CN106895824A - 基于计算机视觉的无人机定位方法 - Google Patents

基于计算机视觉的无人机定位方法 Download PDF

Info

Publication number
CN106895824A
CN106895824A CN201710052905.7A CN201710052905A CN106895824A CN 106895824 A CN106895824 A CN 106895824A CN 201710052905 A CN201710052905 A CN 201710052905A CN 106895824 A CN106895824 A CN 106895824A
Authority
CN
China
Prior art keywords
unmanned plane
level
layer
computer vision
localization method
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
CN201710052905.7A
Other languages
English (en)
Inventor
杨蔚
周辉
杨生兰
杨颖锐
杜毅
伍家红
赵强
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 CN201710052905.7A priority Critical patent/CN106895824A/zh
Publication of CN106895824A publication Critical patent/CN106895824A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种能够在信号阻隔区实现局部精确定位的基于计算机视觉的无人机定位方法。该基于计算机视觉的无人机定位方法将计算机视觉技术和伪相距的测距技术相结合，实现无人机局部精确定位，赋予无人机非通视环境下的作业能力，改变现有无人机只能在通视环境下操控和传输视频的能力，进一步延伸无人机的作业距离和扩展作业条件适应能力，同时，还能够减少无人机对于操控手的依赖，减少人工操控复杂度，让更多的作业任务实现去人化,大大降低由于操控手误操作导致严重后果的风险，增加无人机巡线的安全性，能够大大提升无人机作业智能化水平，这对巡检作业整体水平的提升具有重大现实意义。适合在无人机技术领域推广应用。

