CN107230217A - 一种基于图像及灰色预测的输电线路山火预警方法 - Google Patents
一种基于图像及灰色预测的输电线路山火预警方法 Download PDFInfo
- Publication number
- CN107230217A CN107230217A CN201710282794.9A CN201710282794A CN107230217A CN 107230217 A CN107230217 A CN 107230217A CN 201710282794 A CN201710282794 A CN 201710282794A CN 107230217 A CN107230217 A CN 107230217A
- Authority
- CN
- China
- Prior art keywords
- fire
- mtd
- mrow
- intensity
- mtr
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于图像及灰色预测的输电线路山火预警方法,包括:建立山火火势的状态标准,山火火势最高处与输电线路间的距离作为净空距离,根据净空距离划分出至少4个告警标准;获取摄像头采集的灰度图像;对灰度图像做边缘特征的检测,获取山火火势厚度,所述边缘特征包括有方向和幅度,告警当前火势所处的状态标准;当连续四个时间点都获取到山火火势时,建立关于山火火势的灰色预测模型;采用Δ值补偿对灰色预测模型进行修正,获得山火火势的预测曲线;根据预测曲线,实时预报山火火势所处的状态标准。本发明的预警方法,综合利用山火图像采集与灰色预测模型相结合,对输电线路山火进行分析和预警,作出可靠的预测。
Description
技术领域
本发明涉及输电线路山火预警领域,具体涉及一种基于图像及灰色预测的输电线路山火预警方法。
背景技术
南方电网主网架八交七直输电线路自西向东运行,横跨云南、贵州、广西、广东四省区,长度均在1000km以上,所处地形地貌复杂多变,气象环境恶劣。输电线路在恶劣多变的条件下受山火影响的风险较大,研究输电线路山火预警方法,可以实现输电线路风险预警,提前做好安全措施。现有的输电线路山火风险预警主要依靠护线员发现山火后,现场跟踪山火情况并汇报,难以及时而有效的发现山火和预警山火发展。
目前有利用飞机侦察森林安全,不过,针对大面积的森林,飞机侦察会耗费大量的费用,而且操作难度大,需要专业的人才,其最大的缺点是对盲区的检测精度很低。由于森林覆盖范围广,该方法实用性不强。另外,由于森林坏境的复杂性和多变性,飞机侦测的火灾系统误报率较高。
发明内容
本发明的目的在于针对上述现有技术中存在的问题,提出了一种基于图像及灰色预测的输电线路山火预警方法,综合利用山火图像采集与灰色预测模型相结合,对输电线路山火进行分析和预警。
为达到上述发明的目的,本发明通过以下技术方案实现:
本发明公开一种基于图像及灰色预测的输电线路山火预警方法,采用安装在输电杆塔上的摄像头实时拍摄输电线路下方或周围的山火图像,并通过无线传输模块将山火图像传输给上位机,以供山火预警,采用山火预警方法包括:
步骤1,建立山火火势的状态标准,山火火势最高处与输电线路间的距离作为净空距离,根据净空距离划分出至少4个告警标准;
步骤2,获取摄像头采集的灰度图像;
步骤3,对灰度图像做边缘特征的检测,获取山火火势厚度,所述边缘特征包括有方向和幅度,告警当前火势所处的状态标准;
步骤4,当连续四个时间点都获取到山火火势时,建立关于山火火势的灰色预测模型;
步骤5,采用Δ值补偿对灰色预测模型进行修正,获得山火火势的预测曲线;
步骤6,根据预测曲线,实时预报山火火势所处的状态标准。
本发明的一种基于图像及灰色预测的输电线路山火预警方法,是通过安装在输电杆塔上的摄像头实时拍摄输电线路下方或周围的山火图像,通过无线模块将数据传输给上位机系统,再利用边缘提取算法计算出当前山火的火势,作为实时数据用于灰色预测模型参数的实时修改,从而作出可靠的预测。
附图说明
图1为本发明的一种基于图像及灰色预测的输电线路山火预警方法的步骤图。
图2为采用Δ值补偿前的预测曲线与实测曲线的示意图。
图3为采用Δ值补偿后的预测曲线与实测曲线的示意图。
具体实施方式
下面结合附图和实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。
参看图1,为本发明实施例的步骤图,其公开一种基于图像及灰色预测的输电线路山火预警方法,采用安装在输电杆塔上的摄像头实时拍摄输电线路下方或周围的山火图像,并通过无线传输模块将山火图像传输给上位机,以供山火预警,其特征在于,采用山火预警方法包括:
步骤1,建立山火火势的状态标准,山火火势最高处与输电线路间的距离作为净空距离,根据净空距离划分出至少4个告警标准;
步骤2,获取摄像头采集的灰度图像;
步骤3,对灰度图像做边缘特征的检测,获取山火火势厚度,所述边缘特征包括有方向和幅度,告警当前火势所处的状态标准;
