CN106599780A - 一种电网巡检图像智能识别方法及装置 - Google Patents

一种电网巡检图像智能识别方法及装置 Download PDF

Info

Publication number
CN106599780A
CN106599780A CN201610959718.2A CN201610959718A CN106599780A CN 106599780 A CN106599780 A CN 106599780A CN 201610959718 A CN201610959718 A CN 201610959718A CN 106599780 A CN106599780 A CN 106599780A
Authority
CN
China
Prior art keywords
image
identified
normalization
module
reconstruction
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
CN201610959718.2A
Other languages
English (en)
Inventor
戴永东
毛锋
何菲
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 Corp of China SGCC
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Taizhou Power Supply Co of State Grid Jiangsu 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 Corp of China SGCC, Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610959718.2A priority Critical patent/CN106599780A/zh
Publication of CN106599780A publication Critical patent/CN106599780A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

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

Abstract

本发明公开了一种电网巡检图像智能识别方法及装置，属于电网巡检技术领域。本发明方法包含获取待识别巡检图像、对待识别巡检图像进行重建、统计得出方向梯度直方图以及颜色直方图、对方向梯度直方图和颜色直方图进行归一化处理、使用分类算法对重建图像进行分类、根据分类结果确定待识别巡检图像中设备的种类和状态等步骤。本发明采用图像识别技术对巡检图像进行自动识别，并对巡检图像进行了基于局部特征的图像重建，解决了巡检图像质量参差不齐的问题，能够大幅节省人工，提高图像分析的工作效率，是对现有技术的一种重要改进。

Description

一种电网巡检图像智能识别方法及装置
技术领域
本发明涉及电网巡检技术领域，特别是指一种电网巡检图像智能识别方法及装置。
背景技术
输配电网覆盖面广、结构复杂，包含众多设备，这些设备发生故障将给电网造成巨大影响，影响工业用电和市电的正常使用。为了保障输配电网的正常工作，需要经常对电网设备进行巡检，及时发现故障设备，维护电网的正常运行。
传统上，巡检人员需要携带相机等拍照设备在户外对电网设备进行拍照，然后将照片带回工作地点进行分析排查，由于相片数量巨大，相片质量也参差不齐，所以分析过程往往会耗费巨大地人力，效率低下。
发明内容
有鉴于此，本发明的目的在于提出一种电网巡检图像智能识别方法及装置，能够对巡检图像进行自动识别，从而快速发现设备故障，节省人工，提高效率。
基于上述目的，本发明提供的技术方案是：
一种电网巡检图像智能识别方法，其包括以下步骤：
获取待识别巡检图像；
使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建，得到重建图像；
统计得出重建图像的方向梯度直方图以及在HSV(Hue-Saturation-Value，色调-饱和度-明度)空间下的颜色直方图；
对方向梯度直方图和颜色直方图进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
利用归一化方向梯度直方图和归一化颜色直方图，使用分类算法对重建图像进行分类；
根据分类结果确定待识别巡检图像中设备的种类和状态。
可选地，待识别巡检图像中包含位置水印和时间水印；获取待识别巡检图像步骤后还包含：
从位置水印和时间水印中识别得到位置信息和时间信息；
将位置水印和时间水印从待识别巡检图像中去除。
可选地，利用归一化方向梯度直方图和归一化颜色直方图，使用分类算法对待识别巡检图像进行分类的具体方式为：
根据位置信息选取对应于该位置的事先经过训练的支持向量机；
将归一化方向梯度直方图、归一化颜色直方图以及时间信息输入该支持向量机，得到分类结果。
可选地，支持向量机的训练方式为：
设定支持向量机所对应的坐标范围；
采集该坐标范围内的多张实地照片作为训练样本；
利用训练样本对支持向量机进行训练。
可选地，使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建的具体方式为：
将图像集中的原图像进行降质，生成与原图像对应的降质图像；
计算降质图像的梯度信息，以及降质图像与该降质图像所对应的原图像的残差信息；
通过稀疏表达方法得到降质图像所对应的低分特征集以及原图像所对应的高分特征集；
计算待识别巡检图像的梯度信息，依据梯度信息在低分特征集中找到待识别巡检图像的稀疏表示系数向量；
在高分特征集中找到对应于稀疏表示系数向量的残差信息，将此残差信息融合到待识别巡检图像上，获得待识别巡检图像的重建图像。
此外，本发明还提供一种电网巡检图像智能识别装置，其包括：
获取模块，用于获取待识别巡检图像；
重建模块，用于使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建，得到重建图像；
统计模块，用于统计得出重建图像的方向梯度直方图以及在HSV空间下的颜色直方图；
归一化模块，用于对方向梯度直方图和颜色直方图进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
分类模块，用于利用归一化方向梯度直方图和归一化颜色直方图，使用分类算法对重建图像进行分类；
结果确定模块，用于根据分类结果确定待识别巡检图像中设备的种类和状态。
可选地，待识别巡检图像中包含位置水印和时间水印；且上述装置中还包含：
识别模块，用于从位置水印和时间水印中识别得到位置信息和时间信息；
去水印模块，用于将位置水印和时间水印从待识别巡检图像中去除。
可选地，分类模块包含：
支持向量机选取子模块，用于根据位置信息选取对应于该位置的事先经过训练的支持向量机；
输入子模块，用于将归一化方向梯度直方图、归一化颜色直方图以及时间信息输入支持向量机，得到分类结果。
可选地，上述装置还包含用于训练支持向量机的训练模块，训练模块包含：
坐标设定子模块，用于设定支持向量机所对应的坐标范围；
样本采集子模块，用于采集确定坐标范围内的多张实地照片作为训练样本；
支持向量机训练子模块，用于利用训练样本对支持向量机进行训练。
可选地，重建模块包含：
降质子模块，用于将图像集中的原图像进行降质，生成与原图像对应的降质图像；
第一计算子模块，用于计算降质图像的梯度信息，以及降质图像与该降质图像所对应的原图像的残差信息；
特征集生成子模块，用于通过稀疏表达方法得到降质图像所对应的低分特征集以及原图像所对应的高分特征集；
第二计算子模块，用于计算待识别巡检图像的梯度信息，依据梯度信息在低分特征集中找到待识别巡检图像的稀疏表示系数向量；
融合子模块，用于在高分特征集中找到对应于稀疏表示系数向量的残差信息，将对应于稀疏表示系数向量的残差信息融合到待识别巡检图像上，获得待识别巡检图像的重建图像。
从上面所述可以看出，本发明具有如下有益效果：
1、本发明采用图像识别技术对巡检图像进行自动识别，大幅节省了人工，提高了工作效率；
2、本发明对巡检图像进行了基于局部特征的图像重建，能够更好地还原图像细节，解决了巡检图像质量参差不齐的问题。
总之，本发明思路清晰，易于实现，能够改变目前电网巡检图像普遍采用人工分析排查的现状，是对现有技术的一种重要改进。
附图说明
图1为本发明实施例的一种方法流程图；
图2为图1中步骤105的具体流程图；
图3为图1中步骤102的具体流程图；
图4为本发明实施例的另一种方法流程图；
图5为本发明实施例方法中支持向量机的训练方法流程图；
图6为本发明实施例装置的一种结构示意图；
图7为图6中分类模块的结构示意图；
图8为图6中重建模块的结构示意图；
图9为本发明实施例装置的另一种结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
图1所示为一种电网巡检图像智能识别方法，其包括以下步骤：
步骤101，获取待识别巡检图像；
步骤102，使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建，得到重建图像；
步骤103，统计得出重建图像的方向梯度直方图以及在HSV空间下的颜色直方图；
步骤104，对方向梯度直方图和颜色直方图进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
步骤105，利用归一化方向梯度直方图和归一化颜色直方图，使用分类算法对重建图像进行分类；
步骤106，根据分类结果确定待识别巡检图像中设备的种类和状态。
该方法采用图像识别技术对巡检图像进行自动识别，并对巡检图像进行了基于局部特征的图像重建，解决了巡检图像质量参差不齐的问题。该方法可以大幅节省人工，提高图像分析的工作效率，是对现有技术的一种重要改进。
图2所示为上述方法中步骤105的具体实现方式，其包含：
步骤1051，根据位置信息选取对应于该位置的事先经过训练的支持向量机；
步骤1052，将归一化方向梯度直方图、归一化颜色直方图以及时间信息输入该支持向量机，得到分类结果。
该实施例使用支持向量机作为图像分类的分类算法，具有理论严谨、易于拓广的优点。
图3所示为上述方法中步骤102的具体实现方式，其包含：
步骤1021，将图像集中的原图像进行降质，生成与原图像对应的降质图像；
步骤1022，计算降质图像的梯度信息，以及降质图像与该降质图像所对应的原图像的残差信息；
步骤1023，通过稀疏表达方法得到降质图像所对应的低分特征集以及原图像所对应的高分特征集；
步骤1024，计算待识别巡检图像的梯度信息，依据梯度信息在低分特征集中找到待识别巡检图像的稀疏表示系数向量；
步骤1025，在高分特征集中找到对应于稀疏表示系数向量的残差信息，将此残差信息融合到待识别巡检图像上，获得待识别巡检图像的重建图像。
该实施例采用的重建算法逻辑清晰、算法简单、易于实现，且重建效果比较理想，能够大幅提高巡检图像的图像质量。
图4为本发明实施例的另一种方法流程图，其包含如下步骤：
步骤101，获取待识别巡检图像，待识别巡检图像中包含位置水印和时间水印；
步骤102，从位置水印和时间水印中识别得到位置信息和时间信息；
步骤103，将位置水印和时间水印从待识别巡检图像中去除；
步骤104，使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建，得到重建图像；
步骤105，统计得出重建图像的方向梯度直方图以及在HSV空间下的颜色直方图；
步骤106，对方向梯度直方图和颜色直方图进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
步骤107，利用归一化方向梯度直方图和归一化颜色直方图，使用分类算法对重建图像进行分类；
步骤108，根据分类结果确定待识别巡检图像中设备的种类和状态。
该实施例在巡检图像中加入了位置和时间信息，可以为图像的分类识别提供更多参照，降低分类难度，提高识别的准确率。具体来说，由于输配电网在每个位置范围内设备的种类是有限的，因此加入位置信息后可以大幅缩小待识别巡检图像的目标范围，从而大幅简化了算法。
图5所示为上述方法中支持向量机的训练方式，其包含：
步骤501，设定支持向量机所对应的坐标范围；
步骤502，采集该坐标范围内的多张实地照片作为训练样本；
步骤503，利用训练样本对支持向量机进行训练。
该实施例在上一实施例的基础上进一步明确了支持向量机的训练方式，由于上一实施例采用位置信息缩小了待识别对象的目标范围，因此在对支持向量机进行训练时也可以相应缩小样本空间的范围，从而使训练更加具有针对性，能够使支持向量机的分类结果更加准确。
图6所示为一种电网巡检图像智能识别装置的结构示意图，其包括：
获取模块601，用于获取待识别巡检图像；
重建模块602，用于使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建，得到重建图像；
统计模块603，用于统计得出重建图像的方向梯度直方图以及在HSV空间下的颜色直方图；
归一化模块604，用于对方向梯度直方图和颜色直方图进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
分类模块605，用于利用归一化方向梯度直方图和归一化颜色直方图，使用分类算法对重建图像进行分类；
结果确定模块606，用于根据分类结果确定待识别巡检图像中设备的种类和状态。
图7所示为图6中分类模块的具体结构，其包括：
支持向量机选取子模块6051，用于根据位置信息选取对应于该位置的事先经过训练的支持向量机；
输入子模块6052，用于将归一化方向梯度直方图、归一化颜色直方图以及时间信息输入支持向量机，得到分类结果。
图8所示为图6中重建模块的具体结构，其包括：
降质子模块6021，用于将图像集中的原图像进行降质，生成与原图像对应的降质图像；
第一计算子模块6022，用于计算降质图像的梯度信息，以及降质图像与该降质图像所对应的原图像的残差信息；
特征集生成子模块6023，用于通过稀疏表达方法得到降质图像所对应的低分特征集以及原图像所对应的高分特征集；
第二计算子模块6024，用于计算待识别巡检图像的梯度信息，依据梯度信息在低分特征集中找到待识别巡检图像的稀疏表示系数向量；
融合子模块6025，用于在高分特征集中找到对应于稀疏表示系数向量的残差信息，将对应于稀疏表示系数向量的残差信息融合到待识别巡检图像上，获得待识别巡检图像的重建图像。
图9所示为电网巡检图像智能识别装置的另一种结构示意图，其包括：
获取模块901，用于获取待识别巡检图像，待识别巡检图像中包含位置水印和时间水印；
识别模块902，用于从位置水印和时间水印中识别得到位置信息和时间信息；
去水印模块903，用于将位置水印和时间水印从待识别巡检图像中去除；
重建模块904，用于使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建，得到重建图像；
统计模块905，用于统计得出重建图像的方向梯度直方图以及在HSV空间下的颜色直方图；
归一化模块906，用于对方向梯度直方图和颜色直方图进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
