CN107491781A - 一种巡检机器人可见光与红外传感器数据融合方法 - Google Patents

一种巡检机器人可见光与红外传感器数据融合方法 Download PDF

Info

Publication number
CN107491781A
CN107491781A CN201710599273.6A CN201710599273A CN107491781A CN 107491781 A CN107491781 A CN 107491781A CN 201710599273 A CN201710599273 A CN 201710599273A CN 107491781 A CN107491781 A CN 107491781A
Authority
CN
China
Prior art keywords
images
image
equipment
visible
crusing robot
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
CN201710599273.6A
Other languages
English (en)
Inventor
罗旺
张佩
崔漾
夏源
樊强
彭启伟
赵高峰
郭艳雪
毛光辉
郝小龙
冯敏
余磊
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
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Nanjing NARI Group Corp
Original Assignee
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Nanjing NARI Group Corp
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, State Grid Gansu Electric Power Co Ltd, Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, Nanjing NARI Group Corp filed Critical State Grid Corp of China SGCC
Priority to CN201710599273.6A priority Critical patent/CN107491781A/zh
Publication of CN107491781A publication Critical patent/CN107491781A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明公开了一种巡检机器人可见光和红外传感器数据融合方法，包括以下步骤：1，获取多组同一场景下设备及其部件的红外图像和可见光图像；2，采用仿射变换对红外图像和可见光图像进行图像配准；3，利用深度卷积神经网络对可见光图像进行训练，识别出可见光图像中的设备及其部件，以及其对应的类别和位置信息；4，将红外图像与可见光图像进行融合生成融合图像，在融合图像中标注设备及其部件各对应的温度值形成温度图谱。本发明可实现巡检机器人可见光和红外图像中设备及其部件的自动配准，实现电力设备及其部件温度数据的自动获取。

Description

一种巡检机器人可见光与红外传感器数据融合方法
技术领域
本发明设计信号处理技术领域，具体涉及一种基于图像处理的巡检机器人可见光和红外传感器数据融合方法。
背景技术
巡检机器人在电网生产中发挥着重要作用，广泛应用于变电站、输电线路，巡检机器人可用于对变电站、输电线路设备进行自主巡检与数据采集，巡检机器人具备自主导航和巡检功能，具有红外热成像和高清视频双视技术，依靠双视技术，可初步展示电力设备的电流、电压致热现象，初步发现设备缺陷。
由于红外热成像和高清光学摄像机焦距、视角均不相同，因此，红外和可见光图像中设备并未配准，单独查看红外热成像图像，难以辨识关注的设备及其关键部位，人工比对红外和可见光图像，一方面时间消耗大，另外一方面，难以获取设备关键部位的温度。为了提高巡检机器人设备及其关键部位的温度检测效率和准确率，国内外很多研究人员开始研究红外和可见光图像数据融合技术。
红外和可见光图像数据融合技术中的关键技术是图像数据配准技术，国外科研人员从自20世纪60年代就开始了单模态图像配准技术研究工作，国内科研人员则从20世纪80年代开始相关的研究工作。到目前为止，单模态图像的配准问题已经基本得到了解决，但是对于多模态(包含可见光、红外等模态) 图像匹配问题，至今仍未得到很好解决。现有巡检机器人多模态数据应用中也存在上述多模态图像匹配问题，特别是对于巡检图像中特定对象设备和部位，还没有很好的解决方法。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种巡检机器人可见光和红外传感器数据融合方法，将红外图像和可见光图像配准融合方法和基于深度学习的设备及其部件检测方法相结合，实现了电力设备及其部件温度的快速检测，有利于辅助发现设备故障。
为解决上述技术问题，本发明提供了一种巡检机器人可见光与红外传感器数据融合方法，其特征是，包括以下步骤：
步骤S1，获取多组同一场景下设备及其部件的红外图像和可见光图像；
步骤S2，采用仿射变换对红外图像和可见光图像进行图像配准；
步骤S3，利用深度卷积神经网络对可见光图像进行训练，识别出可见光图像中的设备及其部件，以及其对应的类别和位置信息；
步骤S4，将红外图像与可见光图像进行融合生成融合图像，在融合图像中标注设备及其部件各对应的温度值形成温度图谱。
进一步的，在步骤S3中，采用24个卷积层和2个全连接层的深度卷积神经网络结构。
进一步的，深度卷积神经网络结构中，采用以下稀疏校正线性激活函数作为最后一层网络和其他所有层网络的激活函数。
进一步的，步骤S4中，采用轮廓小波变换方法进行图像融合。
进一步的，在可见光图像与红外图像进行图像融合时，对于变换后得到的低频子带，采用基于均值的融合规则得到融合图像的低频子带；对于变换后得到的高频子带，采用基于最大值的融合规则得到融合图像的高频子带，再将融合图像的低频子带和高频子带通过反变换获得融合图像。
进一步的，温度图谱的获取过程为：在获得融合图像后，将红外图像中标注的对应像素点的温度值标注在融合图像相对应的位置，同时将可见光图像中获得的设备及其部件位置信息用代表对应部件的颜色标注在融合图像中，生成设备及其部件各对应的温度图谱。
与现有技术相比，本发明所达到的有益效果是：本发明可实现巡检机器人可见光和红外图像中设备及其部件的自动配准，实现电力设备及其部件温度数据的自动获取，同时准确度更高。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图像配准，是将不同时间段、不同传感器(成像设备)、不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，被广泛地应用于计算机视觉、图像处理、遥感数据分析等领域。
如图1所示，本发明的一种巡检机器人可见光与红外传感器数据融合方法，包括以下步骤：
步骤S1，获取多组同一场景下设备及其部件的红外图像和可见光图像。
巡检机器人利用红外传感器基于红外热成像原理拍摄出红外图像，利用高清视频传感器拍摄出可见光图像。在红外和可见光图像中，图像内容目前主要包括变电站内典型电力设备及其部件，如闸刀、互感器、避雷器、电容器和仪表等，也是下文中所要检测识别的目标。
通常，巡检机器人拍摄的红外图像与可见光图像尺寸不相同，可见光图像包含的设备及部件较多或较全面，图像中对比度相对较高，它由反射率和阴影决定。红外图像所包含的设备及部件只是可见光图像中的一部分，图像中对比度由发射率和温度决定，特别是作为温差的一个结果，对比度可在很大的范围内变化。在红外图像中还包含温度图谱，温度图谱中包含电力设备及其部件的温度信息。
步骤S2，采用仿射变换对红外图像和可见光图像进行图像配准。
现有技术中已知，两种传感器虽然焦距、视角均不相同，但是拍摄出来的图像具有一定的仿射关系，基于此仿射关系可以实现红外和可见光图像的初步配准。
本发明实施例中，图像配准的过程为：选取N组红外和可见光图像，以可见光图像为基准，对可见光每幅图像手工选取M个配准点作为特征点，共选取 N*M对特征点作为仿射变换的特征点，通过仿射变换对红外图像中对应特征点进行变换，实现红外图像和可见光图像的初步配准。
步骤S3，利用深度卷积神经网络对可见光图像进行训练，识别出可见光图像中的设备及其部件，以及其对应的类别和位置信息。
选取N组中若干幅可见光图像，采用24个卷积层和2个全连接层的深度卷积神经网络结构，对可见光图像中电力设备及其部件图像(或称为目标)进行训练和检测，具体包含以下步骤：
1)将原图像划分为S×S(如7×7)大小的网格；
2)在训练过程中，每个网格单元预测得到B(如B为2)个边界框和对应的置信度，每个边界框由五个元素组成：(x，y，w，h，P(O))，其中x，y为边界框的中心点坐标，w，h为边界框的宽度和高度，P(O)表示边界框内存在目标的概率；如果边界框内不存在目标，则P(O)＝0；
3)如果边界框内存在目标，每个网格单元预测存在目标的情况下该目标属于某类别的类别条件概率为：P(Ci|O)(i＝1,2,…..C，共C个目标)，从而得到整个图片中各个网格单元的各类别概率为：P(Ci)＝P(Ci|O)*P(O)，设置阈值(此阈值可经试验确定或取经验值)，高于阈值的类别概率表明该网格单元的目标类别为此类别。
4)根据每个网格单元得到的目标类别以及对应的边界框信息，计算出每个目标对应的类别及其坐标位置信息。
本发明实施例中，在训练过程中，采用均方误差作为损失函数。最后一层网络用于预测类别概率和边界框坐标，边界框的宽高是相对于图像宽高归一化后得到的，边界框的中心坐标是相对于某一个网格的位置坐标进行归一化得到的，因此边界框的宽度和高度以及边界框的x,y坐标都归一化到[0,1]区间。采用以下稀疏校正线性激活函数作为最后一层网络和其他所有层网络的激活函数。
步骤S4，将红外图像与可见光图像进行融合生成融合图像，在融合图像中标注设备及其部件各对应的温度值形成温度图谱。
设备及其部件的红外图像与可见光图像融合算法的具体实现流程包括：
本发明采用轮廓小波变换方法，将可见光图像IV与红外图像II进行融合，得到融合图像
在可见光图像IV与红外图像II进行图像融合时，对于变换后得到的低频子带(表示图像在第j个低频子带像素点(x,y)的值，其中j＝1,…,J， J为子带数)，采用基于均值的融合规则(见式(2))得到融合图像的低频子带对于变换后得到的高频子带采用基于最大值的融合规则(见式(3))得到融合图像的高频子带再将融合图像的低频子带和高频子带通过反变换获得融合图像IF。
在获得融合图像后，结合步骤S2仿射变换获得的位置信息，将红外图像中标注的对应像素点的温度值(温度图谱)标注在融合图像相对应的位置，同时将步骤S3中从可见光图像中获得的设备及其部件标注信息用代表对应部件的颜色标注在融合图像中，生成最终的融合图像IF及设备及其部件各对应的温度图谱TF。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种巡检机器人可见光与红外传感器数据融合方法，其特征是，包括以下步骤：
步骤S1，获取多组同一场景下设备及其部件的红外图像和可见光图像；
步骤S2，采用仿射变换对红外图像和可见光图像进行图像配准；
步骤S3，利用深度卷积神经网络对可见光图像进行训练，识别出可见光图像中的设备及其部件，以及其对应的类别和位置信息；
步骤S4，将红外图像与可见光图像进行融合生成融合图像，在融合图像中标注设备及其部件各对应的温度值形成温度图谱。
2.根据权利要求1所述的一种巡检机器人可见光与红外传感器数据融合方法，其特征是，在步骤S3中，采用24个卷积层和2个全连接层的深度卷积神经网络结构。
3.根据权利要求1所述的一种巡检机器人可见光与红外传感器数据融合方法，其特征是，深度卷积神经网络结构中，采用以下稀疏校正线性激活函数作为最后一层网络和其他所有层网络的激活函数。
4.根据权利要求1所述的一种巡检机器人可见光与红外传感器数据融合方法，其特征是，步骤S4中，采用轮廓小波变换方法进行图像融合。
5.根据权利要求1所述的一种巡检机器人可见光与红外传感器数据融合方法，其特征是，在可见光图像与红外图像进行图像融合时，对于变换后得到的低频子带，采用基于均值的融合规则得到融合图像的低频子带；对于变换后得到的高频子带，采用基于最大值的融合规则得到融合图像的高频子带，再将融合图像的低频子带和高频子带通过反变换获得融合图像。
6.根据权利要求1所述的一种巡检机器人可见光与红外传感器数据融合方法，其特征是，温度图谱的获取过程为：在获得融合图像后，将红外图像中标注的对应像素点的温度值标注在融合图像相对应的位置，同时将可见光图像中获得的设备及其部件位置信息用代表对应部件的颜色标注在融合图像中，生成设备及其部件各对应的温度图谱。
CN201710599273.6A 2017-07-21 2017-07-21 一种巡检机器人可见光与红外传感器数据融合方法 Pending CN107491781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710599273.6A CN107491781A (zh) 2017-07-21 2017-07-21 一种巡检机器人可见光与红外传感器数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710599273.6A CN107491781A (zh) 2017-07-21 2017-07-21 一种巡检机器人可见光与红外传感器数据融合方法

Publications (1)

Publication Number Publication Date
CN107491781A true CN107491781A (zh) 2017-12-19

Family

ID=60643648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710599273.6A Pending CN107491781A (zh) 2017-07-21 2017-07-21 一种巡检机器人可见光与红外传感器数据融合方法

Country Status (1)

Country Link
CN (1) CN107491781A (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229440A (zh) * 2018-02-06 2018-06-29 北京奥开信息科技有限公司 一种基于多传感器融合室内人体姿态识别方法
CN108734117A (zh) * 2018-05-09 2018-11-02 国网浙江省电力有限公司电力科学研究院 基于yolo的电缆设备外部腐蚀破损识别方法
CN108764134A (zh) * 2018-05-28 2018-11-06 江苏迪伦智能科技有限公司 一种适用于巡检机器人的多类型仪表自动定位与识别方法
CN108871189A (zh) * 2018-06-26 2018-11-23 西安工业大学 一种金属冶炼排渣的炉渣位置检测装置及其检测方法
CN109063701A (zh) * 2018-08-08 2018-12-21 合肥英睿系统技术有限公司 一种红外图像中目标的标记方法、装置、设备及存储介质
CN109580005A (zh) * 2018-12-24 2019-04-05 国网山西省电力公司检修分公司 一种导线接续点的故障分析方法、装置、设备及存储介质
CN109685930A (zh) * 2018-12-19 2019-04-26 深圳供电局有限公司 电力部件巡检方法、装置、计算机设备和存储介质
CN109788170A (zh) * 2018-12-25 2019-05-21 合肥芯福传感器技术有限公司 一种基于红外与可见光的视频图像处理系统及方法
CN109934417A (zh) * 2019-03-26 2019-06-25 国电民权发电有限公司 基于卷积神经网络的锅炉结焦预警方法
CN110529186A (zh) * 2019-09-11 2019-12-03 上海同岩土木工程科技股份有限公司 基于红外热成像的隧道结构渗漏水精确识别装置和方法
CN110567964A (zh) * 2019-07-19 2019-12-13 华瑞新智科技（北京）有限公司 一种检测变电设备缺陷的方法、装置及存储介质
CN110775467A (zh) * 2019-10-31 2020-02-11 哈尔滨工业大学（深圳） 基于智能识别与语音提示的垃圾收纳系统与方法
CN110989609A (zh) * 2019-12-16 2020-04-10 中信重工开诚智能装备有限公司 一种矿用自发电式巡检机器人系统及控制方法
CN111127445A (zh) * 2019-12-26 2020-05-08 智洋创新科技股份有限公司 基于深度学习的配网线路高温区域检测方法与系统
CN111275759A (zh) * 2020-01-16 2020-06-12 国网江苏省电力有限公司 基于无人机双光影像融合的变电站刀闸温度检测方法
CN111626985A (zh) * 2020-04-20 2020-09-04 北京农业信息技术研究中心 基于图像融合的家禽体温检测方法及禽舍巡检系统
CN111952883A (zh) * 2020-08-25 2020-11-17 广东电网有限责任公司 一种基于三维激光雷达的输电线路故障识别系统及方法
CN112183311A (zh) * 2020-09-25 2021-01-05 国网上海市电力公司 一种基于双模态数据融合的变电站设备故障检测方法
CN112990149A (zh) * 2021-05-08 2021-06-18 创新奇智(北京)科技有限公司 基于多模态的高空安全带检测方法、装置、设备及存储介质
CN113284128A (zh) * 2021-06-11 2021-08-20 中国南方电网有限责任公司超高压输电公司天生桥局 基于电力设备的图像融合显示方法、装置和计算机设备
CN113628255A (zh) * 2021-07-28 2021-11-09 武汉三江中电科技有限责任公司 一种三光融合无损检测图像配准算法
CN116403057A (zh) * 2023-06-09 2023-07-07 山东瑞盈智能科技有限公司 一种基于多源图像融合的输电线路巡检方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202119539U (zh) * 2011-05-19 2012-01-18 中国农业大学 热像测温和故障定位巡视系统
CN103024281A (zh) * 2013-01-11 2013-04-03 重庆大学 红外与可见光视频融合系统
CN104253482A (zh) * 2014-08-08 2014-12-31 济南大学 基于图像数据库和巡检机器人的设备故障检测方法
CN104899848A (zh) * 2015-07-02 2015-09-09 苏州科技学院 一种基于黎曼度量的自适应多策略图像融合方法
CN105741379A (zh) * 2016-01-28 2016-07-06 江苏省电力试验研究院有限公司 一种变电站全景巡检方法
CN106326932A (zh) * 2016-08-25 2017-01-11 北京每刻风物科技有限公司 一种基于神经网络的电力巡线图像自动识别方法、装置
CN106548467A (zh) * 2016-10-31 2017-03-29 广州飒特红外股份有限公司 红外图像和可见光图像融合的方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202119539U (zh) * 2011-05-19 2012-01-18 中国农业大学 热像测温和故障定位巡视系统
CN103024281A (zh) * 2013-01-11 2013-04-03 重庆大学 红外与可见光视频融合系统
CN104253482A (zh) * 2014-08-08 2014-12-31 济南大学 基于图像数据库和巡检机器人的设备故障检测方法
CN104899848A (zh) * 2015-07-02 2015-09-09 苏州科技学院 一种基于黎曼度量的自适应多策略图像融合方法
CN105741379A (zh) * 2016-01-28 2016-07-06 江苏省电力试验研究院有限公司 一种变电站全景巡检方法
CN106326932A (zh) * 2016-08-25 2017-01-11 北京每刻风物科技有限公司 一种基于神经网络的电力巡线图像自动识别方法、装置
CN106548467A (zh) * 2016-10-31 2017-03-29 广州飒特红外股份有限公司 红外图像和可见光图像融合的方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YUJIA ZUO 等: "Airborne Infrared and Visible Image Fusion Combined with Region Segmentation", 《SENSORS》 *
吕俊 等: "基于全景温度场的电力设备在线自动识别与诊断", 《计算机与现代化》 *
张蕾 等: "采用非采样Contourlet变换与区域分类的红外和可见光图像融合", 《光学精密工程》 *
王宇宁 等: "基于YOLO算法的车辆实时检测", 《武汉理工大学学报》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229440A (zh) * 2018-02-06 2018-06-29 北京奥开信息科技有限公司 一种基于多传感器融合室内人体姿态识别方法
CN108734117A (zh) * 2018-05-09 2018-11-02 国网浙江省电力有限公司电力科学研究院 基于yolo的电缆设备外部腐蚀破损识别方法
CN108764134A (zh) * 2018-05-28 2018-11-06 江苏迪伦智能科技有限公司 一种适用于巡检机器人的多类型仪表自动定位与识别方法
CN108871189A (zh) * 2018-06-26 2018-11-23 西安工业大学 一种金属冶炼排渣的炉渣位置检测装置及其检测方法
CN109063701A (zh) * 2018-08-08 2018-12-21 合肥英睿系统技术有限公司 一种红外图像中目标的标记方法、装置、设备及存储介质
CN109685930A (zh) * 2018-12-19 2019-04-26 深圳供电局有限公司 电力部件巡检方法、装置、计算机设备和存储介质
CN109580005A (zh) * 2018-12-24 2019-04-05 国网山西省电力公司检修分公司 一种导线接续点的故障分析方法、装置、设备及存储介质
CN109788170A (zh) * 2018-12-25 2019-05-21 合肥芯福传感器技术有限公司 一种基于红外与可见光的视频图像处理系统及方法
CN109934417A (zh) * 2019-03-26 2019-06-25 国电民权发电有限公司 基于卷积神经网络的锅炉结焦预警方法
CN110567964A (zh) * 2019-07-19 2019-12-13 华瑞新智科技（北京）有限公司 一种检测变电设备缺陷的方法、装置及存储介质
CN110529186A (zh) * 2019-09-11 2019-12-03 上海同岩土木工程科技股份有限公司 基于红外热成像的隧道结构渗漏水精确识别装置和方法
CN110775467B (zh) * 2019-10-31 2021-11-23 哈尔滨工业大学（深圳） 基于智能识别与语音提示的垃圾收纳系统与方法
CN110775467A (zh) * 2019-10-31 2020-02-11 哈尔滨工业大学（深圳） 基于智能识别与语音提示的垃圾收纳系统与方法
CN110989609A (zh) * 2019-12-16 2020-04-10 中信重工开诚智能装备有限公司 一种矿用自发电式巡检机器人系统及控制方法
CN111127445A (zh) * 2019-12-26 2020-05-08 智洋创新科技股份有限公司 基于深度学习的配网线路高温区域检测方法与系统
CN111275759A (zh) * 2020-01-16 2020-06-12 国网江苏省电力有限公司 基于无人机双光影像融合的变电站刀闸温度检测方法
CN111275759B (zh) * 2020-01-16 2022-09-02 国网江苏省电力有限公司 基于无人机双光影像融合的变电站刀闸温度检测方法
CN111626985A (zh) * 2020-04-20 2020-09-04 北京农业信息技术研究中心 基于图像融合的家禽体温检测方法及禽舍巡检系统
CN111952883A (zh) * 2020-08-25 2020-11-17 广东电网有限责任公司 一种基于三维激光雷达的输电线路故障识别系统及方法
CN112183311A (zh) * 2020-09-25 2021-01-05 国网上海市电力公司 一种基于双模态数据融合的变电站设备故障检测方法
CN112990149A (zh) * 2021-05-08 2021-06-18 创新奇智(北京)科技有限公司 基于多模态的高空安全带检测方法、装置、设备及存储介质
CN113284128B (zh) * 2021-06-11 2023-05-16 中国南方电网有限责任公司超高压输电公司天生桥局 基于电力设备的图像融合显示方法、装置和计算机设备
CN113284128A (zh) * 2021-06-11 2021-08-20 中国南方电网有限责任公司超高压输电公司天生桥局 基于电力设备的图像融合显示方法、装置和计算机设备
CN113628255A (zh) * 2021-07-28 2021-11-09 武汉三江中电科技有限责任公司 一种三光融合无损检测图像配准算法
CN113628255B (zh) * 2021-07-28 2024-03-12 武汉三江中电科技有限责任公司 一种三光融合无损检测图像配准算法
CN116403057A (zh) * 2023-06-09 2023-07-07 山东瑞盈智能科技有限公司 一种基于多源图像融合的输电线路巡检方法及系统
CN116403057B (zh) * 2023-06-09 2023-08-18 山东瑞盈智能科技有限公司 一种基于多源图像融合的输电线路巡检方法及系统

Similar Documents

Publication Publication Date Title
CN107491781A (zh) 一种巡检机器人可见光与红外传感器数据融合方法
Yang et al. Visual perception enabled industry intelligence: state of the art, challenges and prospects
CN108846418B (zh) 一种电缆设备温度异常定位与识别方法
CN106127204B (zh) 一种全卷积神经网络的多方向水表读数区域检测算法
CN101621634B (zh) 动态前景分离的大幅面视频拼接方法
CN108564565A (zh) 一种基于深度学习的电力设备红外图像多目标定位方法
CN108564065B (zh) 一种基于ssd的电缆隧道明火识别方法
CN108053449A (zh) 双目视觉系统的三维重建方法、装置及双目视觉系统
CN107886069A (zh) 一种多目标人体2d姿态实时检测系统及检测方法
Komorowski et al. Minkloc++: lidar and monocular image fusion for place recognition
CN110232655B (zh) 一种用于煤场的红外-可见光双光图像拼接与融合方法
CN111260788B (zh) 一种基于双目视觉的配电柜开关状态识别方法
CN109035322A (zh) 一种基于双目视觉的障碍物检测与识别方法
CN107316275A (zh) 一种光流辅助的大尺度显微图像拼接算法
CN105741379A (zh) 一种变电站全景巡检方法
CN107154014A (zh) 一种实时彩色及深度全景图像拼接方法
CN110569779A (zh) 基于行人局部和整体属性联合学习的行人属性识别方法
Liu et al. Extended faster R-CNN for long distance human detection: Finding pedestrians in UAV images
CN111582074A (zh) 一种基于场景深度信息感知的监控视频树叶遮挡检测方法
CN114299033A (zh) 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统
CN108961154A (zh) 基于改进非下采样轮廓波变换的太阳电池热斑检测方法
CN114022798A (zh) 一种基于数字孪生技术的变电站巡检机器人避障方法
CN114612933B (zh) 单目社交距离检测追踪方法
Kim et al. Unpaired cross-spectral pedestrian detection via adversarial feature learning
Huang et al. Crack detection of masonry structure based on thermal and visible image fusion and semantic segmentation

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
CB02 Change of applicant information

Address after: 100031 West Chang'an Avenue, Xicheng District, Xicheng District, Beijing

Applicant after: State Grid Corporation of China

Applicant after: Electric Power Research Institute, State Grid Fujian Electric Power Co., Ltd.

Applicant after: NARI Group Co. Ltd.

Applicant after: State Grid Gansu Electric Power Company

Address before: 100031 West Chang'an Avenue, Xicheng District, Xicheng District, Beijing

Applicant before: State Grid Corporation of China

Applicant before: Electric Power Research Institute, State Grid Fujian Electric Power Co., Ltd.

Applicant before: Nanjing Nari Co., Ltd.

Applicant before: State Grid Gansu Electric Power Company

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20171219

RJ01 Rejection of invention patent application after publication