步骤4,当连续四个时间点都获取到山火火势时,建立关于山火火势的灰色预测模型;
步骤5,采用Δ值补偿对灰色预测模型进行修正,获得山火火势的预测曲线;
步骤6,根据预测曲线,实时预报山火火势所处的状态标准。
作为具体实施例,步骤1所述的状态标准,优选为4个告警标准,根据山火火势划分的,包括:正常状态、一般状态、注意状态、严重状态四个范围。
所述正常状态为山火处于初期阶段,不影响线路安全运行,线路可以正常运行;净空距离h’≥9m;
所述一般状态为山火开始逐渐增大,有影响线路安全运行的趋势,需引起关注;净空距离7m≤h’<9m;
所述注意状态为山火已经开始影响线路的安全运行,有可能会造成线路跳闸情况,需密切关注;净空距离5m≤h’<7m;
所述严重状态为山火已严重影响线路的安全稳定运行,随时可能会造成线路跳闸,需要尽快安排停电;净空距离h’<5m。
本方法采用的图像采集装置,即安装在输电杆塔上的摄像头,为数字型摄像头,所采集回来的数据本身即为图像的灰度值,因此免于将彩色图像转换为灰度图像的过程;若采用的摄像头为彩色摄像头,则需要增加彩色图像转换为灰度图像的像素转换过程。
在上述灰度图像的基础上,可直接对图像进行边缘特征的检测,图像边缘具有方向和幅度2个特征。沿边缘走向,像素的灰度值变化比较平缓,而沿垂直于边缘走向,像素的灰度值则变化比较剧烈。这种剧烈变化有脉冲状、阶跃状和屋顶状3种。山火所展现出来的是片状的灰度值突变区域,属于由上升阶跃和下降阶跃组合而成的脉冲状边缘剖面。
作为具体实施例,根据山火发生后的图像特点,本发明实施例的所述步骤3采用canny算子边缘检测算法进行边缘特征的求取。
所述canny算子边缘检测算法包括如下步骤:
步骤31,将图像灰度值的最大和最小值取平均后得到图像动态阈值;
步骤32,利用高斯函数按照行和列对原图像函数进行平滑处理;
步骤33,求取处理后的数据阵列的梯度幅值和方向;
步骤31,根据当前点的梯度值与各个方向上的梯度值来判断是否为局部最大梯度值,如果是,则标定为二值化的“1”,否则,该点标定为“0”。
根据上文所述算法,提取输电线路山火图像边缘的二值化数值,假设f(x)为山火植被边缘与横坐标x对应的函数关系,f1(x)为山火上边缘与横坐标x对应的函数关系,f2(x)为山火下边缘与横坐标x对应的函数关系,正常情况下输电线路净空距离h已知,则上边缘的山火火势平均厚度计算公式为
y1=∑f1(x)/∑f(x) (1)
同理,下边缘的山火火势平均厚度计算公式为
y2=∑f2(x)/∑f(x) (2)
从而可得到线路山火火势平均厚度为
y=(y1+y2)/2 (3)
则此时在发生山火情况下的输电线路净空距离为
h'=h-y (4)
所述步骤4还包括对山火火势的检测判断,当连续四个时间点是否检测到4个山火火势,若小于4个,则当前采集的图像数据不满足建模所需,不进行下一时刻的山火火势预测;如果满足,则建立山火火势的灰色预测模型。
所述灰色预测模型,即GM(1,1)模型,是一个近似的差分方程模型,具有微分、差分、指数兼容等性质,模型的参数可调,结构随时间而变,突破了一般建模要求数据多、得不到微分性质的局限,是建模思路和方法上的新突破。模型在关系、性质和内涵上具有不确定性。
所述灰色预测模型的建立步骤如下:
步骤41,对于已知的实测山火图像数据集合x(0)=[x(0)(1),x(0)(2),…,x(0)(n)],n大于等于4,作一次累加生成,记为{x(0)}→{x(1)},即得
x(1)=[x(1)(1),x(1)(2),…,x(1)(n)] (5)
其中
步骤42,求取x(1)的均值生成序列:
z(1)=[z(1)(2),z(1)(3),…,z(1)(n)] (6)
其中:z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),k=2,3,…,n.;
步骤43,建立灰微分方程:
x(0)(k)+az(1)(k)=b (7)
其中,k=2,3,……,n.参数a,参数b可由后续的最小二乘法求得;
步骤44,相应的白化微分方程为:
步骤45,记u=[a,b],则有:
Y=[x(0)(2),x(0)(3),…,x(0)(n)] (9)
J(u)=(Y-Bu)T(Y-Bu) (11)
由最小二乘法,求得使B的表达式(10)达到最小值的u的估计值为
步骤46,求解步骤45的方程式,得到:
其中k=0,1,……,n-1,……。
灰色GM(1,1)模型建立预测至少需要4个点,由山火图像采集系统传回的数据计算得出当前山火火势后,需要首先判断是否有4个实测值满足预测前提,如果当前有效数据不满足建模所需数量,则不进行下一时刻的山火火势预测。如果满足,则进一步判断数据是否处于连续下降的时段。考虑到山火的危害在于随着火势的不断加大,最终会导致线路跳闸,当判断此时处于跳闸时段,则无需进行下一时刻的预测,只需维持当前的状态,直到山火火势继续增加。
