CN109325935A - 一种基于无人机图像的输电线路检测方法 - Google Patents
一种基于无人机图像的输电线路检测方法 Download PDFInfo
- Publication number
- CN109325935A CN109325935A CN201810817621.7A CN201810817621A CN109325935A CN 109325935 A CN109325935 A CN 109325935A CN 201810817621 A CN201810817621 A CN 201810817621A CN 109325935 A CN109325935 A CN 109325935A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- electricity
- threshold
- unmanned plane
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005611 electricity Effects 0.000 claims abstract description 65
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000010339 dilation Effects 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000012216 screening Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 201000009482 yaws Diseases 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
-
- 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 using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于无人机图像的输电线路检测方法,包括以下步骤:采集输电线路图像;对输电线路图像进行分组筛选;对图像进行预处理;获取二值图像;采用形态学算法对获取的二值图像进行处理,实现输电线路边缘断点的连接以及输电线路图像背景成离散块状分布;通过累计概率Hough变换,对处理完成的二值图像进行检测,以获取长直线图像;对获取的长直线图像依次进行筛选、分组、拟合,最终定位出每条输电线路的位置。本发明提供了一种基于无人机图像的,对图像边缘有较高的检验精度,能够避免漏检、误检现象的输电线路检测方法。
Description
技术领域
本发明涉及电网检测技术领域,尤其涉及一种基于无人机图像的输电线路检测方法。
背景技术
我国的国土幅员辽阔,地形也相对复杂,丘陵较多、平原较少,加上气象条件的复杂多变,给输电线路巡检带来了诸多困难。而且传统的人工巡检耗费大量的人力物力。在智能电网的建设推进中,输电线路的巡检智能化迫在眉睫。随着无人机技术、数字图像处理技术的发展,提出了无人机巡检输电线路的思路。
基于无人机图像的输电线路检测,是无人机巡检输电线路的一个重要研究子课题,也是后续分析输电线路是否出现故障的前提。图像分割是处理无人机拍摄的输电线路图像中非常重要的一个部分,图像分割的正确性和自适应性在一定程度上影响着输电线路检测和识别的智能化程度。常采用阈值法进行图像分割:利用图像中所要提取的目标与背景在灰度特性上的差异,通过选取合适的灰度阈值来对图像进行分割,从而将目标从背景上区分出来。最具代表性的阈值法有Qtsu法、最小错误法、最大熵法等。这些方法大多数集中在单阈值分割上,但是由于输电线路图像背景的复杂性,在灰度直方图中可能出现漏峰、多峰情况,导致输电线路与背景分离存在大量的漏检、误检现象。
发明内容
本发明的目的在于提供一种基于无人机图像的,对图像边缘有较高的检验精度,能够避免漏检、误检现象的输电线路检测方法。
为了达到上述目的,本发明采用如下技术方案:
一种基于无人机图像的输电线路检测方法,包括以下步骤:
步骤1、通过无人机巡检输电线路,由机载摄像头采集输电线路图像;
步骤2、根据无人机拍摄的输电线路图像的背景,对图像进行分组,将具有高度相似背景的图像划分为同一组;
步骤3、图像预处理;
所述步骤3包括如下步骤:
3.1、将彩色输电线路图像转换为灰度图像;
3.2、对灰度图像进行高斯模糊,实现在充分保留边界信息的情况下对图像进行去噪;
