CN109034272A - 一种输电线路发热部件自动识别方法 - Google Patents
一种输电线路发热部件自动识别方法 Download PDFInfo
- Publication number
- CN109034272A CN109034272A CN201810970619.3A CN201810970619A CN109034272A CN 109034272 A CN109034272 A CN 109034272A CN 201810970619 A CN201810970619 A CN 201810970619A CN 109034272 A CN109034272 A CN 109034272A
- Authority
- CN
- China
- Prior art keywords
- key point
- point
- transmission line
- image
- infrared
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及电力巡检技术领域,尤其涉及电力设备红外测温补偿技术,具体来说是一种输电线路发热部件自动识别方法。所述识别方法包括如下步骤:选取直升机电力巡检拍摄到的实时红外视频序列,对其进行Hough变换,检测输电线利用SIFT特征匹配识别红外图像中的绝缘子;采用Otsu自适应阈值算法对红外图像中的热点区域进行分割,提取出缺陷区域,并对其进行分类和分级。本发明方法能够有效实现对红外图像拍摄到的输电线路上出现异常发热情况的目标的自动识别,杜绝现有技术中采用人工分析时容易出现的失误,提高了电力设备检测与试验人员的工作效率以及电力设备红外测温预警的准确性和可靠性,避免误操作,减少了设备风险。
Description
技术领域
本发明涉及电力巡检技术领域,尤其涉及电力设备红外测温补偿技术,具体来说是一种输电线路发热部件自动识别方法。
背景技术
近年来,随着我国超(特)高压输电线路建设的高速发展,高电压、大功率、长距离输电线路越建越多,穿越的地理环境越来越复杂,直升机巡线作为一种高效的巡检技术在国内多个电网运营单位得到了应用。国内直升机电力作业业务逐步已步入了快速发展、稳步提升的轨道,实现了输电线路直升机巡视的常态化和规模化。直升机巡检作业,主要以直升机/无人机为平台,搭载红外、可见光等设备对架空输电线路进行巡查和检测的作业,而采用直升机/无人机进行线路巡检时,常用的一种巡检手段是搭载光电吊舱进行可见光/红外成像。
温度在绝对零度以上的物体,都会因自身的分子运动而辐射出红外线。通过红外探测器将物体辐射的功率信号转换成电信号后,成像装置的输出信号就可以完全一一对应地模拟扫描物体表面温度的空间分布,经电子系统处理,传至显示屏上,得到与物体表面热分布相应的热像图。当前普遍应用的电力设备红外测温装置由光学系统、信号放大器、信号处理以及显示输出等部分组成。光学系统汇聚其视场内的目标红外辐射能量,视场距离的大小由测温仪的光学零件及其位置确定。红外能量聚焦在光电探测器上并转换为相应的电信号,该信号经过放大器和信号处理器,转换成温度值。分析采集到的红外图像的所有温度值,可以判断红外图像的所有温度值中是否存在高于预设的温度阈值的目标温度值,从而可以确定红外图像中是否包含高温目标,可以对红外图像拍摄到的输电线路上出现异常发热情况的目标进行自动识别。
现有的直升机红外发热检测的自动化水平还不够,红外缺陷分析仍然依靠人工在地面通过电脑分析软件进行,缺陷报告的编制也是人手动进行的,红外缺陷图谱的编号和命名也是人一个个手动进行的,难免出现失误、错误等。
发明内容
本发明针对上述背景技术,公开一种输电线路发热部件自动识别方法,能够自动识别输电线路上的发热部件,
所述输电线路发热部件自动识别方法包括如下步骤:
步骤一:选取直升机电力巡检拍摄到的实时红外视频序列,对其进行Hough 变换,检测输电线;
步骤二:利用SIFT特征匹配识别红外图像中的绝缘子;
步骤三:采用Otsu自适应阈值算法对红外图像中的热点区域进行分割,提取出缺陷区域,并对其进行分类和分级。
进一步地,所述步骤二中利用SIFT特征匹配识别红外图像中的绝缘子包括如下子步骤:
(1)构建尺度空间
将一个图像的尺度空间L(x,y,σ)定义为原始图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)卷积运算,运算式为:
L(x,y,σ)=G(x,y,σ)*I(x,y),其中,式中,(x,y)是空间坐标,σ是尺度坐标;
(2)关键点定位
关键点由DOG空间的局部极值点组成,DoG函数的极值点判断方法为,将每一个像素点与其所有的相邻点比较,所有相邻点中的最大值或最小值为一个极值点;
(3)关键点方向分配
对尺度空间DoG函数进行曲线拟合,其Taylor展开式为
对上式求导,并令其为0,得到精确的位置,得
将(3-2)式代入(3-1)中,可得:
若则保留特征点,否则将其舍弃;
获取极值点处的Hessian矩阵,主曲率通过一个2*2的Hessian矩阵H求出;公式如下
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小的特征值;α=γβ;
tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2=αβ
满足γ=10的点即为关键点;
利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向,像素点 (x,y)处的梯度表示为:
直方图以每45度方向为一个柱,共8个柱,直方图的峰值代表该关键点处邻域梯度的主方向,即作为该关键点的方向,其中直方图统计半径采用式(3-7) 计算:
σoct是关键点所在组的组内尺度,直方图中的峰值就是主方向,其他的达到最大值80%的方向可作为辅助方向;
(4)关键点描述
关键点描述子的生成步骤包括:
2)旋转主方向:将坐标轴旋转为所述关键点的方向,旋转后区域内采样点的新坐标为:
2)生成描述子:对于一个关键点产生128个数据,形成128维的SIFT特征向量,在区域内对每个像素点求其梯度幅值和方向,然后对每个梯度幅值乘以高斯权重参数,生成方向直方图,如式3-11所示:
其中,σω为子描述窗口宽度3σ×直方图列数的一半;
3)归一化处理:将特征向量的长度归一化,进一步去除光照变化的影响,归一化公式为:
W=(w1,w2,…w12S)L=(l1,l2,…l128)
(5)特征匹配
采用关键点特征向量的欧式距离作为两幅图像中关键点的相似性判定度,取第一图像中的某个关键点,并找出其与第二图像中欧式距离最近的前两个关键点;在这两个关键点中,以最近的距离除以次近的距离所得值小于某个比例阈值,则接受这一对匹配点。
工作原理:一种输电线路发热部件自动识别方法,基于红外测温的原理,通过Hough变换,检测出直升机电力巡检拍摄到的实时红外视频序列中的输电线,然后利用SIFT特征匹配识别红外图像中的绝缘子,再利用Otsu算法对红外热图进行分割,提取出缺陷区域,实现对红外图像拍摄到的输电线路上出现的异常发热目标进行自动识别的功能。
与现有技术相比,本发明方法运用来识别输电线路发热部件产生的有益效果为:本发明方法将Hough变换、SIFT特征匹配算法及Otsu自适应阈值算法相结合,对直升机电力巡检拍摄到的实时红外视频序列进行验证分析,提取出缺陷区域,计算简单,能够有效实现对红外图像拍摄到的输电线路上出现异常发热情况的目标的自动识别,提升直升机红外发热检测的自动化水平,提高红外发热缺陷的检出率。同时,杜绝现有技术中采用人工分析时容易出现的失误,抗干扰性强,提高了电力设备检测与试验人员的工作效率以及电力设备红外测温预警的准确性和可靠性,避免误操作,减少了设备风险。
附图说明
图1是本发明构件的DoG尺度空间示意图。
图2是本发明高斯差分尺度空间示意图。
图3是本发明关键点方向分配示意图。
图4是本发明关键点描述中将坐标轴旋转为关键点的方向示意图。
图5是本发明生成描述子过程中子描述窗口示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
本发明一种输电线路发热部件自动识别方法,针对直升机电力巡检拍摄到的实时红外视频序列,首先对其进行Hough变换检测输电线,接着利用SIFT特征匹配识别红外图像中的绝缘子,采用Otsu自适应阈值算法对红外图像中的热点区域进行分割,提取出缺陷区域,并对其进行分类和分级。
Hough变换的基本原理是将影像空间中的曲线(包括直线)变换到参数空间中,通过检测参数空间中的极值点,确定出该曲线的描述参数,从而提取影像中的规则曲线。本发明首先通过Hough变换,从直升机电力巡检拍摄到的实时红外视频序列众检测并提取出输电线。
SIFT(Scale Invariant Feature Transform),尺度不变特征变换是一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子。SIFT算法的实质可以归为在不同尺度空间上查找关键点。关键点,就是在不同尺度空间的图像下检测出的具有方向信息的局部极值点。利用SIFT识别绝缘子主要有以下四个步骤:
(1)构建尺度空间
一个图像的尺度空间L(x,y,σ)定义为原始图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)卷积运算。
L(x,y,σ)=G(x,y,σ)*I(x,y)
式中,(x,y)是空间坐标,σ是尺度坐标,其大小决定图像的平滑程度,大尺度对应图像的概貌特征,小尺度对应图像的细节特征。大的σ值对应粗糙尺度即低分辨率,反之,对应精细尺度,即高分辨率,如图1所示为构件的DoG尺度空间示意图。
为了有效的在尺度空间检测到稳定的关键点,进一步构件高斯差分尺度空间,该空间利用不同尺度的高斯差分核与图像卷积生成,如图2所示。
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
=L(x,y,kσ)-L(x,y,σ)
(2)关键点定位
关键点是由DOG空间的局部极值点组成的。为了寻找DoG函数的极值点,每一个像素点要和它所有的相邻点比较,看其是否是所有相邻点中的最大值或最小值,若是就认为它是一个极值点。如中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点。
(3)关键点方向分配
对尺度空间DoG函数进行曲线拟合,其Taylor展开式如下:
对上式求导,并令其为0,得到精确的位置,得
将(3-2)式代入(3-1)中,可得:
若则保留特征点,否则舍弃。
获取极值点处的Hessian矩阵,主曲率通过一个2*2的Hessian矩阵H求出。如式3-4所示:
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小的特征值。α=γβ
tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2=αβ
满足γ=10的点即为关键点。
通过尺度不变性求极值点,可以使其具有缩放不变的性质,利用关键点邻域像素的梯度方向分布特性,可以为每个关键点指定方向,使描述子对图像旋转具有不变性。像素点(x,y)处的梯度可表示为:
直方图以每45度方向为一个柱,共8个柱,直方图的峰值则代表了该关键点处邻域梯度的主方向,即作为该关键点的方向。直方图统计半径采用式(3-7) 计算:
σoct是关键点所在组的组内尺度,直方图中的峰值就是主方向,其他的达到最大值80%的方向可作为辅助方向,如图3所示。
(4)关键点描述
关键点描述子的生成步骤如下所示:
1)旋转主方向:将坐标轴旋转为关键点的方向,以确保旋转不变性,如图4 所示。旋转后区域内采样点的新坐标如式4-1所示:
2)生成描述子:对于一个关键点产生128个数据,即最终形成128维的SIFT 特征向量,在区域内对每个像素点求其梯度幅值和方向,然后对每个梯度幅值乘以高斯权重参数,生成方向直方图,如4-2所示:
σω为子描述窗口宽度3σ×直方图列数的一半,如图5所示。
3)归一化处理:将特征向量的长度归一化,计算方法采用下面的公式,则可以进一步去除光照变化的影响。
W=(w1,w2,…w128)L=(l1,l2,…l128)
(5)特征匹配
采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度。取第一图像中的某个关键点,并找出其与第二图像中欧式距离最近的前两个关键点,在这两个关键点中,如果最近的距离除以次近的距离少于某个比例阈值,则接受这一对匹配点,比率的取值策略能排除错误匹配点。
一般地,红外缺陷元器件具有较高的像素灰度值,在红外热图上表现出具有异于当前测温环境的温度。因而,可以利用Otsu算法对红外热图进行分割。
Otsu阈值法又称最大类间方差,其基本原理是根据整幅图像的灰度直方图自适应地选取一个最佳阈值,使得目标与背景间的类间距达到最大,从而将二者分割开。
本发明方法针对巡检过程中的绝缘子、杆塔以及一些典型目标,利用可见光相机、红外热像仪对输电线路、杆塔、绝缘子等输电设备进行综合检测。识别输电设备,并输出输电设备位置等参数,利用吊舱搜索跟踪并进行拍摄。从而实现巡线过程自动对输电设备的跟踪与拍摄。一台红外摄像仪对输电线目标进行温度检测,另外一台可见光摄像头对场景中的异常目标进行识别。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,仍然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (2)
1.一种输电线路发热部件自动识别方法,其特征在于,所述识别方法包括如下步骤:
步骤一:选取直升机电力巡检拍摄到的实时红外视频序列,对其进行Hough变换,检测输电线;
步骤二:利用SIFT特征匹配识别红外图像中的绝缘子;
步骤三:采用Otsu自适应阈值算法对红外图像中的热点区域进行分割,提取出缺陷区域,并对其进行分类和分级。
2.如权利要求1所述的输电线路发热部件自动识别方法,其特征在于,所述步骤二中利用SIFT特征匹配识别红外图像中的绝缘子包括如下子步骤:
(1)构建尺度空间
将一个图像的尺度空间L(x,y,σ)定义为原始图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)卷积运算,运算式为:
L(x,y,σ)=G(x,y,σ)*I(x,y),其中,式中,(x,y)是空间坐标,σ是尺度坐标;
(2)关键点定位
关键点由DOG空间的局部极值点组成,DoG函数的极值点判断方法为,将每一个像素点与其所有的相邻点比较,所有相邻点中的最大值或最小值为一个极值点;
(3)关键点方向分配
对尺度空间DoG函数进行曲线拟合,其Taylor展开式为
对上式求导,并令其为0,得到精确的位置,得
将(3-2)式代入(3-1)中,可得:
若则保留特征点,否则将其舍弃;
获取极值点处的Hessian矩阵,主曲率通过一个2*2的Hessian矩阵H求出;公式如下
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小的特征值;α=γβ;
tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2=αβ
满足γ=10的点即为关键点;
利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向,像素点(x,y)处的梯度表示为:
直方图以每45度方向为一个柱,共8个柱,直方图的峰值代表该关键点处邻域梯度的主方向,即作为该关键点的方向,其中直方图统计半径采用式(3-7)计算:
σoct是关键点所在组的组内尺度,直方图中的峰值就是主方向,其他的达到最大值80%的方向可作为辅助方向;
(4)关键点描述
关键点描述子的生成步骤包括:
1)旋转主方向:将坐标轴旋转为所述关键点的方向,旋转后区域内采样点的新坐标为:
2)生成描述子:对于一个关键点产生128个数据,形成128维的SIFT特征向量,在区域内对每个像素点求其梯度幅值和方向,然后对每个梯度幅值乘以高斯权重参数,生成方向直方图,如式3-11所示:
其中,σω为子描述窗口宽度3σ×直方图列数的一半;
3)归一化处理:将特征向量的长度归一化,进一步去除光照变化的影响,归一化公式为:
W=(w1,w2,…w128)L=(l1,l2,…l128)
(5)特征匹配
采用关键点特征向量的欧式距离作为两幅图像中关键点的相似性判定度,取第一图像中的某个关键点,并找出其与第二图像中欧式距离最近的前两个关键点;在这两个关键点中,以最近的距离除以次近的距离所得值小于某个比例阈值,则接受这一对匹配点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970619.3A CN109034272A (zh) | 2018-08-24 | 2018-08-24 | 一种输电线路发热部件自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970619.3A CN109034272A (zh) | 2018-08-24 | 2018-08-24 | 一种输电线路发热部件自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034272A true CN109034272A (zh) | 2018-12-18 |
Family
ID=64627333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810970619.3A Withdrawn CN109034272A (zh) | 2018-08-24 | 2018-08-24 | 一种输电线路发热部件自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034272A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070526A (zh) * | 2019-04-18 | 2019-07-30 | 深圳市深视创新科技有限公司 | 基于深度神经网络热度图预测的缺陷检测方法 |
CN110602484A (zh) * | 2019-08-29 | 2019-12-20 | 海南电网有限责任公司海口供电局 | 一种输电线路设备拍摄质量在线检核方法 |
CN111044149A (zh) * | 2019-12-19 | 2020-04-21 | 国网重庆市电力公司电力科学研究院 | 电压互感器的温度异常点检测方法、装置及可读存储介质 |
CN112199993A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
CN112381796A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
CN112434559A (zh) * | 2020-10-26 | 2021-03-02 | 广东凯宝机器人科技有限公司 | 一种机器人识别定位方法 |
CN113034020A (zh) * | 2021-03-31 | 2021-06-25 | 广东电网有限责任公司 | 基于多源缺陷的设备状态动态评价方法、系统及存储介质 |
CN117830301A (zh) * | 2024-03-04 | 2024-04-05 | 青岛正大正电力环保设备有限公司 | 基于红外可见光融合特征的捞渣区域检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
CN105425123A (zh) * | 2015-11-20 | 2016-03-23 | 国网福建省电力有限公司泉州供电公司 | 一种紫外成像与红外成像协同检测电力设备故障的方法及系统 |
CN107292882A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
CN108318781A (zh) * | 2018-01-03 | 2018-07-24 | 武汉理工大学 | 一种基于红外图像的绝缘子远程监测及故障诊断的方法 |
-
2018
- 2018-08-24 CN CN201810970619.3A patent/CN109034272A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
CN105425123A (zh) * | 2015-11-20 | 2016-03-23 | 国网福建省电力有限公司泉州供电公司 | 一种紫外成像与红外成像协同检测电力设备故障的方法及系统 |
CN107292882A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
CN108318781A (zh) * | 2018-01-03 | 2018-07-24 | 武汉理工大学 | 一种基于红外图像的绝缘子远程监测及故障诊断的方法 |
Non-Patent Citations (1)
Title |
---|
张福: ""基于红外热点的电力缺陷检测方法"", 《电网与清洁能源》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070526A (zh) * | 2019-04-18 | 2019-07-30 | 深圳市深视创新科技有限公司 | 基于深度神经网络热度图预测的缺陷检测方法 |
CN110602484A (zh) * | 2019-08-29 | 2019-12-20 | 海南电网有限责任公司海口供电局 | 一种输电线路设备拍摄质量在线检核方法 |
CN110602484B (zh) * | 2019-08-29 | 2021-07-27 | 海南电网有限责任公司海口供电局 | 一种输电线路设备拍摄质量在线检核方法 |
CN111044149A (zh) * | 2019-12-19 | 2020-04-21 | 国网重庆市电力公司电力科学研究院 | 电压互感器的温度异常点检测方法、装置及可读存储介质 |
CN112199993A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
CN112199993B (zh) * | 2020-09-01 | 2022-08-09 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
CN112434559A (zh) * | 2020-10-26 | 2021-03-02 | 广东凯宝机器人科技有限公司 | 一种机器人识别定位方法 |
CN112381796A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
CN112381796B (zh) * | 2020-11-16 | 2021-08-03 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
CN113034020A (zh) * | 2021-03-31 | 2021-06-25 | 广东电网有限责任公司 | 基于多源缺陷的设备状态动态评价方法、系统及存储介质 |
CN117830301A (zh) * | 2024-03-04 | 2024-04-05 | 青岛正大正电力环保设备有限公司 | 基于红外可见光融合特征的捞渣区域检测方法 |
CN117830301B (zh) * | 2024-03-04 | 2024-05-14 | 青岛正大正电力环保设备有限公司 | 基于红外可见光融合特征的捞渣区域检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034272A (zh) | 一种输电线路发热部件自动识别方法 | |
Davari et al. | Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN102565625B (zh) | 基于红外图像智能诊断高压输电线路热缺陷的方法 | |
CN103487729B (zh) | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 | |
CN108230237B (zh) | 一种用于电气设备在线检测的多光谱图像重构方法 | |
WO2018028103A1 (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN107358259B (zh) | 基于GLOH描述子和GVF-Snake模型的绝缘子覆冰检测方法 | |
Ou et al. | Infrared image target detection of substation electrical equipment using an improved faster R-CNN | |
CN103235830A (zh) | 一种基于无人机电力巡线方法、装置及无人机 | |
CN108537170A (zh) | 一种电力设备固件无人机巡检销钉缺失检测方法 | |
CN110443776A (zh) | 一种基于无人机吊舱的数据配准融合方法 | |
CN102927448A (zh) | 管道无损检测方法 | |
CN111536981B (zh) | 一种嵌入式的双目非合作目标相对位姿测量方法 | |
CN113762161B (zh) | 一种障碍物智能监测方法及系统 | |
Jiang et al. | Research on infrared image recognition method of power equipment based on deep learning | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
CN112734698A (zh) | 基于红外图像的电缆终端异常诊断方法和装置 | |
Chen et al. | Environment perception technologies for power transmission line inspection robots | |
CN108280449A (zh) | 基于多光谱传感器组的电力设备影像采集方法 | |
Jadin et al. | Image processing methods for evaluating infrared thermographic image of electrical equipments | |
CN117423018A (zh) | 基于无人机采集多模态源融合的电力设备检测系统及方法 | |
Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
CN105447431B (zh) | 一种基于机器视觉的入坞飞机跟踪定位方法及系统 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181218 |
|
WW01 | Invention patent application withdrawn after publication |