根据灰色GM(1,1)模型只适合中短期预测的特点,本方法采用最少历史数据进行预测。每次采样得到一个最新的山火火势的数据,随即舍弃时间最早的一个历史数据,使得当前历史数据总数始终为4个,实现在连续4个时间点检测山火火势。如果遇到呈连续下降趋势的数据,则中止预测,同时将用于预测的历史数据清空,直到再次监测到数据开始上升,并将上升前的数据作为第1个新的历史数据,进行下一轮的预测。
实际情况中,灰色GM(1,1)仍然很难预测到输电线路山火发生产生突变的情况。由图2可见,当输电线路山火火势的增长趋势发生突变时,传统的灰色预测模型就会产生严重的滞后,甚至导致预测完全错误。本方法提出一种Δ值补偿的方法来解决。所述采用Δ值补偿对灰色预测模型进行修正的方法为:假设当前时刻的预测值为U0,当前时刻采样值为U1,计算误差Δ=U1-U0,新的预测序列为y(0)(k)=x(0)(k)+kΔ,k=1,2,…,n,根据该新的预测序列,重新计算级比后预测下一时刻的数据。
图3为经过Δ值补偿后的预测曲线。图中首先通过历史数据预测图中第4个点,随后通过图像传回数据计算第4个点时刻的真实山火火势,如果不加补偿,直接利用原方案预测下一时刻的山火,即图中第5个点,预测曲线的效果与实测曲线的实际相差较大。此时,利用Δ值补偿,得到补偿后的预测序列,再进行下一个点的补偿,可以准确预测出第5个点。除去突变开始的第4个点误差较大之外,这种预测方式的误差在实际运用上是可以接受的。
上述实施例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但是,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于图像及灰色预测的输电线路山火预警方法,采用安装在输电杆塔上的摄像头实时拍摄输电线路下方或周围的山火图像,并通过无线传输模块将山火图像传输给上位机,以供山火预警,其特征在于,采用山火预警方法包括:
步骤1,建立山火火势的状态标准,山火火势最高处与输电线路间的距离作为净空距离,根据净空距离划分出至少4个告警标准;
步骤2,获取摄像头采集的灰度图像;
步骤3,对灰度图像做边缘特征的检测,获取山火火势厚度,所述边缘特征包括有方向和幅度,告警当前火势所处的状态标准;
步骤4,当连续四个时间点都获取到山火火势时,建立关于山火火势的灰色预测模型;
步骤5,采用Δ值补偿对灰色预测模型进行修正,获得山火火势的预测曲线;
步骤6,根据预测曲线,实时预报山火火势所处的状态标准。
2.根据权利要求1所述的基于图像及灰色预测的输电线路山火预警方法,其特征在于,步骤1所述的状态标准包括:正常状态,对应净空距离h’≥9m;一般状态,对应净空距离7m≤h’<9m;注意状态,对应净空距离5m≤h’<7m;严重状态,对应净空距离h’<5m。
3.根据权利要求1或2所述的基于图像及灰色预测的输电线路山火预警方法,其特征在于,步骤3采用canny算子边缘检测算法进行边缘特征的求取。
4.根据权利要求3所述的基于图像及灰色预测的输电线路山火预警方法,其特征在于,所述canny算子边缘检测算法包括如下步骤:
步骤31,将图像灰度值的最大和最小值取平均后得到图像动态阈值;
步骤32,利用高斯函数按照行和列对原图像函数进行平滑处理;
步骤33,求取处理后的数据阵列的梯度幅值和方向;
步骤31,根据当前点的梯度值与各个方向上的梯度值来判断是否为局部最大梯度值,如果是,则标定为二值化的“1”,否则,该点标定为“0”。
5.根据权利要求4所述的基于图像及灰色预测的输电线路山火预警方法,其特征在于,所述步骤4还包括对山火火势的检测判断,当连续四个时间点是否检测到4个山火火势,若小于4个,则当前采集的图像数据不满足建模所需,不进行下一时刻的山火火势预测;如果满足,则建立山火火势的灰色预测模型。
6.根据权利要求5所述的基于图像及灰色预测的输电线路山火预警方法,其特征在于,所述灰色预测模型为:
步骤41,对于已知的实测山火图像数据集合x(0)=[x(0)(1),x(0)(2),…,x(0)(n)],n大于等于4,作一次累加生成,记为{x(0)}→{x(1)},即得x(1)=[x(1)(1),x(1)(2),…,x(1)(n)],其中
步骤42,求取x(1)的均值生成序列:z(1)=[z(1)(2),z(1)(3),…,z(1)(n)],其中:
z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),k=2,3,…,n.;
步骤43,建立灰微分方程:x(0)(k)+az(1)(k)=b;其中,k=2,3,……,n.参数a,参数b可由后续的最小二乘法求得;
步骤44,相应的白化微分方程为:
步骤45,记u=[a,b],则有:
Y=[x(0)(2),x(0)(3),…,x(0)(n)];
<mrow>
<mi>B</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msup>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msup>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msup>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
J(u)=(Y-Bu)T(Y-Bu);
由最小二乘法,求得使B的表达式达到最小值的u的估计值为
<mrow>
<mover>
<mi>u</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>B</mi>
<mi>T</mi>
</msup>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>B</mi>
<mi>T</mi>
</msup>
<mi>Y</mi>
<mo>;</mo>
</mrow>
步骤46,求解步骤45的方程式,得到:
其中k=0,1,……,n-1,……。
7.根据权利要求6所述的基于图像及灰色预测的输电线路山火预警方法,所述采用Δ值补偿对灰色预测模型进行修正的方法为:
假设当前时刻的预测值为U0,当前时刻采样值为U1,计算误差Δ=U1-U0,新的预测序列为y(0)(k)=x(0)(k)+kΔ,k=1,2,…,n,根据该新的预测序列,重新计算级比后预测下一时刻的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710282794.9A CN107230217A (zh) | 2017-04-26 | 2017-04-26 | 一种基于图像及灰色预测的输电线路山火预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710282794.9A CN107230217A (zh) | 2017-04-26 | 2017-04-26 | 一种基于图像及灰色预测的输电线路山火预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107230217A true CN107230217A (zh) | 2017-10-03 |
Family
ID=59934442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710282794.9A Pending CN107230217A (zh) | 2017-04-26 | 2017-04-26 | 一种基于图像及灰色预测的输电线路山火预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230217A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109327801A (zh) * | 2018-11-23 | 2019-02-12 | 湖南城市学院 | 一种基于云计算的出租车大数据信息采集发布系统及方法 |
CN110909948A (zh) * | 2019-11-29 | 2020-03-24 | 北京信息科技大学 | 土壤污染预测方法及系统 |
CN111681129A (zh) * | 2020-06-05 | 2020-09-18 | 云南电网有限责任公司昆明供电局 | 一种基于卫星数据的输电线路山火风险判定方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013148A (zh) * | 2010-10-28 | 2011-04-13 | 中国科学技术大学 | 多信息融合火灾探测方法 |
CN103927840A (zh) * | 2014-05-09 | 2014-07-16 | 国家电网公司 | 一种输电线路山火告警方法 |
CN104933821A (zh) * | 2015-06-15 | 2015-09-23 | 华南理工大学 | 一种计算输电线路走廊山火烟雾浓度报警阈值的方法 |
CN205670368U (zh) * | 2016-05-10 | 2016-11-02 | 武汉智网兴电科技开发有限公司 | 一种输电线路网络智能化山火监控系统 |
-
2017
- 2017-04-26 CN CN201710282794.9A patent/CN107230217A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013148A (zh) * | 2010-10-28 | 2011-04-13 | 中国科学技术大学 | 多信息融合火灾探测方法 |
CN103927840A (zh) * | 2014-05-09 | 2014-07-16 | 国家电网公司 | 一种输电线路山火告警方法 |
CN104933821A (zh) * | 2015-06-15 | 2015-09-23 | 华南理工大学 | 一种计算输电线路走廊山火烟雾浓度报警阈值的方法 |
CN205670368U (zh) * | 2016-05-10 | 2016-11-02 | 武汉智网兴电科技开发有限公司 | 一种输电线路网络智能化山火监控系统 |
Non-Patent Citations (1)
Title |
---|
侯慧: "基于实时图像及灰色预测的输电线覆冰灾害预警", 《武汉大学学报(工学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109327801A (zh) * | 2018-11-23 | 2019-02-12 | 湖南城市学院 | 一种基于云计算的出租车大数据信息采集发布系统及方法 |
CN110909948A (zh) * | 2019-11-29 | 2020-03-24 | 北京信息科技大学 | 土壤污染预测方法及系统 |
CN111681129A (zh) * | 2020-06-05 | 2020-09-18 | 云南电网有限责任公司昆明供电局 | 一种基于卫星数据的输电线路山火风险判定方法及系统 |
CN111681129B (zh) * | 2020-06-05 | 2023-08-22 | 云南电网有限责任公司昆明供电局 | 一种基于卫星数据的输电线路山火风险判定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104655030B (zh) | 一种输电线路覆冰检测与预警装置 | |
WO2021093283A1 (zh) | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 | |
CN102252623B (zh) | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 | |
WO2022077605A1 (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
CN101556142B (zh) | 架空线路覆冰厚度的视觉检测方法 | |
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
CN105675055A (zh) | 一种输电线路覆冰预测预警的方法与系统 | |
CN106595551A (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
CN107230217A (zh) | 一种基于图像及灰色预测的输电线路山火预警方法 | |
CN102346015A (zh) | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 | |
CN102353355A (zh) | 一种基于视频差异的输电线路杆塔倾斜的测量方法 | |
CN108254750B (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
CN109523543B (zh) | 一种基于边缘距离的导线断股检测方法 | |
Hu et al. | A method for measuring ice thickness of wind turbine blades based on edge detection | |
CN106570651A (zh) | 一种输电线路绝缘子污闪风险评估方法 | |
CN102955940A (zh) | 一种输电线路物体检测系统及方法 | |
US20230215167A1 (en) | Remote sensing-based extraction method for type of river channel | |
CN103852018A (zh) | 基于图像处理的输电线路覆冰厚度测量算法 | |
CN104063863A (zh) | 用于河道监控的下俯式双目视觉系统及图像处理方法 | |
CN112595276A (zh) | 一种基于深度学习的输电线路覆冰厚度检测方法 | |
CN103149603A (zh) | 一种基于视频的道路气象检测方法 | |
CN117475608B (zh) | 基于无人机集群的多场景安防监控方法 | |
Wang et al. | Study on edge extraction methods for image-based icing on-line monitoring on overhead transmission lines |
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: 20171003 |
|
RJ01 | Rejection of invention patent application after publication |