CN107680089B - 一种高压输电线路摄像头图像异常的自动判断方法 - Google Patents
一种高压输电线路摄像头图像异常的自动判断方法 Download PDFInfo
- Publication number
- CN107680089B CN107680089B CN201710929908.4A CN201710929908A CN107680089B CN 107680089 B CN107680089 B CN 107680089B CN 201710929908 A CN201710929908 A CN 201710929908A CN 107680089 B CN107680089 B CN 107680089B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- value
- power transmission
- ultra
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005540 biological transmission Effects 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高压输电线路摄像头图像异常的自动判断方法,它包括以下步骤:步骤1:将图像缩放到固定大小并将图像进行灰度化处理;步骤2:计算整幅图像的灰度均值,根据灰度均值判断图像是否存在异常;步骤3:利用LBP算子计算图像的纹理信息;步骤4:计算图像方差,根据图像方差判断图像是否存在异常;步骤5:对图像进行二值化处理;步骤6:计算二值化后的上1/2图像中灰度值不为0的像素在上1/2图像中的比例,根据比例判断图像是否存在异常;步骤7:统计连续发生问题的图像数目,如果达到一定数目则判断为图像异常。本发明既能有效地减少计算量,又能够简化异常故障检测,大大提升了摄像头图像异常现象的检测效果。
Description
技术领域
本发明涉及一种高压输电线路摄像头图像异常的自动判断方法,属于图像监控技术领域。
背景技术
目前,在雾、霾等天气条件下,由于空气中大量的悬浮颗粒、气溶胶等粒子的散射和吸收作用,使得摄像头采集的图像出现雾化现象。另外,在夜间、被塑料袋遮挡或者其他状况不佳的条件下采集的图像通常会整体偏暗或者模糊。因此针对这种摄像头图像异常的自动检测问题,人们给予了广泛关注。目前的主要方法是利用视频数据进行异常检测。但是,这种方法计算量大且对视频数据质量要求较高。
为了确保输电线路周边环境的安全,避免出现相关隐患危及输电线路,例如高空作业车、吊车、线下施工等等,人们在高压输电线路的杆塔上安装摄像头,每隔一定时间以无线方式将拍摄的图像传输到远程服务器上,由人工判定隐患是否存在及隐患类型。这种方式可以有效减小拍摄时的供电电池的电力损耗,但也存在很多问题,如每天需要观察的图像数量巨大,人的精力有限,人工判定隐患的方式主观性强,结果可能因人而异等。对于天气状况不佳、雾化等异常情况,随着时间和天气情况的变化,异常现象会得到改观;但是对于塑料袋遮挡、摄像头掉电或者内部质量问题等异常现象,则难以随着时间得到改变,需要人工去现场进行处置或修复。
目前,针对摄像头图像异常自动检测问题,人们提出了多种解决方案。
复旦大学李想在2013年发表的硕士论文“监控摄像头干扰及图像异常检测系统”中利用SIFT图像特征转换函数获取图像的特征,并利用PCA对图像特征向量进行降维,从而达到了监控摄像头干扰及图像异常的检测的目的。该方法在光照变化不是非常强烈的情况下效果较好。但这种方法是在数据源是视频的情况下进行运算,因此计算量大,且对于光照变化敏感。
西南交通大学袁萍在2014年发表的硕士论文“高速公路恶劣天气及交通状况智能分析系统研究与实现”中提出对监控视频进行智能分析,提出了基于Canny边缘的雾天检测算法及反光度与图像锐度结合的道路湿滑程度评估等方法,从而达到基于视频的恶劣天气检测的目的。这种方法在定焦且拍摄角度适中的情况下得到的高质量的视频画面效果较好,但实际情况却往往没有这么理想。
发明内容
为了解决传统方法中计算量大且视频质量要求较高的问题,本发明提供了一种高压输电线路摄像头图像异常的自动判断方法,其既能有效地减少计算量,又能够简化异常故障检测,还可提高算法的运算速率。
本发明解决其技术问题采取的技术方案是:一种高压输电线路摄像头图像异常的自动判断方法,用以对摄像头拍摄的高压输电线路图像进行图像异常判断,其特征是,包括以下步骤:
步骤1:将图像缩放到固定大小并将图像进行灰度化处理;
步骤2:计算整幅图像的灰度均值,根据灰度均值判断图像是否存在异常;
步骤3:利用LBP算子计算图像的纹理信息;
步骤4:计算图像方差,根据图像方差判断图像是否存在异常;
步骤5:对图像进行二值化处理;
步骤6:计算二值化后的上1/2图像中灰度值不为0的像素在上1/2图像中的比例,根据比例判断图像是否存在异常;
步骤7:统计连续发生问题的图像数目,如果达到一定数目则判断为图像异常。
优选地,所述步骤1的具体步骤如下:
步骤11:将原始图像用双线性插值的方法将图像尺寸调整为固定大小,其表示形式为:
P表示待插值点,坐标为(x,y),f()表示对应点的灰度值;x1,y1分别为坐标x,y的向下取整,x2,y2分别为x,y的向上取整;Q11为P的左下角点,坐标为(x1,y1),Q21为P的右下角点,坐标为(x2,y1),Q12为P的左上角点,坐标为(x1,y2),Q22为P的右上角点,坐标为(x2,y2),R1坐标为(x,y1),R2坐标为(x,y2);
步骤12,将图像灰度化处理的表示形式为:
Gray=R×0.299+G×0.587+B×0.114
R、G、B表示彩色图像的三个分量,Gray表示灰度化后的图像灰度值。
优选地,所述步骤2的具体步骤如下:
步骤21,利用下式对灰度化后图像的灰度均值进行计算:
f(i,j)表示图像中坐标为(i,j)处的灰度值,m为图像的宽度,n为图像的高度,μ表示图像均值;
步骤22,当图像灰度均值小于灰度均值阈值时判定图像存在异常。
优选地,所述灰度均值阈值为60。
优选地,所述步骤3的具体步骤如下:
步骤31,对图像进行中值滤波处理:
g(x,y)=med{f(x-1,y-1),f(x-1,y),f(x-1,y+1),f(x,y-1),f(x,y+1),f(x+1,y-1),f(x+1,y),f(x+1,y+1)}
Med函数是对{}里面的值进行排序,取中间的那个;f(x,y)表示原图像中位于(x,y)处的灰度值,g(x,y)是中值滤波的结果;
步骤32,利用LBP算子计算图像的纹理信息,LBP算子的模板及计算公式如下:
gc表示中心像素的灰度值,gp为点gc相邻的像素点的灰度值;LBPc表示点gc处的LBP值。
优选地,所述步骤4中图像方差的计算公式如下:
f(x,y)表示图像的灰度值,μ表示均值;k表示求方差的方形窗口的尺寸;其中,随着窗口k的不同,方差异常的阈值也不同。
优选地,所述步骤5中图像的二值化形式如下:
T为方差异常阈值。
优选地,所述步骤6的具体步骤如下:
步骤61,设置ROI(region of interest)区域,即上1/2图像;
步骤62,由于二值化后图像的灰度值只有0、1两种取值,因此上1/2图像中灰度值不为0的像素在上1/2图像中的比例采用用ROI内像素灰度值之和与ROI面积的比值来表示;由于其纹理信息较少,异常图像的比值偏低。
优选地,在步骤7中,对于不同类型的图像异常,异常的判定标准也不同。
优选地,连续5-6张图像灰度均值异常,即可报警;图像纹理及方差细节性信息的异常,异常图像连续超过10张才进行报警。
本发明的有益效果是:
本发明首先通过调整图像大小并将图像灰度化,计算图像均值判断图像亮度是否存在异常,其次利用LBP和方差获得图像的纹理等细节信息,二值化LBP图像,计算图像的上1/2中灰度值不为0的像素点在上1/2图像占的比例,并根据结果判断图像是否存在异常。本发明既能有效地减少计算量,又能够简化异常故障检测,提高了算法的运算速率,避免了传统方法中计算量大且视频质量要求较高的问题,从而大大提升了摄像头图像异常现象的检测效果,具有很好的应用价值。
本发明利用单张图像的灰度信息来判断图像是否异常,从而避免了图像匹配的过程,降低了算法的运算时间;引用了一种灰度判断机制,从而更好的避免了颜色信息对故障检测的影响;对于雾天引起的摄像头异常,只针对受大雾影响严重的上半部分图像进行,因此避免了地面轮廓清晰的物体对摄像头异常故障判断的影响;在统计连续异常的图像数目,达到一定阈值才认为摄像头发生故障,从而避免了偶然情况引起的误报。本发明的方法简单易行,大大降低了算法的时间复杂度,且能够有效的完成摄像头图像异常自动判断的功能。
附图说明
图1为本发明的方法流程图;
图2(a)至图2(d)为摄像头异常检测结果的示意图,其中,图2(a)为双线性插值后的图像,图2(b)为灰度化后的图像,图2(c)为LBP处理的结果,图2(d)是对LBP二值化之后的结果;
图3为双线性插值的示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式并结合其附图对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
