CN107977663A - 一种适用于电力作业机器人的指向型状态指示器识别方法 - Google Patents
一种适用于电力作业机器人的指向型状态指示器识别方法 Download PDFInfo
- Publication number
- CN107977663A CN107977663A CN201711168143.3A CN201711168143A CN107977663A CN 107977663 A CN107977663 A CN 107977663A CN 201711168143 A CN201711168143 A CN 201711168143A CN 107977663 A CN107977663 A CN 107977663A
- Authority
- CN
- China
- Prior art keywords
- image
- indicator
- value
- scale
- ellipse
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种适用于电力作业机器人的指向型状态指示器识别方法,本发明技术方案主要按以下步骤进行:(1)图像预处理,对原始图像去噪声并且计算加速;(2)目标检测,在待检测图像中检测指向型状态指示器设备;(3)状态判定,根据指向型状态指示器特征判定指示器当前状态。本发明能快速准确的识别指向型状态指示器及其状态,可使工作人员能真实地了解开关的位置,调度指挥更加准确及时。
Description
技术领域
本发明涉及一种适用于电力作业机器人的指向型状态指示器识别方法,所属技术领域为数字图像处理、模式识别和机器学习领域。
背景技术
近年来中国经济飞速发展,电力是各行各业发展的基石。在电力调度过程中主要依据断路器辅助结点判断开关的状态和位置。由于腐蚀、磨损、老化等原因,致使辅助开关切换不到位,有时不能正确判断开关的真实位置,为调度指挥提供了错误信息。然而主开关设备均联动一个合分指示器,通过观测指示器的合分状态能识别出电力高压断路器开关的合分状态和故障告警。
常见指示器主要分为两种:颜色型指示器和指向型指示器。
当前指向型状态指示器主要依靠变电站值班人员观测。依靠人力观测有若干问题:
第一、对观测人员专业技能要求高,需要专门培训;
第二、工作环境不安全,变电站存在高压和放电问题,可能对观测检人员造成伤害;
第三、除去观测任务,还有日常巡检任务。巡检人员的巡检周期较长,不能及时发现问题。
随着技术发展,图像处理技术在各领域得到了广泛应用。在电力巡检方向图像处理技术也取得了喜人的成绩。机器人技术今年发展迅猛,逐渐代替了值班人员观测和巡检。通过图像处理技术和机器人巡检相结合不但节约了人力成本,避免人在危险的环境下工作,而且可以及时的发现异常,做出处理。
现有的技术依旧存在一些问题:
第一、机器人每次停靠的位置有差异,不能保证每次拍摄的视角完全一致;
第二、外界环境干扰问题,如光照过强,光照过暗,大雾等;
发明内容
本发明目的就是为了解决上述问题,提供一种适用于电力作业机器人的指向型状态指示器识别方法。它能快速准确的识别指向型状态指示器及其状态,可使工作人员能真实地了解开关的位置,调度指挥更加准确及时。
本发明采用以下技术方案:
一种适用于电力作业机器人的指向型状态指示器识别方法,包括如下步骤:
(1-1)采集并标定指示器并保存相关信息,保存的相关信息包括指示器位置、指示器图像、指示器图像特征、指示器检测方法和指示器当前状态;
(1-2)采集指示器当前时刻的图像为待检测图像;
(1-3)根据检测方法,对步骤(1-2)获取的图像做不同预处理;
(1-4)根据指示器检测方法,检测步骤(1-3)预处理后图像中的指示器;
(1-5)根据指向型状态指示器特征,判定指示器状态。
所述步骤(1-1)中指示器检测方法有3种:矩形指示器检测方法、椭圆指示器检测方法和特征匹配指示器检测方法,
矩形指示器检测方法适用于指示器为矩形且无边框;
椭圆指示器检测方法适用于指示器为圆形或者椭圆且无边框;
特征匹配指示器检测方法适用于有边框的指示器。
所述步骤(1-3)预处理是为了消除采集待检测图像噪声和后续计算加速;指示器检测方法为矩形指示器检测方法或椭圆指示器检测方法时,预处理的步骤为:
步骤(1-3-1)将采集的待检测图像灰度化,得到灰度图像;
步骤(1-3-2)统计灰度图像距离参考亮度的灰度平均偏移值:
其中:E代表平均偏移值;mean代表参考偏移值,一般取128;G(i,j)代表图像在(i,j)处灰度值;w代表图像宽度;h代表图像高度;
统计图像加权偏移:
其中D代表加权偏移;k代表灰度值,取值范围0-255;E代表灰度平均偏移值;mean代表参考偏移值,取128;Hist(k)代表图像中灰度值为k的点个数;w代表图像宽度;h代表图像高度;如果|E|>D;图像亮度存在异常,E>0表示过量,E<0表示过暗,根据E的值调整gamma校正的变换参数,得到gamma校正图像;
步骤(1-3-3)计算gamma校正图像的双边滤波去噪图像;
步骤(1-3-4)对双边滤波图像做自适应尺度变换,得到待检测预处理后图像;
自适应尺度变换具体为:确定一个合适的变换因子scale,变换因子scale计算公式如下:
scale=max(min(1,scale_X),min(1,scale_Y))
scale_X=sw/w,scale_Y=sh/h
其中scale代表变换因子;scale_X代表X方向变换因子;scale_Y代表Y方向变换因子;w代表待检图像宽度,h代表待检图像高度;sw代表参考图像宽度,取1920,sh代表参考图像高度,取1080。
步骤(1-3-5)对自适应尺度变换图像做自适应canny变换。自适应canny变换会自动计算canny变换的高低阈值,比普通canny变换具有更好的鲁棒性。具体步骤为:
首先按照以下公式计算x方向和y方向的一阶导数。
其中:G表示原始图像,Gx表示G在x方向求一阶导,Gy表示G在y方向求一阶导。
然后计算融合梯度图像;
magGrad(i,j)=Gx(i,j)+Gy(i,j)
mag=max(magGrad(i,j),0)
其中:magGrad为融合梯度图;mag为图像梯度峰值。
再后压缩融合梯度图像灰度级到0-mag,统计灰度直方图;
pmagGrad(i,j)=magGrad(i,j)/bin_size
bin_size=mag/NUM_BINS
其中:pmagGrad为压缩后的梯度图,bin_size位压缩比例因子,NUM_BINS为压缩的灰度级,一般取64。
接着累加直方图,当能量大于阈值时映射回原始灰度级作为高阈值;
high_thresh=high_thresh*bin_size
其中:hist代表灰度直方图;high_thresh代表高阈值;w代表图像宽度,h代表图像高度not_edge代表非边界占比,一般取0.95;
通过高阈值计算出低阈值:
low_thresh=high_thresh*ratio
其中low_thresh代表低阈值;ratio代表高低阈值比例,一般取0.3;
最后计算出高低阈值后再做canny变换,得到边界图像。
所述步骤(1-4)检测方法为矩形时,指示器检测涉及到形态学膨胀处理和矩形检测。具体为:
(1-4-1)膨胀步骤(1-3)中预处理后图像的边界图像;
(1-4-2)统计膨胀后图像轮廓,去除不符合条件的部分包括:去除尺寸过小或者过大的轮廓;去除长宽比不符合条件的轮廓;去除面积和周长不符合条件的轮廓和去除直线分布不符合要求的轮廓;
(1-4-3)计算符合条件的轮廓包围矩形;
(1-4-4)非极大值抑制合并矩形,具体步骤为:计算矩形重叠面积比例,重叠面积大于阈值时,标记当前面积和面积重叠比例;当矩形重叠面积为局部极值时合并矩形,成为新的矩形加入计算。
所述步骤(1-4)检测方法为椭圆时,指示器检测涉及到椭圆检测。根据椭圆的几何特性检测,速度和精度比传统的hough圆检测高。特别是针对大离心率椭圆,hough检测几乎无法胜任,本发明的方法可以有很高的检测精度。
(1-4-5)检测步骤(1-3)预处理后图像的边界图像弧段的凹凸性:
其中:图像x方向一阶导数Gx;图像y方向一阶导数Gy,其中(i,j)表示图像点的坐标;
(1-4-6)抛弃过短和包含矩形过小的弧;
(1-4-7)将凸弧分为第一和第三象限,凹弧分为第二和第四象限;具体步骤为:
其中:area_b代表弧线下方面积,area_p代表弧线上方面积。
(1-4-8)三个象限上分别取弧a,b,c;
(1-4-9)连接a的起点和b的中点作为起始参考弦,利用夹逼方法求出一组平行弦,两两连接平行弦中点得到直线。分别针对a,b,c执行上述操作得到一系列直线l1,l2,l3...ln;
(1-4-10)计算出不同组直线的交点c1,c2,c3...cm,当点落在一个较小邻域内,可认为这组弧能构成椭圆,否则转到步骤(1-4-8);
(1-4-11)如果构成椭圆,按照以下公式估算椭圆方程参数。
γ=q1q2-q3q4
β=(q3q4+1)(q1+q2)-(q1q2+1)(q3+q4)
θ=cos-1Kp
B=A*Np
其一般方程为:
x′=x-x0
y′=y-y0
其中:q1为a,b弧平行弦斜率,q2为a,b弧平行弦终点连线斜率,q3为b,c弧平行弦斜率,q4为b,c弧平行弦终点连线斜率,γ,β,Kp,Np,Ax,x′,y′为计算过程中间变量,θ为椭圆倾斜角度,(x0,y0)为椭圆中心点,A为椭圆长轴,B为椭圆短轴;
(1-4-12)a,b,c弧段上的点(xi,yi)满足下式则认为落在椭圆上,统计占比为socre1,
x′=xi-x0
y′=yi-y0
其中:d为点和椭圆的距离,一般取1;
(1-4-13)计算弧段与1/4椭圆相似度score2;
(1-4-14)按照下式计算椭圆得分:
score=w1*score1+w2*score2
w1+w2=1
其中:score为椭圆得分,w1,w2分别为权重,一般都取0.5;
(1-4-15)按照得分由高到低给椭圆排序;
(1-4-16)非极大值抑制合并椭圆,具体步骤为:计算所有椭圆包含矩形;将得分最高椭圆的包含矩形作为初始值,做矩形非极大值抑制合并;在剩余集合中按照做矩形非极大值抑制合并,直到集合为空。
所述步骤(1-4)检测方法为特征匹配时,指示器检测涉及到尺度不变(SIFT)特征匹配。
SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性;独特性好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配;多量性,即使少数的几个物体也可以产生大量的SIFT特征向量;高速性,经优化的SIFT匹配算法甚至可以达到实时的要求。
检测步骤为:
(1-4-17)提取图像特征为尺度不变特征变换(SIFT)特征;
(1-4-18)利用模板图像的SIFT特征建立kd树;
(1-4-19)待匹配图像的SIFT特征在kd树上做二叉搜索,在搜索过程中利用最小优先队列建立回溯搜索的索引,最小优先队列键值为对应维度特征值差值的绝对值;按照最小优先队列顺序回溯搜索,当达到最小优先队列为空或者达到搜索次数上限时停止搜索;当模板图像特征点对应多个待匹配特征点时,仅保留搜索过程中的最优值和次优值;搜索完毕后,根据匹配特征点与最优值和次优值的欧氏距离关系筛选出最终匹配结果;参考方法是min_Dis<max_Dis*0.6;其中min_Dis是特征点与最优值的欧氏距离,max_Dis是特征点与次优值的欧氏距离;
(1-4-20)根据待匹配图像和匹配图像匹配点的坐标关系计算对应变换矩阵H;
(1-4-21)利用变换矩阵H的逆变换矩阵H_inv将待匹配图像映射到模板图像同一视角。
所述步骤(1-5)判定指示器状态,涉及到根据指向型状态指示器特征判定指示器状态。具体步骤为:
(1-5-1)切割图像外部边框,规则如下:
x=width*0.05
y=height*0.05
new_width=width*0.9
new_height=height*0.9
其中:width代表目标区域宽度;height代表目标区域高度。x代表目标区域切割后起点横坐标;y代表目标区域切割后起点纵坐标;new_width代表目标区域切割后宽度;new_height代表目标区域切割后高度。
(1-5-2)利用了hough概率变换做直线检测;
(1-5-3)针对(1-5-2)检测出的直线做直线合并。满足以下条件时合并直线:
1直线L1和L2倾角接近,相差3度以内;
2满足条件1时,可认为L1与L2平行。L1和L2的距离接近,相差0.05*min(L1,L2);
(1-5-4)状态判定。判定规则如下:
1若直线有交点,且交点在目标区域内,交点和标定时指向信息比对判定当前状态;
2若直线有交点,且交点在目标区域外,忽略交点并且根据直线斜率和标定时指向信息比对判定当前状态;
3若直线无交点,根据直线斜率和标定时指向信息比对判定当前状态。
附图说明
图1为本发明的算法流程图;
具体实施方式
下面结合附图与实施例对比发明做进一步说明。
如图1所示。本发明的方法步骤如下:
第一步:采集并标定指示器并保存相关信息,保存的相关信息包括指示器位置、指示器图像、指示器图像特征、指示器检测方法和指示器当前状态;
第二步:采集指示器当前时刻的图像为待检测图像,对图像做预处理。根据不同的检测方法,自适应不同的预处理方式。
矩形指示器检测方法适用于指示器为矩形且无边框;
椭圆指示器检测方法适用于指示器为圆形或者椭圆且无边框;
颜色地图指示器检测方法适用于指示器形状无要求,指示器形状为矩阵、圆形或异形,指示器颜色与背景色不接近;
特征匹配指示器检测方法适用于有边框的指示器。
当指示器检测方法为指示器检测方法为矩形指示器检测方法或椭圆指示器检测方法时,预处理的步骤为:(1)图像灰度化;(2)自适应亮度矫正;(3)双边滤波去噪;(4)自适应尺度变换,(5)自适应canny滤波检测边界。
步骤(1-3-1)将采集的待检测图像灰度化,得到灰度图像;
灰度化公式为:Gray=0.299*R+0.587*G+0.114*B+0.5,其中Gray为灰度值,R、G、B分别为红、绿、蓝三种颜色分量。
步骤(1-3-2)自适应亮度矫正:灰度图像距离参考亮度的灰度平均偏移值,统计图像加权偏移,其中:E代表平均偏移值;mean代表参考偏移值,一般取128;G(i,j)代表图像在(i,j)处灰度值;w代表图像宽度;h代表图像高度;其中D代表加权偏移;k代表灰度值,取值范围0-255;E代表灰度平均偏移值;mean代表参考偏移值,取128;Hist(k)代表图像中灰度值为k的点个数;w代表图像宽度;h代表图像高度;如果|E|>D,图像亮度存在异常,E>0表示过量,E<0表示过暗。根据E的值调整gamma校正的变换参数。
步骤(1-3-3)计算gamma校正图像的双边滤波去噪图像;同时考虑了灰度值和空间位置关系,去噪同时不改变边界位置。
步骤(1-3-4)对双边滤波图像做自适应尺度变换,得到待检测预处理后图像:这里的核心是确定一个合适的变换因子,保证后续计算加速且不会影响精度。计算公式如下:
scale=max(min(1,scale_X),min(1,scale_Y))
scale_X=sw/w,scale_Y=sh/h
其中scale代表变换因子,scale_X代表X方向变换因子,scale_Y代表Y方向变换因子;w代表图像宽度,h代表图像高度;sw代表参考图像宽度,一般取1920,sh代表参考图像高度,一般取1080;
步骤(1-3-5)对自适应尺度变换图像做自适应canny变换。自适应canny变换会自动计算canny变换的高低阈值,比普通canny变换具有更好的鲁棒性。具体步骤为:
首先按照以下公式计算x方向和y方向的一阶导数。
其中:G表示原始图像,Gx表示G在x方向求一阶导,Gy表示G在y方向求一阶导。
然后计算融合梯度图像;
magGrad(i,j)=Gx(i,j)+Gy(i,j)
mag=max(magGrad(i,j),0)
其中:magGrad为融合梯度图;mag为图像梯度峰值。
再后压缩融合梯度图像灰度级到0-mag,统计灰度直方图;
pmagGrad(i,j)=magGrad(i,j)/bin_size
bin_size=mag/NUM_BINS
其中:pmagGrad为压缩后的梯度图,bin_size位压缩比例因子,NUM_BINS为压缩的灰度级,一般取64。
接着累加直方图,当能量大于阈值时映射回原始灰度级作为高阈值;
high_thresh=high_thresh*bin_size
其中:hist代表灰度直方图;high_thresh代表高阈值;w代表图像宽度,h代表图像高度not_edge代表非边界占比,一般取0.95;
通过高阈值计算出低阈值:
low_thresh=high_thresh*ratio
其中low_thresh代表低阈值;ratio代表高低阈值比例,一般取0.3;
最后计算出高低阈值后再做canny变换,得到边界图像。
当指示器检测方法为颜色地图指示器检测方法时,预处理的步骤为:(1)自适应尺度变换,(2)图像由RGB空间转换到HSI空间,(3)针对I分量做双边滤波,(4)针对S分量做直方图均衡化,(5)图像由HSI空间转换到RGB空间。
步骤(1-3-6)自适应尺度变换得到尺度变换图像:确定一个合适的变换因子scale,变换因子scale计算公式如下:
scale=max(min(1,scale_X),min(1,scale_Y))
scale_X=sw/w,scale_Y=sh/h
其中scale代表变换因子;scale_X代表X方向变换因子;scale_Y代表Y方向变换因子;w代表待检图像宽度,h代表待检图像高度;sw代表参考图像宽度,取1920,sh代表参考图像高度,取1080;
步骤(1-3-7)把尺度变换图像转换到HSI色彩空间:
转换公式如下:
其中为HSI色彩空间色调分量的角度值;R、G、B分别为红、绿、蓝三种颜色分量;H为色调分量,S为饱和度分量,I为亮度分量;
步骤(1-3-8)针对步骤(1-3-7)中的I分量进行双边滤波,针对步骤(1-3-7)中的S分量进行直方图均衡化增强;
步骤(1-3-9)针对步骤(1-3-8)的图像做转换回RGB色彩空间处理;
时,B=I*(1-S),G=3*I-B-R
时,R=I*(1-S),B=3*I-G-R
时,G=I*(1-S),R=3*I-G-B
其中:R、G、B分别为红、绿、蓝三种颜色分量;H为色调分量,S为饱和度分量,I为亮度分量。
当指示器检测方法为特征匹配检测方法时,不做预处理。
第三步:检测指示器所在位置。根据不同的检测方法自适应不同的检测方式。
指示器检测方法为矩形检测方法时,指示器检测步骤为:(1)针对步骤(1-3-5)的边界图像做膨胀处理,(2)计算矩形。
步骤(1-4-1)膨胀步骤(1-3)中预处理后图像的边界图像;
步骤(1-4-2)统计膨胀后图像轮廓,去除不符合条件的部分包括:去除尺寸过小或者过大的轮廓;去除长宽比不符合条件的轮廓;去除面积和周长不符合条件的轮廓和去除直线分布不符合要求的轮廓;
步骤(1-4-3)计算符合条件的轮廓包围矩形;
步骤(1-4-4)非极大值抑制合并矩形,具体步骤为:计算矩形重叠面积比例,重叠面积大于阈值时,标记当前面积和面积重叠比例;当矩形重叠面积为局部极值时合并矩形,成为新的矩形加入计算。
指示器检测方法为椭圆检测方法时,指示器检测步骤为:(1)针对步骤(1-3-5)的边界图像做椭圆检测。根据椭圆的几何特性检测,速度和精度比传统的hough圆检测高。特别是针对大离心率椭圆,hough检测几乎无法胜任,本发明的方法可以有很高的检测精度。
步骤(1-4-5)检测步骤(1-3-5)预处理后图像的边界图像弧段的凹凸性:
其中:图像x方向一阶导数Gx;图像y方向一阶导数Gy,其中(i,j)表示图像点的坐标;
步骤(1-4-6)抛弃过短和包含矩形过小的弧;
步骤(1-4-7)将凸弧分为第一和第三象限,凹弧分为第二和第四象限;具体步骤为:
其中:area_b代表弧线下方面积,area_p代表弧线上方面积。
步骤(1-4-8)三个象限上分别取弧a,b,c;
步骤(1-4-9)连接a的起点和b的中点作为起始参考弦,利用夹逼方法求出一组平行弦,两两连接平行弦中点得到直线。分别针对a,b,c执行上述操作得到一系列直线l1,l2,l3...ln;
步骤(1-4-10)计算出不同组直线的交点c1,c2,c3...cm,当点落在一个较小邻域内,可认为这组弧能构成椭圆,否则转到步骤(1-4-8);
步骤(1-4-11)如果构成椭圆,按照以下公式估算椭圆方程参数。
γ=q1q2-q3q4
β=(q3q4+1)(q1+q2)-(q1q2+1)(q3+q4)
θ=cos-1Kp
B=A*Np
其一般方程为:
x′=x-x0
y′=y-y0
其中:q1为a,b弧平行弦斜率,q2为a,b弧平行弦终点连线斜率,q3为b,c弧平行弦斜率,q4为b,c弧平行弦终点连线斜率,γ,β,Kp,Np,Ax,x′,y′为计算过程中间变量,θ为椭圆倾斜角度,(x0,y0)为椭圆中心点,A为椭圆长轴,B为椭圆短轴;
步骤(1-4-12)a,b,c弧段上的点(xi,yi)满足下式则认为落在椭圆上,统计占比为socre1,
x′=xi-x0
y′=yi-y0
其中:d为点和椭圆的距离,一般取1;
步骤(1-4-13)计算弧段与1/4椭圆相似度score2;
步骤(1-4-14)按照下式计算椭圆得分:
score=w1*score1+w2*score2
w1+w2=1
其中:score为椭圆得分,w1,w2分别为权重,一般都取0.5;
步骤(1-4-15)按照得分由高到低给椭圆排序;
步骤(1-4-16)非极大值抑制合并椭圆,具体步骤为:计算所有椭圆包含矩形;将得分最高椭圆的包含矩形作为初始值,做矩形非极大值抑制合并;在剩余集合中按照做矩形非极大值抑制合并,直到集合为空。
指示器检测方法为数字地图检测方法时,指示器检测涉及到颜色地图搜索。
步骤(1-4-17)利用标定时建立的目标区域数字地图,先按照x方向搜索整个数字地图,得到n个条状图像bar1,bar2,……barn;
其中:min_num为最小满足条件点数,一般取45;G为彩色图像;(i,j)为图像坐标;R为图像行数;F为关系函数;
步骤(1-4-18)针对每个条状图像按照y方向搜索,得到一系列小的子区域图像;
其中:min_num为最小满足条件点数,一般取45;bar为切割后的条状图像;(i,j)为图像坐标;C为图像列数;F为关系函数;
步骤(1-4-19)搜索整个数字地图具体步骤:搜索落在指定RGB区间的连续像素;搜索R,G,B分量关系与模板图像一致的连续像素;统计这些像素的起点和终点,波峰和波谷补齐区域;
步骤(1-4-20)然后按照先y后x方向搜索整个待检测图像,得到一系列子区域图像;
步骤(1-4-21)利用子区域坐标关系确认指示器区域。
指示器检测方法为特征匹配检测方法时,指示器检测涉及到尺度不变(SIFT)特征匹配。
SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性;独特性好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配;多量性,即使少数的几个物体也可以产生大量的SIFT特征向量;高速性,经优化的SIFT匹配算法甚至可以达到实时的要求。
检测步骤为:
步骤(1-4-22)提取图像特征为尺度不变特征变换(SIFT)特征;
步骤(1-4-23)利用模板图像的SIFT特征建立kd树;
步骤(1-4-24)待匹配图像的SIFT特征在kd树上做二叉搜索,在搜索过程中利用最小优先队列建立回溯搜索的索引,最小优先队列键值为对应维度特征值差值的绝对值;按照最小优先队列顺序回溯搜索,当达到最小优先队列为空或者达到搜索次数上限时停止搜索;当模板图像特征点对应多个待匹配特征点时,仅保留搜索过程中的最优值和次优值;搜索完毕后,根据匹配特征点与最优值和次优值的欧氏距离关系筛选出最终匹配结果;参考方法是min_Dis<max_Dis*0.6;其中min_Dis是特征点与最优值的欧氏距离,max_Dis是特征点与次优值的欧氏距离;
步骤(1-4-25)根据待匹配图像和匹配图像匹配点的坐标关系计算对应变换矩阵H;
步骤(1-4-26)利用变换矩阵H的逆变换矩阵H_inv将待匹配图像映射到模板图像同一视角。
第四步:统计目标区域的R分量,G分量和B分量落在指定区间的百分比r1;统计R分量,G分量和B分量间满足映射函数的百分比r2。根据统计值判定当前指示器状态。
根据下式判定指示器当前状态:
r1≥s或r2≥s,当前指示器状态可认定为与标定时一致;
r1<s且r2<s,当前指示器状态可认定为与标定时相反;
其中s代表阈值,一般取0.6。
上述虽然结合附图对本发明的具体实施方式进行了描述,但非对本发明保护范围的先知,所属领域计时人员应该明白,在本发明的技术方案基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围内。
Claims (8)
1.一种适用于电力作业机器人的指向型状态指示器识别方法,其特征在于,包括以下步骤:
(1-1)采集并标定指示器并保存相关信息,保存的相关信息包括指示器位置、指示器图像、指示器图像特征、指示器检测方法和指示器状态指向;
(1-2)采集指示器当前时刻的图像为待检测图像;
(1-3)根据不同指示器检测方法,对步骤(1-2)获取的待检测图像做不同预处理;
(1-4)根据指示器检测方法,检测步骤(1-3)预处理后图像中的指示器;
(1-5)根据指向型状态指示器特征,判定指示器当前状态。
2.根据权利要求1中所述的一种适用于电力作业机器人的指向型状态指示器识别方法,其特征在于,所述步骤(1-1)中指示器检测方法有3种:矩形指示器检测方法、椭圆指示器检测方法和特征匹配指示器检测方法,
矩形指示器检测方法适用于指示器为矩形且无边框;
椭圆指示器检测方法适用于指示器为圆形或者椭圆且无边框;
特征匹配指示器检测方法适用于有边框的指示器。
3.根据权利要求1中所述的一种适用于电力作业机器人的指向型状态指示器识别方法,其特征在于,所述步骤(1-3)预处理是为了消除采集待检测图像噪声和后续计算加速;指示器检测方法为矩形指示器检测方法或椭圆指示器检测方法时,预处理的步骤为:
(3-1)将采集的待检测图像灰度化,得到灰度图像;
(3-2)检测灰度图像自适应亮度校正:统计灰度图像距离参考亮度的灰度平均偏移值:
其中:E代表平均偏移值;mean代表参考偏移值,一般取128;G(i,j)代表图像在(i,j)处灰度值;w代表图像宽度;h代表图像高度;
统计图像加权偏移:
其中D代表加权偏移;k代表灰度值,取值范围0-255;E代表灰度平均偏移值;mean代表参考偏移值,取128;Hist(k)代表图像中灰度值为k的点个数;w代表图像宽度;h代表图像高度;如果|E|>D,图像亮度存在异常,E>0表示过量,E<0表示过暗,根据E的值调整gamma校正的变换参数,得到gamma校正图像;
(3-3)计算gamma校正图像的双边滤波去噪图像;
(3-4)对双边滤波图像做自适应尺度变换得到尺度变换图像:确定一个合适的变换因子scale,变换因子scale计算公式如下:
scale=max(min(1,scale_X),min(1,scale_Y))
scale_x=sw/w,scale_Y=sh/h
其中scale代表变换因子;scale_X代表X方向变换因子;scale_Y代表Y方向变换因子;w代表待检图像宽度,h代表待检图像高度;sw代表参考图像宽度,取1920,sh代表参考图像高度,取1080;
(3-5)对尺度变换图像做自适应canny滤波检测边界得到边界图像:
(3-5-1)对图像做x方向和y方向的一阶求导;
<mrow>
<mi>G</mi>
<mi>x</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>2</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&CircleTimes;</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>G</mi>
<mi>y</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>2</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&CircleTimes;</mo>
<mi>G</mi>
</mrow>
其中:G表示原始图像,Gx表示G在x方向求一阶导,Gy表示G在y方向求一阶导;
(3-5-2)计算图像梯度峰值mag,计算出融合梯度图像;
magGrad(i,j)=Gx(i,j)+Gy(i,j)
mag=max(magGrad(i,j),0)
其中:融合梯度图magGrad和统计峰值mag;
(3-5-3)压缩融合梯度图像灰度级到0-mag,统计灰度直方图;
pmagGrad(i,j)=magGrad(i,j)/bin_size
bin_size=mag/NUM_BINS
其中:pmagGrad为压缩后的梯度图,bin_size位压缩比例因子,NUM_BINS为压缩的灰度级,一般取64;
(3-5-4)累加直方图,当能量大于阈值时映射回原始灰度级作为高阈值;
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mn>0</mn>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mo>_</mo>
<mi>t</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>h</mi>
</mrow>
</munderover>
<mi>h</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>*</mo>
<mi>h</mi>
<mo>*</mo>
<mi>n</mi>
<mi>o</mi>
<mi>t</mi>
<mo>_</mo>
<mi>e</mi>
<mi>d</mi>
<mi>g</mi>
<mi>e</mi>
<mo>)</mo>
</mrow>
</mrow>
high_thresh=high_thresh*bin_size
其中:hist代表灰度直方图;high_thresh代表高阈值;w代表图像宽度,h代表图像高度not_edge代表非边界占比,一般取0.95;
(3-5-5)通过高阈值求取低阈值;
low_thresh=high_thresh*ratio
其中low_thresh代表低阈值;ratio代表高低阈值比例,一般取0.3;
(3-5-6)利用两个阈值求取canny变换,得到边界图像。
4.根据权利要求1中所述的一种适用于电力作业机器人的指向型状态指示器识别方法,其特征在于,所述步骤(1-3)预处理是为了消除采集待检测图像噪声和后续计算加速;指示器检测方法为特征匹配检测方法时,不做预处理。
5.根据权利要求1中所述的一种适用于电力作业机器人的指向型状态指示器识别方法,其特征在于,所述步骤(1-4)在待检测图像中检测出指示器,检测方法为矩形检测方法时,检测出指示器步骤为:
(5-1)膨胀步骤(1-3)中预处理后图像的边界图像;
(5-2)统计膨胀后图像轮廓,去除不符合条件的部分包括:去除尺寸过小或者过大的轮廓;去除长宽比不符合条件的轮廓;去除面积和周长不符合条件的轮廓和去除直线分布不符合要求的轮廓;
(5-3)计算符合条件的轮廓包围矩形;
(5-4)非极大值抑制合并矩形,具体步骤为:计算矩形重叠面积比例,重叠面积大于阈值时,标记当前面积和面积重叠比例;当矩形重叠面积为局部极值时合并矩形,成为新的矩形加入计算。
6.根据权利要求1中所述的一种适用于电力作业机器人的指向型状态指示器识别方法,其特征在于,所述步骤(1-4)在待检测图像中检测出指示器,检测方法为椭圆检测方法时,检测出指示器步骤为:
(6-1)检测步骤(1-3)预处理后图像的边界图像弧段的凹凸性:
其中:图像x方向一阶导数Gx;图像y方向一阶导数Gy,其中(i,j)表示图像点的坐标;
(6-2)抛弃过短和包含矩形过小的弧;
(6-3)将凸弧分为第一和第三象限,凹弧分为第二和第四象限;具体步骤为:
其中:area_b代表弧线下方面积,area_p代表弧线上方面积。
(6-4)选取3个象限的弧段,估算是否构成椭圆;具体步骤为:
(6-4-1)三个象限上分别取弧a,b,c;
(6-4-2)连接a的起点和b的中点作为起始参考弦,利用夹逼方法求出一组平行弦,两两连接平行弦中点得到直线。分别针对a,b,c执行上述操作得到一系列直线l1,l2,l3...ln;
(6-4-3)计算出不同组直线的交点c1,c2,c3...cm,当点落在一个较小邻域内,可认为这组弧能构成椭圆,否则转到步骤(6-4-1);
(6-5)如果构成椭圆,计算出椭圆方程;
按照以下公式估算椭圆方程参数;
γ=q1q2-q3q4
β=(q3q4+1)(q1+q2)-(q1q2+1)(q3+q4)
<mrow>
<mi>K</mi>
<mi>p</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<mi>&beta;</mi>
<mo>+</mo>
<msqrt>
<mrow>
<msup>
<mi>&beta;</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>4</mn>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<mn>2</mn>
<mi>&gamma;</mi>
</mrow>
</mfrac>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>N</mi>
<mi>p</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>K</mi>
<mi>p</mi>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<mi>K</mi>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mi>K</mi>
<mi>p</mi>
<mo>)</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mi>K</mi>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mfrac>
</msqrt>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>N</mi>
<mi>p</mi>
<mo>></mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>N</mi>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mi>N</mi>
<mi>p</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
θ=cos-1Kp
<mrow>
<mi>A</mi>
<mi>x</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<msubsup>
<mi>x</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>*</mo>
<msup>
<mi>Np</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msubsup>
<mi>y</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
</mrow>
<mrow>
<msup>
<mi>Np</mi>
<mn>2</mn>
</msup>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>Kp</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</msqrt>
</mrow>
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>cos</mi>
<mi>&theta;</mi>
</mrow>
</mfrac>
</mrow>
B=A*Np
其一般方程为:
<mrow>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>cos</mi>
<mi>&theta;</mi>
<mo>-</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>A</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>sin</mi>
<mi>&theta;</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>cos</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>B</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>=</mo>
<mn>1</mn>
</mrow>
x′=x-x0
y′=y-y0
其中:q1为a,b弧平行弦斜率,q2为a,b弧平行弦终点连线斜率,q3为b,c弧平行弦斜率,q4为b,c弧平行弦终点连线斜率,γ,β,Kp,Np,Ax,x′,y′为计算过程中间变量,θ为椭圆倾斜角度,(x0,y0)为椭圆中心点,A为椭圆长轴,B为椭圆短轴;
(6-6)评估椭圆得分,按照得分将全部椭圆排序;具体步骤为:
(6-6-1)a,b,c弧段上的点(xi,yi)满足下式则认为落在椭圆上,统计占比为socre1,
<mrow>
<mo>|</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>cos</mi>
<mi>&theta;</mi>
<mo>-</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>a</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>sin</mi>
<mi>&theta;</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>cos</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>b</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mo><</mo>
<mi>d</mi>
</mrow>
x′=xi-x0
y′=yi-y0
其中:d为点和椭圆的距离,一般取1;
(6-6-2)计算弧段与1/4椭圆相似度score2;
(6-6-3)按照下式计算椭圆得分:
score=w1*score1+w2*score2
w1+w2=1
其中:score为椭圆得分,w1,w2分别为权重,一般都取0.5;
(6-7)按照得分由高到低给椭圆排序;
(6-8)非极大值抑制合并椭圆,具体步骤为:计算所有椭圆包含矩形;将得分最高椭圆的包含矩形作为初始值,做矩形非极大值抑制合并;在剩余集合中按照做矩形非极大值抑制合并,直到集合为空。
7.根据权利要求1中所述的一种适用于电力作业机器人的指向型状态指示器识别方法,其特征在于,所述步骤(1-4)在待检测图像中检测出指示器,检测方法为特征匹配指示器检测方法时,检测步骤为:
(7-1)提取图像特征为尺度不变特征变换(SIFT)特征;
(7-2)利用模板图像的SIFT特征建立kd树;
(7-3)待匹配图像的SIFT特征在kd树上做二叉搜索,在搜索过程中利用最小优先队列建立回溯搜索的索引,最小优先队列键值为对应维度特征值差值的绝对值;按照最小优先队列顺序回溯搜索,当达到最小优先队列为空或者达到搜索次数上限时停止搜索;当模板图像特征点对应多个待匹配特征点时,仅保留搜索过程中的最优值和次优值;搜索完毕后,根据匹配特征点与最优值和次优值的欧氏距离关系筛选出最终匹配结果;参考方法是min_Dis<max_Dis*0.6;其中min_Dis是特征点与最优值的欧氏距离,max_Dis是特征点与次优值的欧氏距离;
(7-4)根据待匹配图像和匹配图像匹配点的坐标关系计算对应变换矩阵H;
(7-5)利用变换矩阵H的逆变换矩阵H_inv将待匹配图像映射到模板图像同一视角。
8.根据权利要求1中所述的一种适用于电力作业机器人的指向型状态指示器识别方法,其特征在于,所述步骤(1-5)根据指向型状态指示器特征,判定指示器状态具体步骤为:
(8-1)切割图像外部边框,规则如下:
x=width*0.05
y=height*0.05
new_width=width*0.9
new_height=height*0.9
其中:width代表目标区域宽度;height代表目标区域高度。x代表目标区域切割后起点横坐标;y代表目标区域切割后起点纵坐标;new_width代表目标区域切割后宽度;new_height代表目标区域切割后高度。
(8-2)利用了hough概率变换做直线检测;
(8-3)针对(8-2)检测出的直线做直线合并。满足以下条件时合并直线:
1直线L1和L2倾角接近,相差3度以内;
2满足条件1时,可认为L1与L2平行,L1和L2的距离接近,相差0.05*min(L1,L2);
满足条件的直线上所有点放入集合S中,利用最小二乘法拟合最终直线;
(8-4)状态判定:判定规则如下:
1若直线有交点,且交点在目标区域内,交点和标定时指向信息比对判定当前状态;
2若直线有交点,且交点在目标区域外,忽略交点并且根据直线斜率和标定时指向信息比对判定当前状态;
3若直线无交点,根据直线斜率和标定时指向信息比对判定当前状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711168143.3A CN107977663B (zh) | 2017-11-21 | 2017-11-21 | 一种适用于电力作业机器人的指向型状态指示器识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711168143.3A CN107977663B (zh) | 2017-11-21 | 2017-11-21 | 一种适用于电力作业机器人的指向型状态指示器识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107977663A true CN107977663A (zh) | 2018-05-01 |
CN107977663B CN107977663B (zh) | 2021-12-03 |
Family
ID=62010847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711168143.3A Active CN107977663B (zh) | 2017-11-21 | 2017-11-21 | 一种适用于电力作业机器人的指向型状态指示器识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977663B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063634A (zh) * | 2018-07-29 | 2018-12-21 | 国网上海市电力公司 | 在电力监控中采用霍夫圆变换识别目标物体区域电气符号的方法 |
CN111290388A (zh) * | 2020-02-25 | 2020-06-16 | 苏州科瓴精密机械科技有限公司 | 路径追踪方法、系统,机器人及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419663A (zh) * | 2008-06-05 | 2009-04-29 | 华中科技大学 | 电力设备故障指示器指示灯状态实时监测识别方法 |
JP2013069104A (ja) * | 2011-09-22 | 2013-04-18 | Yahoo Japan Corp | 表示制御装置、方法及びプログラム |
CN103546272A (zh) * | 2013-10-30 | 2014-01-29 | 武汉中元华电科技股份有限公司 | 一种基于数据交换动态延时补偿的采样值同步方法 |
US20140063569A1 (en) * | 2012-09-06 | 2014-03-06 | Casio Computer Co., Ltd. | Image processing apparatus for processing photographed images |
CN106250902A (zh) * | 2016-07-29 | 2016-12-21 | 武汉大学 | 基于图像特征模板匹配的电力系统开关状态检测方法 |
CN106529556A (zh) * | 2016-11-16 | 2017-03-22 | 国家电网公司 | 一种仪表指示灯的视觉检测系统 |
CN106570865A (zh) * | 2016-11-08 | 2017-04-19 | 国家电网公司 | 一种基于数字图像处理的电力设备开关状态检测系统 |
CN106682597A (zh) * | 2016-12-14 | 2017-05-17 | 四川长虹电器股份有限公司 | 一种交通信号灯识别方法 |
-
2017
- 2017-11-21 CN CN201711168143.3A patent/CN107977663B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419663A (zh) * | 2008-06-05 | 2009-04-29 | 华中科技大学 | 电力设备故障指示器指示灯状态实时监测识别方法 |
JP2013069104A (ja) * | 2011-09-22 | 2013-04-18 | Yahoo Japan Corp | 表示制御装置、方法及びプログラム |
US20140063569A1 (en) * | 2012-09-06 | 2014-03-06 | Casio Computer Co., Ltd. | Image processing apparatus for processing photographed images |
CN103546272A (zh) * | 2013-10-30 | 2014-01-29 | 武汉中元华电科技股份有限公司 | 一种基于数据交换动态延时补偿的采样值同步方法 |
CN106250902A (zh) * | 2016-07-29 | 2016-12-21 | 武汉大学 | 基于图像特征模板匹配的电力系统开关状态检测方法 |
CN106570865A (zh) * | 2016-11-08 | 2017-04-19 | 国家电网公司 | 一种基于数字图像处理的电力设备开关状态检测系统 |
CN106529556A (zh) * | 2016-11-16 | 2017-03-22 | 国家电网公司 | 一种仪表指示灯的视觉检测系统 |
CN106682597A (zh) * | 2016-12-14 | 2017-05-17 | 四川长虹电器股份有限公司 | 一种交通信号灯识别方法 |
Non-Patent Citations (2)
Title |
---|
DONG-JOONG KANG: "Ellipse detection method based on the advanced three point algorithm", 《 2015 21ST KOREA-JAPAN JOINT WORKSHOP ON FRONTIERS OF COMPUTER VISION (FCV)》 * |
张小莉: ""基于KD树的海量图像匹配技术"", 《计算机时代》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063634A (zh) * | 2018-07-29 | 2018-12-21 | 国网上海市电力公司 | 在电力监控中采用霍夫圆变换识别目标物体区域电气符号的方法 |
CN111290388A (zh) * | 2020-02-25 | 2020-06-16 | 苏州科瓴精密机械科技有限公司 | 路径追踪方法、系统,机器人及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107977663B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133460B (zh) | 一种适用于电力作业机器人的颜色型状态指示器识别方法 | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN109325935A (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN109993154A (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN104915678A (zh) | 一种输电线路中目标对象的检测方法及装置 | |
CN107977663B (zh) | 一种适用于电力作业机器人的指向型状态指示器识别方法 | |
CN108280471B (zh) | 一种基于机器视觉的转换开关状态识别方法 | |
CN106529556A (zh) | 一种仪表指示灯的视觉检测系统 | |
CN110288612A (zh) | 铭牌定位与校正方法及设备 | |
CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN115908774A (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN110532938A (zh) | 基于Faster-RCNN的纸质作业页码识别方法 | |
CN110659563A (zh) | 基于改进YOLOv3网络的电网调度图纸自动识别方法、系统及介质 | |
CN114219753A (zh) | 一种基于深度学习的电力设备表面缺陷检测方法及终端 | |
CN106504211A (zh) | 基于改进surf特征匹配的低照度成像方法 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Xia et al. | Plant leaf recognition using histograms of oriented gradients | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
CN115471650A (zh) | 一种气体压力仪表读数方法、装置、设备及介质 | |
CN104239411B (zh) | 一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法 | |
Bo et al. | Research on weed recognition method based on invariant moments | |
KR101391667B1 (ko) | 크기 변화에 강건한 범주 물체 인식을 위한 모델 학습 및 인식 방법 | |
CN116168230A (zh) | 一种基于自适应链码识别船舶类型的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |