种机载毫米波雷达电力线检测方法 |
CN107561509B (zh) * | 2017-08-28 | 2021-04-30 | 电子科技大学 | 一种机载毫米波雷达电力线检测方法 |
CN107728129A (zh) * | 2017-09-08 | 2018-02-23 | 国网山东省电力公司电力科学研究院 | 一种用于电力线检测的毫米波雷达及无人机 |
CN107728122A (zh) * | 2017-09-08 | 2018-02-23 | 中国电子科技集团公司信息科学研究院 | 一种基于信息熵的多雷达信息量的度量方法及装置 |
CN108896996A (zh) * | 2018-05-11 | 2018-11-27 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
CN108896996B (zh) * | 2018-05-11 | 2019-09-20 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
CN109492592A (zh) * | 2018-11-15 | 2019-03-19 | 杭州芯影科技有限公司 | 毫米波成像图像处理方法 |
CN111695548A (zh) * | 2020-07-20 | 2020-09-22 | 内蒙古工业大学 | 基于毫米波雷达的高压线检测方法 |
CN112034470A (zh) * | 2020-09-02 | 2020-12-04 | 亿嘉和科技股份有限公司 | 一种基于固态面阵激光雷达的电缆识别定位方法 |
CN112700424A (zh) * | 2021-01-07 | 2021-04-23 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN112700424B (zh) * | 2021-01-07 | 2022-11-11 | 国网山东省电力公司电力科学研究院 | 一种变电设备带电检测红外检测质量评估方法 |
CN114488056A (zh) * | 2021-12-31 | 2022-05-13 | 南京航空航天大学 | 一种基于宽频Bragg特征的高压线确认方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529416A (zh) | 基于毫米波雷达决策树分类的电力线检测方法及系统 | |
Li et al. | Knowledge-based power line detection for UAV surveillance and inspection systems | |
CN104239898B (zh) | 一种快速卡口车辆比对和车型识别方法 | |
Li et al. | Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform | |
CN114202696A (zh) | 基于上下文视觉的sar目标检测方法、装置和存储介质 | |
CN107301381A (zh) | 基于深度学习和多任务学习策略的雷达辐射源识别方法 | |
CN103839065A (zh) | 人群动态聚集特征提取方法 | |
CN102496016B (zh) | 一种基于时空协同框架的红外目标检测方法 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及系统 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN102163290A (zh) | 基于时空关联信息的多视角视频监控中异常事件建模方法 | |
CN103593679A (zh) | 一种基于在线机器学习的视觉人手跟踪方法 | |
CN103310200A (zh) | 人脸识别方法 | |
CN109949229A (zh) | 一种多平台多视角下的目标协同检测方法 | |
CN102928822A (zh) | 基于高分辨一维距离像的雷达目标长度计算方法 | |
CN114863357A (zh) | 一种输电线路外力破坏的识别告警方法及系统 | |
CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
CN108256429A (zh) | 一种利用高空间分辨率单极化sar图像的输电杆塔目标检测方法 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
Zhao et al. | An adaptation of CNN for small target detection in the infrared | |
CN103093243A (zh) | 高分辨率全色遥感图像云判方法 | |
CN114662526A (zh) | 一种基于遥感数据与多时相sar影像的林地生态监测方法 | |
CN110705693A (zh) | 一种无人机异常行为识别模块及其识别方法 | |
David et al. | Improving the performance of vehicle detection and verification by log Gabor filter optimization | |
CN109165653A (zh) | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170322 |