分类模块907，用于利用归一化方向梯度直方图和归一化颜色直方图，使用分类算法对重建图像进行分类；
结果确定模块908，用于根据分类结果确定待识别巡检图像中设备的种类和状态；
训练模块909，用于对支持向量机进行训练；
上述训练模块909包含：
坐标设定子模块9091，用于设定支持向量机所对应的坐标范围；
样本采集子模块9092，用于采集确定坐标范围内的多张实地照片作为训练样本；
支持向量机训练子模块9093，用于利用训练样本对支持向量机进行训练。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电网巡检图像智能识别方法，其特征在于，包括以下步骤：
获取待识别巡检图像；
使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建，得到重建图像；
统计得出重建图像的方向梯度直方图以及在HSV空间下的颜色直方图；
对所述方向梯度直方图和颜色直方图进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
利用所述归一化方向梯度直方图和归一化颜色直方图，使用分类算法对重建图像进行分类；
根据分类结果确定待识别巡检图像中设备的种类和状态。
2.根据权利要求1所述的电网巡检图像智能识别方法，其特征在于，所述待识别巡检图像中包含位置水印和时间水印；所述获取待识别巡检图像步骤后还包含：
从所述位置水印和时间水印中识别得到位置信息和时间信息；
将所述位置水印和时间水印从所述待识别巡检图像中去除。
3.根据权利要求2所述的电网巡检图像智能识别方法，其特征在于，所述利用所述归一化方向梯度直方图和归一化颜色直方图，使用分类算法对待识别巡检图像进行分类的具体方式为：
根据所述位置信息选取对应于该位置的事先经过训练的支持向量机；
将所述归一化方向梯度直方图、归一化颜色直方图以及时间信息输入该支持向量机，得到分类结果。
4.根据权利要求3所述的电网巡检图像智能识别方法，其特征在于，所述支持向量机的训练方式为：
设定所述支持向量机所对应的坐标范围；
采集该坐标范围内的多张实地照片作为训练样本；
利用所述训练样本对所述支持向量机进行训练。
5.根据权利要求1所述的电网巡检图像智能识别方法，其特征在于，所述使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建的具体方式为：
将图像集中的原图像进行降质，生成与原图像对应的降质图像；
计算降质图像的梯度信息，以及降质图像与该降质图像所对应的原图像的残差信息；
通过稀疏表达方法得到降质图像所对应的低分特征集以及原图像所对应的高分特征集；
计算待识别巡检图像的梯度信息，依据梯度信息在低分特征集中找到所述待识别巡检图像的稀疏表示系数向量；
在所述高分特征集中找到对应于所述稀疏表示系数向量的残差信息，将此残差信息融合到所述待识别巡检图像上，获得待识别巡检图像的重建图像。
6.一种电网巡检图像智能识别装置，其特征在于，包括：
获取模块，用于获取待识别巡检图像；
重建模块，用于使用事先采集的图像集对待识别巡检图像进行基于局部特征的图像重建，得到重建图像；
统计模块，用于统计得出重建图像的方向梯度直方图以及在HSV空间下的颜色直方图；
归一化模块，用于对所述方向梯度直方图和颜色直方图进行归一化处理，得到归一化方向梯度直方图和归一化颜色直方图；
分类模块，用于利用所述归一化方向梯度直方图和归一化颜色直方图，使用分类算法对重建图像进行分类；
结果确定模块，用于根据分类结果确定待识别巡检图像中设备的种类和状态。
7.根据权利要求6所述的电网巡检图像智能识别装置，其特征在于，所述待识别巡检图像中包含位置水印和时间水印；本装置中还包含：
识别模块，用于从所述位置水印和时间水印中识别得到位置信息和时间信息；
去水印模块，用于将所述位置水印和时间水印从所述待识别巡检图像中去除。
8.根据权利要求7所述的电网巡检图像智能识别装置，其特征在于，所述分类模块包含：
支持向量机选取子模块，用于根据所述位置信息选取对应于该位置的事先经过训练的支持向量机；
输入子模块，用于将所述归一化方向梯度直方图、归一化颜色直方图以及时间信息输入支持向量机，得到分类结果。
9.根据权利要求8所述的电网巡检图像智能识别装置，其特征在于，还包含用于训练所述支持向量机的训练模块，所述训练模块包含：
坐标设定子模块，用于设定所述支持向量机所对应的坐标范围；
样本采集子模块，用于采集确定坐标范围内的多张实地照片作为训练样本；
支持向量机训练子模块，用于利用所述训练样本对所述支持向量机进行训练。
10.根据权利要求6所述的电网巡检图像智能识别装置，其特征在于，所述重建模块包含：
降质子模块，用于将图像集中的原图像进行降质，生成与原图像对应的降质图像；
第一计算子模块，用于计算降质图像的梯度信息，以及降质图像与该降质图像所对应的原图像的残差信息；
特征集生成子模块，用于通过稀疏表达方法得到降质图像所对应的低分特征集以及原图像所对应的高分特征集；
第二计算子模块，用于计算待识别巡检图像的梯度信息，依据梯度信息在低分特征集中找到所述待识别巡检图像的稀疏表示系数向量；
融合子模块，用于在所述高分特征集中找到对应于所述稀疏表示系数向量的残差信息，将对应于所述稀疏表示系数向量的残差信息融合到所述待识别巡检图像上，获得待识别巡检图像的重建图像。
CN201610959718.2A 2016-10-27 2016-10-27 一种电网巡检图像智能识别方法及装置 Pending CN106599780A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610959718.2A CN106599780A (zh) 2016-10-27 2016-10-27 一种电网巡检图像智能识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610959718.2A CN106599780A (zh) 2016-10-27 2016-10-27 一种电网巡检图像智能识别方法及装置

