CN107506768A - 一种基于全卷积神经网络的输电线路导线断股识别方法 - Google Patents
一种基于全卷积神经网络的输电线路导线断股识别方法 Download PDFInfo
- Publication number
- CN107506768A CN107506768A CN201710939766.XA CN201710939766A CN107506768A CN 107506768 A CN107506768 A CN 107506768A CN 201710939766 A CN201710939766 A CN 201710939766A CN 107506768 A CN107506768 A CN 107506768A
- Authority
- CN
- China
- Prior art keywords
- wire
- mrow
- msub
- stranded
- convolutional neural
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全卷积神经网络的输电线路导线断股识别方法,包括以下步骤:S1、通过无人机采集输电线路导线图片;S2、设计全卷积神经网络对S1采集到的图片进行语义分割,从背景中提取出导线;S3、去除导线图片中形状不符合预设条件的连通域;S4、采用两遍扫描法提取每根导线连通域;S5、对每根导线连通域进行线性拟合,求判断导线断股的阈值;S6、根据阈值判断导线是否断股,如果存在断股导线,则标出对应导线。本发明克服了人为设定特征参数存在的误差、不合理性以及数量不足等缺陷,采用全卷积神经网络的方法提取出导线,然后再进行导线断股检测,能够更准确地从背景中提取出导线,提高缺陷识别的准确性和效率。
Description
技术领域
本发明属于深度学习应用领域和电力缺陷识别领域,具体涉及到通过卷积神经网络的深度学习算法对无人机采集的输电线路导线图片前景提取,然后进行断股检测;特别涉及一种基于全卷积神经网络的输电线路导线断股识别方法。
背景技术
随着输电线路直升机巡检技术的应用和智能电网建设的逐步推进,电力线缺陷的自动检测越来越受到广泛的关注。钢芯铝绞线作为我国长距离电力输配的主要材料,受风力、覆冰、温度等环境因素的影响,易产生局部疲劳损伤,最终引起局部断股。因此,导线断股缺陷的自动检测的研究已具有十分重要的现实意义。
输电线的断股现象在远距离输电线系统中时有发生且危害巨大,关于导线断股识别的方法很多,基于图像识别的方式大体都会分成两部分进行,首先要进行导线的提取,导线提取的成功与否直接关系到后面的缺陷识别。在导线提取成功的基础上,第二部分就是根据断股的特点设计合理的算法进行识别。然而传统的输电线路导线断股的图像检测都采用直线检测或人为设定阈值的方法提取导线,这些方法均需通过人为设定特征参数,但人为设定特征参数存在很大的主观性,如参数数量的选择和合理性等,且计算量大,效率低。
发明内容
本发明的目的在于克服现有技术的不足,提供一种采用全卷积神经网络的方法提取出导线,然后再进行导线断股检测,能够更准确地从背景中提取出导线,提高缺陷识别的准确性和效率的基于全卷积神经网络的输电线路导线断股识别方法。
本发明的目的是通过以下技术方案来实现的:一种基于全卷积神经网络的输电线路导线断股识别方法,包括以下步骤:
S1、通过无人机采集输电线路导线图片;
S2、设计全卷积神经网络对S1采集到的图片进行语义分割,从背景中提取出导线,并输出分割的导线图片;
S3、根据导线连通域的特点,去除导线图片中形状不符合预设条件的连通域;
S4、采用两遍扫描法提取出每根导线连通域;
S5、对每根导线连通域进行线性拟合,根据拟合的直线求点到对应直线的距离,计算平均距离和方差,然后将方差的1.5倍作为判断导线断股的阈值;
S6、根据S5求出的阈值判断导线是否断股,如果存在断股导线,则标出对应导线。
进一步地,所述步骤S2包括以下子步骤:
S21、通过15个卷积层,5次下采样,得到原图和大小的特征图;
S22、对原图大小的特征图上采样放大2倍,然后和原图大小的特征图累加;
S23、将S22累加得到的特征图上采样放大2倍,然后和原图大小的特征图累加;
S24、将S23累加得到的特征图上采样放大8倍,然后将得到的特征图还原到输入图像大小;
S25、将S24得到的图片中的每个像素进行分类预测,输出语义分割的结果。
进一步地,所述步骤S3包括以下子步骤:
S31、对S2得到的导线图片进行腐蚀处理,这样做可以去除背景中细小的噪声干扰,同时腐蚀处理会去除导线部分,为了防止这种现象,还需要进行膨胀处理;
S32、计算所有连通域的外接矩形,外接矩形使矩形内的连通域的面积最小,用α表示水平轴逆时针旋转时与碰到的外接矩形第一个边的夹角,h和w分别为外接矩形的高度和宽度;
S33、定义η为h与w的比值,由于导线的形状特点,根据η来去除不符合条件的连通域:如果η>0.5或者η<20,则认为该连通域不符合条件,去除该连通域。
进一步地,所述步骤S4包括以下子步骤:
S41、第一次扫描,初始化B(x,y)=1,然后访问当前像素B(x,y):
如果B(x,y)的4个领域点的像素值都为0,则赋予B(x,y)一个新的标签:label=label+1,B(x,y)=label;
如果B(x,y)的4个领域点中有像素值大于0的像素点,将其邻域点中的像素最小值赋予B(x,y):B(x,y)=min{Neighbors};并记录邻域点中各个标签之间的相等关系,将标签相同的领域点划分到同一个连通区域;
S42、第二次扫描:访问当前像素B(x,y),如果B(x,y)>1,找到与B(x,y)标签相邻的像素点,并将其中最小的像素点的标签赋予给B(x,y);
S43、完成扫描后,图像中具有相同label值的像素就组成了同一个连通区域。
进一步地,所述步骤S5包括以下子步骤:
S51、对每个连通域进行线性拟合,设拟合的直线方程为y=kx+b;
S52、计算连通域中所有点到直线的距离,最后计算每根导线点到对应直线的平均距离:
点到直线的距离公式为:
其中,Di表示点到直线的距离,xi、yi分别表示点的横坐标和纵坐标;
所有点到对应直线的平均距离为:
其中,ave_Dj表示平均距离,N表示每根导线连通区域点的个数,m为直线的条数;
S53、计算方差,定义阈值判断导线断股:
每根导线的方差为:
其中,表示每根导线的方差;
求判断导线断股阈值Threshold:
进一步地,所述步骤S6具体实现方法为:如果第j根导线的方差大于阈值Threshold,则认为该导线存在断股缺陷,将断股导线进行标记。
本发明的有益效果是:本发明采用基于深度学习的方法对导线断股进行识别:首先,用全卷积神经网络对原始图片进行分割,从背景中分离出导线;其次,采用Two-Pass(两遍扫描法)提取出导线连通域;然后,对提取的每根导线连通区域进行线性拟合,求出判断导线断股的阈值;最后,判断每根导线的方差是否大于阈值判断该导线是否存在断股缺陷。本发明克服了传统的输电线路导线断股检测中,人为设定特征参数存在的误差、不合理性以及参数数量不足等缺陷,采用全卷积神经网络的方法提取出导线,然后再进行导线断股检测,能够更准确地从背景中提取出导线,提高缺陷识别的准确性和效率。
附图说明
图1为本发明的输电线路导线断股识别方法流程图;
图2为本发明实施例中进行语义分割后提取出来的导线图片;
图3为本发明实施例中取出每根导线连通域的导线图片;
图4为本发明实施例进行线性拟合得到的导线图片;
图5为本发明实施例最终对导线进行标记的结果。
具体实施方式
下面结合附图和具体实施例进一步说明本发明的技术方案。
如图1所示,一种基于全卷积神经网络的输电线路导线断股识别方法,包括以下步骤:
S1、通过无人机采集输电线路导线图片;
S2、设计全卷积神经网络对S1采集到的图片进行语义分割,从背景中提取出导线,并输出分割的导线图片;包括以下子步骤:
S21、通过15个卷积层,5次下采样,得到原图和大小的特征图;
S22、对原图大小的特征图上采样放大2倍,然后和原图大小的特征图累加;
S23、将S22累加得到的特征图上采样放大2倍,然后和原图大小的特征图累加;
S24、将S23累加得到的特征图上采样放大8倍,然后将得到的特征图还原到输入图像大小;
S25、将S24得到的图片中的每个像素进行分类预测,输出语义分割的结果。
S3、根据导线连通域的特点,去除导线图片中形状不符合预设条件的连通域;包括以下子步骤:
S31、对S2得到的导线图片进行腐蚀处理,这样做可以去除背景中细小的噪声干扰,同时腐蚀处理会去除导线部分,为了防止这种现象,还需要进行膨胀处理;
S32、计算所有连通域的外接矩形,外接矩形使矩形内的连通域的面积最小,用α表示水平轴逆时针旋转时与碰到的外接矩形第一个边的夹角,h和w分别为外接矩形的高度和宽度;
S33、定义η为h与w的比值,由于导线的形状特点,根据η来去除不符合条件的连通域:如果η>0.5或者η<20,则认为该连通域不符合条件,去除该连通域。
S4、采用两遍扫描法提取出每根导线连通域;包括以下子步骤:
S41、第一次扫描,初始化B(x,y)=1,然后访问当前像素B(x,y):
如果B(x,y)的4个领域点的像素值都为0,则赋予B(x,y)一个新的标签:label=label+1,B(x,y)=label;
如果B(x,y)的4个领域点中有像素值大于0的像素点,将其邻域点中的像素最小值赋予B(x,y):B(x,y)=min{Neighbors};并记录邻域点中各个标签之间的相等关系,将标签相同的领域点划分到同一个连通区域;
S42、第二次扫描:访问当前像素B(x,y),如果B(x,y)>1,找到与B(x,y)标签相邻的像素点,并将其中最小的像素点的标签赋予给B(x,y);
S43、完成扫描后,图像中具有相同label值的像素就组成了同一个连通区域。
S5、对每根导线连通域进行线性拟合,根据拟合的直线求点到对应直线的距离,计算平均距离和方差,然后将方差的1.5倍作为判断导线断股的阈值;S5包括以下子步骤:
S51、对每个连通域进行线性拟合,设拟合的直线方程为y=kx+b;
S52、计算连通域中所有点到直线的距离,最后计算每根导线点到对应直线的平均距离:
点到直线的距离公式为:
其中,Di表示点到直线的距离,xi、yi分别表示点的横坐标和纵坐标;
所有点到对应直线的平均距离为:
其中,ave_Dj表示平均距离,N表示每根导线连通区域点的个数,m为直线的条数;
S53、计算方差,定义阈值判断导线断股:
每根导线的方差为:
其中,表示每根导线的方差;
求判断导线断股阈值Threshold:
S6、根据S5求出的阈值判断导线是否断股,如果存在断股导线,则标出对应导线;具体实现方法为:如果第j根导线的方差大于阈值Threshold,则认为该导线存在断股缺陷,将断股导线用红色标记。
下面通过具体实施例进一步说明本发明的技术效果。
本实施例采集到的导线样本共200张,其中150张作为全卷积神经网络语义分割训练样本。设计基于深度卷积神经网络VGG16-Net的全卷积神经网络,将原始VGG16-Net网络最后的全连接层全都改为卷积层,共计迭代训练40000次。
测试阶段:将剩余的导线样本作为测试图片,通过训练的模型做语义分割,从而提取出导线,提取结果如图2所示。然后对提取出的导线去噪,然后提取导线连通区域,导线连通区域提取结果如图3所示。图3中,(a)、(b)、(c)、(d)分别为图2中四根导线连通域的提取结果。再对提取的每根导线连通区域进行线性拟合,线性拟合结果如图4所示,根据拟合的直线求点到对应直线的距离,计算每根导线点到对应直线的平均距离,分别为0.2226,0.2489.0.2443.12.4842,对应的方差为0.1896,0.0782,0.0568,109.9586。最后根据求出的方差计算导线断股判断阈值为41.3562。可以看出第四根导线的方差远远大于阈值,所以判断第四根存在导线断股,将第四根导线进行标记,标记结果如图5所示(图5中显示为灰色)。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于全卷积神经网络的输电线路导线断股识别方法,其特征在于,包括以下步骤:
S1、通过无人机采集输电线路导线图片;
S2、设计全卷积神经网络对S1采集到的图片进行语义分割,从背景中提取出导线,并输出分割的导线图片;
S3、根据导线连通域的特点,去除导线图片中形状不符合预设条件的连通域;
S4、采用两遍扫描法提取出每根导线连通域;
S5、对每根导线连通域进行线性拟合,根据拟合的直线求点到对应直线的距离,计算平均距离和方差,然后将方差的1.5倍作为判断导线断股的阈值;
S6、根据S5求出的阈值判断导线是否断股,如果存在断股导线,则标出对应导线。
2.根据权利要求1所述的基于全卷积神经网络的输电线路导线断股识别方法,其特征在于,所述步骤S2包括以下子步骤:
S21、通过15个卷积层,5次下采样,得到原图和大小的特征图;
S22、对原图大小的特征图上采样放大2倍,然后和原图大小的特征图累加;
S23、将S22累加得到的特征图上采样放大2倍,然后和原图大小的特征图累加;
S24、将S23累加得到的特征图上采样放大8倍,然后将得到的特征图还原到输入图像大小;
S25、将S24得到的图片中的每个像素进行分类预测,输出语义分割的结果。
3.根据权利要求2所述的基于全卷积神经网络的输电线路导线断股识别方法,其特征在于,所述步骤S3包括以下子步骤:
S31、对S2得到的导线图片进行腐蚀处理和膨胀处理;
S32、计算所有连通域的外接矩形,外接矩形使矩形内的连通域的面积最小,用α表示水平轴逆时针旋转时与碰到的外接矩形第一个边的夹角,h和w分别为外接矩形的高度和宽度;
S33、定义η为h与w的比值,根据η来去除不符合条件的连通域:如果η>0.5或者η<20,则认为该连通域不符合条件,去除该连通域。
4.根据权利要求3所述的基于全卷积神经网络的输电线路导线断股识别方法,其特征在于,所述步骤S4包括以下子步骤:
S41、第一次扫描,初始化B(x,y)=1,然后访问当前像素B(x,y):
如果B(x,y)的4个领域点的像素值都为0,则赋予B(x,y)一个新的标签:label=label+1,B(x,y)=label;
如果B(x,y)的4个领域点中有像素值大于0的像素点,将其邻域点中的像素最小值赋予B(x,y):B(x,y)=min{Neighbors};并记录邻域点中各个标签之间的相等关系,将标签相同的领域点划分到同一个连通区域;
S42、第二次扫描:访问当前像素B(x,y),如果B(x,y)>1,找到与B(x,y)标签相邻的像素点,并将其中最小的像素点的标签赋予给B(x,y);
S43、完成扫描后,图像中具有相同label值的像素就组成了同一个连通区域。
5.根据权利要求4所述的基于全卷积神经网络的输电线路导线断股识别方法,其特征在于,所述步骤S5包括以下子步骤:
S51、对每个连通域进行线性拟合,设拟合的直线方程为y=kx+b;
S52、计算连通域中所有点到直线的距离,最后计算每根导线点到对应直线的平均距离:
点到直线的距离公式为:
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>kx</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
<msqrt>
<mrow>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,Di表示点到直线的距离,xi、yi分别表示点的横坐标和纵坐标;
所有点到对应直线的平均距离为:
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
<mo>_</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
</mrow>
其中,ave_Dj表示平均距离,N表示每根导线连通区域点的个数,m为直线的条数;
S53、计算方差,定义阈值判断导线断股:
每根导线的方差为:
<mrow>
<msubsup>
<mi>s</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
<mo>_</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
<mo>_</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
<mo>_</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>i</mi>
</mfrac>
</mrow>
其中,表示每根导线的方差;
求判断导线断股阈值Threshold:
<mrow>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
<mo>=</mo>
<mn>1.5</mn>
<mo>*</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<mo>*</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>s</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mo>.</mo>
</mrow>
6.根据权利要求4所述的基于全卷积神经网络的输电线路导线断股识别方法,其特征在于,所述步骤S6具体实现方法为:如果第j根导线的方差大于阈值Threshold,则认为该导线存在断股缺陷,将断股导线进行标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710939766.XA CN107506768A (zh) | 2017-10-11 | 2017-10-11 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710939766.XA CN107506768A (zh) | 2017-10-11 | 2017-10-11 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506768A true CN107506768A (zh) | 2017-12-22 |
Family
ID=60701256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710939766.XA Pending CN107506768A (zh) | 2017-10-11 | 2017-10-11 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506768A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN108280404A (zh) * | 2017-12-29 | 2018-07-13 | 宁波诺视智能科技有限公司 | 一种基于人工智能的无人机智能巡线识别方法及系统 |
CN108288269A (zh) * | 2018-01-24 | 2018-07-17 | 东南大学 | 基于无人机与卷积神经网络的桥梁支座病害自动识别方法 |
CN108647568A (zh) * | 2018-03-30 | 2018-10-12 | 电子科技大学 | 基于全卷积神经网络的草地退化自动提取方法 |
CN108734704A (zh) * | 2018-05-07 | 2018-11-02 | 西安工程大学 | 基于灰度方差归一化的输电导线断股检测技术 |
CN109064449A (zh) * | 2018-07-04 | 2018-12-21 | 中铁大桥科学研究院有限公司 | 一种桥梁表面病害的检测方法 |
CN109389322A (zh) * | 2018-10-30 | 2019-02-26 | 福州大学 | 基于目标检测和长短时记忆模型的导地线断散股识别方法 |
CN109523543A (zh) * | 2018-11-26 | 2019-03-26 | 西安工程大学 | 一种基于边缘距离的导线断股检测方法 |
CN109754362A (zh) * | 2018-12-24 | 2019-05-14 | 哈尔滨工程大学 | 一种用可旋转的边界框标注海参目标检测结果的方法 |
CN110231395A (zh) * | 2019-06-30 | 2019-09-13 | 华中科技大学 | 一种钢丝绳断丝损伤识别方法及系统 |
CN110288565A (zh) * | 2019-05-22 | 2019-09-27 | 国网江苏省电力有限公司电力科学研究院 | 碳纤维复合芯导线的缺陷识别方法、装置及存储介质 |
CN110956176A (zh) * | 2019-11-14 | 2020-04-03 | 国网山西省电力公司大同供电公司 | 一种塔基间输电线路拟合方法和检测装置 |
CN111024705A (zh) * | 2019-10-17 | 2020-04-17 | 广东电网有限责任公司清远供电局 | 一种电力线断股的检测方法、装置、设备及存储介质 |
CN111161090A (zh) * | 2019-11-26 | 2020-05-15 | 北京海益同展信息科技有限公司 | 圈养栏信息的确定方法、装置及系统、存储介质 |
CN111340787A (zh) * | 2020-02-28 | 2020-06-26 | 广东电网有限责任公司 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
CN112381801A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种导线断股识别方法、装置、电子设备和计算机可读存储介质 |
CN112595276A (zh) * | 2020-11-27 | 2021-04-02 | 哈尔滨工程大学 | 一种基于深度学习的输电线路覆冰厚度检测方法 |
CN110223267B (zh) * | 2018-03-14 | 2021-06-18 | 浙江大学山东工业技术研究院 | 基于高度直方图分割的耐火砖深度缺陷的识别方法 |
CN113421266A (zh) * | 2021-08-25 | 2021-09-21 | 南通电博士自动化设备有限公司 | 一种基于人工智能的输电线断股检测方法及系统 |
CN113724283A (zh) * | 2020-11-11 | 2021-11-30 | 国网陕西省电力公司电力科学研究院 | 一种适用于输电导线检测装置的快速检测方法 |
CN113920122A (zh) * | 2021-12-15 | 2022-01-11 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电缆缺陷检测方法及系统 |
CN117152140A (zh) * | 2023-10-30 | 2023-12-01 | 汉中禹龙科技新材料有限公司 | 基于图像处理的钢绞线质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN103745475A (zh) * | 2014-01-22 | 2014-04-23 | 哈尔滨工业大学 | 一种用于球形引脚元件的检测与定位方法 |
CN106548127A (zh) * | 2015-09-18 | 2017-03-29 | 松下电器(美国)知识产权公司 | 图像识别方法 |
-
2017
- 2017-10-11 CN CN201710939766.XA patent/CN107506768A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN103745475A (zh) * | 2014-01-22 | 2014-04-23 | 哈尔滨工业大学 | 一种用于球形引脚元件的检测与定位方法 |
CN106548127A (zh) * | 2015-09-18 | 2017-03-29 | 松下电器(美国)知识产权公司 | 图像识别方法 |
Non-Patent Citations (5)
Title |
---|
JONATHAN LONG 等: "Fully Convolutional networks for Semantic Segmentation", 《IEEE》 * |
崔克彬: "基于图像的绝缘子缺陷检测中若干关键技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
杨尉薇: "基于智能辨识的输电线路覆冰厚度模型研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
王若晨: "基于深度学习的目标检测与分割算法研究", 《中国优秀硕士学位论文全文数据库》 * |
王银立: "输电线路导线断股及绝缘子自爆的图像识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN108280404A (zh) * | 2017-12-29 | 2018-07-13 | 宁波诺视智能科技有限公司 | 一种基于人工智能的无人机智能巡线识别方法及系统 |
CN108288269A (zh) * | 2018-01-24 | 2018-07-17 | 东南大学 | 基于无人机与卷积神经网络的桥梁支座病害自动识别方法 |
CN110223267B (zh) * | 2018-03-14 | 2021-06-18 | 浙江大学山东工业技术研究院 | 基于高度直方图分割的耐火砖深度缺陷的识别方法 |
CN108647568A (zh) * | 2018-03-30 | 2018-10-12 | 电子科技大学 | 基于全卷积神经网络的草地退化自动提取方法 |
CN108734704A (zh) * | 2018-05-07 | 2018-11-02 | 西安工程大学 | 基于灰度方差归一化的输电导线断股检测技术 |
CN108734704B (zh) * | 2018-05-07 | 2021-11-09 | 西安工程大学 | 基于灰度方差归一化的输电导线断股检测方法 |
CN109064449A (zh) * | 2018-07-04 | 2018-12-21 | 中铁大桥科学研究院有限公司 | 一种桥梁表面病害的检测方法 |
CN109389322A (zh) * | 2018-10-30 | 2019-02-26 | 福州大学 | 基于目标检测和长短时记忆模型的导地线断散股识别方法 |
CN109523543A (zh) * | 2018-11-26 | 2019-03-26 | 西安工程大学 | 一种基于边缘距离的导线断股检测方法 |
CN109523543B (zh) * | 2018-11-26 | 2023-01-03 | 西安工程大学 | 一种基于边缘距离的导线断股检测方法 |
CN109754362A (zh) * | 2018-12-24 | 2019-05-14 | 哈尔滨工程大学 | 一种用可旋转的边界框标注海参目标检测结果的方法 |
CN110288565A (zh) * | 2019-05-22 | 2019-09-27 | 国网江苏省电力有限公司电力科学研究院 | 碳纤维复合芯导线的缺陷识别方法、装置及存储介质 |
CN110288565B (zh) * | 2019-05-22 | 2021-06-25 | 国网江苏省电力有限公司电力科学研究院 | 碳纤维复合芯导线的缺陷识别方法、装置及存储介质 |
CN110231395A (zh) * | 2019-06-30 | 2019-09-13 | 华中科技大学 | 一种钢丝绳断丝损伤识别方法及系统 |
CN111024705A (zh) * | 2019-10-17 | 2020-04-17 | 广东电网有限责任公司清远供电局 | 一种电力线断股的检测方法、装置、设备及存储介质 |
CN110956176A (zh) * | 2019-11-14 | 2020-04-03 | 国网山西省电力公司大同供电公司 | 一种塔基间输电线路拟合方法和检测装置 |
CN110956176B (zh) * | 2019-11-14 | 2023-06-16 | 国网山西省电力公司大同供电公司 | 一种塔基间输电线路拟合方法和检测装置 |
CN111161090A (zh) * | 2019-11-26 | 2020-05-15 | 北京海益同展信息科技有限公司 | 圈养栏信息的确定方法、装置及系统、存储介质 |
WO2021104124A1 (zh) * | 2019-11-26 | 2021-06-03 | 京东数科海益信息科技有限公司 | 圈养栏信息的确定方法、装置及系统、存储介质 |
CN111340787B (zh) * | 2020-02-28 | 2023-09-29 | 广东电网有限责任公司 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
CN111340787A (zh) * | 2020-02-28 | 2020-06-26 | 广东电网有限责任公司 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
CN113724283A (zh) * | 2020-11-11 | 2021-11-30 | 国网陕西省电力公司电力科学研究院 | 一种适用于输电导线检测装置的快速检测方法 |
CN112381801A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种导线断股识别方法、装置、电子设备和计算机可读存储介质 |
CN112595276A (zh) * | 2020-11-27 | 2021-04-02 | 哈尔滨工程大学 | 一种基于深度学习的输电线路覆冰厚度检测方法 |
CN113421266B (zh) * | 2021-08-25 | 2021-11-16 | 南通电博士自动化设备有限公司 | 一种基于人工智能的输电线断股检测方法及系统 |
CN113421266A (zh) * | 2021-08-25 | 2021-09-21 | 南通电博士自动化设备有限公司 | 一种基于人工智能的输电线断股检测方法及系统 |
CN113920122A (zh) * | 2021-12-15 | 2022-01-11 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电缆缺陷检测方法及系统 |
CN117152140A (zh) * | 2023-10-30 | 2023-12-01 | 汉中禹龙科技新材料有限公司 | 基于图像处理的钢绞线质量检测方法 |
CN117152140B (zh) * | 2023-10-30 | 2024-02-13 | 汉中禹龙科技新材料有限公司 | 基于图像处理的钢绞线质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506768A (zh) | 一种基于全卷积神经网络的输电线路导线断股识别方法 | |
CN108631727B (zh) | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 | |
CN106919978B (zh) | 一种高铁接触网支撑装置零部件识别检测方法 | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN107507194B (zh) | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 | |
CN113947590B (zh) | 一种基于多尺度注意力引导和知识蒸馏的表面缺陷检测方法 | |
CN107784661A (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
CN106680285B (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN110059694A (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN110111328A (zh) | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN108009591A (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
CN102519846B (zh) | 基于高光谱的复合绝缘子憎水性检测方法 | |
CN102831393A (zh) | 电力杆塔轮廓的快速图像识别方法 | |
CN105426825B (zh) | 一种基于航拍图像识别的电网地理接线图绘制方法 | |
CN105354847A (zh) | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 | |
CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
CN109523543B (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN113362313B (zh) | 一种基于自监督学习的缺陷检测方法及系统 | |
CN107843818A (zh) | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 | |
CN106504247B (zh) | 一种基于可见光图像的绝缘子串爆片自动检测方法及装置 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
CN114021433A (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
CN107705256A (zh) | 一种基于接触网语义的前向车载视频图像增强方法 |
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: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |