CN106960438A - 基于霍夫直线变换对输电线路的异物识别方法 - Google Patents
基于霍夫直线变换对输电线路的异物识别方法 Download PDFInfo
- Publication number
- CN106960438A CN106960438A CN201710185191.7A CN201710185191A CN106960438A CN 106960438 A CN106960438 A CN 106960438A CN 201710185191 A CN201710185191 A CN 201710185191A CN 106960438 A CN106960438 A CN 106960438A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- electricity
- image
- straight line
- line
- 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
-
- 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
Abstract
本发明公开基于霍夫直线变换对输电线路的异物识别方法,对采集的输电线路图像进行灰度化处理;将经过灰度化处理的输电线路图像采用中值滤波处理;采用Otsu法来进行图像分割得到待识别的二值图,再进行Canny边缘检测。再进行霍夫直线变换后,利用异物附在输电线路周围这一特征提出对输电线路进行卷积操作。本发明公开基于霍夫直线变换对输电线路的异物识别方法,异物识别结果好,能满足对基本的巡检图像进行异物检测识别需求。应用在输电线路巡检中,有效降低巡检人力成本,提高巡检效率和精度都将具有很大的工程应用价值,为输电线路异物识别提供了新的手段。
Description
技术领域
本发明涉及一种图形处理方法,特别涉及基于霍夫直线变换对输电线路的异物识别方法。
背景技术
电力是我国能源的大动脉,而输电线路网则是电力传输的主要载体,维护输电线路正常运行显得尤为重要。搭建这些输电线路较为迅速,但是长期维护需要巨大的人力、财力和物力。近年来,各地因为风筝、气球等悬挂异物危及电网安全的事件屡见不鲜,如图1所示,输电线路悬挂诸如此类的异物会使高压电的极限放电距离缩短,甚至会造成大面积停电的严重后果。因此,及时识别出输电线路上的异物具有十分重要的意义。
现有的输电线路异物排查主要为人工巡线,但是人工巡线存在安全隐患大,工作效率低,针对一些复杂地形的输电线路操作难度大等缺点。为了降低工作强度,提高工作效率,近几年出现了借助飞行器作为运载工具,装载可见光成像检测设备对110~1000kV高压输电线走廊进行巡检的方法,并应用计算机智能处理巡检带回的大量图像数据来判断线路上是否存在异物,此项技术能够极大地提高巡检技术的水平和效率,降低输电线路的维护成本,对创造更好的经济效益和社会效益有着重大意义。
发明内容
针对上述现有技术存在的问题,提供了基于霍夫直线变换对输电线路的异物识别方法,应用在输电线路巡检中,有效降低巡检人力成本,提高巡检效率和精度都将具有很大的工程应用价值,为输电线路异物识别提供了新的手段。
为了实现上述目的,基于霍夫直线变换对输电线路的异物识别方法,其特征在于,包括如下步骤:
(1)采集输电线路的图像;
(2)对采集的输电线路图像进行灰度化处理;
(3)将经过灰度化处理的输电线路图像采用中值滤波处理;
(4)将经过步骤(3)处理过的图片进行图形分割:采用Otsu法来进行图像分割得到待识别的二值图:
(41)设图像有L个灰度级,灰度值是i的像素为n,则总的像素数是N=n1+n2+n3+...+nL-1。各灰度值出现的概率Pi=ni/N,很显然P1+P2+P3+...+PL-1=1。
(42)设阈值为t,则t将图像分割为两个区域,即把灰度级分为两类:
背景类A={0,1,2,…...,t};前景类B={t+1,t+2,……,L-1}
背景类和前景类的概率分别为:
A,B两类的灰度均值分别为:
图像总的灰度均值ω0为:
由此可以得到A,B两个区域的类间方差:
σ2=PA(ωA-ω0)2+pB(ωB-ω0)2
类间方差越大,两类灰度差别就越大,则使类间方差最大的t值就是所要的阈值,根据阈值t,得到待识别的二值图;
(5)利用Otsu法来进行图像分割后,再进行Canny边缘检测;
(6)将经过步骤(5)处理过的图片进行形态学处理:采用闭运算对经过步骤(5)处理过的图片进行先膨胀后腐蚀操作,以消除图像噪声点,连接图像中相邻元素;
(7)用霍夫直线变换函数来检测步骤(6)处理过的输电线路图像:对图像中每一个像素点进行遍历,再对经过这个点的所有直线进行频率统计,出现频率较大的直线作为该图像中的被检测到的直线;
(8)对步骤(7)处理过的输电线路图像进行异物识别:
对正常的输电线周围制作一个高度为10像素,宽度为直线两个端点的x坐标的差的绝对值这为像素的矩形;对每条正常输电线,计算对应的像素值为255的点总数n,如果n除以矩形的高度与宽度之积超过异点率,判断异点率不在正常范围,识别输电线路上有异物。
作为上述方案的进一步优化,对经过灰度化处理的输电线路图像采用5*5中值滤波处理。
作为上述方案的进一步优化,步骤(8)的电线路图像进行异物识别,包括如下步骤:
(81)获取图像中所有的输电线直线序列;
(82)根据输电线直线序列的斜率,提取正常输电线范围;
(83)判断是否只有一条直线;判断只有一条直线,进入步骤(88);若判断不是只有有一条直线,进入步骤(84);
(84)对提取的正常的输电线进行卷积操作处理;对正常的输电线周围制作一个高度为10像素,宽度为直线两个端点的x坐标的差的绝对值这为像素的矩形;
(85)判断异点率是否在正常范围;异点率不在正常范围,进入步骤(87)异点率不在正常范围;对每条正常输电线,计算对应的像素值为255的点总数n,如果n除以矩形的高度与宽度之积超过异点率,判断异点率不在正常范围
(86)识别输电线路上有异物;
(87)识别输电线路上无异物。
与现有技术相比,本发明的基于霍夫直线变换对输电线路的异物识别方法的有益效果如下:
1、本发明的基于霍夫直线变换对输电线路的异物识别方法,输电线路图像经过图像预处理和霍夫直线变换后,利用异物附在输电线路周围这一特征提出对输电线路进行卷积操作,异物识别结果好,能满足对基本的巡检图像进行异物检测识别需求。
2、本发明的基于霍夫直线变换对输电线路的异物识别方法,利用Otsu法(最大类间方差法)来进行图像分割,然后基于Hough变换原理提取含有异物的输电线路特征向量,对输电线进行卷积操作,将提取到的输电线与正常输电线进行比较,以判断输电线是否悬挂异物。
3、将本发明的基于霍夫直线变换对输电线路的异物识别方法,应用在输电线路巡检中,有效降低巡检人力成本,提高巡检效率和精度都将具有很大的工程应用价值,为输电线路异物识别提供了新的手段。
4、本发明的基于霍夫直线变换对输电线路的异物识别方法,针对输电线路上的漂浮异物搭挂潜在故障进行图像识别研究,提出利用霍夫直线变换对输电线路进行提取,然后对输电线所处的小块区域进行卷积操作,结合实际误差来对输电线路异物进行识别。通过及时定位输电线路安全隐患点和故障点,缩短巡检周期,提升检修工作人员的工作效率,降低巡检人力成本,进一步增强输电线路相关设备的状态巡维能力,为有效监测分析奠定基础,具有较高的工程应用价值。
附图说明
图1为本发明的基于霍夫直线变换对输电线路的异物识别方法的流程图;
图2为本发明的异物识别的流程图;
图3为本发明的采集的输电线路图像;
图4为本发明的经过Otsu图像分割的图像;
图5为本发明的经过Canny边缘检测的图像;
图6为本发明的经过形态学闭运算的图像;
图7为本发明的基于霍夫直线变换对输电线路的异物识别方法处理识别的图像。
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了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。
本发明采用的基于霍夫直线变换对输电线路的异物识别方法,参见图1,图1为本发明的基于霍夫直线变换对输电线路的异物识别方法的流程图;包括如下步骤:
(1)采集输电线路的图像;参见图3,图3为本发明的采集的输电线路图像;
(2)对采集的输电线路图像进行灰度化处理;
(3)将经过灰度化处理的输电线路图像采用中值滤波处理;其中,中值滤波处理方法:以像素为中心的窗口中,像素的灰度按从小到大排列,取排序结果的中间值作为该像素的灰度值
(4)将经过步骤(3)处理过的图片进行图形分割:采用Otsu法来进行图像分割得到待识别的二值图:
Otsu法,又称为最大类间方差法,是由Otsu与1979年提出的一种阈值分割方法,建立在一幅图像的灰度直方图基础上的,依据类间距离极大准则来确定区域分割门限,根据门限阈值来得到所需要的二值图。
(41)设图像有L个灰度级,灰度值是i的像素为n,则总的像素数是N=n1+n2+n3+...+nL-1。各灰度值出现的概率Pi=ni/N,很显然P1+P2+P3+...+PL-1=1。
(42)设阈值为t,则t将图像分割为两个区域,即把灰度级分为两类:背景类A={0,1,2,…...,t};前景类B={t+1,t+2,……,L-1}
两类出现的概率分别为:
A,B两类的灰度均值分别为:
图像总的灰度均值ω0为:
由此可以得到A,B两个区域的类间方差:
σ2=PA(ωA-ω0)2+pB(ωB-ω0)2
类间方差越大,两类灰度差别就越大,则使类间方差最大的t值就是所要的阈值,根据阈值t,得到待识别的的二值图。参见图4,图4为本发明的经过Otsu图像分割的图像。
(5)利用Otsu法来进行图像分割后,再进行Canny边缘检测;参见图5,图5为本发明的经过Canny边缘检测的图像。
(6)将经过步骤(5)处理过的图片进行形态学处理:采用闭运算对经过步骤(5)处理过的图片进行先膨胀后腐蚀操作,以消除图像噪声点,连接图像中相邻元素;参见图6,图6为本发明的经过形态学闭运算的图像;
(7)用霍夫直线变换函数来检测步骤(6)处理过的输电线路图像:
对图像中每一个像素点进行遍历,再对经过这个点的所有直线进行频率统计,出现频率较大的直线作为该图像中的被检测到的直线。本优先实施例中,采用极坐标来标识直线,且本优先实施例使用累计概率霍夫直线变换函数来检测步骤(6)处理过的输电线路图像。
参见图2,图2为本发明的异物识别的流程图。(8)对步骤(7)处理过的输电线路图像进行异物识别:具体步骤如下:
(81)获取图像中所有的直线序列;
(82)根据输电线直线序列的斜率,提取正常输电线范围;本优先实施例中,提取出正常的输电线,正常输电线的斜率大区间[0,0.2]内。
(83)判断是否只有一条直线;判断只有一条直线,进入步骤(88);若判断不是只有一条直线,进入步骤(84);
(84)对提取的正常的输电线进行卷积操作处理;
识别异物的方法,对提取的正常的输电线进行卷积操作,即输电线周围制作一个高度为10像素,宽度为直线两个端点的x坐标的差的绝对值这为像素的矩形。本优先实施例中,选取直线两个端点的“最低点”(即x和y坐标最小的点),并以该点的上4个像素和该点的下5个像素共同构成矩形的高度。
对每条正常输电线,计算对应的像素值为255的点总数n,如果n除以矩形的高度与宽度之积超过某个值resultRate(称为“异点率”),表示出现异物,本优先实施例中,根据大量实验,resultRate设定为0.3。
(85)判断异点率是否在正常范围;异点率不在正常范围,进入步骤(87)异点率不在正常范围;
(86)识别结果有异物;
(87)识别结果无异物。
针对图3采集的采集输电线路的图像,利用本发明的基于霍夫直线变换对输电线路的异物识别方法,识别结果如图7所示,将检测到的直线像素点设为绿色,将异物像素点设置为红色,综合图7,可以看出本发明的基于霍夫直线变换对输电线路的异物识别方法,识别算法良好,对输电线路中的异物识别准确率较高。
本发明的基于霍夫直线变换对输电线路的异物识别方法,针对输电线路上的漂浮异物搭挂潜在故障进行图像识别研究,提出利用霍夫直线变换对输电线路进行提取,然后对输电线所处的小块区域进行卷积操作,结合实际误差来对输电线路异物进行识别。通过及时定位输电线路安全隐患点和故障点,缩短巡检周期,提升检修工作人员的工作效率,降低巡检人力成本,进一步增强输电线路相关设备的状态巡维能力,为有效监测分析奠定基础,具有较高的工程应用价值。
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、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于霍夫直线变换对输电线路的异物识别方法,其特征在于,包括如下步骤:
(1)采集输电线路的图像;
(2)对采集的输电线路图像进行灰度化处理;
(3)将经过灰度化处理的输电线路图像采用中值滤波处理;
(4)将经过步骤(3)处理过的图片进行图形分割:采用Otsu法来进行图像分割得到待识别的二值图:
(41)设图像有L个灰度级,灰度值是i的像素为n,则总的像素数是N=n1+n2+n3+...+nL-1。各灰度值出现的概率Pi=ni/N,很显然P1+P2+P3+...+PL-1=1。
(42)设阈值为t,则t将图像分割为两个区域,即把灰度级分为两类:
背景类A={0,1,2,…...,t};前景类B={t+1,t+2,……,L-1}
背景类和前景类的概率分别为:
A,B两类的灰度均值分别为:
图像总的灰度均值ω0为:
由此可以得到A,B两个区域的类间方差:
σ2=PA(ωA-ω0)2+pB(ωB-ω0)2
类间方差越大,两类灰度差别就越大,则使类间方差最大的t值就是所要的阈值,根据阈值t,得到待识别的二值图;
(5)利用Otsu法来进行图像分割后,再进行Canny边缘检测;
(6)将经过步骤(5)处理过的图片进行形态学处理:采用闭运算对经过步骤(5)处理过的图片进行先膨胀后腐蚀操作,以消除图像噪声点,连接图像中相邻元素;
(7)用霍夫直线变换函数来检测步骤(6)处理过的输电线路图像:对图像中每一个像素点进行遍历,再对经过这个点的所有直线进行频率统计,出现频率较大的直线作为该图像中的被检测到的直线;
(8)对步骤(7)处理过的输电线路图像进行异物识别:
对正常的输电线周围制作一个高度为10像素,宽度为直线两个端点的x坐标的差的绝对值这为像素的矩形;对每条正常输电线,计算对应的像素值为255的点总数n,如果n除以矩形的高度与宽度之积超过异点率,判断异点率不在正常范围,识别输电线路上有异物。
2.根据权利要求1所述的基于霍夫直线变换对输电线路的异物识别方法,其特征在于:对经过灰度化处理的输电线路图像采用5*5中值滤波处理。
3.权利要求1所述的基于霍夫直线变换对输电线路的异物识别方法,其特征在于:步骤(8)的电线路图像进行异物识别,包括如下步骤:
(81)获取图像中所有的输电线直线序列;
(82)根据输电线直线序列的斜率,提取正常输电线范围;
(83)判断是否只有一条直线;判断只有一条直线,进入步骤(88);若判断不是只有有一条直线,进入步骤(84);
(84)对提取的正常的输电线进行卷积操作处理;对正常的输电线周围制作一个高度为10像素,宽度为直线两个端点的x坐标的差的绝对值这为像素的矩形;
(85)判断异点率是否在正常范围;异点率不在正常范围,进入步骤(87)异点率不在正常范围;对每条正常输电线,计算对应的像素值为255的点总数n,如果n除以矩形的高度与宽度之积超过异点率,判断异点率不在正常范围;
(86)识别输电线路上有异物;
(87)识别输电线路上无异物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710185191.7A CN106960438A (zh) | 2017-03-25 | 2017-03-25 | 基于霍夫直线变换对输电线路的异物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710185191.7A CN106960438A (zh) | 2017-03-25 | 2017-03-25 | 基于霍夫直线变换对输电线路的异物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106960438A true CN106960438A (zh) | 2017-07-18 |
Family
ID=59471554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710185191.7A Pending CN106960438A (zh) | 2017-03-25 | 2017-03-25 | 基于霍夫直线变换对输电线路的异物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106960438A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680095A (zh) * | 2017-10-25 | 2018-02-09 | 哈尔滨理工大学 | 基于模板匹配与光流法的无人机图像的输电线路异物检测 |
CN108318773A (zh) * | 2017-12-20 | 2018-07-24 | 全球能源互联网研究院有限公司 | 一种输电导线断股检测方法及系统 |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN108734689A (zh) * | 2018-02-07 | 2018-11-02 | 西安工程大学 | 一种基于区域生长的导线散股检测方法 |
CN108985274A (zh) * | 2018-08-20 | 2018-12-11 | 上海磐波智能科技有限公司 | 水面异物识别方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109509188A (zh) * | 2018-11-12 | 2019-03-22 | 贵州电网有限责任公司 | 一种基于hog特征的输电线路典型缺陷识别方法 |
CN109936080A (zh) * | 2019-03-28 | 2019-06-25 | 郑州大学 | 一种无人机巡检输电线路的方法 |
CN110349172A (zh) * | 2019-06-28 | 2019-10-18 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
CN110473215A (zh) * | 2019-08-20 | 2019-11-19 | 贵州电网有限责任公司 | 一种用于架空配电线路监测场景的图像分割方法 |
CN110956614A (zh) * | 2019-11-11 | 2020-04-03 | 国网山东省电力公司电力科学研究院 | 基于迭代搜索与投影法的导地线异物检测方法及装置 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN112016641A (zh) * | 2020-08-17 | 2020-12-01 | 国网山东省电力公司潍坊供电公司 | 一种异物导致线路短路故障告警方法及装置 |
CN113160217A (zh) * | 2021-05-12 | 2021-07-23 | 北京京东乾石科技有限公司 | 一种线路异物的检测方法、装置、设备及存储介质 |
CN113673514A (zh) * | 2021-08-11 | 2021-11-19 | 国网山东省电力公司微山县供电公司 | 一种输电线路异物侵入检测方法和系统 |
CN114724091A (zh) * | 2022-06-07 | 2022-07-08 | 智洋创新科技股份有限公司 | 一种输电线路导线异物识别方法及装置 |
CN117152421A (zh) * | 2023-10-31 | 2023-12-01 | 南方电网数字电网研究院有限公司 | 输电线路异物检测方法、装置、计算机设备和存储介质 |
Citations (1)
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 |
-
2017
- 2017-03-25 CN CN201710185191.7A patent/CN106960438A/zh active Pending
Patent Citations (1)
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 |
Non-Patent Citations (3)
Title |
---|
张凤羽: ""基于计算机视觉的输电线路异常巡检图的识别和研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张少平 等: ""输电线路典型目标图像识别技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
金立军 等: ""基于航拍图像的输电线路异物识别"", 《同济大学学报(自然科学版)》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680095A (zh) * | 2017-10-25 | 2018-02-09 | 哈尔滨理工大学 | 基于模板匹配与光流法的无人机图像的输电线路异物检测 |
CN108318773A (zh) * | 2017-12-20 | 2018-07-24 | 全球能源互联网研究院有限公司 | 一种输电导线断股检测方法及系统 |
CN108734689B (zh) * | 2018-02-07 | 2021-07-27 | 西安工程大学 | 一种基于区域生长的导线散股检测方法 |
CN108734689A (zh) * | 2018-02-07 | 2018-11-02 | 西安工程大学 | 一种基于区域生长的导线散股检测方法 |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN108985274A (zh) * | 2018-08-20 | 2018-12-11 | 上海磐波智能科技有限公司 | 水面异物识别方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109509188A (zh) * | 2018-11-12 | 2019-03-22 | 贵州电网有限责任公司 | 一种基于hog特征的输电线路典型缺陷识别方法 |
CN109509188B (zh) * | 2018-11-12 | 2022-04-15 | 贵州电网有限责任公司 | 一种基于hog特征的输电线路典型缺陷识别方法 |
CN109936080B (zh) * | 2019-03-28 | 2020-05-22 | 郑州大学 | 一种无人机巡检输电线路的方法 |
CN109936080A (zh) * | 2019-03-28 | 2019-06-25 | 郑州大学 | 一种无人机巡检输电线路的方法 |
CN110349172A (zh) * | 2019-06-28 | 2019-10-18 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
CN110349172B (zh) * | 2019-06-28 | 2022-12-16 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
CN110473215A (zh) * | 2019-08-20 | 2019-11-19 | 贵州电网有限责任公司 | 一种用于架空配电线路监测场景的图像分割方法 |
CN110956614A (zh) * | 2019-11-11 | 2020-04-03 | 国网山东省电力公司电力科学研究院 | 基于迭代搜索与投影法的导地线异物检测方法及装置 |
CN110956614B (zh) * | 2019-11-11 | 2023-04-07 | 国网山东省电力公司电力科学研究院 | 基于迭代搜索与投影法的导地线异物检测方法及装置 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN112016641A (zh) * | 2020-08-17 | 2020-12-01 | 国网山东省电力公司潍坊供电公司 | 一种异物导致线路短路故障告警方法及装置 |
CN113160217A (zh) * | 2021-05-12 | 2021-07-23 | 北京京东乾石科技有限公司 | 一种线路异物的检测方法、装置、设备及存储介质 |
CN113673514A (zh) * | 2021-08-11 | 2021-11-19 | 国网山东省电力公司微山县供电公司 | 一种输电线路异物侵入检测方法和系统 |
CN114724091A (zh) * | 2022-06-07 | 2022-07-08 | 智洋创新科技股份有限公司 | 一种输电线路导线异物识别方法及装置 |
CN117152421A (zh) * | 2023-10-31 | 2023-12-01 | 南方电网数字电网研究院有限公司 | 输电线路异物检测方法、装置、计算机设备和存储介质 |
CN117152421B (zh) * | 2023-10-31 | 2024-03-22 | 南方电网数字电网研究院股份有限公司 | 输电线路异物检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960438A (zh) | 基于霍夫直线变换对输电线路的异物识别方法 | |
CN104809732B (zh) | 一种基于图像比对的电力设备外观异常检测方法 | |
CN105930800B (zh) | 一种车道线检测方法及装置 | |
CN105335716B (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
CN102163284B (zh) | 面向中文环境的复杂场景文本定位方法 | |
CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
Guo et al. | Image-based seat belt detection | |
CN112215819B (zh) | 基于深度特征融合的机场道面裂缝检测方法 | |
CN107784652B (zh) | 一种基于无人机影像的杆塔快速检测方法 | |
CN105320962B (zh) | 一种基于分类器集成的路面破损类型识别方法 | |
CN105404874B (zh) | 一种基于投影和hough直线检测的车窗识别系统 | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN102332094A (zh) | 半监督在线学习人脸检测方法 | |
CN108921004A (zh) | 安全帽佩戴识别方法、电子设备、存储介质及系统 | |
CN103955940A (zh) | 一种基于x射线背散射图像的人体隐藏物的检测方法 | |
CN104657706A (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
CN104268598A (zh) | 一种基于二维扫描激光的人腿检测方法 | |
CN103295009A (zh) | 基于笔画分解的车牌字符识别方法 | |
CN109615604A (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
CN105869174A (zh) | 一种天空场景图像分割方法 | |
CN110335233A (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |
Application publication date: 20170718 |
|
RJ01 | Rejection of invention patent application after publication |