Publications (1)

Publication Number Publication Date
CN106599780A true CN106599780A (zh) 2017-04-26

Family

ID=58590320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610959718.2A Pending CN106599780A (zh) 2016-10-27 2016-10-27 一种电网巡检图像智能识别方法及装置

Country Status (1)

Country Link
CN (1) CN106599780A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062434A (zh) * 2019-12-13 2020-04-24 国网重庆市电力公司永川供电分公司 一种无人机巡检多尺度融合检测方法
CN111401131A (zh) * 2020-02-13 2020-07-10 深圳供电局有限公司 隧道管廊的图像处理方法、装置、计算机设备和存储介质
CN112241691A (zh) * 2020-09-25 2021-01-19 天津大学 基于无人机巡检与图像特征的渠道冰情智能识别方法
CN113516009A (zh) * 2021-04-07 2021-10-19 山东理工大学 一种输电线路图像水印影响的消除方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062434A (zh) * 2019-12-13 2020-04-24 国网重庆市电力公司永川供电分公司 一种无人机巡检多尺度融合检测方法
CN111401131A (zh) * 2020-02-13 2020-07-10 深圳供电局有限公司 隧道管廊的图像处理方法、装置、计算机设备和存储介质
CN112241691A (zh) * 2020-09-25 2021-01-19 天津大学 基于无人机巡检与图像特征的渠道冰情智能识别方法
CN112241691B (zh) * 2020-09-25 2022-03-25 天津大学 基于无人机巡检与图像特征的渠道冰情智能识别方法
CN113516009A (zh) * 2021-04-07 2021-10-19 山东理工大学 一种输电线路图像水印影响的消除方法

Similar Documents

Publication Publication Date Title
Mandal et al. Automated road crack detection using deep convolutional neural networks
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN106599780A (zh) 一种电网巡检图像智能识别方法及装置
CN110163198A (zh) 一种表格识别重建方法、装置和存储介质
CN112380952A (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN105574527B (zh) 一种基于局部特征学习的快速物体检测方法
CN110033453A (zh) 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法
CN112233073A (zh) 一种变电设备红外热成像异常实时检测方法
CN105588840B (zh) 一种电子元件定位方法及装置
CN104854620B (zh) 图像处理装置、图像处理系统和程序
CN106228528B (zh) 一种基于决策图与稀疏表示的多聚焦图像融合方法
CN106340009B (zh) 一种基于平行双目的电力线检测方法及系统
CN109978918A (zh) 一种轨迹追踪方法、装置和存储介质
WO2020157249A1 (de) Verarbeitung von bilddatensätzen
CN105513066B (zh) 一种基于种子点选取与超像素融合的通用物体检测方法
CN109886170B (zh) 一种钉螺智能检测识别与统计系统
CN109544501A (zh) 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法
CN104597057A (zh) 一种基于机器视觉的柱状二极管表面缺陷检测装置
CN109829881A (zh) 基于深度学习的鸟巢检测方法及系统
CN105678767A (zh) 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法
CN104867134A (zh) 一种用于无人机巡检输电线路杆塔的识别方法
CN109919038A (zh) 基于机器视觉与深度学习的配电柜方形压板状态识别方法
CN110084782A (zh) 基于图像显著性检测的全参考图像质量评价方法
CN107657220A (zh) 一种基于hog特征和svm的白带霉菌自动检测方法
CN109523528A (zh) 一种基于无人机双目视觉sgc算法的输电线路提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170426

WD01 Invention patent application deemed withdrawn after publication