CN108764020A - 一种基于无人机图像的高压电塔上的鸟巢识别方法 - Google Patents
一种基于无人机图像的高压电塔上的鸟巢识别方法 Download PDFInfo
- Publication number
- CN108764020A CN108764020A CN201810296806.8A CN201810296806A CN108764020A CN 108764020 A CN108764020 A CN 108764020A CN 201810296806 A CN201810296806 A CN 201810296806A CN 108764020 A CN108764020 A CN 108764020A
- Authority
- CN
- China
- Prior art keywords
- image
- bird
- nest
- unmanned plane
- high tension
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
Abstract
本发明涉及一种基于无人机图像的高压电塔上的鸟巢识别方法,采用无人机巡检的方式,利用架在无人机上高清拍摄设备,对高压塔进行拍摄,并且把拍摄的图像信息,导回到地面上PC电脑端,在电脑端对图像进行鸟巢识别。识别时先对图像进行预处理,然后进行模板匹配,最后得出鸟巢的所在位置。这个方法与传统人工巡检对比,速度上更快,识别效率高,安全性高,而且可以在各种复杂的地形环境进行,做到很多人工所不能及的事情。
Description
技术领域
本发明涉及图像识别的技术领域,尤其涉及到一种基于无人机图像的高压电塔上的鸟巢识别方法。
背景技术
日常生活中,鸟类的自然活动会影响到输电线的正常运行。高压铁塔离地面高,视线好,鸟类活动安全又平稳,因此,高压塔成为了鸟类建巢的一个理想的场所。虽然鸟巢本身对供电没多大影响,但是如果鸟粪落在绝缘瓷瓶上,会造成短路;如果大风吹散鸟巢,筑巢的树枝落在电线上,易造成接地或跳闸事故;此外,每个高压铁塔都有很多绝缘子串,绝缘子串下方就是高压电线。因绝缘子串附近斜材交叉,成为鸟儿“安家落户”的理想场所。鸟窝的材料多种多样,有草、树枝、铁丝等,当铁丝或潮湿的草、树枝直接搭在绝缘子串下方的高压线上,就会造成电网故障。鸟在鸟窝“吃喝拉撒”时,食物、粪便洒落在绝缘子串上,同样会导致电网故障。
电力是一种涉及国计民生极其重要的资源,社会发展的正常生产和发展与其不可分离。电力是现代社会和经济运行的神经中枢、动力之源,是社会和经济运行的总开关,没有电,整个国家都会陷入瘫痪。输电线的正常工作是保证电力的一个基本条件,所以必须检测出电塔上的鸟巢的位置并且拆除。
传统的方法是人工巡检,巡检人员远观的方式,结合望远镜和红外热像仪等工具,但是这种方法巡检难度大,耗时多,效果差。
发明内容
本发明的目的在于克服现有技术的不足,提供一种识别效率高、安全性好、不受地域影响、劳动成本低的基于无人机图像的高压电塔上的鸟巢识别方法。
为实现上述目的,本发明所提供的技术方案为:
包括以下步骤:
S1、无人机飞近高压电塔,拍摄高压电塔图像;
S2、将拍摄到的图像载入PC端;
S3、对图像进行预处理;航拍的过程中,由于光照强度、传感器的工作温度以及人工操作的瑕疵,会使所拍得的图像不可避免的受到噪声的污染,影响对图像的理解和分析处理,所以对图像进行预处理显得尤为重要。
S4、对图像进行模板匹配,得出识别结果。
进一步地,所述步骤S3图像预处理的具体步骤如下:
S31、对图像进行滤波处理,消除图像的噪声和抽出对象的特征;
S32、把图像从RGB空间转变为HSI空间,并将三通道分离,获取H和S分量单通道图像;
S33、将得到的图像缩小;
S34、针对H通道图像和S通道图像分别进行阈值分割,得到各自的阈值图;
S35、把两个阈值分割后的图进行交集取值,得到交集图;
S36、对交集图进行Canny边缘检测。
进一步地,所述步骤S36Canny边缘检测的具体步骤如下:
S36-1、采用2D中值滤波模板进行卷积以消除交集图的噪声;
S36-2、利用导数算子找到图像灰度地沿着两个方向的偏导数(Gx,Gy),并求出梯度的大小:
S36-3、利用步骤S36-2的结果计算出梯度的方向,计算公式如下:
S36-4、把边缘的梯度方向分为四种:水平、竖直、45度方向、135度方向;通过梯度的方向,找到这个像素梯度方向的邻接像素;
S36-5、遍历图像,若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大,那么这个像素值置为0,即不是边缘;
S36-6、使用累计直方图计算两个阈值,大于高阈值的为边缘,小于低阈值的不是边缘,介于之间的,看这个像素的邻接像素中有没有超过高阈值的边缘像素,若有,即为边缘,否则不是边缘。
进一步地,所述步骤S4对图像进行模板匹配的具体步骤如下:
S41、将高压电塔上的鸟巢模板载入到已经过预处理的图像中;
S42、根据模板的大小去和图像相同区域的大小来一一对比,直到匹配完整个图像,最后匹配度最高的那一块区域即为要找的鸟巢。
进一步地,所述匹配采用OpenCV中归一化算法,公式如下:
上式中,T(x',y')表示模板图像中(x',y')坐标上的像素值,x,y则表示模板图像在待测图像中的坐标,I为待测图像,R(x,y)为匹配结果。
与现有技术相比,本方案原理及优点如下:
采用无人机巡检的方式,利用架在无人机上高清拍摄设备,对高压塔进行拍摄,并且把拍摄的图像信息,导回到地面上PC电脑端,在电脑端对图像进行鸟巢识别。识别时先对图像进行预处理,然后进行模板匹配,最后得出鸟巢的所在位置。这个方法与传统人工巡检对比,速度上更快,识别效率高,安全性高,而且可以在各种复杂的地形环境进行,做到很多人工所不能及的事情。
附图说明
图1为本发明一种基于无人机图像的高压电塔上的鸟巢识别方法的流程图;
图2为本发明一种基于无人机图像的高压电塔上的鸟巢识别方法的实施例中滤波处理前后的对比图;
图3和图4分别为本发明一种基于无人机图像的高压电塔上的鸟巢识别方法的实施例中H和S的分量单通道图像;
图5和图6分别为本发明一种基于无人机图像的高压电塔上的鸟巢识别方法的实施例中H和S的分量阈值分割图;
图7为本发明一种基于无人机图像的高压电塔上的鸟巢识别方法的实施例中H和S通道阈值分割后的交集图;
图8为本发明一种基于无人机图像的高压电塔上的鸟巢识别方法的实施例中经过Canny边缘检测的效果图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本实施例所述的一种网站网页源代码自动爬取方法,包括以下步骤:
S1、无人机飞近高压电塔,拍摄高压电塔图像;
S2、将拍摄到的图像载入PC端;
S3、对图像进行预处理,其具体步骤如下:
S31、对图像进行滤波处理,消除图像的噪声;滤波前后的对比如图2所示;
S32、把图像从RGB空间转变为HSI空间,并将三通道分离,获取H和S分量单通道图像,如图3和图4所示;
S33、将得到的图像缩小;
S34、针对H通道图像和S通道图像分别进行阈值分割,得到各自的阈值图,如图5和图6所示;
S35、把两个阈值分割后的图进行交集取值,得到交集图,如图7所示;
S36、对交集图进行Canny边缘检测,得到如图8所示的效果图,其具体步骤如下:
S36-1、采用2D中值滤波模板进行卷积以消除交集图的噪声;
S36-2、利用导数算子找到图像灰度地沿着两个方向的偏导数(Gx,Gy),并求出梯度的大小:
S36-3、利用步骤S36-2的结果计算出梯度的方向,计算公式如下:
S36-4、把边缘的梯度方向分为四种:水平、竖直、45度方向、135度方向;通过梯度的方向,找到这个像素梯度方向的邻接像素;
S36-5、遍历图像,若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大,那么这个像素值置为0,即不是边缘;
S36-6、使用累计直方图计算两个阈值,大于高阈值的为边缘,小于低阈值的不是边缘,介于之间的,看这个像素的邻接像素中有没有超过高阈值的边缘像素,若有,即为边缘,否则不是边缘。
S4、对图像进行模板匹配,具体步骤如下:
S41、将高压电塔上的鸟巢模板载入到已经过预处理的图像中;
S42、根据模板的大小去和图像相同区域的大小来一一对比,直到匹配完整个图像,最后匹配度最高的那一块区域即为要找的鸟巢;
匹配采用OpenCV中归一化算法,公式如下:
上式中,T(x',y')表示模板图像中(x',y')坐标上的像素值,x,y则表示模板图像在待测图像中的坐标,I为待测图像,R(x,y)为匹配结果。
本实施例采用无人机巡检的方式,利用架在无人机上高清拍摄设备,对高压塔进行拍摄,并且把拍摄的图像信息,导回到地面上PC电脑端,在电脑端对图像进行鸟巢识别。识别时先对图像进行预处理,然后进行模板匹配,最后得出鸟巢的所在位置。这个方法与传统人工巡检对比,速度上更快,识别效率高,安全性高,而且可以在各种复杂的地形环境进行,做到很多人工所不能及的事情。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于无人机图像的高压电塔上的鸟巢识别方法,其特征在于,包括以下步骤:
S1、无人机飞近高压电塔,拍摄高压电塔图像;
S2、将拍摄到的图像载入PC端;
S3、对图像进行预处理;
S4、对图像进行模板匹配,得出识别结果。
2.根据权利要求1所述的一种基于无人机图像的高压电塔上的鸟巢识别方法,其特征在于,所述步骤S3图像预处理的具体步骤如下:
S31、对图像进行滤波处理,消除图像的噪声;
S32、把图像从RGB空间转变为HSI空间,并将三通道分离,获取H和S分量单通道图像;
S33、将得到的图像缩小;
S34、针对H通道图像和S通道图像分别进行阈值分割,得到各自的阈值图;
S35、把两个阈值分割后的图进行交集取值,得到交集图;
S36、对交集图进行Canny边缘检测。
3.根据权利要求2所述的一种基于无人机图像的高压电塔上的鸟巢识别方法,其特征在于,所述步骤S36Canny边缘检测的具体步骤如下:
S36-1、采用2D中值滤波模板进行卷积以消除交集图的噪声;
S36-2、利用导数算子找到图像灰度地沿着两个方向的偏导数(Gx,Gy),并求出梯度的大小:
S36-3、利用步骤S36-2的结果计算出梯度的方向;
S36-4、把边缘的梯度方向分为四种:水平、竖直、45度方向、135度方向;通过梯度的方向,找到这个像素梯度方向的邻接像素;
S36-5、遍历图像,若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大,那么这个像素值置为0,即不是边缘;
S36-6、使用累计直方图计算两个阈值,大于高阈值的为边缘,小于低阈值的不是边缘,介于之间的,看这个像素的邻接像素中有没有超过高阈值的边缘像素,若有,即为边缘,否则不是边缘。
4.根据权利要求1所述的一种基于无人机图像的高压电塔上的鸟巢识别方法,其特征在于,所述步骤S4对图像进行模板匹配的具体步骤如下:
S41、将高压电塔上的鸟巢模板载入到已经过预处理的图像中;
S42、根据模板的大小去和图像相同区域的大小来一一对比,直到匹配完整个图像,最后匹配度最高的那一块区域即为要找的鸟巢。
5.根据权利要求4所述的一种基于无人机图像的高压电塔上的鸟巢识别方法,其特征在于,所述匹配采用OpenCV中归一化算法,公式如下:
上式中,T(x',y')表示模板图像中(x',y')坐标上的像素值,x,y则表示模板图像在待测图像中的坐标,I为待测图像,R(x,y)为匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810296806.8A CN108764020A (zh) | 2018-03-30 | 2018-03-30 | 一种基于无人机图像的高压电塔上的鸟巢识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810296806.8A CN108764020A (zh) | 2018-03-30 | 2018-03-30 | 一种基于无人机图像的高压电塔上的鸟巢识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764020A true CN108764020A (zh) | 2018-11-06 |
Family
ID=63981254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810296806.8A Pending CN108764020A (zh) | 2018-03-30 | 2018-03-30 | 一种基于无人机图像的高压电塔上的鸟巢识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764020A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902647A (zh) * | 2019-03-08 | 2019-06-18 | 成都国铁电气设备有限公司 | 一种便携式在线鸟巢智能识别方法及系统 |
CN110503623A (zh) * | 2019-05-24 | 2019-11-26 | 深圳供电局有限公司 | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706873A (zh) * | 2009-11-27 | 2010-05-12 | 东软集团股份有限公司 | 数字类限制标志的识别方法和装置 |
CN103473542A (zh) * | 2013-09-16 | 2013-12-25 | 清华大学 | 多线索融合的目标跟踪方法 |
CN107784634A (zh) * | 2017-09-06 | 2018-03-09 | 广东工业大学 | 一种基于模板匹配的输电线杆塔鸟巢识别方法 |
-
2018
- 2018-03-30 CN CN201810296806.8A patent/CN108764020A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706873A (zh) * | 2009-11-27 | 2010-05-12 | 东软集团股份有限公司 | 数字类限制标志的识别方法和装置 |
CN103473542A (zh) * | 2013-09-16 | 2013-12-25 | 清华大学 | 多线索融合的目标跟踪方法 |
CN107784634A (zh) * | 2017-09-06 | 2018-03-09 | 广东工业大学 | 一种基于模板匹配的输电线杆塔鸟巢识别方法 |
Non-Patent Citations (1)
Title |
---|
冯永亮: "基于Canny算子的图像边缘检测方法改进研究", 《计算机与数字工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902647A (zh) * | 2019-03-08 | 2019-06-18 | 成都国铁电气设备有限公司 | 一种便携式在线鸟巢智能识别方法及系统 |
CN109902647B (zh) * | 2019-03-08 | 2023-04-18 | 成都国铁电气设备有限公司 | 一种便携式在线鸟巢智能识别方法及系统 |
CN110503623A (zh) * | 2019-05-24 | 2019-11-26 | 深圳供电局有限公司 | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
CN105023014B (zh) | 一种无人机巡检输电线路图像内的杆塔目标提取方法 | |
CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
CN105572541A (zh) | 一种基于视觉注意机制的高压巡线故障检测方法及系统 | |
CN106137532A (zh) | 视皮层假体的图像处理装置及方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN109631848A (zh) | 输电线路异物入侵检测系统和检测方法 | |
CN110705847A (zh) | 一种基于图像识别技术的变电站智能巡检方法及系统 | |
CN109215042A (zh) | 一种基于计算机视觉的光伏电池板热斑效应检测系统及其计算方法 | |
CN108133216A (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN108764020A (zh) | 一种基于无人机图像的高压电塔上的鸟巢识别方法 | |
CN104504722A (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN113033322A (zh) | 基于深度学习的变电站充油设备渗漏油隐患识别方法 | |
CN110110131A (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
CN116245871A (zh) | 基于改进yolox算法的输电线路异常目标检测方法 | |
CN108537744A (zh) | 一种彩色图像亮度分量同态滤波去雾方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN110399785B (zh) | 一种基于深度学习与传统算法的树叶遮挡的检测方法 | |
CN109325956A (zh) | 一种基于图像处理的输电导线覆冰截面特征提取方法 | |
CN107977959B (zh) | 一种适用于电力作业机器人的呼吸器状态识别方法 | |
CN109214322A (zh) | 一种文档图像视觉效果的优化方法及系统 | |
Sun et al. | Image enhancement using bright channel prior | |
CN111830051A (zh) | 一种基于深度学习的变电站设备漏油检测方法及检测系统 | |
CN111476732A (zh) | 一种图像融合及去噪的方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181106 |