CN109544544A - 一种基于深度学习与无人机的移动通信维护对象状态识别方法 - Google Patents

一种基于深度学习与无人机的移动通信维护对象状态识别方法 Download PDF

Info

Publication number
CN109544544A
CN109544544A CN201811449077.1A CN201811449077A CN109544544A CN 109544544 A CN109544544 A CN 109544544A CN 201811449077 A CN201811449077 A CN 201811449077A CN 109544544 A CN109544544 A CN 109544544A
Authority
CN
China
Prior art keywords
unmanned plane
mobile communication
convolutional neural
sample
deep learning
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
Application number
CN201811449077.1A
Other languages
English (en)
Inventor
洪峰
赵群东
段建海
欧可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changxun Communications Services Co Ltd
Original Assignee
Changxun Communications Services Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changxun Communications Services Co Ltd filed Critical Changxun Communications Services Co Ltd
Priority to CN201811449077.1A priority Critical patent/CN109544544A/zh
Publication of CN109544544A publication Critical patent/CN109544544A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习与无人机的移动通信维护对象状态识别方法，包括将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线与标志5个部分共18种情况，使用无人机在维护对象现场按照巡检飞行路径高度、拍照角度采集样本；在实际样本中，使用预训练卷积神经网络训练出能够准确分类出所述18种情况的卷积神经网络CN1；标记样本图像中属于维护对象区域与背景区域，获取各种自然景观与建筑景观背景图像，并共同生成合成样本图像；在实际样本与合成样本中，使用CN1训练出能够准确分类出所述18种情况的卷积神经网络CN2；使用无人机按照各个维护对象现场采集样本的路径高度、拍照角度，形成巡检路线，监测通信维护对象状态。

Description

一种基于深度学习与无人机的移动通信维护对象状态识别 方法
技术领域
本发明涉及移动通信维护对象检测，尤其涉及基于深度学习与无人机的移动通信维护对象状态识别方法。
背景技术
移动通信设备维护需要周期性进行巡检与维护，传统通过人工周期性巡检来解决，这耗费大量人力物力，尤其对于部分设立于荒山野外的移动通信设备还可能导致巡检人员人身危险。
无人机使得远程巡检成为可能，若与人工智能相结合，还能实现巡检的自动化、智能化。本发明将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线、标志等5部分共18种情况，利用深度学习，提出图像合成与分阶段训练方式，并在固定位置、特定角度成像控制维护对象图片一致性。实现在针对特定移动通信维护对象的各种故障状态识别。
发明内容
为解决上述技术问题，本发明提供了一种基于深度学习与无人机的移动通信维护对象状态识别方法。
本发明的目的通过以下的技术方案来实现：
一种基于深度学习与无人机的移动通信维护对象状态识别方法，包括以下步骤：
步骤A将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线与标志5个部分共18种情况，使用无人机在维护对象现场按照巡检飞行路径高度h、拍照角度θ采集18种情况在一天内不同时间的实际样本；
步骤B在实际样本中，使用预训练卷积神经网络ConvNet训练出能够准确分类出所述18种情况的卷积神经网络CN1；
步骤C标记样本图像I中属于维护对象区域Aobj与背景区域Abg，获取各种自然景观与建筑景观背景图像Ibg，并共同生成合成样本图像I′；
步骤D在实际样本与合成样本中，使用CN1训练出能够准确分类出所述18种情况的卷积神经网络CN2；
步骤E使用无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，形成巡检路线，监测通信维护对象状态。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线、标志等5部分共18种情况，利用深度学习，提出图像合成与分阶段训练方式，并在固定位置、特定角度成像控制维护对象图片一致性，实现在针对特定移动通信维护对象的各种故障状态识别。
附图说明
图1是基于深度学习与无人机的移动通信维护对象状态识别方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
本发明提供了一种基于深度学习与无人机的移动通信维护对象状态识别方法，如图1所示，该方法包括如下步骤：
步骤11将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线、标志等5部分共18种情况，使用无人机在维护对象现场，按照巡检飞行路径高度h、拍照角度θ＝15°(俯瞰15°)在上午、傍晚与晚上采集这18种情况的实际样本；
分别设机房结构正常时为pA0、天馈线正常时为pB0、铁塔正常时为pC0、室外走线正常时为pD0、标志正常时为pE0；
机房结构问题包括天线桅杆松动pA1、室外走线支架松动pA2；天馈线问题包括天馈线松动pB1、天馈线移位pB2；铁塔问题包括支撑杆断裂pC1、横杆断裂pC2、支撑杆弯折pC3、横杆弯折pC4；室外走线问题包括天线方向不符合设计要求pD1、天线下倾角不符合设计要求pD2；标志问题包括标签脱落pE1、标签不清晰pE2、无标签pE3。
步骤12使用VGG16在实际样本中，训练出能够准确分类出这18种情况的卷积神经网络CN1；
pcls为18维单位向量，由前面的18种情况按特定顺序构建而成：
pcls＝(p1,p2,p3…p18)
＝(pA0,pB0,pC0,pD0,pE0,pA1,pA2,pB1,pB2,pC1,pC2,pC3,pC4,pD1,pD2,pE1,pE2,pE3)
pcls中各元素值代表着：
设通过卷积神经网络CN1的预测值为则使用pcls与的交叉熵对其进行训练，
训练完成的卷积神经网络CN1在对各种情况的检测准确率PCN1应该达到要求TCN1＝99.5％，最终的PCN1＝99.93％＞99.5％。
步骤13人工标记样本图像I中属于维护对象区域Aobj、背景区域Abg，获取各种自然景观、建筑景观背景图像Ibg，共同生成合成样本图像I′；
样本图像I′的合成方法为
步骤14使用CN1在实际样本与合成样本中，训练出能够准确分类出这18种情况的卷积神经网络CN2；
设通过卷积神经网络CN2的预测值为则使用pcls与的交叉熵对其进行训练，
训练完成的卷积神经网络CN2在对各种情况的检测准确率PCN2应该达到要求TCN2＝98％，最终的PCN2＝98.87％＞98％。
步骤15使用无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，形成巡检路线，监测通信维护对象状态；
对无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，使用卷积神经网络CN2，输入图像并输出预测的结果，输出规则为：
设通过卷积神经网络CN2的预测值为
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (7)

1.一种基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述方法基于深度学习与无人机实现，具体包括以下步骤：
步骤A将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线与标志5个部分共18种情况，使用无人机在维护对象现场按照巡检飞行路径高度h、拍照角度θ采集18种情况在一天内不同时间的实际样本；
步骤B在实际样本中，使用预训练卷积神经网络ConvNet训练出能够准确分类出所述18种情况的卷积神经网络CN1；
步骤C标记样本图像I中属于维护对象区域Aobj与背景区域Abg，获取各种自然景观与建筑景观背景图像Ibg，并共同生成合成样本图像I′；
步骤D在实际样本与合成样本中，使用CN1训练出能够准确分类出所述18种情况的卷积神经网络CN2；
步骤E使用无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，形成巡检路线，监测通信维护对象状态。
2.如权利要求1所述的基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述步骤A中：设机房结构正常时为pA0、天馈线正常时为pB0、铁塔正常时为pC0、室外走线正常时为pD0及标志正常时为pE0；
所述机房结构有问题时包括天线桅杆松动pA1与室外走线支架松动pA2；
所述天馈线有问题时包括天馈线松动pB1与天馈线移位pB2；
所述铁塔有问题时包括支撑杆断裂pC1、横杆断裂pC2、支撑杆弯折pC3与横杆弯折pC4；
所述室外走线有问题时包括天线方向不符合设计要求pD1与天线下倾角不符合设计要求pD2；
所述标志有问题时包括标签脱落pE1、标签不清晰pE2与无标签pE3。
3.如权利要求1所述的基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述步骤B中：
由18种情况按特定顺序构建成18维单位向量pcls：
pcls＝(p1,p2,p3…p18)
＝(pA0,pB0,pC0,pD0,pE0,pA1,pA2,pB1,pB2,pC1,pC2,pC3,pC4,pD1,pD2,pE1,pE2,pE3)
pcls中各元素值代表着：
4.如权利要求1所述的基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述步骤B中：
设通过卷积神经网络CN1的预测值为则使用pcls与的交叉熵对其进行训练，
训练完成的卷积神经网络CN1在对各种情况的检测准确率PCN1应该达到要求TCN1，即PCN1≥TCN1。
5.如权利要求1所述的基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述步骤C中：
样本图像I′的合成方法为
6.如权利要求1所述的基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述步骤D中：
设通过卷积神经网络CN2的预测值为则使用pcls与的交叉熵对其进行训练，
训练完成的卷积神经网络CN2在对各种情况的检测准确率PCN2应该达到要求TCN2，即PCN2≥TCN2。
7.如权利要求1所述的基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述步骤E中：
对无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，使用卷积神经网络CN2，输入图像并输出预测的结果，输出规则为：
设通过卷积神经网络CN2的预测值为
则
CN201811449077.1A 2018-11-30 2018-11-30 一种基于深度学习与无人机的移动通信维护对象状态识别方法 Pending CN109544544A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811449077.1A CN109544544A (zh) 2018-11-30 2018-11-30 一种基于深度学习与无人机的移动通信维护对象状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811449077.1A CN109544544A (zh) 2018-11-30 2018-11-30 一种基于深度学习与无人机的移动通信维护对象状态识别方法

Publications (1)

Publication Number Publication Date
CN109544544A true CN109544544A (zh) 2019-03-29

Family

ID=65851273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811449077.1A Pending CN109544544A (zh) 2018-11-30 2018-11-30 一种基于深度学习与无人机的移动通信维护对象状态识别方法

Country Status (1)

Country Link
CN (1) CN109544544A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046785A (zh) * 2019-12-10 2020-04-21 长讯通信服务有限公司 一种基于卷积神经网络的无人机巡检视频关键目标识别的方法
CN115167506A (zh) * 2022-06-27 2022-10-11 华南师范大学 无人机飞行航线更新规划的方法、装置、设备及存储介质
US20220351008A1 (en) * 2020-08-17 2022-11-03 At&T Intellectual Property I, L.P. Ai-based, semi-supervised interactive map enrichment for radio access network planning

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005265710A (ja) * 2004-03-19 2005-09-29 Chugoku Electric Power Co Inc:The 無人飛行体を用いた送電線点検システムおよび方法
US20160309339A1 (en) * 2015-04-14 2016-10-20 ETAK Systems, LLC Unmanned aerial vehicle-based systems and methods associated with cell sites and cell towers
CN106127783A (zh) * 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于深度学习的医疗影像识别系统
CN106874890A (zh) * 2017-03-16 2017-06-20 天津大学 一种基于航拍图像的识别输电线路中绝缘子缺失的方法
US20180032088A1 (en) * 2015-03-02 2018-02-01 Izak Jan van Cruyningen Flight planning for unmanned aerial tower inspection
CN107729808A (zh) * 2017-09-08 2018-02-23 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集系统及方法
JP2018074757A (ja) * 2016-10-28 2018-05-10 株式会社東芝 巡視点検システム、情報処理装置、巡視点検制御プログラム
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 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
CN108037133A (zh) * 2017-12-27 2018-05-15 武汉市智勤创亿信息技术股份有限公司 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统
CN108257114A (zh) * 2017-12-29 2018-07-06 天津市万贸科技有限公司 一种基于深度学习的输电设备缺陷自动识别方法
CN108377328A (zh) * 2018-01-03 2018-08-07 广东电网有限责任公司机巡作业中心 一种直升机巡视作业的目标拍摄方法及装置
CN108389197A (zh) * 2018-02-26 2018-08-10 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN108416299A (zh) * 2018-03-09 2018-08-17 重庆览辉信息技术有限公司 一种电力线路智能巡检系统
WO2018156869A1 (en) * 2017-02-26 2018-08-30 Yougetitback Limited System and method for detection of mobile device fault conditions
JP2018181235A (ja) * 2017-04-21 2018-11-15 古河電気工業株式会社 報告書作成装置、風力発電設備点検システム、プログラム、及び風力発電設備の点検報告書の作成方法
WO2018211396A1 (en) * 2017-05-13 2018-11-22 Indian Institute Of Science Detection of powerlines in aerial images

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005265710A (ja) * 2004-03-19 2005-09-29 Chugoku Electric Power Co Inc:The 無人飛行体を用いた送電線点検システムおよび方法
US20180032088A1 (en) * 2015-03-02 2018-02-01 Izak Jan van Cruyningen Flight planning for unmanned aerial tower inspection
US20160309339A1 (en) * 2015-04-14 2016-10-20 ETAK Systems, LLC Unmanned aerial vehicle-based systems and methods associated with cell sites and cell towers
CN106127783A (zh) * 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于深度学习的医疗影像识别系统
JP2018074757A (ja) * 2016-10-28 2018-05-10 株式会社東芝 巡視点検システム、情報処理装置、巡視点検制御プログラム
WO2018156869A1 (en) * 2017-02-26 2018-08-30 Yougetitback Limited System and method for detection of mobile device fault conditions
CN106874890A (zh) * 2017-03-16 2017-06-20 天津大学 一种基于航拍图像的识别输电线路中绝缘子缺失的方法
JP2018181235A (ja) * 2017-04-21 2018-11-15 古河電気工業株式会社 報告書作成装置、風力発電設備点検システム、プログラム、及び風力発電設備の点検報告書の作成方法
WO2018211396A1 (en) * 2017-05-13 2018-11-22 Indian Institute Of Science Detection of powerlines in aerial images
CN107729808A (zh) * 2017-09-08 2018-02-23 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集系统及方法
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 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
CN108037133A (zh) * 2017-12-27 2018-05-15 武汉市智勤创亿信息技术股份有限公司 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统
CN108257114A (zh) * 2017-12-29 2018-07-06 天津市万贸科技有限公司 一种基于深度学习的输电设备缺陷自动识别方法
CN108377328A (zh) * 2018-01-03 2018-08-07 广东电网有限责任公司机巡作业中心 一种直升机巡视作业的目标拍摄方法及装置
CN108389197A (zh) * 2018-02-26 2018-08-10 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN108416299A (zh) * 2018-03-09 2018-08-17 重庆览辉信息技术有限公司 一种电力线路智能巡检系统

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
MATIJA RADOVIC ET AL.: "Object Recognition in Aerial Images Using Convolutional Neural Networks", 《JOURNAL OF IMAGING》 *
NIKITA DVORNIK ET AL.: "Modeling Visual Context Is Key to Augmenting Object Detection Datasets", 《COMPUTER VISION - ECCV 2018》 *
RONGHUA QIU ET AL.: "Design and implementation of an autonomous landing control system of unmanned aerial vehicle for power line inspection", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》 *
VAN NHAN NGUYEN ET AL.: "Automatic autonomous vision-based power line inspection: A review of current status and the potential role of deep learning", 《ELECTRICAL POWER & ENERGY SYSTEMS》 *
XIAOLONG HUI ET AL.: "A novel autonomous navigation approach for UAV power line inspection", 《2017 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO)》 *
XINYU LIU ET AL.: "Insulator Detection in Aerial Images Based on Faster Regions with Convolutional Neural Network", 《2018 IEEE 14TH INTERNATIONAL CONFERENCE ON CONTROL AND AUTOMATION (ICCA)》 *
刘龙 等: "基于支持向量机的结构损伤分步识别研究", 《应用力学学报》 *
张泽浩: "基于动态贝叶斯网络的无人机巡检输电线路故障诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
戴源虎: "移动通信基站天馈线安装工程施工与维护", 《建材与装饰》 *
林佳炜: "基于无人机红外检测的电力线路故障诊断与分析", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
王子昊: "深度学习在输电铁塔关键部件缺陷检测中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
程凯: "电力巡线无人机智能地面监控系统研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
陈庆 等: "航拍绝缘子卷积神经网络检测及自爆识别研究", 《电子测量与仪器学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046785A (zh) * 2019-12-10 2020-04-21 长讯通信服务有限公司 一种基于卷积神经网络的无人机巡检视频关键目标识别的方法
US20220351008A1 (en) * 2020-08-17 2022-11-03 At&T Intellectual Property I, L.P. Ai-based, semi-supervised interactive map enrichment for radio access network planning
US11809522B2 (en) * 2020-08-17 2023-11-07 At&T Intellectual Property I, L.P. AI-based, semi-supervised interactive map enrichment for radio access network planning
CN115167506A (zh) * 2022-06-27 2022-10-11 华南师范大学 无人机飞行航线更新规划的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Fu et al. Fast and accurate detection of kiwifruit in orchard using improved YOLOv3-tiny model
CN107729808B (zh) 一种用于输电线路无人机巡检的图像智能采集系统及方法
Li et al. Uav-human: A large benchmark for human behavior understanding with unmanned aerial vehicles
Liu et al. High precision detection algorithm based on improved RetinaNet for defect recognition of transmission lines
Rahman et al. Autonomous vision-based primary distribution systems porcelain insulators inspection using UAVs
CN109544544A (zh) 一种基于深度学习与无人机的移动通信维护对象状态识别方法
KR102507501B1 (ko) 인공지능 기반 수계오염원 모니터링 시스템 및 방법
CN108334844B (zh) 一种输电线路巡检的沿线自动跟踪方法
Wang et al. Field rice panicle detection and counting based on deep learning
CN110688925A (zh) 基于深度学习的级联目标识别方法及系统
Nigam et al. A review of different components of the intelligent traffic management system (ITMS)
Yuan et al. UAV-based heating requirement determination for frost management in apple orchard
CN111914813A (zh) 基于图像分类的输电线路巡检图像命名方法及系统
CN114240868A (zh) 一种基于无人机的巡检分析系统及方法
Zhu et al. Extreme weather recognition using convolutional neural networks
Yan et al. Identification and picking point positioning of tender tea shoots based on MR3P-TS model
CN113408510B (zh) 基于深度学习与one-hot编码的输电线路目标纠偏方法和系统
Yuan et al. YOLOv5-Ytiny: a miniature aggregate detection and classification model
Sumagayan et al. Detecting power lines using point instance network for distribution line inspection
CN105973206B (zh) 一种基于道格拉斯—普克算法的航带划分方法
Lapušinskij et al. The application of Hough transform and Canny edge detector methods for the visual detection of cumuliform clouds
Chang et al. Research on insulator defect detection based on improved YOLOv7 and multi-UAV cooperative system
CN117707195A (zh) 一种基于绝缘子检测的配电网精细航线规划方法
Wang et al. SE-COTR: A novel fruit segmentation model for green apples application in complex orchard
Zhang et al. A fitting recognition approach combining depth-attention YOLOv5 and prior synthetic dataset

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190329