Description

基于计算机视觉的无人机定位方法
技术领域
本发明涉及无人机技术领域，尤其是一种基于计算机视觉的无人机定位方法。
背景技术
随着新技术、新方法以及新的管理理念的引入，无人机已逐步得到重视并开始应用于输电线路巡视作业，在一定程度上弥补了传统人工巡视的不足，特别是在高山等人工不易达区域优势更为明显。其中，无人机飞行速度慢，具有定点悬停功能，可对特定巡视目标进行细节观察，有利于缺陷发现。
高海拔、低温、无人区等恶劣环境下，输电线路更需要无人机这类空中机器人参与作业，必须自主研发和装备续航能力强、具有自主导航和定位功能、实时视频传输的高端无人机，以更好的解决人员不易达区域的输电线路缺陷发现问题，最大限度的保障输电走廊的稳定和安全。目前，输电线路所在的区域很多都属于信号阻隔区，当无人机飞入这些信号阻隔区后，现有的定位技术不具备非通视条件下巡检作业的能力，并且无法实现精确定位，而且现有的无人机定位技术对于操控手的依赖程度较高，操控手误操作很容易导致严重后果，无人机巡线的安全性较低。
发明内容
本发明所要解决的技术问题是提供一种能够在信号阻隔区实现局部精确定位的基于计算机视觉的无人机定位方法。
本发明解决其技术问题所采用的技术方案为：该基于计算机视觉的无人机定位方法，包括以下步骤：
S1、利用无人机采集航拍的绝缘子样本图像，分为含绝缘子串的正样本图像和不含绝缘子串的负样本图像，然后对正样本图像进行标注，标注的信息为绝缘子串在图像中的位置信息；
S2、搭建卷积神经网络，并对卷积神经网络进行训练得到卷积神经网络的网络参数，并用得到的网络参数对卷积神经网络进行设定；
S3、将待检测的视频图像输入步骤S2得到的卷积神经网络检测出待检测视频图像中的绝缘子；
S4、利用伪相距的测距公式确定无人机与待测视频图像中绝缘子之间的距离，实现无人机的定位。
进一步的是，在步骤S1中，所述正样本的数量为2000张，所述负样本的数量为2000张。
进一步的是，在步骤S1中，所述绝缘子串在图像中的位置信息是指在框出图像中的绝缘子串后所得的矩形坐标，即矩形左上角的顶点坐标和右下角的顶点坐标。
进一步的是，在步骤S2中，搭建的卷积神经网络包括依次设置的第一级卷积层、第一级池化层、第二级卷积层、第二级池化层、第三级卷积层、第三级池化层、第四级卷积层、第四层池化层、第五级卷积层、第五级池化层、第一级全连层、第二级全连接层、分类器。
进一步的是，所述第一级卷积采用7*7的卷积核，第二级卷积采用5*5的卷积核，第三级卷积采用3*3的卷积核，第四级卷积采用3*3的卷积核，第五级卷积采用3*3的卷积核，所述第一级池化层、第二级池化层、第三级池化层、第四层池化层、第五级池化层均采用最大池化方式。
进一步的是，所述第一级卷积层的激活函数、第二级卷积层的激活函数、第三级卷积层的激活函数、第四级卷积层的激活函数、第五级卷积层的激活函数均采用ReLU激活函数。
进一步的是，在第一级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第二级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第三级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第四级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第五级卷积层的激活函数的ReLU前进行BatchNormalization处理。
进一步的是，所述分类器采用二分类的SVM。
进一步的是，在步骤S2中，采用BP算法对卷积神经网络进行训练，所述BP算法分为链式求导和梯度反向传播两个部分，所述梯度反向传播采用Mini-BatchSGD的训练策略，所述Mini-BatchSGD的训练策略如下公式所示：
其中w代表第i层的权重，η为学习率，N是批量的大小，L为损失函数，所述损失函数采用softmax函数，所述softmax函数的公式如下所示：其中z为K维的向量，δ(z)为一个K维的向量，其每一个分量的实值在(0,1)之间，并且和为1。
进一步的是，在步骤S4中，所述伪相距测距公式如下所述：所述m表示无人机的相机像距的常量,所述S表示无线传输后的接收显示器上显示的待检测视频图像影像大小S，所述L表示待检测的视频图像中绝缘子串的尺寸。
本发明的有益效果：该基于计算机视觉的无人机定位方法将计算机视觉技术和伪相距的测距技术相结合，实现无人机局部精确定位，赋予无人机非通视环境下的作业能力，改变现有无人机只能在通视环境下操控和传输视频的能力，进一步延伸无人机的作业距离和扩展作业条件适应能力，同时，还能够减少无人机对于操控手的依赖，减少人工操控复杂度，让更多的作业任务实现去人化,大大降低由于操控手误操作导致严重后果的风险，增加无人机巡线的安全性，能够大大提升无人机作业智能化水平，这对巡检作业整体水平的提升具有重大现实意义。
附图说明
图1为本发明所述卷积神经网络结构图；
图2、图3、图4分别为三组在不同拍摄角度和尺度下，对同一绝缘子串的检测效果图；
图5为同时检测多个玻璃绝缘子串的多目标检测效果图；
图6为同时检测多个陶瓷绝缘子串的多目标检测效果图；
图7同时检测多个玻璃绝缘子串和多个陶瓷绝缘子串混合情况下的多目标检测效果图。
图8为利用卷积神经网络的检测效果图；
图9为利用DMP的检测效果图；
图10为利用HoG特征和SVM方式的检测效果图；
图11为相距的室内测试效果图；
图12为相距的室外测试效果。
具体实施方式
本发明所述的基于计算机视觉的无人机定位方法，包括以下步骤：
S1、利用无人机采集航拍的绝缘子样本图像，分为含绝缘子串的正样本图像和不含绝缘子串的负样本图像，然后对正样本图像进行标注，标注的信息为绝缘子串在图像中的位置信息；
S2、搭建卷积神经网络，并对卷积神经网络进行训练得到卷积神经网络的网络参数，并用得到的网络参数对卷积神经网络进行设定；
S3、将待检测的视频图像输入步骤S2得到的卷积神经网络检测出待检测视频图像中的绝缘子；
S4、利用伪相距的测距公式确定无人机与待测视频图像中绝缘子之间的距离，实现无人机的定位。
该基于计算机视觉的无人机定位方法将计算机视觉技术和伪相距的测距技术相结合，实现无人机局部精确定位，赋予无人机非通视环境下的作业能力，改变现有无人机只能在通视环境下操控和传输视频的能力，进一步延伸无人机的作业距离和扩展作业条件适应能力，同时，还能够减少无人机对于操控手的依赖，减少人工操控复杂度，让更多的作业任务实现去人化,大大降低由于操控手误操作导致严重后果的风险，增加无人机巡线的安全性，能够大大提升无人机作业智能化水平，这对巡检作业整体水平的提升具有重大现实意义。
为了保证卷积神经网络的训练效果，在步骤S1中，所述正样本的数量为2000张，所述负样本的数量为2000张。
为了便于识别，在步骤S1中，所述绝缘子串在图像中的位置信息是指在框出图像中的绝缘子串后所得的矩形坐标，即矩形左上角的顶点坐标和右下角的顶点坐标。
图像是5维信息，单纯的神经网络把图像拉伸为向量反而丢弃了空间信息，而卷积神经网络通过卷积核以兴趣点为中心的一小块区域，探测上一层特征的局部连接，对其进行过滤和特征强化，更符合图像的二维空间的本质，因而可以学习更有效的特征。离散的卷积可以用如下公式来描述，H(x,y)＝I*K(x,y)＝∑m∑nI(m,n)K(x-m,y-n)，I代表输入图像，m和n为输入图像的尺寸大小，K代表卷积核，x和y为目前卷积操作的像素的坐标。考虑到特定的识别对象为输电线路中具有明显特征的绝缘子及训练数据的复杂度和工程实时性和硬件的需求，在步骤S2中，如图1所示，搭建的卷积神经网络包括依次设置的第一级卷积层、第一级池化层、第二级卷积层、第二级池化层、第三级卷积层、第三级池化层、第四级卷积层、第四层池化层、第五级卷积层、第五级池化层、第一级全连层、第二级全连接层、分类器。
为了更容易探索中心点周围的局部信息，更有利于局部特征的提取，所述第一级卷积采用7*7的卷积核，第二级卷积采用5*5的卷积核，第三级卷积采用3*3的卷积核，第四级卷积采用3*3的卷积核，第五级卷积采用3*3的卷积核。池化可以简单理解为降采样操作，它是一个非参数层。它将一定领域内的像素压缩成一个像素点，学习图像的空域特征把相似的特征合并起来，使得图像逐层缩放，降低卷积层的复杂度，抑制过拟合现象。池化一般配合卷积层使用，可以获得特征的不变性，提升对微小畸变和旋转的容忍能力，增强模型泛化能力。常见的操作有锐化(max pooling)、平滑(mean pooling)和随机池化(stochasticpooling)。在随机池化中，传统的确定性池化操作被替换为一个随机过程，其中根据多项式分布，每个池化区域内的激活随机地被选择。该方法是超参数的，可以与其他正规化方法相结合，如Dropout和数据增强。本发明所述第一级池化层、第二级池化层、第三级池化层、第四层池化层、第五级池化层均采用最大池化方式。
激活函数一般用于卷积层之后，激活函数是深度网络非线性的主要来源。常见的激活函数Sigmoid,tanh，ReLU,PReLU,ELU和maxout。其中PReLU和ELU都是ReLU的改进。它们的对比下公式所示：
Sigmoid:S(x)＝1/(1+e-x)
tahn:tahn(x)
ReLU:g(x)＝max(0,x)
PReLU:max(ax,x)
Maxout:max(w1x1+b1,w2x2+b2)
早期的Sigmoid函数容易饱和，造成梯度终止传递，没有0中心化。同时标准的sigmoid输出不具备稀疏性，需要用一些惩罚因子来训练出一大堆接近0的冗余数据来，从而产生稀疏数据，因此需要进行无监督的预训练，否则将导致网络无法收敛。ReLU是修正线性函数，来源于生物神经元，同时具备相对对称性与不对称性，不会出现梯度消失的问题。而且求梯度简单，收敛快，精确度高，具备引导适度稀疏的能力。由于ReLU简单方便，本发明所述第一级卷积层的激活函数、第二级卷积层的激活函数、第三级卷积层的激活函数、第四级卷积层的激活函数、第五级卷积层的激活函数均采用ReLU激活函数。
进一步的是，在第一级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第二级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第三级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第四级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第五级卷积层的激活函数的ReLU前进行BatchNormalization处理。
进一步的是，对比Boosted Trees,Random Forest,Decision Tree,LogisticRegression和Softmax Regression,SVM效果最好，因此本发明所述分类器采用二分类的SVM。
为了保证训练效果，在步骤S2中，采用BP算法对卷积神经网络进行训练，所述BP算法分为链式求导和梯度反向传播两个部分，所述梯度反向传播采用Mini-BatchSGD的训练策略，所述Mini-BatchSGD的训练策略如下公式所示：
其中w代表第i层的权重，η为学习率，N是批量的大小，L为损失函数。
早期的损失函数一般选择最小化平方误差(MSE)或者最小化相对熵(RelativeEntropy)，随着不断的发展，出现了用于单标签分类的softmax损失函数，用于实值回归问题的Euclidean损失函数，用于多标签分类的Sigmoid交叉熵损失函数和用于深度测度学习的Contrastive损失函数等等。
根据实际工程需求，只需检测出电力系统中常见的绝缘子，本发明所述损失函数采用softmax函数，所述softmax函数的公式如下所示：其中z为K维的向量，δ(z)为一个K维的向量，其每一个分量的实值在(0,1)之间，并且和为1。
进一步的是，在步骤S4中，所述伪相距测距公式如下所述：所述m表示无人机的相机像距的常量,所述S表示无线传输后的接收显示器上显示的待检测视频图像影像大小S，所述L表示待检测的视频图像中绝缘子串的尺寸。
实施例
利用无人机，在不同的季节，对不同的输电线路上的绝缘子采集样本。训练样本为4000张绝缘子航拍图像，其中玻璃绝缘子图像2000张，瓷质绝缘子图像2000张。针对待检测的盘形悬式瓷质和盘形悬式玻璃绝缘子，利用卷积神经网络对其进行训练。为减轻标注的工作量，选取的每一张训练样本仅包含一对绝缘子串，分别呈现水平，竖直分别和角度分布。
测试样本为600张航拍绝缘子图像。其中200张玻璃绝缘子图像，200张瓷质绝缘子图像，200张玻璃绝缘子和瓷质绝缘子混合的图像。测试效果如图2-4所示,图2、图3、图4分别为三组在不同拍摄角度和尺度下，对同一绝缘子串的检测效果。图5-7展示了同时检测多个玻璃绝缘子串，多个陶瓷绝缘子串和两者混合情况下的多目标检测效果。测试结果表明，针对单一的玻璃绝缘子或者瓷质绝缘子，亦或是二者混合的情况，都表现出对多角度绝缘子的良好检测效果。目前识别和检测任务大量依赖人工设计特征，也出现了一些良好的特征如Haar，SIFT，HoG，LBP等。传统的识别检测方式针对不同的识别对象，需设计不同的特征和分类算法，比如针对人脸检测的经典算法采用Haar特征和Adaboosting分类器；针对行人检测的经典算法采用HoG特征和SVM分类器；针对一般的物体检测采用HoG特征和DP算法。本文将卷积神经网络检测方式与采用传统的HoG特征和SVM方式及DMP方式做对比。针对同一训练集合，利用深度卷积神经网络和传统方式的检测效果对比如图8-10所示。
通过对比试验，发现DPM和HOG存在误检，同时定位精度上不如卷积神经网络。
测试500张背景包含雪地，丘陵，草地，铁塔和房屋等复杂背景的航拍图像，采用NavneetDalal的HOG特征加SVM的方式，DMP方式和卷积神经网络的方式的对比结果如表1所示：
表一绝缘子检测测试对比结果
绝缘子的成功检测可作为无人机进行细节巡视时的标志，利用相机成像的原理，实时测出无人机相对于铁塔的相距，避免无人机误撞的危险，为无人机的避障飞行提供可靠的依据，灵活完成巡检任务。
针对提出的测距方法，通过使用无人机搭载摄像机，分别在实验室场景下和野外环境场景下，模拟无人机巡检输电线路的过程，对钢化玻璃绝缘子进行测距实验。无人机搭载相机逐渐靠近绝缘子进行细节拍摄。从实验结果图中可以看出，实现了对绝缘子的实时跟踪，并能够实时反应出绝缘子与相机之间的距离。相距的室内和室外测试效果分别如图11-12所示，左上角显示当前无人机与绝缘子串的距离。测试误差如表2所示。
表二测距误差 单位：厘米
测试表明利用伪相距测距能够实时准确测量出无人机相对于绝缘子的距离，反应出它的位置信息。算法简单快速，硬件实现方便。在测量1米到5米之间的距离，测距结果相对准确，能够满足实际无人机巡检的需求。

Claims (10)

1.基于计算机视觉的无人机定位方法，其特征在于包括以下步骤：
S1、利用无人机采集航拍的绝缘子样本图像，分为含绝缘子串的正样本图像和不含绝缘子串的负样本图像，然后对正样本图像进行标注，标注的信息为绝缘子串在图像中的位置信息；
S2、搭建卷积神经网络，并对卷积神经网络进行训练得到卷积神经网络的网络参数，并用得到的网络参数对卷积神经网络进行设定；
S3、将待检测的视频图像输入步骤S2得到的卷积神经网络检测出待检测视频图像中的绝缘子；
S4、利用伪相距的测距公式确定无人机与待测视频图像中绝缘子之间的距离，实现无人机的定位。
2.如权利要求1所述的基于计算机视觉的无人机定位方法，其特征在于：在步骤S1中，所述正样本的数量为2000张，所述负样本的数量为2000张。
3.如权利要求1所述的基于计算机视觉的无人机定位方法，其特征在于：在步骤S1中，所述绝缘子串在图像中的位置信息是指在框出图像中的绝缘子串后所得的矩形坐标，即矩形左上角的顶点坐标和右下角的顶点坐标。
4.如权利要求1所述的基于计算机视觉的无人机定位方法，其特征在于：在步骤S2中，搭建的卷积神经网络包括依次设置的第一级卷积层、第一级池化层、第二级卷积层、第二级池化层、第三级卷积层、第三级池化层、第四级卷积层、第四层池化层、第五级卷积层、第五级池化层、第一级全连层、第二级全连接层、分类器。
5.如权利要求4所述的基于计算机视觉的无人机定位方法，其特征在于：所述第一级卷积采用7*7的卷积核，第二级卷积采用5*5的卷积核，第三级卷积采用3*3的卷积核，第四级卷积采用3*3的卷积核，第五级卷积采用3*3的卷积核，所述第一级池化层、第二级池化层、第三级池化层、第四层池化层、第五级池化层均采用最大池化方式。
6.如权利要求4所述的基于计算机视觉的无人机定位方法，其特征在于：所述第一级卷积层的激活函数、第二级卷积层的激活函数、第三级卷积层的激活函数、第四级卷积层的激活函数、第五级卷积层的激活函数均采用ReLU激活函数。
7.如权利要求6所述的基于计算机视觉的无人机定位方法，其特征在于：在第一级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第二级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第三级卷积层的激活函数的ReLU前进行BatchNormalization处理，在第四级卷积层的激活函数的ReLU前进行Batch Normalization处理，在第五级卷积层的激活函数的ReLU前进行Batch Normalization处理。
8.如权利要求4所述的基于计算机视觉的无人机定位方法，其特征在于：所述分类器采用二分类的SVM。
9.如权利要求1所述的基于计算机视觉的无人机定位方法，其特征在于：在步骤S2中，采用BP算法对卷积神经网络进行训练，所述BP算法分为链式求导和梯度反向传播两个部分，所述梯度反向传播采用Mini-Batch SGD的训练策略，所述Mini-Batch SGD的训练策略如下公式所示：
Mini-batchSGD:其中w代表第i层的权重，η为学习率，N是批量的大小，L为损失函数，所述损失函数采用softmax函数，所述softmax函数的公式如下所示：其中z为K维的向量，δ(z)为一个K维的向量，其每一个分量的实值在(0,1)之间，并且和为1。
10.如权利要求9所述的基于计算机视觉的无人机定位方法，其特征在于：在步骤S4中，所述伪相距测距公式如下所述：所述m表示无人机的相机像距的常量,所述S表示无线传输后的接收显示器上显示的待检测视频图像影像大小S，所述L表示待检测的视频图像中绝缘子串的尺寸。
CN201710052905.7A 2017-01-24 2017-01-24 基于计算机视觉的无人机定位方法 Pending CN106895824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710052905.7A CN106895824A (zh) 2017-01-24 2017-01-24 基于计算机视觉的无人机定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710052905.7A CN106895824A (zh) 2017-01-24 2017-01-24 基于计算机视觉的无人机定位方法

Publications (1)

Publication Number Publication Date
CN106895824A true CN106895824A (zh) 2017-06-27

Family

ID=59198168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710052905.7A Pending CN106895824A (zh) 2017-01-24 2017-01-24 基于计算机视觉的无人机定位方法

Country Status (1)

Country Link
CN (1) CN106895824A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833209A (zh) * 2017-10-27 2018-03-23 浙江大华技术股份有限公司 一种x光图像检测方法、装置、电子设备及存储介质
CN108154224A (zh) * 2018-01-17 2018-06-12 北京中星微电子有限公司 用于数据处理的方法、装置和非暂时性计算机可读介质
CN108229587A (zh) * 2018-02-06 2018-06-29 贵州电网有限责任公司 一种基于飞行器悬停状态的输电杆塔自主扫描方法
CN108416428A (zh) * 2018-02-28 2018-08-17 中国计量大学 一种基于卷积神经网络的机器人视觉定位方法
CN108830286A (zh) * 2018-03-30 2018-11-16 西安爱生技术集团公司 一种侦察无人机动目标自动检测与跟踪方法
CN109063112A (zh) * 2018-07-30 2018-12-21 成都快眼科技有限公司 一种基于多任务学习深度语义哈希的快速图像检索方法、模型及模型构建方法
CN110133443A (zh) * 2019-05-31 2019-08-16 中国科学院自动化研究所 基于平行视觉的输电线路部件检测方法、系统、装置
CN110210515A (zh) * 2019-04-25 2019-09-06 浙江大学 一种图像数据多标签分类方法
CN110866548A (zh) * 2019-10-31 2020-03-06 国网江苏省电力有限公司电力科学研究院 输电线路绝缘子红外智能匹配识别与测距定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978580A (zh) * 2015-06-15 2015-10-14 国网山东省电力公司电力科学研究院 一种用于无人机巡检输电线路的绝缘子识别方法
CN106022285A (zh) * 2016-05-30 2016-10-12 北京智芯原动科技有限公司 一种基于卷积神经网络的车款识别方法及装置
CN106096504A (zh) * 2016-05-30 2016-11-09 重庆大学 一种基于无人机机载平台的车型识别方法
CN106295503A (zh) * 2016-07-25 2017-01-04 武汉大学 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978580A (zh) * 2015-06-15 2015-10-14 国网山东省电力公司电力科学研究院 一种用于无人机巡检输电线路的绝缘子识别方法
CN106022285A (zh) * 2016-05-30 2016-10-12 北京智芯原动科技有限公司 一种基于卷积神经网络的车款识别方法及装置
CN106096504A (zh) * 2016-05-30 2016-11-09 重庆大学 一种基于无人机机载平台的车型识别方法
CN106295503A (zh) * 2016-07-25 2017-01-04 武汉大学 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
IOFFE S等: ""Batch mormalization:Accelerating deep network training by reducing internal covariate shift"", 《HTTP://ARXIV.ORG/ABS/1502.03167》 *
卢宏涛等: ""深度卷积神经网络在计算机视觉中的应用研究综述"", 《数据采集与处理》 *
周辉: ""无人机输电线路巡检可见光拍摄方法研究"", 《中国新技术新产品》 *
邢晨: ""基于深度学习的高光谱遥感图像分类"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833209B (zh) * 2017-10-27 2020-05-26 浙江大华技术股份有限公司 一种x光图像检测方法、装置、电子设备及存储介质
CN107833209A (zh) * 2017-10-27 2018-03-23 浙江大华技术股份有限公司 一种x光图像检测方法、装置、电子设备及存储介质
CN108154224A (zh) * 2018-01-17 2018-06-12 北京中星微电子有限公司 用于数据处理的方法、装置和非暂时性计算机可读介质
CN108229587A (zh) * 2018-02-06 2018-06-29 贵州电网有限责任公司 一种基于飞行器悬停状态的输电杆塔自主扫描方法
CN108229587B (zh) * 2018-02-06 2021-04-06 贵州电网有限责任公司 一种基于飞行器悬停状态的输电杆塔自主扫描方法
CN108416428A (zh) * 2018-02-28 2018-08-17 中国计量大学 一种基于卷积神经网络的机器人视觉定位方法
CN108830286A (zh) * 2018-03-30 2018-11-16 西安爱生技术集团公司 一种侦察无人机动目标自动检测与跟踪方法
CN109063112A (zh) * 2018-07-30 2018-12-21 成都快眼科技有限公司 一种基于多任务学习深度语义哈希的快速图像检索方法、模型及模型构建方法
CN109063112B (zh) * 2018-07-30 2022-04-01 成都快眼科技有限公司 一种基于多任务学习深度语义哈希的快速图像检索方法、模型及模型构建方法
CN110210515A (zh) * 2019-04-25 2019-09-06 浙江大学 一种图像数据多标签分类方法
CN110210515B (zh) * 2019-04-25 2021-04-20 浙江大学 一种图像数据多标签分类方法
CN110133443A (zh) * 2019-05-31 2019-08-16 中国科学院自动化研究所 基于平行视觉的输电线路部件检测方法、系统、装置
CN110133443B (zh) * 2019-05-31 2020-06-16 中国科学院自动化研究所 基于平行视觉的输电线路部件检测方法、系统、装置
CN110866548A (zh) * 2019-10-31 2020-03-06 国网江苏省电力有限公司电力科学研究院 输电线路绝缘子红外智能匹配识别与测距定位方法及系统

Similar Documents

Publication Publication Date Title
CN106895824A (zh) 基于计算机视觉的无人机定位方法
Yang et al. Visual perception enabled industry intelligence: state of the art, challenges and prospects
CN108491880B (zh) 基于神经网络的物体分类和位姿估计方法
Chen et al. An Apple Detection Method Based on Des‐YOLO v4 Algorithm for Harvesting Robots in Complex Environment
CN104599275B (zh) 基于概率图模型的非参数化的rgb-d场景理解方法
CN110163187A (zh) 基于f-rcnn的远距离交通标志检测识别方法
CN109325547A (zh) 非机动车图像多标签分类方法、系统、设备及存储介质
Kaur et al. Exploring convolutional neural network in computer vision-based image classification
CN106683091A (zh) 一种基于深度卷积神经网络的目标分类及姿态检测方法
Leon et al. Video hand gestures recognition using depth camera and lightweight cnn
CN114821014B (zh) 基于多模态与对抗学习的多任务目标检测识别方法及装置
CN108229587A (zh) 一种基于飞行器悬停状态的输电杆塔自主扫描方法
Petso et al. Automatic animal identification from drone camera based on point pattern analysis of herd behaviour
Li et al. Intelligent mobile drone system based on real-time object detection
Yu et al. Spatial cognition-driven deep learning for car detection in unmanned aerial vehicle imagery
Jin et al. Target recognition of industrial robots using machine vision in 5G environment
Chen et al. Transmission line vibration damper detection using deep neural networks based on UAV remote sensing image
Ji et al. STAE‐YOLO: Intelligent detection algorithm for risk management of construction machinery intrusion on transmission lines based on visual perception
Islam et al. Elevator button and floor number recognition through hybrid image classification approach for navigation of service robot in buildings
Li et al. Gadet: A geometry-aware x-ray prohibited items detector
Tan et al. The research of air combat intention identification method based on bilstm+ attention
Iren Comparison of yolov5 and yolov6 models for plant leaf disease detection
Lv et al. A challenge of deep‐learning‐based object detection for hair follicle dataset
Ko et al. Deep multi-task learning for tree genera classification
Zhou et al. An unmanned aerial vehicle identification and tracking system based on weakly supervised semantic segmentation technology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
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: 20170627