CN108335294A - 复杂条件下的配电房异常状态图像识别方法 - Google Patents
复杂条件下的配电房异常状态图像识别方法 Download PDFInfo
- Publication number
- CN108335294A CN108335294A CN201810114310.4A CN201810114310A CN108335294A CN 108335294 A CN108335294 A CN 108335294A CN 201810114310 A CN201810114310 A CN 201810114310A CN 108335294 A CN108335294 A CN 108335294A
- Authority
- CN
- China
- Prior art keywords
- image
- power distribution
- distribution room
- region
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000005856 abnormality Effects 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 19
- 230000002708 enhancing effect Effects 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000002401 inhibitory effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本发明公开了一种复杂条件下的配电房异常状态图像识别方法。本发明引入了区域特征消噪，根据配电房装置特征和配电房监测系统图像拍色角度特征，利用二值图像连通区域特征，将面积小，离心率小的区域进行去除，实现噪声消除，提高前景图像提取质量。本发明通过配电房二值图像模板与检测提取的图像进行矩阵运算识别配电房异常，运算效率高，识别速度快，同时引入了图像移位校准，提升图像识别准确性。
Description
技术领域
本发明涉及电力系统图像识别技术领域，具体是一种复杂条件下的配电房异常状态图像识别方法。
背景技术
近年，随着城市化进程的加快，电力配网的发展，配网技术获得了快速增长，满足了城市工业和居民不断增长的用电需求。但配网站所巡检耗费大量的人力和时间，不能及时的发现配电房异常状态，影响了用电安全。
配电房视频监测等自动化图像系统的提出已有时日，也获得了较为广泛的应用，但多数系统仍采用后台人工的方式对视频监测系统采集的配电房图像进行间隔巡查，以发现配电房异常，但大量的图像耗费较多的人力和时间，不能快速及时的发现隐患。
部分配电房视频监测系统具备一定的图像识别能力，可在配电房装置和背景对比度较明显的情况下较好的发现异常，但在复杂条件下，识别效果较差、识别率低，不能够较好的发现异常。
常规的的图像识别对复杂的环境背景处理噪声消除能力较弱，不能较好的去除干扰，导致配电房状态图像识别不准确和误报。
基于此，本发明提出一种复杂条件下的配电房异常状态图像识别方法，通过不断试验总结出了适合在复杂条件下配电房异常状态图像识别的方法，包括图像预处理、图像分割和图像识别所采用的算法组合和参数，解决上述技术难题，有效提升配电房视频监测的识别率和准确度。
发明内容
本发明要解决的技术问题是：提出一种复杂条件下的配电房异常状态图像识别方法，它能有效准确的对复杂条件下的配电房异常状态进行图像识别，以克服现有技术的不足。
本发明是这样实现的：复杂条件下的配电房异常状态图像识别方法，包括以下步骤：
1)步骤001)图像输入：输入通过视频监测系统采集的配电房数字化图像；
步骤100)图像预处理：对采集输入的配电房图像进行色彩空间变化、灰值化图像增强和滤波消噪，提升图像灰度级和图像对比度；采用的基于模糊数学模型的增强算法，能够实现在抑制高灰度区背景噪声的同时增强低灰度区的前景区域，针对复杂环境下的配电房图像增强效果较好。
步骤200)图像分割：通过边缘检测技术对经过预处理的配电房图像进行前景提取，前景提取的步骤包括：
步骤210)边缘检测：采用Ratio算子对配电房图像进行边缘检测，生成二值化图像，完成配电房前景提取；
步骤220)数学形态增强：根据配电房特征构建结构元素，进行先膨胀后腐蚀的闭运算，对边缘检测提取的二值图像进行细化，滤除复杂条件下图像分割引入的细小干扰噪声，增强图像；
步骤230)区域特征消噪：采用了区域标记法将图像中的连通区域进行分割，然后遍历所有区域，计算区域像素面积，区域像素面积小于设定阀值的则判定为噪声区域，将该噪声区域消除；同时，使用区域椭圆模型来对二值图像的方向性和形状特征进行识别，当连通区域的离心率小于阀值则消除；否则保留相应的区域，直至图像遍历完毕，获得分割后提取的前景图像；
步骤200)采用二次图像增强，包括图像灰度级图像增强和边缘检测结果图像增强，充分提高每阶段图像处理的最佳图像输入，提高图像识别效果。
步骤300)图像识别：对完成分割后提取的前景图像进行图像运算，通过与模板图像(对于摄像设备一般都支持定位拍摄，模板图像是指正常状态下的配电房图像，这是差异分析的基本步骤)对比，识别出配电房异常，其具体步骤如下：
首先输入经过边缘检测和图像过滤、消噪后获得的前景二值图像，与配电房的模板二值图像进行匹配，对齐两幅图像的像素位置，对于存在偏差的通过像素位移对齐，提高图像二值矩阵运算结果的准确率；
然后，将配电房监视图像和模板图像进行二值矩阵与或运算，当运算结果完整图像区域像素面积大于阀值，则判断配电房状态异常；
当识别存在异常后，需要对异常位置进行定位并对异常进行区域显式标记，首先将上步与或运算结果生成的二值图像进行通过区域生长算法完成区域分析，当区域像素面积增长很小或停止增长是标记该区域，该区域即配电房异常状态区域，定位完成后，在区域边界生成边界像素对异常进行显式标记；
在步骤300)创新引入了区域特征消噪，根据配网电力线路特征和配网线路监测系统图像拍色角度特征，利用二值图像连通区域特征，将面积小，离心率小的区域进行去除，实现噪声消除，提高前景图像提取质量。
步骤400)结果输出：对识别结果为异常的配电房图像中的异常位置进行定位并以显式方式标记并输出。
所述的步骤100)的具体处理过程如下：
步骤110)所述的色彩空间变换是：将配电房彩色图片RGB颜色空间中三个颜色分量分散在三个通道上，并根据色值映射关系分别变换为灰度二维空间的灰度值，最终生成配电房灰度级图像；
步骤120)所述的灰值化图像增强是：对比直方图均衡化增强算法，采用了基于模糊数学模型的增强算法(所述的增强算法在图像处理领域一般表达为图像模糊增强算法，此处即为这种表达)对步骤 110)获得的配电房数字灰度图像增强,改进了隶属度函数,使其满足在过渡点处隶属度为0.5，并使用自适应阀值分割算法(Otsu)选择过波点，获得增强的配电房图；
步骤130)所述的滤波消噪是：采用了二维中值滤波算法，对步骤120)中获得的增强的配电房图像进行高效的中值滤波，消除图像噪声，完成对图像的预处理。
现有常规配电房视频监测图像识别采用直方图均衡化算法增强图像，以及增强的双子图分割的直方图均衡化算法，但该类方法对配电房容易引入和放大背景噪声，对低灰度区域增强偏弱。本发明采用的基于模糊数学模型的增强算法，够实现在抑制高灰度区背景噪声的同时增强低灰度区的前景区域，针对复杂条件下的配电房图像增强效果较好。
多数配电房视频监测图像识别采用中值滤波方法进行图像滤波，但中值滤波计算量和内存消耗大，本发明采用快速二维中值滤波算法，对增强的配电房图像进行高效的中值滤波，具备计算快、内存占用少等优点。
大部分常规配电房视频监测图像识别采用Candy算子和Prewitt 算子进行图像边缘检测，在简单背景图像中有较好的检测效果，受其噪声抑制能力的限制，对复杂背景下配电房的检测效果较弱。本发明采用具备较强的抗干扰能力的Ratio算子进行边缘检测，会由于图像的对比度低而出现异常的漏检，但这一劣势则通过图像增强进行弥补。
本发明引入了区域特征消噪，根据配电房装置特征和配电房监测系统图像拍色角度特征，利用二值图像连通区域特征，将面积小，离心率小的区域进行去除，实现噪声消除，提高前景图像提取质量。本发明通过配电房二值图像模板与检测提取的图像进行矩阵运算识别配电房异常，运算效率高，识别速度快，同时引入了图像移位校准，提升图像识别准确性。
附图说明
图1为本发明提供的一种复杂条件下的配电房异常状态图像识别方法的识别流程；
图2为本发明提供的一种复杂条件下的配电房异常状态图像识别方法的图像预处理过程；
图3为本发明提供的一种复杂条件下的配电房异常状态图像识别方法的图像增强过程；
图4为本发明提供的一种复杂条件下的配电房异常状态图像识别方法的图像分割流程；
图5为本发明提供的一种复杂条件下的配电房异常状态图像识别方法的区域特征消噪过程；
图6为本发明提供的一种复杂条件下的配电房异常状态图像识别方法的异常状态识别过程。
具体实施方式
本发明的实施例：复杂条件下的配电房异常状态图像识别方法，包括按顺序进行的下列步骤：
步骤001)图像输入：输入通过视频监测系统采集的配电房数字化图像。
步骤100)图像预处理：对采集输入的配电房图像进行色彩空间变化、灰值化图像增强和滤波消噪，提升图像灰度级和图像对比度。
步骤200)图像分割：通过边缘检测等技术，对经过预处理的配电房图像进行前景提取。
步骤300)图像识别：对完成分割后提取的前景图像进行图像运算，通过与模板图像对比，识别出配电房异常。
步骤400)结果输出：对识别结果为异常的配电房图像中的异常位置进行定位并以显式方式标记并输出。
如图2所示，本发明提供的一种复杂条件下的配电房异常状态图像识别方法的图像预处理过程：
步骤110)色彩空间变换：将配电房彩色图片RGB颜色空间中三个颜色分量分散在三个通道上，并根据色值映射关系分别变换为灰度二维空间的灰度值，最终生成配电房灰度级图像；
步骤120)图像增强；
步骤130)图像滤波：为了提高计算效率，采用了快速二维中值滤波算法，对增强的配电房图像进行高效的中值滤波，快速的消除图像噪声。
如图3所示，本发明提供的一种复杂条件下的配电房异常状态图像识别方法的图像增强过程：
对比直方图均衡化增强算法，采用了基于模糊数学模型的增强算法对在复杂条件下配电房数字灰度图像增强,改进了隶属度函数,使其满足在过渡点处隶属度为0.5，并使用Otsu方法选择过波点。
如图4所示，本发明提供的一种复杂条件下的配电房异常状态图像识别方法的图像分割流程：
步骤210)边缘检测：为适应复杂环境下的图像识别，对比Candy、 Prewitt算子、Ratio算子和Steger，选取抗干扰能力强的Ratio算子对配电房图像进行边缘检测，生成二值化图像，完成配电房前景提取；
步骤220)数学形态增强：根据配电房特征构建结构元素，进行先膨胀后腐蚀的闭运算，对边缘检测提取的二值图像进行细化，滤除复杂条件下图像分割引入的细小干扰噪声，增强图像；
步骤230)区域特征消噪。
如图5所示，本发明提供的一种复杂条件下的配电房异常状态图像识别方法的区域特征消噪过程：
采用了区域标记法将图像中的连通区域进行分割，然后遍历所有区域，计算区域像素面积，过小的区域像素面积(一般阀值为3)判定为噪声区域，将被消除。同时，使用区域椭圆模型来对二值图像的方向性和形状特征进行识别，离心率为0表示圆形，为1表示直线，通常阀值选取为0.8，当连通区域的离心率小于阀值则消除。其他情况下，保留相应的区域，直至图像遍历完毕。
如图6所示，本发明提供的一种复杂条件下的配电房异常状态图像识别方法的异常状态识别过程：
首先输入经过边缘检测和图像过滤、消噪后获得的前景二值图像，与配电房的模板二值图像进行匹配，对齐两幅图像的像素位置(对于存在偏差的可通过像素位移对齐)，提高图像二值矩阵运算结果的准确率；
然后，将配电房监视图像和模板图像进行二值矩阵与或运算，当运算结果完整图像区域像素面积大于阀值(多样本实验阀值中值为 50像素)，则判断配电房状态异常；
当识别存在异常后，需要对异常位置进行定位并对异常进行区域显式标记，首先将上步与或运算结果生成的二值图像进行通过区域生长算法完成区域分析，当区域像素面积增长很小或停止增长是标记该区域，该区域即配电房异常状态区域，定位完成后，在区域边界生成边界像素对异常进行显式标记。以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种复杂条件下的配电房异常状态图像识别方法，其特征在于,包括以下步骤：
1)步骤001)图像输入：输入通过视频监测系统采集的配电房数字化图像；
步骤100)图像预处理：对采集输入的配电房图像进行色彩空间变化、灰值化图像增强和滤波消噪，提升图像灰度级和图像对比度；
步骤200)图像分割：通过边缘检测技术对经过预处理的配电房图像进行前景提取，前景提取的步骤包括：
步骤210)边缘检测：采用Ratio算子对配电房图像进行边缘检测，生成二值化图像，完成配电房前景提取；
步骤220)数学形态增强：根据配电房特征构建结构元素，进行先膨胀后腐蚀的闭运算，对边缘检测提取的二值图像进行细化，滤除复杂条件下图像分割引入的细小干扰噪声，增强图像；
步骤230)区域特征消噪：采用了区域标记法将图像中的连通区域进行分割，然后遍历所有区域，计算区域像素面积，区域像素面积小于设定阀值的则判定为噪声区域，将该噪声区域消除；同时，使用区域椭圆模型来对二值图像的方向性和形状特征进行识别，当连通区域的离心率小于阀值则消除；否则保留相应的区域，直至图像遍历完毕，获得分割后提取的前景图像；
步骤300)图像识别：对完成分割后提取的前景图像进行图像运算，通过与模板图像对比，识别出配电房异常，其具体步骤如下：
首先输入经过边缘检测和图像过滤、消噪后获得的前景二值图像，与配电房的模板二值图像进行匹配，对齐两幅图像的像素位置，对于存在偏差的通过像素位移对齐，提高图像二值矩阵运算结果的准确率；
然后，将配电房监视图像和模板图像进行二值矩阵与或运算，当运算结果完整图像区域像素面积大于阀值，则判断配电房状态异常；
当识别存在异常后，需要对异常位置进行定位并对异常进行区域显式标记，首先将上步与或运算结果生成的二值图像进行通过区域生长算法完成区域分析，当区域像素面积增长很小或停止增长是标记该区域，该区域即配电房异常状态区域，定位完成后，在区域边界生成边界像素对异常进行显式标记；
步骤400)结果输出：对识别结果为异常的配电房图像中的异常位置进行定位并以显式方式标记并输出。
2.根据权利要求1所述的复杂条件下的配电房异常状态图像识别方法，其特征在于：所述的步骤100)的具体处理过程如下：
步骤110)所述的色彩空间变换是：将配电房彩色图片RGB颜色空间中三个颜色分量分散在三个通道上，并根据色值映射关系分别变换为灰度二维空间的灰度值，最终生成配电房灰度级图像；
步骤120)所述的灰值化图像增强是：对比直方图均衡化增强算法，采用了基于模糊数学模型的增强算法对步骤110)获得的配电房数字灰度图像增强,改进了隶属度函数,使其满足在过渡点处隶属度为0.5，并使用Otsu方法选择过波点，获得增强的配电房图；
步骤130)所述的滤波消噪是：采用了二维中值滤波算法，对步骤120)中获得的增强的配电房图像进行高效的中值滤波，消除图像噪声，完成对图像的预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810114310.4A CN108335294A (zh) | 2018-02-05 | 2018-02-05 | 复杂条件下的配电房异常状态图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810114310.4A CN108335294A (zh) | 2018-02-05 | 2018-02-05 | 复杂条件下的配电房异常状态图像识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108335294A true CN108335294A (zh) | 2018-07-27 |
Family
ID=62928035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810114310.4A Pending CN108335294A (zh) | 2018-02-05 | 2018-02-05 | 复杂条件下的配电房异常状态图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108335294A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109066992A (zh) * | 2018-09-07 | 2018-12-21 | 广东中粤电力科技有限公司 | 一种智能配电房的监测方法及系统 |
| CN109272535A (zh) * | 2018-09-07 | 2019-01-25 | 广东中粤电力科技有限公司 | 一种基于图像识别的配电房安全区预警方法 |
| CN110473215A (zh) * | 2019-08-20 | 2019-11-19 | 贵州电网有限责任公司 | 一种用于架空配电线路监测场景的图像分割方法 |
| US20200126202A1 (en) * | 2018-10-23 | 2020-04-23 | International Business Machines Corporation | Detection for abnormal connectivity on a product |
| CN111523613A (zh) * | 2020-05-09 | 2020-08-11 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂环境下的图像分析抗干扰方法 |
| CN112542800A (zh) * | 2020-11-24 | 2021-03-23 | 广西电网有限责任公司电力科学研究院 | 一种输电线路故障识别的方法及其系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331521A (zh) * | 2014-11-27 | 2015-02-04 | 国家电网公司 | 基于图像处理的变电设备异常自动识别方法 |
| CN105184256A (zh) * | 2015-09-06 | 2015-12-23 | 华南理工大学 | 一种浪涌测试受试设备状态灯图像模式识别方法 |
| CN105374029A (zh) * | 2015-10-12 | 2016-03-02 | 国家电网公司 | 变电站设备红外图像感兴趣区域的分割方法及系统 |
| CN105894474A (zh) * | 2016-04-20 | 2016-08-24 | 华北电力大学（保定） | 一种非线性图像增强方法及边缘检测方法 |
| US20160267221A1 (en) * | 2015-03-13 | 2016-09-15 | Konica Minolta Laboratory U.S.A., Inc. | Medical imaging reference retrieval |
| CN106845408A (zh) * | 2017-01-21 | 2017-06-13 | 浙江联运知慧科技有限公司 | 一种复杂环境下的街道垃圾识别方法 |
| CN106980816A (zh) * | 2017-02-22 | 2017-07-25 | 贵州电网有限责任公司凯里供电局 | 基于光学图像的绝缘子串自动识别方法 |
| CN107169967A (zh) * | 2017-07-07 | 2017-09-15 | 哈尔滨理工大学 | 一种基于图像处理的金刚石锯片裂纹检测方法 |
| CN107273896A (zh) * | 2017-06-15 | 2017-10-20 | 浙江南自智能科技股份有限公司 | 一种基于图像识别的车牌检测识别方法 |
-
2018
- 2018-02-05 CN CN201810114310.4A patent/CN108335294A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331521A (zh) * | 2014-11-27 | 2015-02-04 | 国家电网公司 | 基于图像处理的变电设备异常自动识别方法 |
| US20160267221A1 (en) * | 2015-03-13 | 2016-09-15 | Konica Minolta Laboratory U.S.A., Inc. | Medical imaging reference retrieval |
| CN105184256A (zh) * | 2015-09-06 | 2015-12-23 | 华南理工大学 | 一种浪涌测试受试设备状态灯图像模式识别方法 |
| CN105374029A (zh) * | 2015-10-12 | 2016-03-02 | 国家电网公司 | 变电站设备红外图像感兴趣区域的分割方法及系统 |
| CN105894474A (zh) * | 2016-04-20 | 2016-08-24 | 华北电力大学（保定） | 一种非线性图像增强方法及边缘检测方法 |
| CN106845408A (zh) * | 2017-01-21 | 2017-06-13 | 浙江联运知慧科技有限公司 | 一种复杂环境下的街道垃圾识别方法 |
| CN106980816A (zh) * | 2017-02-22 | 2017-07-25 | 贵州电网有限责任公司凯里供电局 | 基于光学图像的绝缘子串自动识别方法 |
| CN107273896A (zh) * | 2017-06-15 | 2017-10-20 | 浙江南自智能科技股份有限公司 | 一种基于图像识别的车牌检测识别方法 |
| CN107169967A (zh) * | 2017-07-07 | 2017-09-15 | 哈尔滨理工大学 | 一种基于图像处理的金刚石锯片裂纹检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 姜旭飞: "基于DM6437的模具监视系统设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 赵雨田: "基于数字图像处理的输电线路异物识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陈斌: "异常检测方法及其关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109066992A (zh) * | 2018-09-07 | 2018-12-21 | 广东中粤电力科技有限公司 | 一种智能配电房的监测方法及系统 |
| CN109272535A (zh) * | 2018-09-07 | 2019-01-25 | 广东中粤电力科技有限公司 | 一种基于图像识别的配电房安全区预警方法 |
| US20200126202A1 (en) * | 2018-10-23 | 2020-04-23 | International Business Machines Corporation | Detection for abnormal connectivity on a product |
| US10832399B2 (en) * | 2018-10-23 | 2020-11-10 | International Business Machines Corporation | Detection for abnormal connectivity on a product |
| CN110473215A (zh) * | 2019-08-20 | 2019-11-19 | 贵州电网有限责任公司 | 一种用于架空配电线路监测场景的图像分割方法 |
| CN111523613A (zh) * | 2020-05-09 | 2020-08-11 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂环境下的图像分析抗干扰方法 |
| CN111523613B (zh) * | 2020-05-09 | 2023-03-24 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂环境下的图像分析抗干扰方法 |
| CN112542800A (zh) * | 2020-11-24 | 2021-03-23 | 广西电网有限责任公司电力科学研究院 | 一种输电线路故障识别的方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
| CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
| CN109636758B (zh) | 一种基于时空动态算子的水面漂浮物检测方法 | |
| CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
| CN103442209A (zh) | 一种输电线路的视频监控方法 | |
| CN106780486A (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
| CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
| CN110334750A (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
| CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
| CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
| CN109460705A (zh) | 基于机器视觉的输油管道监控方法 | |
| CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
| Tian et al. | Corrosion identification of fittings based on computer vision | |
| CN109190455A (zh) | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 | |
| Sulehria et al. | Mathematical morphology methodology for extraction of vehicle number plates | |
| CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
| Yu et al. | MSER based shadow detection in high resolution remote sensing image | |
| CN116630321A (zh) | 基于人工智能的桥梁健康智能监测系统 | |
| Xiang et al. | Research on target detection method based on HSV fusion Gaussian mixture model | |
| CN111080562B (zh) | 一种基于增强图像对比的变电场所悬挂物识别方法 | |
| CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
| CN109948570B (zh) | 一种用于动态环境下的无人机实时检测方法 |
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: 20180727 |
|
| RJ01 | Rejection of invention patent application after publication |