CN107784652A - 一种基于无人机影像的杆塔快速检测方法 - Google Patents
一种基于无人机影像的杆塔快速检测方法 Download PDFInfo
- Publication number
- CN107784652A CN107784652A CN201711052314.6A CN201711052314A CN107784652A CN 107784652 A CN107784652 A CN 107784652A CN 201711052314 A CN201711052314 A CN 201711052314A CN 107784652 A CN107784652 A CN 107784652A
- Authority
- CN
- China
- Prior art keywords
- line segment
- unmanned plane
- shaft tower
- intersection point
- end points
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及摄影测量与遥感技术领域,更具体地,涉及一种基于无人机影像的杆塔快速检测方法。通过线段提取、过滤不对称线段、进行交点判断并去除无效交点、交点聚类及合并、杆塔检测一系列步骤,对无人机获取的影像进行杆塔检测。本发明通过分析杆塔结构特征,计算出包含电力杆塔候选区域,并直接在这些区域进行杆塔检测,可极大提高电力杆塔的检测效率。为了保证检测精度,在确定候选区域范围时适当外扩,以确保在电力杆塔边缘的特征不变。
Description
技术领域
本发明涉及摄影测量与遥感技术领域,更具体地,涉及一种基于无人机影像的杆塔快速检测方法。
背景技术
电力杆塔是电力系统的重要组成部分,对电网安全、可靠运行起着至关重要的作用,因此,定期巡检电力杆塔是保障输电安全的必要手段。目前,高压输电线路巡检逐渐从人工巡检升级为无人机巡检,大大解放了劳动力且提高了巡检效率。然而,在无人机巡检中,由于无人机影像中背景复杂,导致了无人机影像中对电力杆塔的自动提取不够精准,提取效率低的情况。在现有技术中,主要依赖DPM算法对杆塔区域进行检测提取,DPM算法采用多尺度的移动窗口进行扫描算法进行目标检测,通过算法计算检测窗口的综合情况来判断是否存在待检测目标。DPM算法有较高的检测精度,但直接对无人机采集的影像进行检测,计算量较大,耗时较长,检测效率过低。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于无人机影像的杆塔快速检测方法,先对无人机影像进行处理,提取出杆塔区域后,再使用DPM算法对目标区域进行检测,能大大缩小检测时间,提高检测效率。
为解决上述技术问题,本发明采用了如下技术方案:
一种基于无人机影像的杆塔快速检测方法,包括如下步骤:
S1:对无人机获取的图像进行线段提取;
S2:在步骤S1之后,针对提取的线段,判断每条线段是否具有与其对称的线段,若有,则保留该线段及其对称线段,若无,则将该线段过滤;
S3:在步骤S2之后,根据预设的阈值,判断画面中的各个交点是否有效,去除无效交点;
S4:在步骤S3之后,对剩余的交点进行聚类并滤除干扰聚类;
S5:在步骤S4之后,检测画面中是否包含电力杆塔。
无人机获取的影像中包括杆塔区域和其他背景物,其他背景物一般为自然界中不规则的物品,而人造物一般比较规则,根据这一特点,通过将图像线段化后判断线段是否对称,则可初步将人造物即目标杆塔区域提取出来;再通过对线段交点进行合并和去除,进一步缩小图像范围。
进一步地,步骤S1通过LSD算法对图像进行线段提取,具体步骤如下:
S11:计算每个像素的level-line角度,并生成level-line场,合并场里方向相同的像素,得到一系列具备同一方向的线段支持区域;
S12:计算各候选区域检验值NFA(r)并验证是否有效,最终提取二维线段。
由于线段区域是合并具有相同梯度方向的像素,因此LSD提取的二维线段具备方向特征,且线段方向与线段中像素梯度方向垂直,与level-line方向一致。
进一步地,步骤S2通过线段方向来判断线段是否对称,具体步骤如下:
S21:利用所有线段的端点建立k-d树,每个端点都记录所在线段的id;
S22:依次查找每个端点领域范围内其他线段端点,判断该端点所属线段与领域端点所属线段的方向;
S23:判断步骤S22中的端点所属线段与领域端点所属线段的方向是否近似相反,若是,则保留这两条线段,若不是,则去除这两条线段。
进一步地,步骤S3按如下步骤对交点进行判断:
S31:以目标线段(长度为l1)为中心建立一个矩形区域,设定宽度阈值Tw,该矩形区域的长度和宽度分别为|l1|+2Tw、2Tw;
S32:对该区域进行判断,当相交线段至少一个端点在矩形区域内,且与目标线段的交点也位于矩形区域内时,则认为该交点有效。
由于电力杆塔的网状结构特征,存在多条线段相交于某一点,通过上述约束条件计算的交点数量很大,需要过滤重复交点以及距离很近的交点。因此在计算出每一个交点时,查找其一定半径范围内是否已存在交点。若没有,则保留该交点。
进一步地,步骤S4中,交点聚类及去除的具体步骤如下:
S41:利用DBSCAN聚类算法对交点进行初始聚类,聚类过程中参数Eps和MinPts取值均为50个像素距离,以确保聚类过程中尽可能少的包含噪声点;
S42:根据电力杆塔的不同类别,对初始聚类结果的部分凸包进行合并处理;
S43:根据交点数量及交点密度,将非电力杆塔区域的凸包去除。
更进一步地,上述初始聚类结果中,两个凸包为相交或包含关系或两个凸包之间最小距离小于设定的固定距离阈值时,则所述的两个凸包需要进行合并处理。
进一步地,步骤S5中通过DPM算法检测画面中是否包含电力杆塔。
DPM算法除了利用HOG特征外,还提出弹簧变形模型概念。每个DPM模型都包含一个根滤波器和多个子部件滤波器,根滤波器描述物体的全局特征,而子部件滤波器描述物体的细节特征,分辨率是根滤波器的两倍。DPM采用多尺度的移动窗口扫描算法进行目标检测,通过算法计算检测窗口的综合得分情况来判断是否存在待检测目标。
与现有技术相比,有益效果是:本发明通过分析杆塔结构特征,计算出包含电力杆塔候选区域,并直接在这些区域利用DPM检测,可极大提高电力杆塔的检测效率。为了与DPM保持相同的检测精度,在确定候选区域范围时适当外扩,以确保在电力杆塔边缘的HOG特征不变。
附图说明
图1是本发明一实施例的杆塔检测流程图。
具体实施方式
下面结合附图对本发明家进行进一步描述,需要说明的是,附图仅用于示例性说明,不能理解为对本专利的限制。
如图1所示,一种基于无人机影像的杆塔快速检测方法,包括如下步骤:
S1:对无人机获取的图像进行线段提取,线段提取通过LSD算法进行:
S11:计算每个像素的level-line角度,并生成level-line场,合并场里方向相同的像素,得到一系列具备同一方向的线段支持区域;
S12:计算各候选区域检验值NFA(r)并验证是否有效,最终提取二维线段。
由于线段区域是合并具有相同梯度方向的像素,因此LSD提取的二维线段具备方向特征,且线段方向与线段中像素梯度方向垂直,与level-line方向一致。
S2:在步骤S1之后,针对提取的线段,判断每条线段是否具有与其对称的线段,若有,则保留该线段及其对称线段,若无,则将该线段过滤;
本实施例中通过线段方向来判断线段是否对称,具体步骤如下:
S21:利用所有线段的端点建立k-d树,每个端点都记录所在线段的id;
S22:依次查找每个端点领域范围内其他线段端点,判断该端点所属线段与领域端点所属线段的方向;
S23:判断步骤S22中的端点所属线段与领域端点所属线段的方向是否近似相反,若是,则保留这两条线段,若不是,则去除这两条线段。
S3:在步骤S2之后,根据设定的阈值,判断画面中的各个交点是否有效,去除无效交点;
进一步地,本步骤按如下方法对交点进行判断:
S31:以目标线段(长度为l1)为中心建立一个矩形区域,设定宽度阈值Tw,该矩形区域的长度和宽度分别为|l1|+2Tw、2Tw;
S32:对该区域进行判断,当相交线段至少一个端点在矩形区域内,且与目标线段的交点也位于矩形区域内时,则认为该交点有效。
S4:在步骤S3之后,对剩余的交点进行聚类并滤除干扰聚类;其中,交点聚类及聚类过滤的具体步骤如下:
S41:利用DBSCAN聚类算法对交点进行初始聚类,聚类过程中参数Eps和MinPts取值均为50个像素距离;
S42:根据电力杆塔的不同类别,对初始聚类结果的部分凸包进行合并处理;
S43:根据交点数量及交点密度,将非电力杆塔区域的凸包去除。
更进一步地,上述初始聚类结果中,两个凸包为相交或包含关系或两个凸包之间最小距离小于设定的固定距离阈值时,则所述的两个凸包需要进行合并处理。
S5:在步骤S4之后,通过DPM算法检测画面中是否包含电力杆塔。
无人机获取的影像中包括杆塔区域和其他背景物,其他背景物一般为自然界中不规则的物品,而人造物一般比较规则,根据这一特点,本发明通过将图像线段化后判断线段是否对称,则可初步将人造物即目标杆塔区域提取出来;再通过对线段交点进行合并和去除,进一步缩小图像范围。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于无人机影像的杆塔快速检测方法,其特征在于:包括如下步骤:
S1:对无人机获取的图像进行线段提取;
S2:在步骤S1之后,针对提取的线段,判断每条线段是否具有与其对称的线段,若有,则保留该线段及其对称线段,若无,则将该线段过滤;
S3:在步骤S2之后,根据预设的阈值,判断画面中的各个交点是否有效,去除无效交点;
S4:在步骤S3之后,对剩余的交点进行聚类并滤除干扰聚类;
S5:在步骤S4之后,检测画面中是否包含电力杆塔。
2.根据权利要求1所述的一种基于无人机影像的杆塔快速检测方法,其特征在于:所述步骤S1通过LSD算法对图像进行线段提取,具体步骤如下:
S11:计算每个像素的level-line角度,并生成level-line场,合并场里方向相同的像素,得到一系列具备同一方向的线段支持区域;
S12:计算各候选区域检验值NFA(r)并验证是否有效,最终提取二维线段。
3.根据权利要求1所述的一种基于无人机影像的杆塔快速检测方法,其特征在于:所述步骤S2通过线段方向来判断线段是否对称,具体步骤如下:
S21:利用所有线段的端点建立k-d树,每个端点都记录所在线段的id;
S22:依次查找每个端点领域范围内其他线段端点,判断该端点所属线段与领域端点所属线段的方向;
S23:判断步骤S22中的端点所属线段与领域端点所属线段的方向是否近似相反,若是,则保留这两条线段,若不是,则去除这两条线段。
4.根据权利要求1所述的一种基于无人机影像的杆塔快速检测方法,其特征在于:所述步骤S3按如下步骤对交点进行判断:
S31:以目标线段(长度为l1)为中心建立一个矩形区域,设定宽度阈值Tw,该矩形区域的长度和宽度分别为|l1|+2Tw、2Tw;
S32:对该区域进行判断,当相交线段至少一个端点在矩形区域内,且与目标线段的交点也位于矩形区域内时,则认为该交点有效。
5.根据权利要求1所述的一种基于无人机影像的杆塔快速检测方法,其特征在于:所述步骤S4中,交点聚类及去除的具体步骤如下:
S41:利用DBSCAN聚类算法对交点进行初始聚类,聚类过程中参数Eps和MinPts取值均为50个像素距离;
S42:根据电力杆塔的不同类别,对初始聚类结果的部分凸包进行合并处理;
S43:根据交点数量及交点密度,将非电力杆塔区域的凸包去除。
6.根据权利要求5所述的一种基于无人机影像的杆塔快速检测方法,其特征在于:所述初始聚类结果中,两个凸包为相交或包含关系或两个凸包之间最小距离小于设定的固定距离阈值时,则所述的两个凸包需要进行合并处理。
7.根据权利要求1所述的一种基于无人机影像的杆塔快速检测方法,其特征在于:所述步骤S5中通过DPM算法检测画面中是否包含电力杆塔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711052314.6A CN107784652B (zh) | 2017-10-30 | 2017-10-30 | 一种基于无人机影像的杆塔快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711052314.6A CN107784652B (zh) | 2017-10-30 | 2017-10-30 | 一种基于无人机影像的杆塔快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107784652A true CN107784652A (zh) | 2018-03-09 |
CN107784652B CN107784652B (zh) | 2021-08-10 |
Family
ID=61432375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711052314.6A Active CN107784652B (zh) | 2017-10-30 | 2017-10-30 | 一种基于无人机影像的杆塔快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784652B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830933A (zh) * | 2018-06-26 | 2018-11-16 | 广东电网有限责任公司 | 一种电力杆塔塔身重建方法、系统、介质及设备 |
CN108985143A (zh) * | 2018-05-10 | 2018-12-11 | 国电南瑞科技股份有限公司 | 一种基于无人机图像识别架空输电线路铁塔结构的方法 |
CN110008845A (zh) * | 2019-03-12 | 2019-07-12 | 北京市燃气集团有限责任公司 | 燃气管线隐患点的检测方法和装置 |
CN110889827A (zh) * | 2019-11-06 | 2020-03-17 | 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杆塔在线识别和倾斜检测方法 |
CN111652163A (zh) * | 2020-06-08 | 2020-09-11 | 广东电网有限责任公司 | 一种输电线路杆塔线段匹配方法以及设备 |
CN111815147A (zh) * | 2020-07-01 | 2020-10-23 | 广东信通通信有限公司 | 一种塔杆排序方法、装置、存储介质和计算机设备 |
CN113409482A (zh) * | 2021-06-04 | 2021-09-17 | 北京思特奇信息技术股份有限公司 | 一种光缆线路巡检监控及工作量化考核方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050081645A (ko) * | 2004-02-16 | 2005-08-19 | 엘에스전선 주식회사 | 낙뢰 위치 검출장치 |
CN101950357A (zh) * | 2010-09-21 | 2011-01-19 | 上海大学 | 基于位置关系识别高压线路杆塔、引流线、导线的方法 |
CN104835152A (zh) * | 2015-04-27 | 2015-08-12 | 国家电网公司 | 一种输电线路巡检图像的处理方法和系统 |
CN106683089A (zh) * | 2016-12-30 | 2017-05-17 | 南京南瑞信息通信科技有限公司 | 一种带约束配准的杆塔变形检测方法 |
-
2017
- 2017-10-30 CN CN201711052314.6A patent/CN107784652B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050081645A (ko) * | 2004-02-16 | 2005-08-19 | 엘에스전선 주식회사 | 낙뢰 위치 검출장치 |
CN101950357A (zh) * | 2010-09-21 | 2011-01-19 | 上海大学 | 基于位置关系识别高压线路杆塔、引流线、导线的方法 |
CN104835152A (zh) * | 2015-04-27 | 2015-08-12 | 国家电网公司 | 一种输电线路巡检图像的处理方法和系统 |
CN106683089A (zh) * | 2016-12-30 | 2017-05-17 | 南京南瑞信息通信科技有限公司 | 一种带约束配准的杆塔变形检测方法 |
Non-Patent Citations (3)
Title |
---|
DENGLU WU ET AL.: "A Vision-Based System for Power Transmission Facilities Detection", 《APPLIED MECHANICS AND MATERIALS》 * |
杨亮: "无人机航拍复杂背景影像中电力线的自动提取与匹配方法", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
栾学晨: "保持结构模式的道路网数据多尺度建模", 《中国优秀博士学位论文全文数据库基础科学辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985143A (zh) * | 2018-05-10 | 2018-12-11 | 国电南瑞科技股份有限公司 | 一种基于无人机图像识别架空输电线路铁塔结构的方法 |
CN108985143B (zh) * | 2018-05-10 | 2022-03-29 | 国电南瑞科技股份有限公司 | 一种基于无人机图像识别架空输电线路铁塔结构的方法 |
CN108830933A (zh) * | 2018-06-26 | 2018-11-16 | 广东电网有限责任公司 | 一种电力杆塔塔身重建方法、系统、介质及设备 |
CN108830933B (zh) * | 2018-06-26 | 2022-04-19 | 广东电网有限责任公司 | 一种电力杆塔塔身重建方法、系统、介质及设备 |
CN110008845A (zh) * | 2019-03-12 | 2019-07-12 | 北京市燃气集团有限责任公司 | 燃气管线隐患点的检测方法和装置 |
CN110889827A (zh) * | 2019-11-06 | 2020-03-17 | 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杆塔在线识别和倾斜检测方法 |
CN111652163A (zh) * | 2020-06-08 | 2020-09-11 | 广东电网有限责任公司 | 一种输电线路杆塔线段匹配方法以及设备 |
CN111815147A (zh) * | 2020-07-01 | 2020-10-23 | 广东信通通信有限公司 | 一种塔杆排序方法、装置、存储介质和计算机设备 |
CN111815147B (zh) * | 2020-07-01 | 2023-12-19 | 广东信通通信有限公司 | 一种塔杆排序方法、装置、存储介质和计算机设备 |
CN113409482A (zh) * | 2021-06-04 | 2021-09-17 | 北京思特奇信息技术股份有限公司 | 一种光缆线路巡检监控及工作量化考核方法 |
CN113409482B (zh) * | 2021-06-04 | 2023-07-25 | 北京思特奇信息技术股份有限公司 | 一种光缆线路巡检监控及工作量化考核方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107784652B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784652A (zh) | 一种基于无人机影像的杆塔快速检测方法 | |
Chaudhuri et al. | Semi-automated road detection from high resolution satellite images by directional morphological enhancement and segmentation techniques | |
CN103366374B (zh) | 基于图像匹配的消防通道障碍物检测方法 | |
CN108052917B (zh) | 一种基于新旧时相变化发现的违章建筑自动识别的方法 | |
CN108022251B (zh) | 一种管状结构的中心线的提取方法及系统 | |
Sollazzo et al. | Hybrid procedure for automated detection of cracking with 3D pavement data | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
KR102133332B1 (ko) | 경계선 기반 구조물의 균열 검출 장치 및 방법 | |
CN107993488A (zh) | 一种基于鱼眼相机的车位识别方法、系统及介质 | |
CN103196372B (zh) | 一种电气化铁路接触网支持装置的光学成像检测方法 | |
KR101884611B1 (ko) | 이동객체의 메타데이터 필터링을 이용한 cctv 영상의 관심객체 추출 방법 | |
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 | |
Gaetano et al. | Morphological road segmentation in urban areas from high resolution satellite images | |
Awrangjeb et al. | Classifier-free detection of power line pylons from point cloud data | |
CN109615598A (zh) | 一种基于边缘绘图参数自由算法的输电线识别方法 | |
CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 | |
Khinchi et al. | A review on automatic number plate recognition technology and methods | |
Fleyeh et al. | Segmentation of low quality fingerprint images | |
JP2020006788A (ja) | 建築限界判定装置 | |
CN114092491A (zh) | 一种建筑户型语义分割图矢量化方法及装置 | |
CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
Lin et al. | Segmentation-based ground points detection from mobile laser scanning point cloud | |
Dell’Acqua et al. | Road extraction aided by adaptive directional filtering and template matching | |
Babayan et al. | Detection of curved lines and estimation of their parameters on images |
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 |