为解决现有技术上的不足,本发明提供了一种高压输电线路摄像头图像异常自动判断方法,用以对摄像头拍摄的高压输电线路图像进行图像异常判断,首先通过调整图像大小并将图像灰度化,计算图像均值判断图像亮度是否存在异常,其次利用LBP和方差获得图像的纹理等细节信息,二值化LBP图像,计算图像的上1/2中灰度值不为0的像素点在上1/2图像占的比例,并根据结果判断图像是否存在异常。其中,摄像头是安装在高压输电线路的杆塔上的;图像异常是指摄像头被塑料袋遮挡、掉电等现象。由于摄像头图像异常在图像的亮度纹理等方面有较为明显的体现,因此可以通过分析图像,根据图像在纹理和亮度等方面的特点判断摄像头图像是否异常。
如图1至图3所示,本发明的一种高压输电线路摄像头图像异常的自动判断方法,它包括以下步骤:
步骤1:将图像缩放到固定大小并将图像进行灰度化处理。所述步骤1的具体步骤如下:
步骤11:将原始图像用双线性插值的方法将图像尺寸调整为固定大小,其表示形式为:
P表示待插值点,坐标为(x,y),f()表示对应点的灰度值;x1,y1分别为坐标x,y的向下取整,x2,y2分别为x,y的向上取整;Q11为P的左下角点,坐标为(x1,y1),Q21为P的右下角点,坐标为(x2,y1),Q12为P的左上角点,坐标为(x1,y2),Q22为P的右上角点,坐标为(x2,y2),R1坐标为(x,y1),R2坐标为(x,y2);
步骤12,将图像灰度化处理的表示形式为:
Gray=R×0.299+G×0.587+B×0.114
R、G、B表示彩色图像的三个分量,Gray表示灰度化后的图像灰度值。
步骤2:计算整幅图像的灰度均值,根据灰度均值判断图像是否存在异常。所述步骤2的具体步骤如下:
步骤21,利用下式对灰度化后图像的灰度均值进行计算:
f(i,j)表示图像中坐标为(i,j)处的灰度值,m为图像的宽度,n为图像的高度,μ表示图像均值;
步骤22,当图像灰度均值小于灰度均值阈值时判定图像存在异常。经统计,正常图像的灰度均值一般大于60;当图像灰度均值小于阈值60时,图像存在异常,因此,所述灰度均值阈值设置为60。
步骤3:利用LBP算子计算图像的纹理信息。所述步骤3的具体步骤如下:
步骤31,对图像进行中值滤波处理:
g(x,y)=med{f(x-1,y-1),f(x-1,y),f(x-1,y+1),f(x,y-1),f(x,y+1),f(x+1,y-1),f(x+1,y),f(x+1,y+1)}
Med函数是对{}里面的值进行排序,取中间的那个;f(x,y)表示原图像中位于(x,y)处的灰度值,g(x,y)是中值滤波的结果;
步骤32,利用LBP算子计算图像的纹理信息,LBP算子的模板及计算公式如下:
gc表示中心像素的灰度值,gp为点gc相邻的像素点的灰度值;LBPc表示点gc处的LBP值。
步骤4:计算图像方差,根据图像方差判断图像是否存在异常。所述步骤4中图像方差的计算公式如下:
f(x,y)表示图像的灰度值,μ表示均值;k表示求方差的方形窗口的尺寸;其中,随着窗口k的不同,方差异常的阈值也不同。这里,k等于图像宽度与高度中较小的那个,方差异常阈值设为100。
步骤5:对图像进行二值化处理。所述步骤5中图像的二值化形式如下:
T为方差异常阈值。经统计,方差异常阈值T为100时能够取得较好的二值化结果。
步骤6:计算二值化后的上1/2图像中灰度值不为0的像素在上1/2图像中的比例,根据比例判断图像是否存在异常。所述步骤6的具体步骤如下:
步骤61,设置ROI(region of interest)区域,即上1/2图像;
步骤62,由于二值化后图像的灰度值只有0、1两种取值,因此上1/2图像中灰度值不为0的像素在上1/2图像中的比例采用用ROI内像素灰度值之和与ROI面积的比值来表示;由于其纹理信息较少,异常图像的比值偏低。经统计,异常图像的比值一般小于0.15。
步骤7:统计连续发生问题的图像数目,如果达到一定数目则判断为图像异常,从而避免了偶然情况带来的误报。在步骤7中,对于不同类型的图像异常,异常的判定标准也不同。连续5-6张图像灰度均值异常,即可报警;图像纹理及方差等细节性信息有可能是大雾天气等引起的图像异常,因此为了避免这种情况引起的误报,只有当这种异常图像连续超过10张才进行报警。
附图1为本文提出的方法的流程图,附图2为本文提出的方法得到的结果。图2(a)为双线性插值后的图像,2(b)为灰度化后的图像,2(c)为LBP处理的结果,2(d)是对LBP二值化之后的结果,附图3为双线性插值示意图。
此外,本发明的应用范围不局限于说明书中描述的特定实施例的工艺、机构、制造、物质组成、手段、方法及步骤。从本发明的公开内容,作为本领域的普通技术人员将容易地理解,对于目前已存在或者以后即将开发出的工艺、机构、制造、物质组成、手段、方法或步骤,其中它们执行与本发明描述的对应实施例大体相同的功能或者获得大体相同的结果,依照本发明可以对它们进行应用。因此,本发明所附权利要求旨在将这些工艺、机构、制造、物质组成、手段、方法或步骤包含在其保护范围内。
Claims (10)
1.一种高压输电线路摄像头图像异常的自动判断方法,用以对摄像头拍摄的高压输电线路图像进行图像异常判断,其特征是,包括以下步骤:
步骤1:将图像缩放到固定大小并将图像进行灰度化处理;
步骤2:计算整幅图像的灰度均值,根据灰度均值判断图像是否存在异常;
步骤3:利用LBP算子计算图像的纹理信息;
步骤4:对步骤3处理后的图像计算图像方差,根据图像方差判断图像是否存在异常;
步骤5:利用方差异常阈值T对步骤4处理后的图像进行二值化处理;
步骤6:计算二值化后的上1/2图像中灰度值不为0的像素在上1/2图像中的比例,根据比例判断图像是否存在异常;
步骤7:统计连续发生问题的图像数目,如果达到一定数目则判断为图像异常。
2.根据权利要求1所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,所述步骤1的具体步骤如下:
步骤11:将原始图像用双线性插值的方法将图像尺寸调整为固定大小,其表示形式为:
P表示待插值点,坐标为(x,y),f()表示对应点的灰度值;x1,y1分别为坐标x,y 的向下取整,x2,y2分别为x,y的向上取整;Q11为P的左下角点,坐标为(x1,y1),Q21为P的右下角点,坐标为(x2,y1),Q12为P的左上角点,坐标为(x1,y2),Q22为P的右上角点,坐标为(x2,y2),R1坐标为(x,y1),R2坐标为(x,y2);
步骤12,将图像灰度化处理的表示形式为:
Gray=R×0.299+G×0.587+B×0.114
R、G、B表示彩色图像的三个分量,Gray表示灰度化后的图像灰度值。
3.根据权利要求2所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,所述步骤2的具体步骤如下:
步骤21,利用下式对灰度化后图像的灰度均值进行计算:
f(i,j)表示图像中坐标为(i,j)处的灰度值,m为图像的宽度,n为图像的高度,μ表示图像均值;
步骤22,当图像灰度均值小于灰度均值阈值时判定图像存在异常。
4.根据权利要求3所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,所述灰度均值阈值为60。
5.根据权利要求3所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,所述步骤3的具体步骤如下:
步骤31,对图像进行中值滤波处理:
g(x,y)=med{f(x-1,y-1),f(x-1,y),f(x-1,y+1),f(x,y-1),f(x,y+1),f(x+1,y-1),f(x+1,y),f(x+1,y+1)}
Med函数是对
{f(x-1,y-1),f(x-1,y),f(x-1,y+1),f(x,y-1),f(x,y+1),f(x+1,y-1),f(x+1,y),f(x+1,y+1)}里面的值进行排序,取中间的那个;f(x,y)表示原图像中位于(x,y)处的灰度值,g(x,y)是中值滤波的结果;
步骤32,利用LBP算子计算图像的纹理信息,LBP算子的模板及计算公式如下:
gc表示中心像素的灰度值,gp为点gc相邻的像素点的灰度值,p=1,2,…,8;LBPc表示点gc处的LBP值。
6.根据权利要求5所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,所述步骤4中图像方差的计算公式如下:
f(x,y)表示图像的灰度值,μ表示均值;k表示求方差的方形窗口的尺寸;其中,随着窗口k的不同,方差异常的阈值也不同。
7.根据权利要求6所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,所述步骤5中图像的二值化形式如下:
T为方差异常阈值,g′(x,y)为图像方差计算结果,f′(x,y)为二值化的结果。
8.根据权利要求3所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,所述步骤6的具体步骤如下:
步骤61,设置ROI区域,即上1/2图像;
步骤62,由于二值化后图像的灰度值只有0、1两种取值,因此上1/2图像中灰度值不为0的像素在上1/2图像中的比例采用用ROI内像素灰度值之和与ROI面积的比值来表示;由于其纹理信息较少,异常图像的比值偏低。
9.根据权利要求7所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,在步骤7中,对于不同类型的图像异常,异常的判定标准也不同。
10.根据权利要求9所述的一种高压输电线路摄像头图像异常的自动判断方法,其特征是,连续5-6张图像灰度均值异常,即可报警;图像纹理及方差细节性信息的异常,异常图像连续超过10张才进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710929908.4A CN107680089B (zh) | 2017-10-09 | 2017-10-09 | 一种高压输电线路摄像头图像异常的自动判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710929908.4A CN107680089B (zh) | 2017-10-09 | 2017-10-09 | 一种高压输电线路摄像头图像异常的自动判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107680089A CN107680089A (zh) | 2018-02-09 |
CN107680089B true CN107680089B (zh) | 2019-04-19 |
Family
ID=61138744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710929908.4A Active CN107680089B (zh) | 2017-10-09 | 2017-10-09 | 一种高压输电线路摄像头图像异常的自动判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107680089B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146971B (zh) * | 2018-08-13 | 2021-08-31 | 济南大学 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
CN112288697B (zh) * | 2020-10-23 | 2023-07-28 | 北京百度网讯科技有限公司 | 用于量化异常程度的方法、装置、电子设备及可读存储介质 |
CN112381800B (zh) * | 2020-11-16 | 2021-08-31 | 广东电网有限责任公司肇庆供电局 | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 |
CN113343841B (zh) * | 2021-06-03 | 2024-06-14 | 国网北京市电力公司 | 电力隧道异常情况的确定方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182495A1 (en) * | 2010-01-26 | 2011-07-28 | General Electric Company | System and method for automatic defect recognition of an inspection image |
TW201241794A (en) * | 2011-04-08 | 2012-10-16 | Hon Hai Prec Ind Co Ltd | System and method for detecting damages of image capturing device |
CN103632154B (zh) * | 2013-12-16 | 2018-02-02 | 福建师范大学 | 基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法 |
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
CN104809732B (zh) * | 2015-05-07 | 2017-06-20 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
CN105320942B (zh) * | 2015-10-21 | 2018-07-06 | 东南大学 | 一种基于联合检测器的路面破损检测方法 |
CN106600597B (zh) * | 2016-12-22 | 2019-04-12 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
CN106886992A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于饱和度的彩色多曝光融合图像的质量评价方法 |
-
2017
- 2017-10-09 CN CN201710929908.4A patent/CN107680089B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107680089A (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680089B (zh) | 一种高压输电线路摄像头图像异常的自动判断方法 | |
CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
CN106986272B (zh) | 一种基于机器视觉跟踪的集装箱货柜车防吊起方法及系统 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
CN102111532B (zh) | 相机镜头遮挡检测系统及方法 | |
CN107505546A (zh) | 一种利用紫外成像仪监测电晕放电的方法 | |
CN105374013B (zh) | 基于双暗通道先验的图像能见度修复方法及图像处理装置 | |
CN102421008A (zh) | 视频质量智能检测系统 | |
CN107635099B (zh) | 一种人体感应双光网络摄像机及安防监控系统 | |
CN109848073A (zh) | 一种分拣煤与煤矸石的设备与方法 | |
CN110363742A (zh) | 一种基于cnn和图像处理的转辙机缺口检测方法 | |
CN104811586A (zh) | 场景变换视频智能分析方法、装置、网络摄像机及监控系统 | |
CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
CN107360344A (zh) | 监控视频快速去雾方法 | |
CN108038432A (zh) | 一种基于光流计数的公交人流统计方法及系统 | |
CN109359593B (zh) | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 | |
CN110021133A (zh) | 全天候消防火灾巡逻预警监控系统及火灾图像检测方法 | |
CN109146971A (zh) | 一种判定摄像头异常移动和场景内异物入侵的检测方法 | |
CN115100562A (zh) | 基于视频图像及深度学习的设备线路智能监测系统及方法 | |
CN107577997A (zh) | 一种输电线路通道内山火入侵的辨识方法 | |
Hautiere et al. | Meteorological conditions processing for vision-based traffic monitoring | |
CN117237597A (zh) | 一种基于北斗卫星数据与ai图形融合的数据处理终端 | |
CN115294486B (zh) | 一种基于无人机和人工智能的违章垃圾识别和判定方法 | |
CN111416964A (zh) | 用于水利工程变形的远程图像智能识别方法 | |
CN107895365B (zh) | 一种输电通道外破防护的图像匹配方法及监测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240116 Address after: No.336, nanxinzhuang West Road, Shizhong District, Jinan City, Shandong Province Patentee after: Jinan University Industrial Technology Research Institute Co.,Ltd. Address before: 250022 No. 336, South Xin Zhuang West Road, Shizhong District, Ji'nan, Shandong Patentee before: University of Jinan |
|
TR01 | Transfer of patent right |