高斯模糊能够把某一点周围的像素色值按高斯曲线统计起来,采用数学上加权平均的计算方法得到这条曲线的色值,最后留下输电线路的轮廓。
步骤4、获取本组图像的二值图像;
所述步骤4包括如下步骤:
步骤4.1、采用Canny算子计算本组的每个图像的梯度,根据梯度计算图像边缘幅值与角度;
步骤4.2、根据图像较高的亮度梯度,采用Canny算子,使用滞后阈值,滞后阈值包括高阈值和低阈值,创建滚动条并输入阈值类型和阈值大小,拖动滚动条调节阈值参数,获取每个图像的最佳Canny阈值;
较高的亮度梯度比较有可能是边缘,但是没有一个确切的值来限定多大的亮度梯度是边缘多大,所以Canny使用滞后阈值。滞后阈值需要两个阈值——高阈值与低阈值。假设图像中的重要边缘都是连续的曲线,这样就可以跟踪给定曲线中模糊的部分,并且避免将没有组成曲线的噪声像素当成边缘。所以从一个较大的阈值开始,这将标识出比较确信的真实边缘,使用前面导出的方向信息,从这些真正的边缘开始在图像中跟踪整个的边缘。在跟踪的时候,使用一个较小的阈值,这样就可以跟踪曲线的模糊部分直到回到起点。
步骤4.3、对获取的各个样本的Canny阈值进行方差最小化拟合,得到拟合阈值;
用mi表示第i个样本,thi表示第i个样本的最佳阈值,th表示拟合的估计值,则每个样本的阈值到该估计值的距离平方和上式对th求导并令其为0,得到:求解上式方程得到th的解,即为本组图像Canny拟合阈值。
步骤4.4、使用该拟合阈值对本组图像进行Canny边缘检测,获取二值图像;
步骤5、采用形态学算法对获取的二值图像进行处理,实现输电线路边缘断点的连接以及输电线路图像背景成离散块状分布;
形态学算法是一种非线性的滤波方法,用于分析几何形状和结构,是建立在集合代数基础上,用集合论定量描述几何结构的科学。
所述步骤5包括如下步骤:
步骤5.1、对二值图像进行膨胀运算,实现输电线路边缘断点的连接;
步骤5.2、对二值图像进行腐蚀运算,达到背景成离散块状分布目的;
膨胀运算的作用是将输电线路周围的背景点合并到输电线路中来,实现输电线边缘断点的连接。如果两个物体之间有细小的连接,腐蚀运算可以消除边界点,达到背景成离散块状分布目的。
步骤6、通过累计概率Hough变换,对处理完成的二值图像进行检测,以获取长直线图像;
Hough变换是一种直线描述方法,将笛卡尔坐标空间的直线变换为极坐标空间中的点,并将极坐标空间分为累加器单元。在笛卡尔坐标空间中,图像中的直线可以表示为标准式:ρ=xcosθ+ysinθ,式中:ρ为直线距原点的法线距离;θ为该法线与x轴的夹角。直线经过Hough变换后在极坐标空间中表示为一个点(ρ,θ),极坐标空间中的每一条正弦曲线表示通过特定点(x,y)的一簇直线。将ρ和θ分成许多小段,每一个ρ段和每一个θ段构成一个小单元(△ρ,△θ),对应每个小单元设置一个累加器,当笛卡尔坐标内所有像素的坐标(x,y)完成变换后,累计落在各个小单元中次数较多的单元可认为是笛卡尔坐标空间中直线所在。
灰度图像的梯度方向导数实际上表示的是灰度值在梯度方向上的变化速率,距离场的脊线正是距离场的梯度发生突变的地方,输电线路与背景相交的边界即灰度值的梯度发生突变的位置。用W表示图像的宽,H表示图像的高,图像的梯度阈值为即可检测到输电线路的边缘。
步骤7、对获取的长直线图像依次进行筛选、分组、拟合,最终定位出每条输电线路的位置;
所述步骤7包括如下步骤:
步骤7.1、遍历所有检测到的长直线的斜率,若有少量直线的斜率与大部分直线的斜率偏差很大,则将斜率偏差很大的少量直线去除;
步骤7.2、遍历剩余直线的截距,将截距近似的直线划分为一组,共得到n组;
步骤7.3、每一组都计算组内所有直线斜率的均值和截距的均值,n组共可得到n条直线,即为检测到的n条输电线。
进一步的,所述步骤3.1和步骤3.2之间还包括:利用无人机经纬度、高度以及三个偏航角信息对输电线路图像进行几何校准。
进一步的,所述步骤2和步骤3之间还包括:对同一组的输电线路图像进行选取,将输电线路图像由RGB色彩空间转换到HSI色度饱和度亮度空间,提取HSI色度饱和度亮度空间的H分量图像和S分量图像,并分别按H分量图像和S分量图像对输电线路图像进行排列,选取H分量图像和S分量图像接近的输电线路图像作为后续处理的图像。
采用上述技术方案后,本发明具有如下优点:
1、本发明的一种基于无人机图像的输电线路检测方法,采用canny算子对输电线路图像进行图像分割,canny算子使用滞后阈值,能够尽可能多地标识出图像中的实际边缘、标识出的边缘尽可能与实际图像中的实际边缘尽可能接近,大大提高了图像中输电线路与背景的分割效果;采用形态学算法对获取的二值图像进行处理,实现输电线路边缘断点的连接以及输电线路图像背景成离散块状分布;通过累计概率Hough变换获取长直线图像,由于其根据局部度量来计算全面描述参数,因而对于区域边界被噪声干扰或被其他目标遮盖而引起边界发生某些间断的情况,具有很好的容错性和鲁棒性。本发明保证了输电线路的检测精度,能够有效防止漏检或错检的现象,保证了输电线路的安全、可靠运行。
2、由于无人机经纬度、高度以及偏航角的偏差,需要对输电线路图像进行几何校准,以提高输电线路巡检图像的检测精度。
3、结合H分量和S分量对图像进行筛选,以剔除色彩偏差大的输电线路图像。
附图说明
下面结合附图对本发明作进一步说明:
图1为本发明的一种基于无人机图像的输电线路检测方法的流程图。
具体实施方式
以下结合附图及具体实施例,对本发明作进一步的详细说明。
本发明提供一种基于无人机图像的输电线路检测方法,其流程图如图1所示,包括以下步骤:
1、通过无人机巡检输电线路,由机载摄像头采集输电线路图像。
2、分组筛选输电线路图像:
2.1、根据无人机拍摄的输电线路图像的背景,对图像进行分组,将具有高度相似背景的图像划分为同一组。
2.2、对同一组的输电线路图像进行选取,将输电线路图像由RGB色彩空间转换到HSI色度饱和度亮度空间,提取HSI色度饱和度亮度空间的H分量图像和S分量图像,并分别按H分量图像和S分量图像对输电线路图像进行排列,选取H分量图像和S分量图像接近的输电线路图像作为后续处理的图像。结合H分量和S分量对图像进行筛选,剔除了色彩偏差大的输电线路图像。
3、图像预处理:
3.1、将彩色输电线路图像转换为灰度图像;
3.2利用无人机经纬度、高度以及三个偏航角信息对输电线路图像进行几何校准;
3.3、对灰度图像进行高斯模糊,实现在充分保留边界信息的情况下对图像进行去噪。
4、二值图像获取:
4.1、采用Canny算子计算每个图像的梯度,根据梯度计算图像边缘幅值与角度;
4.2、根据图像较高的亮度梯度,采用Canny算子,使用滞后阈值,滞后阈值包括高阈值和低阈值,创建滚动条并输入阈值类型和阈值大小,拖动滚动条调节阈值参数,获取每个图像的最佳Canny阈值;
较高的亮度梯度比较有可能是边缘,但是没有一个确切的值来限定多大的亮度梯度是边缘多大,所以Canny使用滞后阈值。滞后阈值需要两个阈值——高阈值与低阈值。假设图像中的重要边缘都是连续的曲线,这样就可以跟踪给定曲线中模糊的部分,并且避免将没有组成曲线的噪声像素当成边缘。所以从一个较大的阈值开始,这将标识出比较确信的真实边缘,使用前面导出的方向信息,从这些真正的边缘开始在图像中跟踪整个的边缘。在跟踪的时候,使用一个较小的阈值,这样就可以跟踪曲线的模糊部分直到回到起点。
4.3、对获取的各个样本的Canny阈值进行方差最小化拟合,得到拟合阈值;
用mi表示第i个样本,thi表示第i个样本的最佳阈值,用th表示拟合的估计值。
对获取的样本阈值进行方差最小化拟合,每个样本的阈值到该估计值的距离平方和d2:
上式对th求导并令其为0,得到:
求解上式方程得到th的解,即为本组图像Canny边缘检测时采用的拟合阈值。
4.4、使用该拟合阈值对本组图像进行Canny边缘检测,获取二值图像。
5、采用形态学算法对值图像进行处理:
5.1、对二值图像进行膨胀运算,实现输电线边缘断点的连接;
5.2、对二值图像进行腐蚀运算,达到背景成离散块状分布目的。
形态学算法是一种非线性的滤波方法,用于分析几何形状和结构,是建立在集合代数基础上,用集合论定量描述几何结构的科学。膨胀运算的作用是将输电线路周围的背景点合并到输电线路中来,实现输电线边缘断点的连接。如果两个物体之间有细小的连接,腐蚀运算可以消除边界点,达到背景成离散块状分布目的。
6、采用累计概率Hough变换获取长直线图像:
Hough变换是一种直线描述方法,将笛卡尔坐标空间的直线变换为极坐标空间中的点,并将极坐标空间分为累加器单元。在笛卡尔坐标空间中,图像中的直线可以表示为标准式:ρ=xcosθ+ysinθ,式中:ρ为直线距原点的法线距离;θ为该法线与x轴的夹角。直线经过Hough变换后在极坐标空间中表示为一个点(ρ,θ),极坐标空间中的每一条正弦曲线表示通过特定点(x,y)的一簇直线。将ρ和θ分成许多小段,每一个ρ段和每一个θ段构成一个小单元(△ρ,△θ),对应每个小单元设置一个累加器,当笛卡尔坐标内所有像素的坐标(x,y)完成变换后,累计落在各个小单元中次数较多的单元可认为是笛卡尔坐标空间中直线所在。
灰度图像的梯度方向导数实际上表示的是灰度值在梯度方向上的变化速率,距离场的脊线正是距离场的梯度发生突变的地方,输电线路与背景相交的边界即灰度值的梯度发生突变的位置。用W表示图像的宽,H表示图像的高,图像的梯度阈值为即可检测到输电线路的边缘。
7、对获取的长直线图像依次进行筛选、分组、拟合,最终定位出每条输电线路的位置:
7.1、遍历所有检测到的长直线的斜率,若有少量直线的斜率与大部分直线的斜率偏差很大,则将斜率偏差很大的少量直线去除;
7.2、遍历剩余直线的截距,将截距近似的直线划分为一组,共得到n组;
7.3、每一组都计算组内所有直线斜率的均值和截距的均值,n组共可得到n条直线,即为检测到的n条输电线。
除上述优选实施例外,本发明还有其他的实施方式,本领域技术人员可以根据本发明作出各种改变和变形,只要不脱离本发明的精神,均应属于本发明所附权利要求所定义的范围。
Claims (3)
1.一种基于无人机图像的输电线路检测方法,其特征在于,包括以下步骤:
步骤1、通过无人机巡检输电线路,由机载摄像头采集输电线路图像;
步骤2、根据无人机拍摄的输电线路图像的背景,对图像进行分组,将具有高度相似背景的图像划分为同一组;
步骤3、图像预处理;所述步骤3包括如下步骤:3.1、将彩色输电线路图像转换为灰度图像;3.2、对灰度图像进行高斯模糊,实现在充分保留边界信息的情况下对图像进行去噪;
步骤4、获取本组图像的二值图像;所述步骤4包括如下步骤:步骤4.1、采用Canny算子计算本组的每个图像的梯度,根据梯度计算图像边缘幅值与角度;步骤4.2、根据图像较高的亮度梯度,采用Canny算子,使用滞后阈值,滞后阈值包括高阈值和低阈值,创建滚动条并输入阈值类型和阈值大小,拖动滚动条调节阈值参数,获取每个图像的最佳Canny阈值;步骤4.3、对获取的各个样本的Canny阈值进行方差最小化拟合,得到拟合阈值;步骤4.4、使用该拟合阈值对本组图像进行Canny边缘检测,获取二值图像;
步骤5、采用形态学算法对获取的二值图像进行处理,实现输电线路边缘断点的连接以及输电线路图像背景成离散块状分布;所述步骤5包括如下步骤:步骤5.1、对二值图像进行膨胀运算,实现输电线路边缘断点的连接;步骤5.2、对二值图像进行腐蚀运算,达到背景成离散块状分布目的;
步骤6、通过累计概率Hough变换,对处理完成的二值图像进行检测,以获取长直线图像;
步骤7、对获取的长直线图像依次进行筛选、分组、拟合,最终定位出每条输电线路的位置;所述步骤7包括如下步骤:步骤7.1、遍历所有检测到的长直线的斜率,若有少量直线的斜率与大部分直线的斜率偏差很大,则将斜率偏差很大的少量直线去除;步骤7.2、遍历剩余直线的截距,将截距近似的直线划分为一组,共得到n组;步骤7.3、每一组都计算组内所有直线斜率的均值和截距的均值,n组共可得到n条直线,即为检测到的n条输电线。
2.根据权利要求1所述的一种基于无人机图像的输电线路检测方法,其特征在于,所述步骤3.1和步骤3.2之间还包括:利用无人机经纬度、高度以及三个偏航角信息对输电线路图像进行几何校准。
3.根据权利要求1或2所述的一种基于无人机图像的输电线路检测方法,所述步骤2和步骤3之间还包括:对同一组的输电线路图像进行选取,将输电线路图像由RGB色彩空间转换到HSI色度饱和度亮度空间,提取HSI色度饱和度亮度空间的H分量图像和S分量图像,并分别按H分量图像和S分量图像对输电线路图像进行排列,选取H分量图像和S分量图像接近的输电线路图像作为后续处理的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810817621.7A CN109325935B (zh) | 2018-07-24 | 2018-07-24 | 一种基于无人机图像的输电线路检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810817621.7A CN109325935B (zh) | 2018-07-24 | 2018-07-24 | 一种基于无人机图像的输电线路检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325935A true CN109325935A (zh) | 2019-02-12 |
CN109325935B CN109325935B (zh) | 2022-02-22 |
Family
ID=65263605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810817621.7A Active CN109325935B (zh) | 2018-07-24 | 2018-07-24 | 一种基于无人机图像的输电线路检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325935B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349172A (zh) * | 2019-06-28 | 2019-10-18 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN111127498A (zh) * | 2019-12-12 | 2020-05-08 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
CN111340833A (zh) * | 2020-02-20 | 2020-06-26 | 长安大学 | 最小二乘去干扰随机Hough变换的输电线提取方法 |
CN112180947A (zh) * | 2020-10-22 | 2021-01-05 | 湖南格兰博智能科技有限责任公司 | 一种移动机器人初始行进方向选择方法及其设备 |
CN112464789A (zh) * | 2020-11-25 | 2021-03-09 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
CN112613523A (zh) * | 2020-12-15 | 2021-04-06 | 中冶赛迪重庆信息技术有限公司 | 一种转炉出钢口钢流识别方法、系统、介质及电子终端 |
CN113160118A (zh) * | 2021-02-05 | 2021-07-23 | 亿嘉和科技股份有限公司 | 一种电线目标检测方法 |
CN114022753A (zh) * | 2021-11-16 | 2022-02-08 | 北京航空航天大学 | 基于显著性和边缘分析的对空小目标检测算法 |
CN114034287A (zh) * | 2021-11-17 | 2022-02-11 | 国网山西省电力公司输电检修分公司 | 一种基于单目视觉定位的输电线路检测方法 |
CN115237159A (zh) * | 2022-09-21 | 2022-10-25 | 南通荣茂电子科技有限公司 | 一种采用无人机的电线巡检方法 |
CN116758529A (zh) * | 2023-08-21 | 2023-09-15 | 广东电网有限责任公司广州供电局 | 线路识别方法、装置和计算机设备 |
CN116912273A (zh) * | 2023-09-13 | 2023-10-20 | 国网山东省电力公司莱芜供电公司 | 基于三维gis的输电线路跨越施工方案可视化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393961A (zh) * | 2011-06-29 | 2012-03-28 | 山东电力研究院 | 基于计算机视觉的飞行器输电线路实时检测跟踪方法 |
CN102609917A (zh) * | 2012-02-13 | 2012-07-25 | 江苏博智软件科技有限公司 | 一种基于聚类算法的图像边缘拟合b样条生成方法 |
CN102982534A (zh) * | 2012-11-01 | 2013-03-20 | 北京理工大学 | 基于弦线切线法的Canny边缘检测双阈值获取方法 |
CN103810462A (zh) * | 2012-11-14 | 2014-05-21 | 中国科学院沈阳自动化研究所 | 一种基于线状目标的高压输电线检测方法 |
CN104573650A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 一种基于滤波响应的电线检测分类方法 |
CN106056619A (zh) * | 2016-06-13 | 2016-10-26 | 长安大学 | 基于梯度约束Radon变换的无人机视觉电线巡检方法 |
CN106327512A (zh) * | 2015-07-03 | 2017-01-11 | 株式会社理光 | 一种规则形状检测方法和系统 |
CN106570863A (zh) * | 2016-10-25 | 2017-04-19 | 南方电网科学研究院有限责任公司 | 一种输电线路的检测方法及装置 |
-
2018
- 2018-07-24 CN CN201810817621.7A patent/CN109325935B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393961A (zh) * | 2011-06-29 | 2012-03-28 | 山东电力研究院 | 基于计算机视觉的飞行器输电线路实时检测跟踪方法 |
CN102609917A (zh) * | 2012-02-13 | 2012-07-25 | 江苏博智软件科技有限公司 | 一种基于聚类算法的图像边缘拟合b样条生成方法 |
CN102982534A (zh) * | 2012-11-01 | 2013-03-20 | 北京理工大学 | 基于弦线切线法的Canny边缘检测双阈值获取方法 |
CN103810462A (zh) * | 2012-11-14 | 2014-05-21 | 中国科学院沈阳自动化研究所 | 一种基于线状目标的高压输电线检测方法 |
CN104573650A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 一种基于滤波响应的电线检测分类方法 |
CN106327512A (zh) * | 2015-07-03 | 2017-01-11 | 株式会社理光 | 一种规则形状检测方法和系统 |
CN106056619A (zh) * | 2016-06-13 | 2016-10-26 | 长安大学 | 基于梯度约束Radon变换的无人机视觉电线巡检方法 |
CN106570863A (zh) * | 2016-10-25 | 2017-04-19 | 南方电网科学研究院有限责任公司 | 一种输电线路的检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
张鹏展 等: "基于OpenCV的高压传输线位置检测", 《微型机与应用》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349172B (zh) * | 2019-06-28 | 2022-12-16 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
CN110349172A (zh) * | 2019-06-28 | 2019-10-18 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN111127498A (zh) * | 2019-12-12 | 2020-05-08 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
CN111340833A (zh) * | 2020-02-20 | 2020-06-26 | 长安大学 | 最小二乘去干扰随机Hough变换的输电线提取方法 |
CN111340833B (zh) * | 2020-02-20 | 2023-05-09 | 西安汇智信息科技有限公司 | 最小二乘去干扰随机Hough变换的输电线提取方法 |
CN112180947A (zh) * | 2020-10-22 | 2021-01-05 | 湖南格兰博智能科技有限责任公司 | 一种移动机器人初始行进方向选择方法及其设备 |
CN112180947B (zh) * | 2020-10-22 | 2023-09-12 | 湖南格兰博智能科技有限责任公司 | 一种移动机器人初始行进方向选择方法及其设备 |
CN112464789A (zh) * | 2020-11-25 | 2021-03-09 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
CN112464789B (zh) * | 2020-11-25 | 2022-09-02 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
CN112613523A (zh) * | 2020-12-15 | 2021-04-06 | 中冶赛迪重庆信息技术有限公司 | 一种转炉出钢口钢流识别方法、系统、介质及电子终端 |
CN113160118A (zh) * | 2021-02-05 | 2021-07-23 | 亿嘉和科技股份有限公司 | 一种电线目标检测方法 |
CN114022753A (zh) * | 2021-11-16 | 2022-02-08 | 北京航空航天大学 | 基于显著性和边缘分析的对空小目标检测算法 |
CN114022753B (zh) * | 2021-11-16 | 2024-05-14 | 北京航空航天大学 | 基于显著性和边缘分析的对空小目标检测算法 |
CN114034287A (zh) * | 2021-11-17 | 2022-02-11 | 国网山西省电力公司输电检修分公司 | 一种基于单目视觉定位的输电线路检测方法 |
CN114034287B (zh) * | 2021-11-17 | 2023-07-07 | 国网山西省电力公司超高压输电分公司 | 一种基于单目视觉定位的输电线路检测方法 |
CN115237159A (zh) * | 2022-09-21 | 2022-10-25 | 南通荣茂电子科技有限公司 | 一种采用无人机的电线巡检方法 |
CN115237159B (zh) * | 2022-09-21 | 2023-09-15 | 国网江苏省电力有限公司苏州供电分公司 | 一种采用无人机的电线巡检方法 |
CN116758529A (zh) * | 2023-08-21 | 2023-09-15 | 广东电网有限责任公司广州供电局 | 线路识别方法、装置和计算机设备 |
CN116758529B (zh) * | 2023-08-21 | 2023-11-14 | 广东电网有限责任公司广州供电局 | 线路识别方法、装置和计算机设备 |
CN116912273A (zh) * | 2023-09-13 | 2023-10-20 | 国网山东省电力公司莱芜供电公司 | 基于三维gis的输电线路跨越施工方案可视化方法 |
CN116912273B (zh) * | 2023-09-13 | 2023-12-12 | 国网山东省电力公司莱芜供电公司 | 基于三维gis的输电线路跨越施工方案可视化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109325935B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325935A (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN104183127B (zh) | 交通监控视频检测方法和装置 | |
CN106909941A (zh) | 基于机器视觉的多表字符识别系统及方法 | |
CN108776779B (zh) | 基于卷积循环网络的sar序列图像目标识别方法 | |
CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN102750703B (zh) | 一种基于直线分割的遥感图像机场自动检测方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN103793708B (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
CN106935035A (zh) | 基于ssd神经网络的违章停车车辆实时检测方法 | |
CN105046235A (zh) | 车道线的识别建模方法和装置、识别方法和装置 | |
CN109712112B (zh) | 基于局部特征的航拍绝缘子图像的定位方法 | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及系统 | |
CN107545571A (zh) | 一种图像检测方法及装置 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN109712158A (zh) | 一种基于目标背景像元统计约束的红外小目标捕获方法 | |
CN107527037A (zh) | 基于无人机遥感数据的蓝藻识别与分析系统 | |
CN105160362A (zh) | 一种跑道fod图像探测方法及装置 | |
CN113920436A (zh) | 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法 | |
CN106709500A (zh) | 一种图像特征匹配的方法 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN104301585A (zh) | 一种运动场景中特定种类目标实时检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |